Aplicaciones de inteligencia artificial para la identificaci�n de da�os estructurales en edificaciones. Una revisi�n sistem�tica

 

Artificial intelligence applications for the identification of structural damage in buildings. A systematic review

 

Aplica��es da intelig�ncia artificial para a identifica��o de danos estruturais em edif�cios. Uma revis�o sistem�tica

 

 

 

Luis Leonardo Zambrano Salazar ^I

ll.zambrano@uta.edu.ec���� ��

https://orcid.org/0009-0001-5966-8123

 

 

�Enma Katherine Gamboa L�pez ^II

egamboa@mtop.gob.ec �

https://orcid.org/0009-0005-5996-1820

 

 

 

Correspondencia: ll.zambrano@uta.edu.ec� ����

 

 

Ciencias T�cnicas y Aplicadas

Art�culo de Investigaci�n

 

* Recibido: 20 de mayo de 2024 *Aceptado: 22 de junio de 2024 * Publicado: 05 de julio de 2024

 

I.               Universidad T�cnica de Ambato, Ecuador.

II.             Ministerio de Transporte y Obras P�blicas del Ecuador, Ecuador.

 

 

 

 

 

http://polodelconocimiento.com/ojs/index.php/es

 

Resumen

La detecci�n de da�os estructurales en edificaciones es un aspecto fundamental para garantizar la seguridad de las construcciones y prevenir posibles da�os mayores. En este sentido, la aplicaci�n de herramientas de inteligencia artificial (IA) ha surgido como una alternativa prometedora para mejorar la eficacia y precisi�n en la detecci�n de estos da�os. En esta revisi�n sistem�tica se analizaron diversos estudios que reportan la aplicaci�n de diversas herramientas de IA como Redes Neuronales, Machine Learning y ChatGPT como apoyo en las inspecciones de las estructuras. Las t�cnicas de IA identificadas en la literatura, permiten analizar de forma automatizada y precisa las im�genes y datos recopilados de las estructuras, identificando posibles �reas de da�o. Los resultados de los estudios revisados muestran que la aplicaci�n de herramientas de IA permite mejorar la precisi�n y fiabilidad de los resultados obtenidos, lo que contribuye a una mejor gesti�n de la seguridad de las construcciones. Se sugiere la necesidad de continuar desarrollando experimentos que enriquezcan y potencien estos modelos para lograr una eficiencia cada vez mayor y m�s depurada.

Palabra clave: Inteligencia Artificial, Da�os estructurales, Edificaciones, Ingenier�a Civil.

 

Abstract

The detection of structural damage in buildings is a fundamental aspect to guarantee the safety of constructions and prevent possible major damage. In this sense, the application of artificial intelligence (AI) tools has emerged as a promising alternative to improve the efficiency and accuracy of damage detection. In this systematic review, several studies reporting the application of various AI tools such as Neural Networks, Machine Learning and ChatGPT as support in the inspections of structures were analyzed. The AI techniques identified in the literature, allow automated and accurate analysis of the images and data collected from the structures, identifying possible areas of damage. The results of the reviewed studies show that the application of AI tools allows improving the accuracy and reliability of the obtained results, which contributes to a better management of building safety. It is suggested the need to continue developing experiments that enrich and enhance these models to achieve an increasingly greater and more refined efficiency.

Keywords: Artificial Intelligence, Structural Damage, Buildings, Civil Engineering

 

Resumo

A dete��o de danos estruturais em edif�cios � um aspeto fundamental para garantir a seguran�a dos edif�cios e prevenir poss�veis danos adicionais. Neste sentido, a aplica��o de ferramentas de intelig�ncia artificial (IA) surgiu como uma alternativa promissora para melhorar a efic�cia e a precis�o na dete��o destes danos. Nesta revis�o sistem�tica foram analisados ​​​​diversos estudos que relatam a aplica��o de diversas ferramentas de IA como Redes Neurais, Machine Learning e ChatGPT como apoio nas inspe��es de estruturas. As t�cnicas de IA identificadas na literatura permitem que as imagens e os dados recolhidos das estruturas sejam analisados ​​de forma automatizada e precisa, identificando poss�veis �reas de dano. Os resultados dos estudos revistos mostram que a aplica��o de ferramentas de IA permite melhorar a precis�o e fiabilidade dos resultados obtidos, o que contribui para uma melhor gest�o da seguran�a na constru��o. Sugere-se a necessidade de continuar a desenvolver experi�ncias que enrique�am e melhorem estes modelos para alcan�ar uma efici�ncia cada vez maior e mais refinada.

