El Monitoreo de Salud Estructural (SHM) es el monitoreo continuo o periódico a largo plazo basado en sensores de la condición y el rendimiento estructural, proporcionando datos para detectar daños, evaluar la seguridad y planificar el mantenimiento. Los sistemas SHM modernos integran acelerómetros, galgas extensométricas, sensores de desplazamiento, fibra óptica y cámaras con análisis de IA.
El Monitoreo de Salud Estructural (SHM) es el proceso de implementar una estrategia de detección y caracterización de daños para estructuras de ingeniería mediante el uso de una red de sensores, hardware de adquisición de datos, sistemas de comunicación y algoritmos de análisis de datos. El SHM proporciona una evaluación cuantitativa continua o periódica de la condición estructural, permitiendo a los ingenieros detectar daños en una etapa temprana, evaluar la seguridad estructural bajo cargas operativas y extremas, y optimizar la programación del mantenimiento y las reparaciones. La disciplina se basa en principios de ensayos no destructivos (END), tecnología de sensores, procesamiento de señales, análisis de datos e ingeniería estructural.
El Monitoreo de Salud Estructural es definido formalmente por la Sociedad Internacional para el Monitoreo de Salud Estructural (ISHM) como la medición del entorno operativo y de carga de una estructura y la respuesta de dicha estructura durante un período definido para rastrear y evaluar síntomas de daño, degradación o cambios en el rendimiento. El objetivo principal es responder cinco preguntas fundamentales sobre cualquier estructura monitoreada: (1) ¿Existe daño? (2) ¿Dónde está localizado el daño? (3) ¿Cuál es el tipo y la gravedad del daño? (4) ¿Cuánta vida útil remanente tiene la estructura? y (5) ¿Qué acción se recomienda?
El propósito del SHM va más allá de la detección de daños. El SHM proporciona datos cuantitativos de rendimiento que respaldan el mantenimiento basado en la condición (CBM), una estrategia donde las acciones de mantenimiento se activan por la condición estructural medida en lugar de intervalos de tiempo fijos. Esto contrasta con el mantenimiento basado en el tiempo tradicional que sigue cronogramas predeterminados independientemente de la condición real. El mantenimiento basado en la condición habilitado por el SHM puede reducir los costos de mantenimiento entre un 20 y 40% mientras mejora la confiabilidad estructural.
El SHM se utiliza para varios propósitos distintos a lo largo del ciclo de vida de la infraestructura. Durante la construcción, el SHM valida las suposiciones de diseño, monitorea obras temporales y documenta el rendimiento en obra. Durante la vida útil, el SHM detecta el deterioro por fatiga, corrosión, sobrecarga y degradación ambiental. Después de eventos extremos como terremotos, huracanes, inundaciones o impactos de vehículos, el SHM proporciona una evaluación rápida de la condición para determinar si una estructura es segura para uso continuo o requiere reparación urgente. Al final de la vida útil, los datos SHM respaldan las decisiones sobre rehabilitación, refuerzo o reemplazo.
El principio operativo del SHM se basa en la relación entre el daño estructural y los cambios medibles en la respuesta estructural. El daño — ya sea agrietamiento, corrosión, pérdida de pretensado, degradación de apoyos o asentamiento de cimientos — altera las propiedades de rigidez, masa o amortiguamiento de una estructura. Estos cambios se manifiestan como variaciones medibles en las características de vibración (frecuencias naturales, formas modales, relaciones de amortiguamiento), patrones de deformación, deflexiones o desplazamientos. Los sensores SHM detectan estas variaciones, y los algoritmos de análisis las correlacionan con tipos y ubicaciones específicas de daño.
Un sistema completo de Monitoreo de Salud Estructural está compuesto por cuatro capas funcionales que trabajan juntas para convertir fenómenos físicos en una estructura en información procesable sobre la condición. Comprender esta arquitectura es esencial para diseñar, especificar y operar sistemas SHM.
La capa de sensores consiste en transductores físicos montados o integrados dentro de la estructura. Estos transductores convierten fenómenos mecánicos, físicos o químicos en señales eléctricas. La elección y colocación de los sensores es la decisión de diseño más crítica en cualquier sistema SHM porque determina qué mecanismos de daño pueden detectarse y con qué sensibilidad. La colocación de sensores sigue principios de la teoría de colocación óptima de sensores (OSP), que utiliza optimización matemática para maximizar la detectabilidad de los escenarios de daño esperados con el número mínimo de sensores. Los tipos de sensores comunes se discuten en detalle en la Sección 3.
La capa de adquisición de datos recibe señales analógicas de los sensores y las convierte en datos digitales adecuados para transmisión y análisis. El hardware DAQ realiza varias funciones: acondicionamiento de señal (amplificación, filtrado y aislamiento de señales de sensores en bruto), conversión analógico-digital (ADC) a frecuencias de muestreo y resolución especificadas, sincronización de múltiples canales de sensores a una base de tiempo común, y almacenamiento temporal de datos antes de la transmisión. Las frecuencias de muestreo varían ampliamente según la aplicación — los acelerómetros en un puente de gran vano pueden muestrear a 50-200 Hz para monitoreo de vibración ambiental, mientras que las galgas extensométricas en un tablero de acero ortotrópico pueden requerir 1000 Hz o más para capturar ciclos de fatiga de los pasos de camiones.
Los sistemas DAQ modernos ofrecen arquitecturas modulares que permiten mezclar tipos de sensores en una sola plataforma. El National Instruments cRIO y el Campbell Scientific CR6 son ejemplos de plataformas DAQ robustas comunes en aplicaciones SHM de puentes. Estos sistemas operan en exteriores con rangos de temperatura de -40°C a +85°C, a menudo en gabinetes montados debajo de los tableros de puentes o junto a las estructuras.
