Show simple item record

dc.contributor.advisorTorres Ruiz, Javier 
dc.contributor.advisorAlvear Portilla, Manuel Daniel 
dc.contributor.authorFernández-Navamuel del Olmo, Ana
dc.contributor.otherUniversidad de Cantabriaes_ES
dc.date.accessioned2018-07-18T08:37:38Z
dc.date.issued2018-07-04
dc.identifier.urihttp://hdl.handle.net/10902/14147
dc.description.abstractRESUMEN: En las últimas décadas, los Sistemas de Monitorización Estructural (SHM) han ido ganando importancia en nuestra sociedad. Su objetivo fundamental es proporcionar información cuantitativa y dar soporte a los ingenieros para profundizar en la valoración del comportamiento de las estructuras bajo las condiciones de servicio reales, de forma que puedan optimizar los programas de mantenimiento y evitar la ocurrencia de fallos estructurales graves, más aún cuando aparecen en el horizonte de la gestión de las infraestructuras conceptos como el de resiliencia. Los grandes avances tecnológicos experimentados en el ámbito de la instrumentación han permitido desarrollar nuevas técnicas de inspección cada vez más sofisticadas que proporcionan grandes cantidades de datos en muy poco tiempo. Este fenómeno se ha convertido en una prometedora fuente de información en cuanto al control de la integridad estructural, imponiendo un nuevo reto sobre cómo gestionar estos volúmenes de datos para transformarlos en una herramienta de conocimiento al servicio de los propietarios y gestores de las estructuras. Con este trabajo, centrado en el post-procesado, se pretende explotar la capacidad informativa de los datos procedentes de la instrumentación en un puente mediante el desarrollo de una herramienta de detección de anomalías estructurales en el mismo. El procedimiento se integra dentro de las metodologías de SHM basadas en datos, que recurren al “Machine Learning” para desarrollar algoritmos de reconocimiento de patrones estadísticos que permitan clasificar los distintos estados de la estructura sin necesidad de crear modelos de cálculo que introduzcan nuevas incertidumbres a la hora de entender las mediciones reales, aprovechando exclusivamente la información aportada por la instrumentación. Para ello, se emplean varias técnicas de procesamiento de datos, como el Análisis de Componentes Principales (PCA), que proporciona un indicador de la presencia de daño en la estructura. Mediante análisis estadísticos se describirá un modelo representativo del estado de referencia que permita resolver un problema de clasificación entre los dos posibles estados de la estructura: dañado y no dañado. Finalmente, una vez diseñada la herramienta, se formulará su integración en el sistema de SHM con el objetivo de valorar cuantitativamente la evolución del comportamiento de la estructura prácticamente en tiempo real al reactivarse el sistema de instrumentación.es_ES
dc.description.abstractABSTRACT: In the last decades, monitoring systems have gained increasing importance in our society. Their main objective is to provide quantitative information and support for the engineers to take the right decisions and deepen on structures performance under real service conditions, in order to optimize the maintenance programs and avoid severe failures, even more when new concepts such as resilience are appearing in the context of infrastructures management. The great technological improvements experienced in the instrumentation field allowed the development of new sophisticated inspection techniques that provide large amounts of data in a short time. This “Big Data” phenomenon has become a promising source of information on structural integrity control, introducing a new challenge on how to manage these data volumes to turn them into a knowledge tool to help owners and structure managers. This work, focussed on the post-processing stage, aims to exploit the informative ability of data coming from a bridge instrumentation system by means of the development of a structural novelty detection tool for condition assessment of the bridge. The procedure is integrated within the data-based SHM methodologies, which develop statistical pattern recognition algorithms through “Machine Learning” techniques to solve a classification problem among the different possible states of the structure, with the main advantage of not requiring the definition of computation models that may induce new uncertainties and difficulties to understand the real measurements, taking advantage exclusively of the information provided by instrumentation. To achieve this objective, several data processing techniques are used, such as Principal Component Analysis, which provides a numerical indicator for abnormal structural behaviour detection. By means of statistical analysis, a representative model for the reference or healthy state of the structure is described, allowing to solve a simple classification problem between two possible states: damaged and undamaged. Finally, once the tool has been designed, its integration and implementation onto the whole SHM system is addressed, providing an accurate evaluation of the structural behaviour in practically real time after the instrumentation system has been reactivated for acquiring new data.es_ES
dc.format.extent128 p.es_ES
dc.language.isospaes_ES
dc.rights© Ana Fernández-Navamuel del Olmoes_ES
dc.subject.otherMonitorización estructural (SHM)es_ES
dc.subject.otherDetección de dañoses_ES
dc.subject.otherAprendizaje automáticoes_ES
dc.subject.otherReconocimiento de patrones estadísticoses_ES
dc.subject.otherAnálisis de componentes principaleses_ES
dc.subject.otherModelo de referencia comportamiento anómaloes_ES
dc.subject.otherSistema de gestión de puenteses_ES
dc.subject.otherToma de decisiónes_ES
dc.subject.otherAnálisis de datoses_ES
dc.subject.otherStructural health monitoring (SHM)es_ES
dc.subject.otherDamage detectiones_ES
dc.subject.otherMachine learninges_ES
dc.subject.otherStatistical pattern recognitiones_ES
dc.subject.otherPrincipal component analysises_ES
dc.subject.otherBaseline modeles_ES
dc.subject.otherAbnormal behavioures_ES
dc.subject.otherBridge management systemes_ES
dc.subject.otherDecision makinges_ES
dc.subject.otherData analysises_ES
dc.titleDesarrollo de una herramienta de detección de daños para la toma de decisión en gestión de puenteses_ES
dc.title.alternativeDamage detection tool development for decision making in bridge managementes_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
dc.rights.accessRightsembargoedAccesses_ES
dc.description.degreeMáster en Ingeniería Industriales_ES
dc.date.embargoEndDate2021-07-04


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record