Palavra-chave: Intelig�ncia Artificial, Danos Estruturais, Edif�cios, Engenharia Civil.

 

Introducci�n

Una falla estructural en una edificaci�n se produce cuando su estructura principal de hormig�n armado colapsa, ya sea por fracturas u otros efectos que puedan llevar a grandes p�rdidas. Este colapso no siempre implica la destrucci�n total de la edificaci�n, sino que tambi�n se refiere a situaciones donde la estructura no logra funcionar seg�n lo dise�ado.

La raz�n detr�s del colapso de una estructura de hormig�n armado radica en que uno o m�s elementos no tienen la resistencia suficiente para soportar las cargas externas, lo que impide la correcta distribuci�n de fuerzas hacia los apoyos.

Este proceso suele ser progresivo, con un efecto domin� que provoca colapsos parciales en diferentes partes de la estructura, hasta que finalmente ya no hay manera de sostener las cargas y se produce el colapso total. (Zaruma, 2024).

Restaurar los elementos fallidos en una estructura, es posible y para lograrlo, es necesario investigar el origen de la falla, analizar sus causas y comprender por qu� sucedi�. Tambi�n es importante identificar los posibles efectos posteriores, establecer responsabilidades y recomendar una soluci�n al problema.

Es fundamental recopilar evidencia despu�s del colapso, ya que esto proporcionar� informaci�n relevante sobre los mecanismos de la falla.

Identificar estos da�os estructurales puede lograrse al detectar cambios significativos en la respuesta din�mica, que superen los valores normales. Esta detecci�n se basa en el hecho de que los par�metros din�micos est�n influenciados por las caracter�sticas f�sicas y estructurales, como la masa y la rigidez.

Por lo tanto, la presencia de da�os en elementos estructurales provocar� cambios en las frecuencias naturales, en el amortiguamiento y en las formas modales. Sin embargo, es importante tener en cuenta que existen otros factores que pueden generar variaciones similares en la respuesta din�mica y dificultar la detecci�n precisa de da�os estructurales. (Lozano, 2019).

Entre las principales causas del deterioro estructural en las edificaciones se encuentran los da�os derivados de errores de dise�o como errores conceptuales en la planificaci�n estructural, defectos en la composici�n de la mezcla, fallos en la soluci�n de los detalles constructivos, mala ejecuci�n de cimientos y refuerzos o elecci�n inadecuada del tipo de estructura.

En algunos casos, las patolog�as estructurales pueden originarse por deficiencias en la colocaci�n de encofrados, errores en la disposici�n de las armaduras de acero, insuficiente recubrimiento en las armaduras, uso de hormig�n inapropiado, falta de compactaci�n, insuficiente curado o interrupciones en el vertido del hormig�n.

No obstante, la degradaci�n de materiales como el concreto es impredecible, por lo que es necesario realizar inspecciones peri�dicas para garantizar la integridad estructural, estas inspecciones pueden conducir a la necesidad de llevar a cabo labores de mantenimiento, reparaci�n, rehabilitaci�n o refuerzo en la estructura. (Ingenieros Asesores, 2021).

Adem�s, variables externas como el clima, fen�menos geol�gicos y las condiciones del entorno impactan directamente en los materiales de construcci�n y, por ende, en el dise�o de la estructura. Por este motivo, es esencial conocer el estado de la edificaci�n y las posibles patolog�as que puedan presentarse.

