Aplicación de inteligencia artificial para la detección temprana de fallas estructurales en puentes

Mariella Fernanda Zambrano Valverde, Tatiana Paola Zambrano Valverde

Resumen


El presente artículo analiza la aplicación de inteligencia artificial (IA) como herramienta estratégica para la detección temprana de fallas estructurales en puentes, abordando una problemática crítica en el ámbito de la ingeniería civil: la gestión preventiva de la infraestructura vial. Desde una perspectiva interdisciplinaria que integra ingeniería estructural, análisis predictivo y tecnologías emergentes, se plantea como objetivo central desarrollar un modelo basado en técnicas de IA particularmente redes neuronales convolucionales y algoritmos de aprendizaje automático que permita identificar patrones anómalos en los elementos estructurales de puentes, mejorando así la seguridad, eficiencia y sostenibilidad del mantenimiento.

El marco teórico se fundamenta en la teoría de sistemas inteligentes aplicados a la ingeniería estructural, incluyendo conceptos clave como machine learning, computer vision, monitoreo estructural (SHM) y mantenimiento predictivo. La revisión bibliográfica evidencia un creciente cuerpo de literatura que respalda la integración de sensores inteligentes, imágenes multiespectrales y análisis automatizado como medios eficaces para prevenir fallos catastróficos en infraestructuras críticas.

Mediante una metodología cuantitativa con enfoque experimental, se implementó un modelo de detección sobre un conjunto de datos reales y sintéticos, logrando una precisión superior al 92% en la identificación de microfisuras, corrosión localizada y deformaciones estructurales incipientes.

Como conclusión principal, se valida la eficacia de la inteligencia artificial como herramienta complementaria en los procesos de diagnóstico estructural, promoviendo la transición hacia sistemas de gestión de infraestructura más resilientes y automatizados. Se recomienda continuar con el desarrollo de plataformas híbridas IA–IoT para una vigilancia continua y en tiempo real de los activos civiles estratégicos.


Palabras clave


Inteligencia Artificial; Detección Temprana; Fallas Estructurales; Puentes; Monitoreo Estructural Inteligente.

Texto completo:

PDF HTML

Referencias


Ataei, S., Adibnazari, S., & Ataei, S. T. (2025). Data-driven detection and evaluation of damages in concrete structures: Using deep learning and computer vision [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2501.11836

Avci, O., Abdeljaber, O., Kiranyaz, S., Hussein, M., Gabbouj, M., & Inman, D. J. (2020). A review of vibration-based damage detection in civil structures: From traditional methods to machine learning and deep learning applications [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2001.07076

Cross, E. J., Gibson, S. J., Jones, M. R., Pitchforth, D. J., Zhang, S., & Rogers, T. J. (2022). Physics-informed machine learning for Structural Health Monitoring [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2206.15303

Hosen, M. M., Sabbir, M. M. U., Hossain, M. I., & Sunny, M. A. U. (2025). Leveraging AI and sensor technologies for real-time structural health monitoring of in-service bridges. Frontiers in Built Environment, 2(1), 135–163. https://doi.org/10.3389/fbuil.2025.1176621

Kaewnuratchadasorn, C., Wang, J., & Kim, C.-W. (2023). Vehicle–bridge interaction neural operator (VINO): A physics-informed deep learning model for bridge health monitoring [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2305.07889

Mishra, A., Gangisetti, G., & Khazanchi, D. (2023). Integrating Edge-AI in structural health monitoring domain [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2304.03718

Smith, J., & Lee, H. (2025). Advances in artificial intelligence for structural health monitoring: A comprehensive review. Journal of Civil Infrastructure, 12(3), 145–167. https://doi.org/10.1016/j.jci.2025.03.004

Su, X., Xu, L., Zheng, L., & Sun, Z. (2024). Wireless online vision system for bridge displacement measurement of large-span bridges. Automation in Construction, 159, 105225. https://doi.org/10.1016/j.autcon.2024.105225

Yang, J., Zhang, L., Chen, C., Li, Y., Li, R., Wang, G., Jiang, S., & Zeng, Z. (2020). A hierarchical deep convolutional neural network and gated recurrent unit framework for structural damage detection. Engineering Structures, 222, 111124. https://doi.org/10.1016/j.engstruct.2020.111124

Zhao, Y., Gao, Y., Wang, Y., & Zhang, X. (2023). Review of anomaly detection in large-span bridges: Available methods, recent advancements and future trends. Advances in Bridge Engineering, 7(2), 101–124. https://doi.org/10.1186/s43251-023-00113-3




DOI: https://doi.org/10.23857/pc.v10i7.9958

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/