La capa de transmisión de datos traslada los datos digitalizados de los sensores desde la estructura hasta una instalación central de procesamiento. El método de transmisión depende de las condiciones del sitio, el volumen de datos y la disponibilidad de energía. La transmisión por cable mediante cables de fibra óptica o Ethernet proporciona alto ancho de banda y confiabilidad, pero requiere tendido y protección de cables. La transmisión inalámbrica mediante redes celulares (4G/5G), módems de radio o enlaces satelitales elimina los costos de cableado, pero introduce limitaciones de ancho de banda y consideraciones de consumo de energía.
Para puentes en zonas rurales donde no hay energía de red ni comunicaciones por cable disponibles, los sistemas SHM utilizan comúnmente paneles solares o turbinas eólicas para la energía y módems celulares para la transferencia de datos. El programa SHM del Departamento de Transporte de Oregón, una de las implementaciones estatales más tempranas, utiliza exactamente esta configuración para el monitoreo remoto de puentes. El intervalo de transmisión de datos puede ser en tiempo real (transmisión continua), periódico (cargas por lotes cada hora/día) o activado por eventos (transmisión solo cuando las lecturas del sensor superan umbrales).
La capa de procesamiento de datos es donde las lecturas de sensores en bruto se transforman en información sobre la condición que los ingenieros pueden utilizar. Esta capa incluye almacenamiento de datos (típicamente una base de datos SQL o de series temporales), limpieza y control de calidad de datos (eliminación de picos, corrección de deriva, compensación de temperatura) y algoritmos de análisis automatizados (identificación modal, control estadístico de procesos, modelos de aprendizaje automático). Los resultados se presentan a través de paneles, gráficos de tendencias y notificaciones de alerta automatizadas (correo electrónico, SMS o integración SCADA).
Las plataformas SHM basadas en la nube se han vuelto cada vez más comunes. Los ecosistemas AWS IoT y Microsoft Azure IoT proporcionan servicios gestionados para la administración de dispositivos, ingesta de datos, almacenamiento y análisis. Estas plataformas soportan la computación en el borde (edge computing), donde el procesamiento preliminar de datos ocurre en el hardware DAQ local antes de la transmisión, reduciendo el volumen de datos y permitiendo alertas en tiempo real incluso cuando la conectividad de red es intermitente.
| Capa del Sistema SHM | Componentes Clave | Funciones |
|---|---|---|
| Capa de Sensores | Acelerómetros, galgas extensométricas, sensores de desplazamiento, inclinómetros, sensores de fibra óptica, cámaras, sensores de corrosión | Convertir fenómenos físicos en señales eléctricas; capturar respuesta estructural |
| Adquisición de Datos | Acondicionadores de señal, amplificadores, filtros antialiasing, ADC, registradores de datos | Acondicionar señales analógicas; digitalizar a frecuencias de muestreo adecuadas; sincronizar canales |
| Transmisión de Datos | Cables de fibra óptica, Ethernet, módems celulares, módems de radio, enlaces satelitales | Transferir datos de la estructura a la instalación de procesamiento; soportar modos en tiempo real, periódico o activado por eventos |
| Procesamiento y Alertas | Bases de datos, software de análisis, paneles, sistemas de notificación | Almacenar, limpiar y analizar datos; detectar anomalías; generar alertas e informes |
La capa de generación de alertas es la interfaz entre los datos SHM y los tomadores de decisiones. Las alertas basadas en umbrales activan notificaciones cuando las lecturas del sensor superan límites predefinidos absolutos o de tasa de cambio. Las alertas estadísticas utilizan gráficos de control (Shewhart, CUSUM, EWMA) para detectar cuándo la respuesta estructural se desvía del comportamiento de referencia más allá de la variabilidad esperada. Las alertas de aprendizaje automático utilizan modelos entrenados de detección de anomalías para identificar cambios sutiles que los métodos estadísticos podrían pasar por alto. Las alertas se clasifican típicamente por gravedad — informativa, de asesoramiento, de advertencia y de alarma — con protocolos de escalamiento correspondientes.
La selección de tipos de sensores para un sistema SHM está determinada por los mecanismos de daño esperados para la estructura, los materiales estructurales involucrados y los objetivos de monitoreo. Cada tipo de sensor mide un parámetro físico específico y responde a modos de daño distintos.
Los acelerómetros miden la vibración y respuesta dinámica de las estructuras. Son los sensores más utilizados en la práctica global de SHM porque las vibraciones son indicadores sensibles de cambios en la rigidez estructural. Daños como agrietamiento, pérdida de pretensado, degradación de apoyos y pérdida de sección de miembros reducen la rigidez, lo que desplaza las frecuencias naturales y altera las formas modales. Los acelerómetros capturan estos cambios.
Las tecnologías incluyen acelerómetros piezoeléctricos (amplio rango de frecuencia, alta sensibilidad), acelerómetros MEMS capacitivos (bajo costo, tamaño pequeño, respuesta DC) y acelerómetros servo de balance de fuerza (mayor sensibilidad para estructuras civiles de baja frecuencia). Para monitoreo de puentes, se utilizan comúnmente acelerómetros MEMS con una sensibilidad de 10 V/g y un piso de ruido inferior a 10 μg/√Hz. El programa LTBP de la FHWA despliega conjuntos de acelerómetros triaxiales en puentes instrumentados para capturar datos de vibración ambiental (viento, tráfico) y forzada (camión de prueba).