En este sentido, explorar alternativas a las metodolog�as existentes para la detecci�n de da�os estructurales, representa un gran aporte para la Ingenier�a Civil. Es as� como el objetivo principal de esta revisi�n es conocer c�mo la aplicaci�n de la Inteligencia Artificial (IA) permite la identificaci�n de da�os estructurales en edificaciones, ya que es bien sabido que las soluciones dentro de la IA van marcando gran diferencia en todas las �reas.

 

Planteamiento del problema

La fiabilidad de los sistemas estructurales se puede describir como la posibilidad de que la estructura en cuesti�n tenga un desempe�o adecuado a lo largo de su permanencia en funcionamiento. La vida �til de una estructura se refiere al tiempo desde su puesta en servicio, durante el cual debe mantener condiciones de seguridad, funcionalidad y apariencia satisfactorias. Durante este per�odo, ser� necesario realizar labores de mantenimiento normales sin necesidad de llevar a cabo rehabilitaciones. (S�nchez, 2017).

Es posible que en algunas edificaciones afloren fallos o defectos habiendo transcurrido un tiempo desde la finalizaci�n de estas, los cuales pueden ser consecuencia de errores en la fase de ejecuci�n de la obra o de deficiencia en el proyecto y que ponen en riesgo a los usuarios, adem�s de generar costos de reparaci�n muy elevados. (ERN, 2017).

Muchas veces, estos fallos son dif�ciles de identificar y diagnosticar, adem�s est� el hecho de que las estructuras civiles pueden sufrir da�os por diversos factores como el uso, el paso del tiempo, sobrecargas, fatiga, eventos s�smicos o explosivos.

Debido a lo anterior, es crucial realizar una evaluaci�n constante del estado estructural de las edificaciones a trav�s de un sistema de detecci�n de fallos para tomar decisiones oportunas en cuanto a su reforzamiento o reparaci�n. De esta manera, se reduce al m�ximo el riesgo de da�os graves y se protege la seguridad de las estructuras y de quienes las utilizan.

Por otro lado, el peligro s�smico acecha a innumerables regiones a nivel global, por lo que es vital implementar medidas que permitan reducir los impactos negativos de un terremoto, como realizar estudios para evaluar el comportamiento de las estructuras ante dichos eventos, con el fin de planificar y mitigar sus devastadoras consecuencias.

La inspecci�n visual puede ofrecer r�pidamente una idea de los posibles da�os estructurales presentes en una edificaci�n, sin embargo, es necesario realizar una evaluaci�n m�s exhaustiva utilizando equipos y tecnolog�as especializadas para analizar de forma m�s precisa el comportamiento de la estructura y poder desarrollar planes de refuerzo estructural y reducci�n de riesgos. (Cunalata & Caiza, 2022).

En este contexto, la revisi�n sistem�tica se enfocar� en dar respuesta a la siguiente interrogante: �En qu� medida las aplicaciones de inteligencia artificial pueden mejorar la precisi�n y eficacia en la identificaci�n de da�os estructurales en edificaciones?

 

Justificaci�n

La presente revisi�n sistem�tica aborda un tema de gran relevancia en el campo de la ingenier�a estructural, como lo es la identificaci�n de da�os en edificaciones.

La ingenier�a estructural se basa en principios cient�ficos y matem�ticos para desarrollar estructuras seguras y eficientes, teniendo en cuenta variables como el peso, la carga, las fuerzas s�smicas y los vientos fuertes al dise�ar una estructura. Para ello emplea materiales duraderos como el acero y el hormig�n y utiliza t�cnicas avanzadas de modelado y simulaci�n para prever el comportamiento estructural, ya que una infraestructura resistente y bien planificada no solo previene tragedias y desastres, sino que tambi�n infunde confianza a sus usuarios. (SEDETEC-Servicios, 2023).

Actualmente, la implementaci�n de tecnolog�as de Inteligencia Artificial (IA) ha demostrado ser una herramienta eficaz para detectar de manera temprana y precisa posibles da�os en estructuras, lo que permite tomar medidas preventivas y correctivas de forma oportuna.

