Modelo para detección de grietas incipientes en vigas de hormigón armado en base a Deep Learning

Abstract

La motivación principal de este trabajo de título nace de la necesidad por parte del área de ingeniería civil de incorporar las novedades que trae la Ciencia de Datos, ya que con algoritmos de Aprendizaje Profundo complementados con principios de Visión por Computadora se pueden construir herramientas que pueden llegar a ser de bastante utilidad en el área de diagnóstico de estados de salud de estructuras. Al mismo tiempo, el desarrollo de nuevas cámaras fotográficas de tamaño reducido y alta calidad en la imagen ha impulsado el uso de pequeños vehículos aéreos no tripulados para el monitoreo de la salud estructural de diversas obras civiles, lo cual propicia el desarrollo de nuevas metodologías para los procesos de detección y caracterización de fallas en elementos estructurales. El principal objetivo de esta tesis es la confección de un software que permita la detección de grietas incipientes en vigas de hormigón armado, para esto, es necesario contar con una gran cantidad de imágenes de vigas de hormigón armado con grietas y sin grietas, es por esta razón que se realizan ensayos destructivos en vigas de hormigón armado en el Laboratorio de Sólidos presente en la Facultad de Ciencias Físicas y Matemáticas de la Universidad de Chile, los cuales son grabados en condiciones lo más cercano a lo ideal, para capturar de manera óptima el fenómeno y de esta forma contar con este set de imágenes. También se busca una correcta implementación de técnicas tales como Aumento de datos y Aprendizaje por Transferencia. Para llevar a cabo este trabajo se comienza realizando los ensayos de las vigas de hormigón armado con la finalidad de obtener los registros de estos ensayos, haciendo factible formar un Conjunto de Datos balanceado y robusto. Acto seguido, se realiza un preprocesamiento al Conjunto de Datos generado, para luego definir la arquitectura del modelo a utilizar en base a Aprendizaje Profundo, para posteriormente realizar el entrenamiento e implementación del modelo. Posteriormente, se analizan y verifican los resultados de la clasificación realizada por el modelo. En caso de que estos no sean satisfactorios se procede a cambiar hiper-parámetros de la arquitectura del modelo o el modelo en sí mismo y se repite el procedimiento. La principal conclusión de este trabajo es que se pueden obtener buenos resultados en variedad de modelos convolucionales, particularmente, el modelo convolucional al cual se llega mediante la Búsqueda de Cuadrícula es el que posee mejores resultados en cuanto a detección de grietas, contando además dentro de sus características una buena estabilidad, por lo que es considerado el mejor modelo al cual se logró llegar en esta investigación, dejando atrás a modelos que utilizan Aprendizaje por Transferencia.