Los datos de los conjuntos de acelerómetros se analizan mediante técnicas de análisis modal operacional (OMA) como la Descomposición en el Dominio de la Frecuencia (FDD) y la Identificación Estocástica de Subespacios (SSI) para extraer frecuencias naturales, formas modales y relaciones de amortiguamiento. Los cambios en estos parámetros modales a lo largo del tiempo indican degradación estructural.
Las galgas extensométricas miden la deformación superficial local (deformación unitaria) en elementos estructurales bajo carga. Se utilizan para monitorear niveles de tensión, detectar eventos de sobrecarga, rastrear la acumulación de daño por fatiga y verificar suposiciones de distribución de carga. Las galgas extensométricas de lámina soldable son comunes para estructuras de acero, mientras que las galgas extensométricas de cuerda vibrante se prefieren para estructuras de concreto debido a su estabilidad a largo plazo e inmunidad a la humedad.
Los datos de monitoreo de deformación permiten la evaluación de la vida a fatiga mediante el método de conteo de flujo de lluvia (rainflow), que extrae ciclos de tensión de las historias temporales de deformación y aplica la regla de daño acumulativo de Miner (hipótesis de daño lineal de Palmgren-Miner). Para tableros de puentes de acero ortotrópico, donde el agrietamiento por fatiga en las uniones soldadas costilla-tablero es un problema conocido, el monitoreo continuo de deformación proporciona datos para la evaluación de la condición de fatiga bajo tráfico real, no solo bajo cargas de diseño.
Los sensores de desplazamiento miden el movimiento absoluto o relativo de los componentes estructurales. Los Transformadores Diferenciales de Variable Lineal (LVDT) y los transductores de desplazamiento de cable miden desplazamientos relativos a través de grietas, juntas o apoyos. Las estaciones totales y los receptores GNSS miden desplazamientos tridimensionales absolutos de tableros y torres de puentes bajo carga.
Para el monitoreo de pavimentos de pistas de aeropuertos, los deflectómetros multinivel (MDD) miden las respuestas de deflexión capa por capa bajo cargas de aeronaves. Estos datos se utilizan para retrocalcular los módulos de las capas para la evaluación estructural de pavimentos según el Manual de Diseño de Aeródromos (Doc 9157) de la OACI y los procedimientos de diseño de pavimentos de la AC 150/5370-11B de la FAA.
Los inclinómetros miden la rotación angular de elementos estructurales con alta precisión (resolución de 1-10 microrradianes). Se utilizan para monitorear el asentamiento de pilares, la rotación de apoyos de puentes, el movimiento de muros de contención y la inclinación de cimientos. En el programa SHM del DOT de Oregón, los inclinómetros en el puente basculante Isthmus Slough (construido en 1935) monitorean la inclinación de pilares que afecta las operaciones de apertura y cierre del basculante. El sistema incluye tanto monitoreo de tendencia a largo plazo como una alerta temprana para superación de umbrales.
Los sensores de inclinación electrolíticos y los inclinómetros basados en MEMS son las tecnologías más comunes. A menudo se despliegan en conjuntos a lo largo de pilares de puentes o muros de contención para medir asentamientos diferenciales y perfiles de rotación.
Los sensores de fibra óptica representan una tecnología transformadora para el SHM porque ofrecen detección distribuida a largas distancias, inmunidad a la interferencia electromagnética y estabilidad a largo plazo. Se utilizan dos tecnologías principales: Rejillas de Bragg en Fibra (FBG) y detección distribuida por fibra óptica (DFOS).
Los sensores FBG consisten en modulaciones periódicas del índice de refracción escritas en el núcleo de la fibra en ubicaciones específicas. Los cambios en la deformación o temperatura desplazan la longitud de onda de Bragg, que se mide con resolución de submicrodeformación. Múltiples FBG pueden multiplexarse en una sola fibra, creando una red de sensores cuasidistribuida. Las rosetas de deformación FBG se instalan en vigas de acero para monitorear campos de tensión localizados.
La detección distribuida por fibra óptica utiliza técnicas como el Análisis de Dominio Temporal Óptico Brillouin (BOTDA), la Reflectometría de Dominio Temporal Óptico Brillouin (BOTDR) y la Reflectometría de Dominio de Frecuencia Óptica (OFDR) basada en Rayleigh para medir deformación y temperatura de forma continua a lo largo de toda la longitud de la fibra, logrando una resolución espacial de 1-10 cm en longitudes de 10-50 km. Un solo cable de fibra óptica instalado a lo largo de una viga de puente puede proporcionar lecturas de deformación en miles de ubicaciones, creando un perfil de deformación completo que revela anomalías locales.
El Puente Akashi Kaikyō en Japón y el Puente de la Confederación en Canadá son ejemplos de grandes puentes que incorporan sistemas de monitoreo por fibra óptica. Para pavimentos aeroportuarios, los cables de fibra óptica incrustados en el asfalto de las pistas proporcionan monitoreo continuo de deformación y temperatura bajo cargas de aeronaves, permitiendo la detección de deterioro subsuperficial antes de que aparezcan grietas en la superficie.
El SHM basado en visión utiliza cámaras digitales, vehículos aéreos no tripulados (UAV/drones) y técnicas de correlación de imagen digital (DIC) para medir la respuesta estructural sin contacto físico con la estructura. Las cámaras capturan imágenes de alta resolución de las superficies estructurales en intervalos regulares, y los algoritmos de procesamiento de imágenes detectan y cuantifican grietas, descascaramientos, manchas de corrosión y cambios geométricos.