El uso de algoritmos de IA en la identificaci�n de da�os estructurales en edificaciones ha mostrado resultados prometedores en diversos estudios, tanto a nivel experimental como a nivel te�rico, ya que estos modelos permiten analizar grandes vol�menes de datos, identificar patrones y anomal�as y predecir posibles fallos estructurales con una mayor precisi�n que los m�todos tradicionales.

Por lo tanto, en esta investigaci�n se recopilar� y analizar� de manera exhaustiva la evidencia cient�fica disponible sobre las aplicaciones de IA en la identificaci�n de da�os estructurales en edificaciones, siendo este el objetivo primordial de la misma.

Adicionalmente, se identificar�n los diferentes tipos de da�os estructurales que pueden ser detectados mediante t�cnicas de inteligencia artificial, las ventajas y limitaciones existentes y en cu�les actividades de proyectos de Ingenier�a Civil pueden ser aplicadas.

 

Metodolog�a

Se realiz� una revisi�n sistem�tica de literatura cient�fica con el fin de recopilar evidencias de diversos autores sobre las aplicaciones de la Inteligencia Artificial en la identificaci�n de da�os estructurales en edificaciones.

La b�squeda se realiz� en diferentes bases de datos como Scielo, Dialnet, Redalyc y Google Scholar y se incluy� en la b�squeda art�culos cient�ficos, revisiones sistem�ticas y tesis de grado. Para realizar la b�squeda se utilizaron combinaciones de las siguientes palabras claves: �Inteligencia Artificial�, �Da�os estructurales�, �Edificaciones�, �Ingenier�a Civil�, �Artificial Intelligence�, �Structural Damage�, �Buildings�, �Civil Engineering�

Se hizo uso de los operadores booleanos AND y OR para acceder a la investigaci�n en las bases de datos mencionadas, lo cual contribuy� a la reducci�n del tiempo de b�squeda y la facilit�. Se establecieron como criterios de inclusi�n los siguientes: art�culos con fecha de publicaci�n del 2019 en adelante, investigaciones publicadas en ingl�s y en espa�ol, art�culos completos y de acceso abierto.

De la revisi�n se excluyeron todas las investigaciones publicadas antes del 2019, las que estuviesen en idiomas diferentes al ingl�s o al espa�ol, art�culos incompletos o duplicados en las diferentes bases de datos, art�culos de acceso restringido. Se encontraron inicialmente 164 art�culos, de los cuales se seleccionaron 12 para incluir en esta revisi�n.

 

Resultados

Luego de revisar los art�culos incluidos, se distinguen tres principales modelos o herramientas de IA utilizados para la identificaci�n de da�os estructurales, siendo estos el ChatGPT, las Redes Neuronales y el Machine Learning (ML) / Deep Learning (DL).

En el cuadro 1 se presenta el art�culo relacionado con el Chat GPT.

 

Tabla 1: Art�culos relacionados con el ChatGPT

Fuente: Elaboraci�n Propia.

 

Tabla 2:� Se presentan los art�culos relacionados con Redes Neuronales.

Fuente: Elaboraci�n Propia.

 

Tabla 3: Art�culos relacionados con Machine Learning (ML) / Deep Learning (DL).

Fuente: Elaboraci�n Propia.

 

ChatGPT

El ChatGPT se presenta como un asistente virtual que colabora en la automatizaci�n de procesos en el an�lisis s�smico de edificios residenciales, optimizando recursos y ofreciendo un servicio de excelencia. (Cohaila & G�mez, 2023).

Mediante la automatizaci�n con Python y con el asistente virtual, estos autores lograron reducir el tiempo de desarrollo del an�lisis s�mico a un aproximado de 1 hora, lo que representa una reducci�n del 70 % del tiempo que tarda un especialista en realizar el an�lisis.

 

Redes Neuronales

Las redes neuronales artificiales son una forma adecuada de establecer una relaci�n entre los efectos de la secuencia y la vida a fatiga. Los algoritmos y modelos de Inteligencia Artificial pueden mejorar el an�lisis de pandeo y fatiga de componentes estructurales. (Jim�nez & Alfaro, 2019). Estos autores analizaron la fatiga de piezas de acero empleando una red neuronal para predecir el comportamiento de pandeo de elementos sometidos a tensi�n axial en diversas geometr�as.

