Propuesta de sistema semiautomático no invasivo para la inspección de la condición de aisladores sísmicos basado en Deep Learning

• Autor: Pereda Purizaga, Jeferson Antuann
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad de Ingeniería y tecnología
• Repositorio: UTEC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utec.edu.pe:20.500.12815/560
• Enlace del recurso: https://hdl.handle.net/20.500.12815/560
• Nivel de acceso: acceso embargado
• Materia: Aislamiento Sísmico; Aprendizaje Profundo; Evaluación de Daños; Automatización; Ensayos no destructivos; Seismic Isolation; Deep learning; Damage Assessment; Automation; Nondestructive testing; https://purl.org/pe-repo/ocde/ford#2.01.01

La inspección de aisladores sísmicos es una etapa crucial para el mantenimiento de edificios sísmicamente aislados. Según la norma peruana E.031 “Aisladores Sísmicos”, dicha inspección debe realizarse cada dos años o después de un sismo de intensidad mayor a 6 en escala Mercalli. Por tanto, ante una emergencia, resulta indispensable implementar un sistema eficiente de inspección de aisladores sísmicos. Sin embargo, la revisión de códigos, estándares y métodos existentes reveló tres limitaciones: la ausencia de un protocolo estandarizado, la falta de rangos establecidos para clasificar el nivel de deterioro de aisladores, y el elevado costo y complejidad de los métodos actuales para edificios en servicio. El objetivo de esta tesis es proponer un sistema semiautomático basado en Deep Learning para determinar el nivel de deterioro de aisladores sísmicos en operación. El modelo fue entrenado con 14 aisladores elastoméricos con núcleo de plomo (LRB), inspeccionados con una matriz de decisión basada en resultados experimentales y guías internacionales. Luego, se recopilaron señales de vibración ambiental con acelerómetros de alta precisión y se extrajeron sus características dinámicas. Consecuentemente, una red neuronal completamente conectada (FC-DNN) fue entrenada con 2234 ventanas de señales, considerando 23 variables entre geométricas, mecánicas y de series temporales, alcanzando una alta precisión en la inspección de aisladores (F1 score = 0.94). Posteriormente, la técnica SHAP fue aplicada para evaluar la interacción entre parámetros durante las predicciones. Finalmente, se implementó una interfaz de usuario a nivel de prototipo con potencial para transformar la inspección de edificios sísmicamente aislados en el Perú.