Detección de daños en el acero al convertir vibraciones en imágenes

En resumen: Un grupo de investigadores creó un sistema que convierte datos de vibración en imágenes para detectar daños en armazones de acero. El modelo alcanzó un 94,5 % de precisión en pruebas sin ruido y se mantuvo robusto al añadir ruido.

Las grandes estructuras de acero vibran continuamente, pero pequeñas grietas pueden alterar esas vibraciones de formas casi imposibles de detectar a simple vista.

Qué ocurrió, en palabras sencillas

Los investigadores B. Xie, J. Cui y N. Lu presentaron una nueva forma de detectar daños en estructuras de acero mediante señales de vibración. Primero, dividieron las lecturas de vibración en estados distintos y las convirtieron en imágenes mediante un método denominado codificación por campo de transición de Markov. A continuación, introdujeron estas imágenes en una red de aprendizaje profundo llamada ResNet-50-CA. Esta red utiliza atención por coordenadas, lo que ayuda a la computadora a centrarse en direcciones y posiciones específicas mientras descarta detalles inútiles. El equipo probó su configuración con datos del Qatar University Grandstand Simulator y de la estructura de referencia IASC–ASCE. En condiciones sin ruido, el sistema alcanzó una precisión del 94,5 % y demostró ser más eficaz que varios otros enfoques de codificación de imágenes.

Puntos clave

Las vibraciones se convierten en imágenes: El método toma respuestas de vibración, las divide en estados mediante partición de igual frecuencia y construye a partir de ellas imágenes de campo de transición de Markov.
El mecanismo de atención mejora el enfoque: Al añadir atención por coordenadas al modelo ResNet-50, el sistema rastrea direcciones posicionales y elimina información de fondo redundante.
Alta precisión en pruebas de referencia: El modelo ResNet-50-CA alcanzó un 94,5 % de precisión en pruebas sin ruido sobre conjuntos de datos de referencia y se mantuvo robusto en condiciones con ruido.
Superó a métodos alternativos de codificación: Las imágenes de campo de transición de Markov ofrecieron mejores resultados que los campos de diferencia angular de Gramian, los gráficos de recurrencia y las transformadas de Fourier de tiempo corto.

Términos explicados

Campo de transición de Markov (MTF) — Método para convertir una secuencia de mediciones a lo largo del tiempo en una imagen según la frecuencia con la que los valores pasan de un estado a otro. Ejemplo: Es como convertir una lista de cambios diarios de temperatura en una cuadrícula de colores que muestra con qué frecuencia los días cálidos siguen a los días fríos.
Atención por coordenadas (CA) — Herramienta dentro de un modelo de IA que ayuda a señalar con exactitud las ubicaciones horizontales y verticales de pistas importantes en una imagen. Ejemplo: Actúa como un foco que recorre una foto para resaltar detalles clave mientras atenúa el fondo.
Ruido de medición — Errores o perturbaciones aleatorias adicionales captadas por los sensores junto a la señal real. Ejemplo: Es similar a escuchar estática de fondo al intentar oír a alguien que habla por un walkie-talkie.

Por qué importa

Las estructuras de acero, como los estadios, necesitan revisiones periódicas para seguir siendo seguras. Detectar a tiempo daños estructurales sutiles ayuda a los ingenieros a identificar puntos débiles antes de que se conviertan en peligros mayores, incluso cuando los sensores del mundo real capturan lecturas imperfectas y con ruido.

Lo que aún no sabemos

La investigación se basa en datos de prueba específicos del Qatar University Grandstand Simulator y de la estructura de referencia IASC–ASCE. La precisión máxima del 94,5 % se registró en condiciones de prueba sin ruido, lo que implica que el rendimiento en el mundo real dependerá de la gestión de diversos niveles de interferencia.

Basado en información de Scientific Reports. Este es un texto explicativo independiente, escrito con palabras propias y ayuda de IA; Scientific Reports no lo ha revisado ni respaldado. Lee el original para ver todos los detalles.