En este sentido, Palacin (2023), utiliza datos de an�lisis realizados a trav�s del M�todo de Elementos Finitos (MEF) y del M�todo de Columna Ancha (MCA), para entrenar una Red Neuronal Artificial (RNA) que permita identificar, localizar y cuantificar el da�o estructural. Por medio de RNA, identifica y mide la p�rdida de rigidez mediante la reducci�n del m�dulo de elasticidad en los componentes, utilizando los m�todos de modelado num�rico mencionados y que han sido aceptados y validados en el an�lisis de estructuras.

Por su parte, Aldana et al., (2023), destaca la eficacia de combinar redes neuronales convolucionales (CNN) con un software, para lograr la detecci�n de fallos estructurales m�s r�pida y precisa en comparaci�n con los m�todos tradicionales, exponiendo un m�todo innovador para examinar infraestructuras como edificios y puentes, los cuales a menudo presentan �reas de dif�cil alcance.

El enfoque de su investigaci�n se centra en la utilizaci�n de redes neuronales convolucionales (CNN) para analizar im�genes capturadas por drones (UAVs) con el prop�sito de identificar posibles da�os estructurales. Destaca la relevancia de la implementaci�n de esta tecnolog�a en el contexto operativo actual, donde la inspecci�n visual directa es restringida y riesgosa en diversas circunstancias. Los UAVs se presentan como una soluci�n al proporcionar acceso visual a �reas no accesibles, mientras que las CNN se posicionan como una valiosa herramienta para analizar las im�genes obtenidas.

Moreno (2020), se�ala que se requiere de sistemas que sean capaces de procesar grandes vol�menes de datos, con el fin de detectar, localizar y medir los da�os en estructuras civiles met�licas y poder determinar su estado de integridad, para ello, utiliza Redes Neuronales Artificiales, para detectar, localizar y cuantificar da�os en estructuras civiles met�licas.

 

Machine Learning (ML) / Deep Learning (DL)

Los m�todos num�ricos tradicionales todav�a demandan un esfuerzo manual considerable y no satisfacen los est�ndares actuales en cuanto a precisi�n, eficiencia, transparencia y versatilidad, lo que hace imperativo el uso de tecnolog�as de la informaci�n m�s sofisticadas para lograr avances significativos.

De acuerdo con la perspectiva del modelado fenomenol�gico, las tecnolog�as emergentes de inteligencia artificial (IA), como el aprendizaje autom�tico (ML) y el aprendizaje profundo (DL), brindan nuevas oportunidades para superar las restricciones de la cognici�n emp�rica y disminuir la dependencia de la intervenci�n manual. El ML, que incluye el DL, puede detectar patrones ocultos en los datos y aproximar de forma precisa funciones continuas que conectan distintos conjuntos de informaci�n. (Wang et al, 2023).

Debido a esto, los modelos basados en aprendizaje autom�tico, son un enfoque confiable y eficiente para estimar la capacidad estructural de elementos corro�dos y demuestra el potencial para evaluar la condici�n de deterioro de las estructuras. Zhang et al., (2021), aplican m�todos de aprendizaje autom�tico para predecir la distribuci�n de p�rdida de peso del acero a partir de la observaci�n de grietas causadas por la corrosi�n en vigas de concreto reforzado. Estos resultados posteriormente sirven para predecir la capacidad de carga bajo flexi�n.

En concordancia, Avci et al., (2021), sostienen que los algoritmos de (ML) y especialmente de (DL) se han vuelto m�s factibles y ampliamente utilizados en la detecci�n de da�os estructurales basada en vibraciones con una precisi�n rigurosa.

Estos investigadores realizaron un an�lisis exhaustivo sobre la aplicaci�n de la detecci�n de da�os basada en vibraciones, abarcando desde m�todos tradicionales hasta el aprendizaje autom�tico y profundo. La determinaci�n de la capacidad de carga a flexi�n de las estructuras de concreto reforzado existentes presenta desaf�os, ya que resulta complicado cuantificar grietas y da�os en el momento de su instalaci�n.

