Aplicación de métodos basados en tecnologías de aprendizaje profundo en el sector transporte: Modelo automatizado de detección de grietas en vías distritales unidireccionales de pavimento flexible

• Autores: Elespuru Neyra, Luis Antonio, Llacza Tolentino, Marco Antonio
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/685228
• Enlace del recurso: http://doi.org/10.19083/tesis/685228; http://hdl.handle.net/10757/685228
• Nivel de acceso: acceso abierto
• Materia: Estado de las Vías; Prioridad de Mantenimiento; Gestión de Pavimentos; Modelo deep learning; Road condition; Maintenance priority; Pavement management; Deep Learning Model; https://purl.org/pe-repo/ocde/ford#2.01.01; https://purl.org/pe-repo/ocde/ford#2.00.00

El estado de las vías de asfalto es un factor crucial, pero subestimado en la seguridad de los viajes, ya que su deterioro puede incrementar el riesgo de accidentes y afectar la movilidad de los usuarios. Sin un monitoreo constante y eficiente, las grietas y deformaciones en el pavimento pueden agravarse, generando mayores costos de reparación y reduciendo la eficiencia del transporte. Para abordar este problema, se propuso la creación de un mapa de prioridad de mantenimiento y reparación. Este mapa se desarrolló mediante un levantamiento de datos del estado de las vías, seguido de un análisis y clasificación según estándares establecidos en manuales de vías urbanas del Perú. Los resultados se representaron en un mapa que distingue tres colores: rojo para vías que necesitan reparación urgente, amarillo para mantenimiento y verde para vías en buen estado. Además, se utilizó un modelo de Deep Learning para detectar grietas en las vías con una precisión del 90.5%. Este enfoque permitió desarrollar un método automatizado, tecnológico y ágil para la gestión del pavimento. Su implementación en la gestión municipal optimizaría las inversiones y agilizaría la atención a las necesidades de mantenimiento vial. En términos de eficiencia, el análisis de las vías se realizó cinco horas más rápido por cada kilómetro evaluado en comparación con el método PCI utilizado por la municipalidad de Magdalena del Mar, logrando además una mejor precisión en un 10%.