La correlación de imagen digital rastrea el movimiento de la textura superficial natural o de patrones de moteado aplicados a través de una serie de imágenes para calcular campos de desplazamiento y deformación de campo completo con precisión subpíxel. La DIC se utiliza para ensayos estructurales en laboratorio y, con sistemas de cámara adecuados, para monitoreo de campo de elementos de puentes.
Los datos de inspección visual con drones — como los proporcionados por la plataforma TarmacView — complementan las redes de sensores SHM terrestres al proporcionar documentación visual completa de la condición superficial que puede georreferenciarse e integrarse en el sistema de gestión de datos SHM.
| Tipo de Sensor | Parámetro Medido | Resolución Típica | Aplicación Común |
|---|---|---|---|
| Acelerómetro | Aceleración (vibración) | 0.1-10 μg | Análisis modal, detección de cambios de rigidez |
| Galgas Extensométricas | Deformación superficial | 1-5 μstrain | Monitoreo de tensión, evaluación de fatiga |
| LVDT/Desplazamiento | Desplazamiento relativo | 1-10 μm | Monitoreo de grietas, movimiento de juntas |
| Inclinómetro | Rotación angular | 1-10 μrad | Asentamiento de cimientos, inclinación de pilares |
| Fibra Óptica FBG | Deformación/temperatura | 1 μstrain / 0.1°C | Perfilado distribuido de deformación |
| Fibra Óptica Distribuida | Deformación/temperatura | 10 μstrain / 0.5°C | Monitoreo continuo de grandes vanos |
| Cámara/DIC | Campo de desplazamiento/deformación | 0.01-0.1 px | Detección de grietas, deformación de campo completo |
El volumen de datos generado por las redes modernas de sensores SHM presenta tanto una oportunidad como un desafío. Un solo puente instrumentado con 50 acelerómetros muestreando a 200 Hz genera aproximadamente 864 millones de puntos de datos por día. El análisis manual de este volumen de datos es impracticable, lo que hace que el análisis automatizado de datos y la inteligencia artificial (IA) sean componentes esenciales de cualquier sistema SHM operativo.
El paradigma de reconocimiento estadístico de patrones para SHM, formalizado por Worden y Farrar (2001) en el Laboratorio Nacional de Los Álamos, divide el proceso de análisis SHM en cuatro pasos: (1) evaluación operativa — definir los escenarios de daño de interés y las restricciones de monitoreo; (2) adquisición y normalización de datos — recopilar datos y eliminar efectos ambientales y operativos (temperatura, tráfico, viento) que pueden enmascarar cambios inducidos por daños; (3) extracción de características — calcular características sensibles al daño a partir de datos en bruto (frecuencias naturales, curvatura de formas modales, líneas de influencia de deformación, coeficientes wavelet); y (4) desarrollo de modelos estadísticos — construir modelos que distingan entre estados no dañados y dañados.
La normalización de datos para eliminar efectos ambientales es crítica porque las variaciones de temperatura pueden causar desplazamientos de frecuencia natural del 2-10% en puentes — comparable a la magnitud de los cambios causados por daño moderado. Técnicas como el Análisis de Componentes Principales (PCA), las Redes Neuronales Autoasociativas (AANN) y la Cointegración se utilizan para filtrar efectos ambientales y aislar características inducidas por daños.
Los métodos de aprendizaje automático (ML) se han vuelto centrales en el análisis moderno de datos SHM. Los algoritmos de aprendizaje supervisado (máquinas de vectores de soporte, bosques aleatorios, redes neuronales profundas) se entrenan con datos etiquetados de estados de daño conocidos para clasificar nuevos datos. El desafío es que los datos etiquetados de daños de estructuras operativas son escasos — la mayoría de las estructuras no están dañadas o sufren daños que no se caracterizan de forma independiente. Esta limitación ha impulsado el interés en enfoques de aprendizaje no supervisado que detectan anomalías en relación con un modelo de referencia de estado saludable sin requerir etiquetas.
Las Redes Neuronales Convolucionales (CNN) han demostrado ser muy efectivas para la detección de grietas basada en imágenes. Entrenadas con miles de imágenes etiquetadas de grietas en concreto, las CNN pueden detectar grietas de hasta 0.1 mm de ancho con una precisión superior al 95%. La arquitectura U-Net, desarrollada originalmente para la segmentación de imágenes biomédicas, se ha adaptado para la segmentación de grietas a nivel de píxel en imágenes de tableros de puentes capturadas por drones de inspección.
Las Redes Neuronales Recurrentes (RNN), particularmente las redes de Memoria a Largo y Corto Plazo (LSTM), se aplican a datos de sensores de series temporales para la predicción de la vida útil remanente. Un modelo LSTM entrenado con datos históricos de galgas extensométricas puede predecir las tasas de crecimiento de grietas por fatiga y estimar el tiempo hasta que una grieta alcance una longitud crítica.
Las redes neuronales de autoencoder se utilizan para la detección no supervisada de anomalías en SHM. Un autoencoder se entrena para reconstruir datos de respuesta estructural normal (no dañada). Cuando se presentan datos de una estructura dañada, el error de reconstrucción aumenta, señalando una anomalía. Los autoencoders variacionales (VAE) proporcionan un marco probabilístico para la detección de anomalías, cuantificando la probabilidad de que los datos observados representen un comportamiento estructural normal o anormal.