La implementaci�n de algoritmos de optimizaci�n, Machine Learning, reconocimiento de patrones y Deep Learning en la ingenier�a civil ha resultado muy promisoria en la mejora de la eficiencia, seguridad y sostenibilidad de las infraestructuras y construcciones. (Yepes et al, 2023), resultando en una poderosa herramienta para monitorear el ciclo de vida completo de edificaciones, desde la etapa conceptual, la etapa de dise�o, la etapa de construcci�n, la etapa operativa y de mantenimiento hasta el final de su vida �til. (Kristombu et al, 2022).

En los �ltimos a�os, la inteligencia artificial ha sido ampliamente implementada en la investigaci�n de ingenier�a civil, mediante la utilizaci�n de algoritmos gen�ticos, redes neuronales, l�gica difusa y programaci�n paralela. La optimizaci�n heur�stica ha adquirido una relevancia significativa en disciplinas como estructuras e infraestructuras. Por otro lado, nuevas t�cnicas como el reconocimiento de patrones, el aprendizaje autom�tico y el aprendizaje profundo est�n siendo aplicadas en este campo para comprender las interacciones complejas entre par�metros y variables.

En este sentido, un modelo predictivo de aprendizaje autom�tico, puede predecir el futuro estado de la red vial bas�ndose en los datos proporcionados, permitiendo hacer estimaciones exactas sobre los cambios en la condici�n del pavimento y sugerir los tratamientos preventivos m�s eficientes (Gonz�lez et al. 2023).

Gonz�lez et al., plantean una soluci�n para la gesti�n integral del mantenimiento de los pavimentos en carreteras interurbanas, mediante la integraci�n de diversas tecnolog�as. En principio, emplean un sistema autom�tico y georreferenciado que permite monitorear el estado de los pavimentos a trav�s de la captura de im�genes sincronizadas, lo que facilita la detecci�n y medici�n de los da�os en la superficie.

Este an�lisis se lleva a cabo utilizando Redes Neuronales Convolucionales, lo que genera una evaluaci�n objetiva y automatizada de la condici�n de los pavimentos sin necesidad de inspecciones visuales o t�cnicas invasivas.

Asimismo, el software cuenta con un m�dulo de predicci�n del futuro estado de las v�as, utilizando t�cnicas de aprendizaje profundo a partir de los datos obtenidos en el monitoreo. Esto permite mejorar el sistema y proporcionar mayor informaci�n para la planificaci�n y toma de decisiones, optimizando mediante algoritmos heur�sticos y multicriterio. De esta manera, se plantea una soluci�n que aborda aspectos sociales, econ�micos y medioambientales para mejorar la gesti�n del mantenimiento de los pavimentos en carreteras interurbanas.

Por otro lado, Ortega (2021), sostiene que las redes neuronales simplifican la identificaci�n de da�os al automatizar el proceso y lograr altos niveles de precisi�n. Sin embargo, en ocasiones los inspectores no pueden acceder a todas las partes de las estructuras para recopilar datos de im�genes. Durante la inspecci�n, la recopilaci�n de datos es una labor que demanda tiempo. Por ello, el empleo de drones se presenta como una herramienta eficaz que disminuye la carga de trabajo manual, ahorra tiempo, brinda rentabilidad y seguridad, y tambi�n garantiza precisi�n y disponibilidad.

De acuerdo a Ortega (2021) las Redes Neuronales Convolucionales (CNN) pueden detectar fisuras con una precisi�n de m�s del 90%.

De los art�culos revisados, el �nico que menciona los tipos de Redes Neuronales es el trabajo de Ortega (2021), quien comenta que la red neuronal con mayor precisi�n y menor gasto de memoria de disco duro fue GoogleNet, lo que se explica por su arquitectura, la cual cuenta con una mayor cantidad de capas profundas que a lo largo de todo el proceso de clasificaci�n extraen y almacenan m�s caracter�sticas que en un futuro puedan ser utilizadas para mejorar la herramienta.

