Aplicación de un modelo de Deep Learning con redes neuronales convolucionales para evaluar la integridad estructural y predecir fallas en puentes de concreto mediante exploración visual de imágenes

• Autor: Rojas Atachao, Richard Frank
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Pontificia Universidad Católica del Perú
• Repositorio: PUCP-Tesis
• Lenguaje: español
• OAI Identifier: oai:tesis.pucp.edu.pe:20.500.12404/30935
• Enlace del recurso: http://hdl.handle.net/20.500.12404/30935
• Nivel de acceso: acceso abierto
• Materia: Puentes de concreto--Mantenimiento y reparación; Aprendizaje profundo (Aprendizaje automático); Redes neuronales (Computación); Procesamiento de imágenes (Técnicas digitales); https://purl.org/pe-repo/ocde/ford#2.01.01

En el área de la ingeniería civil, es muy importante revisar la salud estructural de los puentes de concreto. Esta revisión tiene el objetivo de mantener la seguridad y mejorar el mantenimiento de estas estructuras. Por otro lado, en el área de la Inteligencia Artificial, las Redes Neuronales Convolucionales se han usado con éxito para analizar y clasificar imágenes de distintos tipos y orígenes. Esta tesis tiene como objetivo crear un sistema que use un modelo de Aprendizaje Profundo usando Redes Neuronales Convolucionales con la arquitectura VGG 16. Su función principal es evaluar la estructura de los puentes y clasificar los daños a través de imágenes tomadas de ellos, enfocándose en problemas como grietas, eflorescencia y descamación. El modelo VGG 16 fue probado para identificar estos daños estructurales demostrando resultados satisfactorios. Los resultados indican que el sistema tiene una alta precisión, especialmente en la clasificación de grietas, con una precisión máxima de 0.81. Esto demuestra que el sistema es eficaz para detectar y clasificar defectos, convirtiéndose en una herramienta útil para la inspección y mantenimiento de puentes.