Los nodos de computación en el borde que ejecutan modelos de IA ligeros directamente en el hardware DAQ permiten la detección de anomalías en tiempo real sin dependencia de la conectividad en la nube. Estos sistemas pueden activar alertas inmediatas para eventos críticos como daños inducidos por terremotos o sobrecarga de tráfico.
| Método IA/ML | Aplicación en SHM | Tipo de Dato | Supervisión |
|---|---|---|---|
| Máquina de Vectores de Soporte (SVM) | Clasificación de daño vs. no dañado | Parámetros modales, características | Supervisado |
| Bosque Aleatorio | Clasificación de importancia de características, clasificación de daños | Múltiples tipos de sensores | Supervisado |
| CNN | Detección de grietas, identificación de defectos superficiales | Imágenes, video | Supervisado |
| LSTM | Predicción de vida a fatiga, pronóstico de series temporales | Deformación, aceleración | Supervisado |
| Autoencoder (VAE) | Detección de anomalías, detección de novedades | Series temporales multisensor | No supervisado |
| PCA | Eliminación de efectos ambientales, reducción de dimensionalidad | Datos multisensor | No supervisado |
Los puentes representan el dominio de aplicación más común del SHM. Estados Unidos tiene más de 590,000 puentes de carreteras (datos de 2024), con aproximadamente el 36% clasificados como estructuralmente deficientes u obsoletos funcionalmente según el Inventario Nacional de Puentes (NBI). El Programa de Rendimiento de Puentes a Largo Plazo (LTBP) de la FHWA y las directrices de AASHTO proporcionan el marco para la práctica de SHM en puentes en EE. UU.
Lanzado en abril de 2008 bajo la Ley de Equidad en el Transporte Segura, Responsable, Flexible y Eficiente (SAFETEA-LU), el Programa LTBP es una iniciativa de investigación emblemática de 20 años de la Oficina de Investigación y Desarrollo de Infraestructura de la FHWA. El objetivo global del programa es recopilar datos cuantitativos de calidad científica de una muestra nacionalmente representativa de puentes de carreteras, mejorando el conocimiento del rendimiento de los puentes y promoviendo en última instancia la seguridad, movilidad, longevidad y confiabilidad de los activos de transporte por carretera de la Nación.
El programa LTBP utiliza un enfoque holístico que analiza todas las variables físicas y funcionales que afectan el rendimiento de los puentes. Los investigadores realizan inspecciones periódicas detalladas combinadas con técnicas de evaluación no destructiva (END) que incluyen radar de penetración terrestre, monitoreo de emisión acústica e instalaciones de sensores permanentes que monitorean la carga de tráfico, grietas por fatiga, corrosión, eventos de sobrecarga y condiciones ambientales.
Los datos recopilados a través del programa LTBP respaldan: modelos mejorados de deterioro y predictivos que simulan interacciones entre pavimentos, puentes y tráfico; uso efectivo del análisis de costos de ciclo de vida; avances en tecnología de inspección mediante END y SHM; desarrollo de métodos de diseño y prácticas de mantenimiento mejorados; cuantificación de la efectividad de estrategias de mantenimiento, reparación y rehabilitación; y apoyo para el establecimiento de políticas nacionales de puentes.
La Asociación Americana de Funcionarios de Carreteras y Transporte Estatales (AASHTO) proporciona orientación sobre SHM en puentes a través del Manual para la Evaluación de Puentes (2015) y publicaciones de apoyo del Subcomité de Puentes y Estructuras de AASHTO. Las recomendaciones de SHM de AASHTO cubren: determinar cuándo es apropiado el SHM (puentes con deterioro conocido, detalles propensos a fatiga, diseños novedosos o evaluación post-evento extremo); estrategias de selección y colocación de sensores; protocolos de gestión de datos; e interpretación de resultados de SHM para clasificación de carga y evaluación de condición.
El programa SHM del Departamento de Transporte de Oregón (ODOT), documentado por Steven Lovejoy de la Sección de Ingeniería de Puentes del ODOT, es una de las implementaciones estatales más maduras. A partir de 2024, 10 puentes cuentan con sistemas SHM dedicados en seis categorías de monitoreo:
Los sistemas SHM del ODOT tienen costos que oscilan entre $30,000 y $250,000 por puente, con costos operativos anuales de $5,000-$20,000 para gestión de datos, mantenimiento del sistema y análisis. El programa ha demostrado que los datos SHM permiten acciones de mantenimiento específicas que abordan problemas concretos en lugar de reemplazar o rehabilitar estructuras completas.
El monitoreo de infraestructura aeroportuaria utilizando principios SHM es un campo en crecimiento impulsado por el aumento de los pesos de las aeronaves, el envejecimiento de la infraestructura de pavimentos y el énfasis regulatorio en la seguridad. La Organización de Aviación Civil Internacional (OACI) aborda el monitoreo de pavimentos en el Manual de Diseño de Aeródromos (Doc 9157) y el Anexo 14 — Aeródromos, recomendando que los operadores de aeródromos implementen programas de monitoreo para detectar el deterioro del pavimento antes de que comprometa la seguridad.
Los sistemas de monitoreo de salud de pavimentos aeroportuarios integran sensores en los pavimentos de pistas, calles de rodaje y plataformas para medir las respuestas mecánicas a las cargas de las aeronaves. Los conjuntos típicos de sensores incluyen: galgas extensométricas incrustadas en asfalto o concreto para medir deformaciones por tracción en la parte inferior de las capas ligadas; celdas de presión para medir la tensión vertical dentro de las capas del pavimento; sondas de temperatura para medir gradientes de temperatura del pavimento que afectan la rigidez del asfalto; sensores de humedad para detectar infiltración de agua subsuperficial que acelera el deterioro del pavimento; y deflectómetros multinivel (MDD) para medir las respuestas de deflexión capa por capa.