 

Conclusiones

La integraci�n de la Inteligencia Artificial en la ingenier�a civil supone una sinergia beneficiosa, puesto que la IA no solo impulsa la actualizaci�n y evoluci�n de la industria de la ingenier�a civil, sino que tambi�n se enriquece y potencia a trav�s de su implementaci�n en proyectos reales, adquiriendo conocimientos de una amplia variedad de casos y datos, y logrando una eficiencia cada vez mayor y m�s depurada.

Se prev� un futuro prometedor para la Inteligencia Artificial en el campo de la ingenier�a civil, ya que se espera que contin�e avanzando y perfeccion�ndose, lo que facilitar� una mayor automatizaci�n en la planificaci�n, construcci�n y mantenimiento de infraestructuras. Adem�s, se espera que la Inteligencia Artificial sea cada vez m�s capaz de manejar conjuntos de datos complejos y diversos, lo que permitir� una mayor precisi�n en la modelizaci�n y simulaci�n de estructuras.

Las actuales t�cnicas de IA no son completamente automatizadas y replicar la percepci�n humana a trav�s de algoritmos de Deep Learning no es sencillo. Es necesario abordar estas capacidades en investigaciones futuras, considerando la importancia del da�o en relaci�n con los componentes estructurales, materiales, ubicaciones y condiciones ambientales.

 

Referencias

      1.            Acosta, M. (2023). La Inteligencia Artificial en la Ingenier�a Civil. CLIC; 27(14). 113 � 126. https://convite.cenditel.gob.ve/publicaciones/revistaclic/article/view/1184

      2.            Aldana, D., Lozano, C. & Orduy, J. (2023). Uso de redes neuronales convolucionales en UAVs para la detecci�n de anomal�as estructurales. [Trabajo de Grado]. Fundaci�n Universitaria Los Libertadores. Colombia. https://repository.libertadores.edu.co/bitstreams/6612bc05-ea62-40ab-b292-02388ecc9f26/download

      3.            Avci, O., Abdeljaber, O., Kiranyaz, S., Hussein, M., Gabbouj, M, & Inman, D. (2021). A review of vibration-based damage detection in civil structures: From traditional methods to Machine Learning and Deep Learning applications. Mechanical Systems and Signal Processing, 147(2021). https://www.sciencedirect.com/science/article/pii/S0888327020304635

      4.            Caiafa, C. & Lew, S. (2020). �Qu� es la Inteligencia Artificial? https://ri.conicet.gov.ar/handle/11336/110093

      5.            Cohaila, J. & G�mez, K. (2023). Implementaci�n de un asistente virtual estructural para automatizar el an�lisis s�smico de un edificio multifamiliar utilizando inteligencia artificial. [Trabajo de Grado]. Universidad Peruana de Ciencias Aplicadas. Per�. https://repositorioacademico.upc.edu.pe/handle/10757/669963

      6.            Cunalata, F. & Caiza, P. (2022). Estado del Arte de Estudios de Vulnerabilidad S�smica en Ecuador. Revista Polit�cnica; 50(1): 55-64. https://www.redalyc.org/journal/6887/688772225006/html/

      7.            ERN. Evaluaci�n de Riesgos Naturales. (2017). Da�os asociados a estructuras por negligencia y errores. https://www.ern.com.mx/boletines/ERNterate_Nota_negligencias_y_errores.pdf

      8.            Ferrante, E. (2021). Inteligencia artificial y sesgos algor�tmicos� Por qu� deber�an importarnos? Nueva sociedad, (294), 27-36. https://biblat.unam.mx/es/revista/nueva-sociedad/articulo/inteligencia-artificial-y-sesgos-algoritmicos-por-que-deberian-importarnos

      9.            Gonz�lez, C., Garc�a, T., L�pez, M., Mansanet, J. & S�nchez, J.� (2023). Sistema de gesti�n integral para el mantenimiento predictivo de v�as interurbanas mediante t�cnicas de Inteligencia Artificial. 27th International Congress on Project Management and Engineering Donostia-San Sebasti�n. 451 � 463. http://dspace.aeipro.com/xmlui/handle/123456789/3477

