Los puentes constituyen nodos estratégicos dentro de las redes de transporte, asegurando la continuidad de la movilidad y el intercambio económico entre diferentes regiones. Sin embargo, la mayoría de los sistemas de mantenimiento aún se basan en modelos reactivos, los cuales actúan solo cuando el deterioro se hace visible o los daños ya han comprometido parte de la capacidad estructural. Este enfoque, además de costoso, conlleva significativos riesgos para la seguridad pública.

La propuesta consiste en monitorear las vibraciones naturales y forzadas de las estructuras, analizando los patrones dinámicos que se generan durante el paso de vehículos, las variaciones ambientales y el envejecimiento de los materiales.

Los algoritmos de IA, entrenados con grandes volúmenes de datos, permiten identificar anomalías casi imperceptibles en el comportamiento estructural. En particular, el modelo se enfoca en un parámetro denominado “factor de pérdida”, indicador capaz de medir cuánta energía se disipa en cada ciclo de vibración a causa de microfisuras, uniones debilitadas o deterioro en los materiales. Una variación mínima en este factor puede anticipar la aparición de una falla local, lo que habilita la intervención temprana antes de que evolucione hacia un colapso parcial o total.

El estudio fue aplicado a cuatro puentes en Vietnam —Chumchup, Gocong, Ongdau y Ongnhieu—, con condiciones de carga y geometrías diversas. En cada caso, las redes neuronales analizaron las respuestas dinámicas bajo distintos escenarios de tránsito: desde vehículos livianos hasta camiones de gran porte, incluyendo situaciones de congestión prolongada. Al comparar la energía transmitida y la energía disipada, el sistema logró detectar zonas donde existían pérdidas anómalas, indicio directo de posibles deficiencias estructurales.

Una característica destacable de esta metodología es su capacidad de aprendizaje continuo. Las redes neuronales multicapa ajustan sus parámetros con cada nueva medición, aumentando progresivamente su precisión. Esto significa que el sistema no solo identifica defectos existentes, sino que también mejora su desempeño a medida que acumula datos históricos, creando una suerte de “memoria estructural” de cada puente.

Esta memoria digital facilita la evaluación comparativa a lo largo del tiempo, permitiendo distinguir entre variaciones naturales —como las debidas a cambios térmicos o de humedad— y deterioros reales en los componentes.

La aplicación de inteligencia artificial en el monitoreo estructural abre un campo de enorme potencial dentro de la ingeniería civil. Frente a los métodos tradicionales de inspección visual o instrumentación puntual, los sistemas inteligentes permiten un control continuo, de alta resolución y con costos decrecientes a largo plazo.

Además, al detectar con antelación los puntos críticos, se optimiza la asignación de recursos, priorizando el mantenimiento donde es realmente necesario y evitando reparaciones masivas o de emergencia.

Desde una perspectiva ambiental y económica, esta innovación contribuye también a la sostenibilidad de la infraestructura. Extender la vida útil de los puentes mediante un mantenimiento predictivo reduce la necesidad de reemplazos prematuros, disminuye la huella de carbono asociada a nuevas construcciones y optimiza el empleo de materiales y energía.

La investigación de la ACU representa, en definitiva, un paso decisivo hacia una infraestructura más inteligente, segura y resiliente. Los puentes del futuro no solo serán capaces de soportar mayores exigencias, sino que también podrán autodiagnosticarse y comunicar su estado en tiempo real.

Este paradigma, que combina ingeniería estructural y ciencia de datos, redefine el rol del ingeniero en el siglo XXI: más que un diseñador o componedor de estructuras, se constituye en un gestor del conocimiento dinámico responsable de resguardar la integridad de las obras y la seguridad de quienes las utilizan.