Un estudio de 2019 de la Universidad Estatal de Iowa (financiado por la FAA) desarrolló un marco de instrumentación inteligente para pavimentos aeroportuarios que integra datos de sensores con modelos de elementos finitos para la evaluación estructural de pavimentos en tiempo real. El marco utiliza la retrocalibración del deflectómetro de peso caído (FWD) combinada con el monitoreo continuo de sensores para rastrear cambios en los módulos de las capas a lo largo del tiempo — identificando el deterioro estructural meses o años antes de que aparezcan grietas en la superficie.
La AC 150/5370-11B de la FAA — Uso de Ensayos No Destructivos en la Evaluación de Pavimentos Aeroportuarios — proporciona orientación sobre ensayos de deflexión, radar de penetración terrestre y otros métodos END utilizados en la evaluación de pavimentos aeroportuarios. El documento reconoce que, si bien las pruebas END periódicas (típicamente cada 5 años para aeropuertos importantes) proporcionan instantáneas de la condición del pavimento, el monitoreo continuo con sensores (SHM) puede detectar el deterioro en los intervalos entre pruebas.
El mercado de sistemas de sensores para pavimentos aeroportuarios se valoró en $2.1 mil millones en 2025, con una proyección de alcanzar $4.1 mil millones para 2034 a una CAGR del 7.7%. El crecimiento está impulsado por los programas de reconstrucción de pistas en los principales aeropuertos del mundo, el aumento de las cargas útiles de las aeronaves (A380, B777-9, B787) y los requisitos regulatorios para la presentación continua de informes sobre la condición de los pavimentos.
El SHM y la inspección visual periódica son enfoques complementarios en lugar de competitivos para la evaluación de la condición estructural. Comprender cuándo es apropiado cada uno — y cómo pueden integrarse — es esencial para una gestión eficaz de la infraestructura.
La inspección periódica sigue procedimientos codificados — el Manual AASHTO para la Inspección de Elementos de Puentes (MBEI) o los requisitos de Certificación de Aeródromos de la OACI — en intervalos fijos (típicamente 12-24 meses para puentes, anualmente para pavimentos aeroportuarios). La inspección es cualitativa, basándose en la observación visual y la experiencia del inspector para identificar y calificar defectos. El resultado es una calificación de condición (por ejemplo, 1-9 para la condición NBI de puentes, 1-100 para la condición PCI de pavimentos).
Las limitaciones de la inspección periódica incluyen: visibilidad restringida a superficies accesibles y visibles (cimientos sumergidos, tendones internos, capas subsuperficiales del pavimento son invisibles); incapacidad para detectar deterioro activo entre ciclos de inspección; subjetividad y variabilidad entre inspectores; incapacidad para medir el rendimiento estructural bajo cargas reales; y ausencia de datos cuantitativos de tendencia.
El SHM proporciona datos cuantitativos de series temporales recopilados de forma continua o a alta frecuencia. Detecta daños subsuperficiales (corrosión del refuerzo embebido, pérdida de pretensado, agrietamiento interno del concreto, desprendimiento de capas de rodadura) que la inspección visual no puede detectar. El SHM captura eventos transitorios (camiones con sobrecarga, terremotos, temperaturas extremas, eventos de socavación por inundaciones) que ocurren entre ciclos de inspección.
La estrategia de evaluación de condición más efectiva integra el SHM con la inspección periódica. Los Estándares Nacionales de Inspección de Puentes (NBIS) en EE. UU. actualmente no exigen SHM, pero muchos estados utilizan el SHM como complemento para estructuras específicas con problemas de rendimiento conocidos. El programa LTBP de la FHWA integra ambos enfoques: las inspecciones detalladas periódicas proporcionan líneas de base visuales de la condición, mientras que los sensores SHM proporcionan datos de rendimiento continuos. Los estudios con drones de TarmacView cierran la brecha al proporcionar datos visuales de alta resolución que pueden recopilarse bajo demanda entre ciclos de inspección programados e integrarse con datos de sensores SHM terrestres.
| Aspecto | Inspección Visual Periódica | Monitoreo de Salud Estructural |
|---|---|---|
| Tipo de dato | Cualitativo (calificaciones de condición) | Cuantitativo (mediciones de series temporales) |
| Frecuencia | Intervalos fijos (12-24 meses) | Continua o de alta frecuencia (minutos a Hz) |
| Acceso superficial | Solo superficies visibles | Superficies ocultas, elementos internos |
| Eventos transitorios | Perdidos entre inspecciones | Capturados en tiempo real |
| Daño subsuperficial | No detectable | Detectable con sensores adecuados |
| Análisis de tendencias | Limitado (calificaciones gruesas) | Detallado (datos de tendencia continua) |
| Costo | Bajo por inspección | Mayor inversión inicial, menor por evento |
| Mejor aplicación | Documentación rutinaria de condición | Estructuras críticas, problemas conocidos, validación de rendimiento |
La detección de daños en SHM se basa en el principio de que el daño estructural altera las propiedades físicas (masa, rigidez, amortiguamiento, condiciones de contorno) de una estructura, y estas alteraciones producen cambios medibles en la respuesta estructural. Los algoritmos de detección de daños son los métodos matemáticos y computacionales que extraen características sensibles al daño de los datos de los sensores y clasifican la condición estructural.
Los métodos basados en modos utilizan cambios en las frecuencias naturales, formas modales, energía de deformación modal y relaciones de amortiguamiento para detectar, localizar y cuantificar daños. El principio fundamental es que una reducción en la rigidez local (causada por agrietamiento, pérdida de sección, etc.) desplaza la frecuencia natural hacia abajo y cambia la curvatura de la forma modal en la ubicación dañada.