  10.            Ingenieros Asesores. (2021). �C�mo identificar da�os estructurales en un edificio? https://ingenierosasesores.com/actualidad/identificar-danos-estructurales-en-un-edificio/#

  11.            Jim�nez, M. & Alfaro, M. (2019). Fatigue damage effect approach by artificial neural network. International Journal of Fatigue, 124(2019), 42-47. https://www.sciencedirect.com/science/article/abs/pii/S0142112319300647

  12.            Kristombu, S., Thilakarathna, S., Shalitha, J., Arashpour, M., Sharafi, P., Teodosio, B., Shringi, A. & Mendis, P. (2022). Artificial intelligence and smart vision for building and construction 4.0: Machine and deep learning methods and applications. Automation in Construction, 141. https://www.sciencedirect.com/science/article/pii/S0926580522003132

  13.            Lozano, G. (2019). Detecci�n y Localizaci�n de Da�o Estructural en Construcciones Hist�ricas de Tierra. [Tesis de Maestr�a]. Pontificia Universidad Cat�lica del Per�. Per�. https://tesis.pucp.edu.pe/repositorio/handle/20.500.12404/15016

  14.            Moreno, A. (2020). Detecci�n, localizaci�n y cuantificaci�n de da�os en estructuras civiles met�licas midiendo vibraciones. https://ri-ng.uaq.mx/handle/123456789/1693

  15.            Ortega, J. (2021). Aprendizaje profundo para la detecci�n autom�tica de fisuras de hormig�n usando redes neuronales convolucionales. Universitat Polit�cnica de Valencia. Espa�a. [Trabajo de Fin de M�ster] https://riunet.upv.es/handle/10251/174954

  16.            Palacin, S. (2023). Detecci�n del da�o estructural en viviendas de Alba�iler�a Confinada mediante Redes Neuronales Artificiales con la aplicaci�n de los modelamientos num�ricos MEF y MCA, Pasco 2023. [Tesis de Grado]. Universidad Nacional Daniel Alcides Carrion. Per�. http://45.177.23.200/handle/undac/3855

  17.            Russell, S. & Norvig, P. (2020). Artificial Intelligence: A Modern Approach. Pearson Education. 4ta edici�n.

  18.            S�nchez, E. (2017). An�lisis de confiabilidad para una estructura transportadora. [Tesis de Maestr�a]. Benem�rita Universidad Aut�noma De Puebla. M�xico. https://core.ac.uk/download/pdf/322608443.pdf

  19.            SEDETEC-Servicios. (2023). La importancia de la Ingenier�a Estructural. LinkedIn. https://www.linkedin.com/pulse/la-importancia-de-ingenier%C3%ADa-estructural-sedetec-servicios/

  20.            Wang, C., Song, L., Yuan, Z. & Fan, J. (2023). State-of-the-art AI-based computational analysis in civil engineering. Journal of Industrial Information Integration, 33. https://www.sciencedirect.com/science/article/abs/pii/S2452414X23000432

  21.            Yepes, V., Kripka, M., Yepes, L. & Garc�a, J. (2023). La inteligencia artificial en la ingenier�a civil: oportunidades y desaf�os. IC Ingenier�a Civil �rgano oficial del Colegio de Ingenieros Civiles de M�xico, 642, 20-23. https://victoryepes.blogs.upv.es/files/2023/07/IC642.pdf_2.pdf

  22.            Zaruma, J. (2024). Fallas estructurales en viviendas. LinkedIn. https://www.linkedin.com/pulse/fallas-estructurales-en-viviendas-jorge-alberto-zaruma-campoverde-dbcue/

  23.            Zhang, M., Akiyama, M., Shintani, M., Xin, J. & Frangopol, D. (2021). Probabilistic estimation of flexural loading capacity of existing RC structures based on observational corrosion-induced crack width distribution using machine learning. Structural Safety, 91. https://www.sciencedirect.com/science/article/pii/S0167473021000230

 

 

 

 

 

 

 

� 2023 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) (https://creativecommons.org/licenses/by-nc-sa/4.0/).