Detección de Anomalías Basada en Aprendizaje No Supervisado para la Monitorización de la Salud Estructural de...

Área de la Ciencia:

• Ingeniería Civil
• Ciencia de Datos
• Monitorización de Infraestructuras

Sus antecedentes:

• La Monitorización de la Salud Estructural (SHM) es crucial para la seguridad y el mantenimiento de infraestructuras civiles.
• La detección de anomalías no supervisada es vital para identificar desviaciones estructurales sin datos de daño etiquetados.
• Los métodos existentes como el Factor de Participación de Distancia Acumulativa (CDPF) y la Teoría de Valores Extremos Semiparamétrica (SEVT) proporcionan una línea de base pero luchan con anomalías sutiles.

Objetivo del estudio:

• Desarrollar un marco mejorado de detección de anomalías no supervisado para SHM.
• Abordar las limitaciones de los métodos de referencia en la detección de desviaciones estructurales sutiles y no lineales.
• Mejorar la sensibilidad, fiabilidad e interpretabilidad de la detección de anomalías en infraestructuras civiles.

Principales métodos:

• Se implementó un método de referencia que combina CDPF y SEVT para la umbralización utilizando frecuencias modales del conjunto de datos del puente Z24.
• Se desarrolló un marco de detección de anomalías de conjunto que integra el Análisis de Componentes Principales (PCA) y el Autoencoder (AE).
• PCA captura patrones lineales, mientras que AE aprende representaciones no lineales para una detección robusta de anomalías.

Principales resultados:

• El método de referencia identificó con éxito anomalías en escenarios de daño progresivo.
• El marco de conjunto propuesto demostró una mayor sensibilidad y fiabilidad en la detección de anomalías en comparación con el método de referencia.
• El método de conjunto mostró una mayor estabilidad frente a la variabilidad ambiental y operativa.

Conclusiones:

• Los métodos no supervisados basados en conjuntos ofrecen avances significativos para SHM.
• El marco integrado PCA y AE proporciona un enfoque más robusto y estable para detectar anomalías estructurales.
• Este enfoque es prometedor para una monitorización de la salud de infraestructuras más eficaz y fiable.