Los métodos de desplazamiento de frecuencia comparan las frecuencias naturales medidas con los valores de referencia. El método de sensibilidad relaciona los desplazamientos de frecuencia con reducciones de rigidez en ubicaciones específicas de elementos. Los métodos de curvatura de forma modal calculan la segunda derivada espacial de las formas modales; la curvatura aumenta en las ubicaciones de daño. Los métodos de energía de deformación modal (MSE) calculan la distribución de energía de deformación en cada elemento a partir de las formas modales; el daño causa una redistribución de la energía de deformación.
La principal limitación de los métodos basados en modos es que las frecuencias naturales son propiedades globales — un pequeño cambio de rigidez local puede producir desplazamientos de frecuencia menores que la incertidumbre de medición. Los cambios de frecuencia inducidos por temperatura (2-10%) pueden enmascarar cambios inducidos por daños (0.5-2%). La aplicación exitosa requiere una cuidadosa normalización ambiental y pruebas de hipótesis estadísticas.
Los métodos basados en deformación monitorean líneas de influencia de deformación, distribuciones de deformación e histogramas de rango de deformación para detectar daños. Una grieta debajo de una galga extensométrica reduce la deformación medida en esa ubicación bajo carga. El análisis comparativo de deformación compara mediciones de deformación en niveles de carga idénticos a lo largo del tiempo — el aumento de la deformación indica reducción de rigidez.
Los ensayos de carga móvil son un método basado en deformación utilizado para la evaluación de la condición de puentes. Un camión de peso conocido cruza el puente a velocidad de marcha mientras las galgas extensométricas registran las respuestas. Las líneas de influencia de deformación resultantes se comparan con las mediciones de referencia. Los cambios en la forma de la línea de influencia indican cambios de rigidez, identificando la ubicación del daño por la porción afectada de la línea de influencia.
El monitoreo de emisión acústica detecta ondas de tensión elásticas generadas por mecanismos de daño activos — crecimiento de grietas, fractura de fibras, corrosión y delaminación. Los sensores AE piezoeléctricos montados en la superficie de la estructura detectan las llegadas de ondas, y el sistema localiza la fuente mediante triangulación de los tiempos de llegada a través de múltiples sensores.
El monitoreo AE es altamente sensible a daños activos (propagación de grietas) y puede detectar eventos que son invisibles para otros métodos. Los parámetros de relación de Felicity y relación de calma derivados de datos AE se correlacionan con la gravedad del daño según las normas ASTM E976 y ASTM E1932. El monitoreo AE se aplica a la detección de grietas por fatiga en puentes de acero, monitoreo de corrosión de tendones en concreto pretensado y evaluación de daños en materiales compuestos.
Los algoritmos de aprendizaje automático proporcionan clasificación automatizada de los estados de condición estructural. Las características extraídas de los datos de los sensores (parámetros modales, momentos estadísticos, coeficientes wavelet, características espectrales) se ingresan a clasificadores entrenados con datos de estados estructurales conocidos. Los algoritmos comunes incluyen:
Las Máquinas de Vectores de Soporte (SVM) encuentran el hiperplano óptimo que separa los espacios de características no dañadas y dañadas. Las SVM son efectivas con datos de entrenamiento limitados y se utilizan para la clasificación binaria de daños. Los conjuntos de Bosques Aleatorios de árboles de decisión proporcionan clasificación de importancia de características — identificando qué sensores y características son más sensibles a tipos específicos de daño. Las Redes Neuronales Convolucionales (CNN) procesan directamente datos de aceleración en bruto en el dominio del tiempo o imágenes, aprendiendo características óptimas para la detección de daños sin ingeniería manual de características.
La integración de datos SHM con plataformas de Modelado de Información de Construcción (BIM) y gemelo digital representa la frontera actual de la gestión de infraestructura. Un gemelo digital es una representación virtual dinámica de una estructura física que se actualiza en tiempo real utilizando datos de sensores del sistema SHM.
El Modelado de Información de Construcción proporciona un marco geométrico 3D estructurado y semántico para organizar los datos SHM. Cada sensor en la red de monitoreo se asigna a una ubicación en el modelo BIM con metadatos asociados: tipo de sensor, fecha de instalación, historial de calibración, rango de medición e identificador del flujo de datos. Los resultados de las inspecciones de estudios visuales (incluidas las imágenes de drones de TarmacView) se vinculan a elementos BIM específicos, creando un entorno de datos unificado para toda la información de condición.
El estándar Industry Foundation Classes (IFC), gestionado por buildingSMART International, proporciona un esquema de datos abierto para representar sensores SHM en modelos BIM. IFC4 incluye entidades para sensores, tipos de sensores y capacidades de medición. La extensión IFC-Bridge aborda específicamente las estructuras de puentes, permitiendo el intercambio estandarizado de datos entre sistemas SHM y plataformas BIM.
Un gemelo digital integra datos de sensores SHM con modelos de elementos finitos (FE) , modelos de deterioro y algoritmos analíticos para simular la condición estructural actual y futura. El modelo FE se actualiza continuamente utilizando parámetros modales extraídos de datos de acelerómetros — un proceso llamado actualización de modelo . El modelo actualizado proporciona una representación calibrada de la estructura que tiene en cuenta las condiciones reales de construcción y el estado de daño actual.
Con el gemelo digital calibrado, los ingenieros pueden: simular el efecto de estrategias de reparación o refuerzo antes de su implementación; predecir la vida útil remanente bajo cargas futuras proyectadas; optimizar la programación de inspecciones y mantenimiento basándose en las tasas de deterioro previstas; y validar el rendimiento estructural después de las reparaciones. El proyecto Eurostars Bridge Digital Twin y el proyecto InfraWatch en Europa han demostrado la viabilidad de integrar datos SHM con gemelos digitales basados en BIM para la gestión operativa de puentes.
