Red de seguridad urbana bidireccional basada en LSTM que utiliza un vector condicional de datos de descomposición del...

Área de la Ciencia:

• Ingeniería civil
• Ingeniería estructural
• Sismología

Sus antecedentes:

• Los sistemas de monitoreo de la salud estructural (SHM) son vitales para la seguridad sísmica, pero se ven obstaculizados por la pérdida de datos de los sensores.
• El mal funcionamiento de los sensores, los daños o las fallas de comunicación ponen en peligro la fiabilidad de los sistemas SHM existentes.

Objetivo del estudio:

• Desarrollar un marco sólido para predecir las respuestas estructurales en entornos con deficiencia de sensores.
• Mejorar la precisión y fiabilidad de la vigilancia de la salud estructural durante eventos sísmicos.
• Mejorar la resiliencia sísmica regional mediante técnicas avanzadas de recuperación de datos.

Principales métodos:

• Se propuso una red de seguridad urbana bidireccional que utiliza modelos de memoria a corto plazo (LSTM).
• El marco integra datos de desplazamiento de dominio de tiempo y características de dominio de frecuencia, transformados en vectores condicionales.
• Las evaluaciones se realizaron en sistemas estructurales lineales y no lineales bajo cargas sísmicas.

Principales resultados:

• El método propuesto mejoró significativamente la precisión de la predicción, reduciendo el error cuadrado de la raíz media (RMSE) hasta en un 27,13% en comparación con los modelos de referencia.
• Los vectores condicionales mejoraron la capacidad del modelo LSTM para predecir respuestas estructurales dinámicas.
• El marco predijo con precisión las amplitudes máximas de respuesta y capturó el comportamiento no lineal dependiente del tiempo.

Conclusiones:

• La red de seguridad urbana bidireccional ofrece una solución escalable para la recuperación de la respuesta estructural en entornos urbanos con datos limitados de los sensores.
• Este enfoque mejora la resiliencia sísmica a escala regional al garantizar el seguimiento continuo de la integridad estructural.
• Los hallazgos destacan el potencial de las técnicas avanzadas de aprendizaje automático para superar las limitaciones de SHM.