Abstract
La motivación de este trabajo surge por el creciente interés generado en los últimos años sobre la monitorización a través de sensores de estructuras. Una de sus principales ventajas es la temprana identificación de daños, disminuyendo así los costes de mantenimiento. Por ello, se realiza un estudio de identificación de daños a una maqueta de un puente construida a partir de barras de distintos materiales. La maqueta se divide en tres partes fundamentales: arco, tablero y cables, que serán analizadas a lo largo del trabajo. Para la identificación de daños se va a trabajar con dos modelos, uno dañado y otro sin dañar, este último será un modelo numérico de la maqueta. El objetivo es comprobar si a través de un proceso de optimización el modelo numérico es capaz de identificar distintos tipos de daños que se van a aplicar a la maqueta. La idea inicial del trabajo era considerar el modelo dañado la propia maqueta y medir sobre ella los parámetros necesarios. Debido a la imposibilidad de acceder a la maqueta por la situación generada por el COVID-19 se tomará un modelo pseudo experimental basado en el modelo numérico introduciendo ruido para representar la incertidumbre que los ensayos experimentales contienen. La primera parte del proyecto consiste en realizar un correcto modelo de elementos finitos de la maqueta. Este modelo se realizó con ANSYS y se basó en mediciones de las coordenadas de los distintos nodos, caracterización de los materiales y la medición de las secciones de los distintos tipos de barras. La caracterización de los materiales se realizó a través de ensayos realizados en la Cátedra de Estructuras midiendo desplazamientos ante cargas de tracción conocidas con el objetivo de obtener los módulos de Young. Estos ensayos se realizaron luego con un modelo en ANSYS para comparar los resultados, obteniendo errores del 1-2%. Una vez modelada la maqueta, se procede a la identificación de daños. Esta se hizo a través de un proceso de optimización multiobjetivo, en concreto el NSGA-II, basado en algoritmos genéticos. El proceso de optimización se basa en ajustar el modelo numérico sin dañar al modelo pseudo experimental dañado para lo que se utilizaron funciones objetivo basadas en frecuencias y desplazamientos.