Los datos de estudios con drones de TarmacView — ortomosaicos de alta resolución, nubes de puntos 3D y mapas de defectos — pueden integrarse en plataformas BIM/gemelo digital como instantáneas de condición con marca temporal que complementan los datos continuos de sensores SHM. Los datos de condición visual de estudios aéreos proporcionan validación de referencia para algoritmos automatizados de detección de daños y documentan las condiciones superficiales que los sensores bajo la superficie no pueden detectar.
Implementar un sistema SHM requiere una inversión inicial significativa, pero el retorno de la inversión a través de la vida útil extendida, la reducción de costos de mantenimiento y la prevención de fallos catastróficos está bien documentado.
El costo total de un sistema SHM incluye: diseño e ingeniería del sistema (evaluación estructural, selección de sensores, análisis de colocación óptima) — típicamente 15-25% del costo total; adquisición de sensores ($200-$5,000 por sensor según el tipo) — 20-35% del total; instalación y puesta en marcha (montaje de sensores, cableado, configuración de gabinetes, pruebas del sistema) — 25-40% del total; gestión y análisis de datos (software, almacenamiento, análisis) — costo continuo de $5,000-$30,000/año; y mantenimiento y calibración del sistema — costo anual de $3,000-$15,000.
Costos típicos totales de sistemas SHM instalados: puente pequeño (10-20 sensores) — $50,000-$150,000; puente mediano (20-50 sensores) — $150,000-$350,000; puente grande de gran vano (50-200+ sensores) — $350,000-$1,500,000; sistema de monitoreo de pista de aeropuerto — $200,000-$500,000 por kilómetro.
La investigación de la Universidad de California, San Diego sobre la economía del SHM en puentes documentó que el mantenimiento basado en la condición habilitado por SHM reduce los costos totales de mantenimiento entre un 25 y 40% en comparación con el mantenimiento basado en el tiempo. El Departamento de Transporte del Estado de Nueva York (NYSDOT) informó que el monitoreo SHM de puentes críticos con problemas de fatiga conocidos eliminó la necesidad de inspecciones anuales con cierre de tráfico, ahorrando $500,000 por año solo en costos de gestión de tráfico.
El costo del fallo estructural proporciona la justificación económica más sólida para el SHM. El colapso del puente I-35W sobre el río Mississippi en 2007 en Minneapolis causó 13 víctimas fatales y resultó en pérdidas económicas totales que superaron los $300 millones. Los sistemas SHM en puentes con deficiencias estructurales conocidas cuestan entre el 0.1 y el 0.5% del valor de reemplazo, proporcionando un seguro contra fallos catastróficos a un costo mínimo.
La implementación exitosa de SHM sigue un marco estructurado: (1) Definir objetivos de monitoreo — qué mecanismos de daño son de interés, qué decisiones se basarán en los datos SHM; (2) Evaluación estructural — identificar elementos críticos, modos de fallo e indicadores de rendimiento mediante análisis de ingeniería; (3) Diseño del sistema de sensores — seleccionar tipos, cantidades y ubicaciones de sensores utilizando algoritmos de colocación óptima de sensores; (4) Planificación de gestión de datos — definir protocolos de almacenamiento, transmisión, procesamiento y archivo de datos; (5) Recopilación de datos de referencia — caracterizar la estructura en su condición actual antes de que el deterioro progrese; (6) Análisis e interpretación — implementar algoritmos automatizados para la detección de daños y evaluación del rendimiento; (7) Apoyo a decisiones — traducir los hallazgos del SHM en recomendaciones de mantenimiento, reparación u operación procesables.
La Sociedad Americana de Ingenieros Civiles (ASCE) publicó directrices para la implementación de SHM a través del Instituto de Ingeniería Estructural (SEI) , recomendando que el SHM se incorpore en el marco de gestión de activos de las organizaciones propietarias de infraestructura con roles, responsabilidades y protocolos de toma de decisiones claros.
El Monitoreo de Salud Estructural es un enfoque basado en datos para la gestión de infraestructura que transforma la inspección estructural de instantáneas cualitativas periódicas en una evaluación cuantitativa continua. La integración de redes de sensores, sistemas de adquisición de datos, infraestructura de comunicación y análisis basados en IA permite a los ingenieros detectar daños en la etapa más temprana posible, comprender el rendimiento estructural bajo condiciones de carga reales y tomar decisiones informadas sobre mantenimiento, reparación y reemplazo. A medida que los costos de los sensores disminuyen, las capacidades de IA avanzan y la infraestructura envejece, el SHM se está convirtiendo en un componente cada vez más esencial de los programas de gestión de puentes, túneles, edificios y pavimentos aeroportuarios en todo el mundo.
Integre inspecciones aéreas con drones con sus flujos de datos SHM para una evaluación estructural integral. TarmacView proporciona datos visuales de alta resolución que complementan las redes de sensores terrestres. Contáctenos para saber cómo nuestra plataforma puede fortalecer su estrategia de monitoreo de infraestructura.
El monitoreo estacional rastrea cómo la respuesta estructural del pavimento (deflexiones FWD, módulos) y la condición superficial (fisuración, ahuellamiento) ca...
Un medidor de recubrimiento, también conocido como pachómetro o localizador de armaduras, es un dispositivo electromagnético END que detecta la posición, profun...
La detección de cambios compara imágenes o nubes de puntos co-registradas de la misma estructura tomadas en diferentes momentos para identificar defectos nuevos...
