ISSN 0188-7297

Certificación ISO 9001:2008 ‡

Diseño de algoritmos genéticos para

la detección de daños en estructuras

Daniel Arceo Mariñelarena

Juan Antonio Quintana Rodríguez
Francisco Carrión Viramontes
Saúl Enrique Crespo Sánchez
Andrés Hernández Guzmán
José Alfredo López López

Publicación Técnica No. 386

Sanfandila, Qro, 2013
SECRETARÍA DE COMUNICACIONES Y TRANSPORTES

INSTITUTO MEXICANO DEL TRANSPORTE

Diseño de algoritmos genéticos para la

detección de daños en estructuras

Publicación Técnica No. 386

Sanfandila, Qro, 2013
Esta investigación fue realizada en la Coordinación de Ingeniería Vehicular e
Integridad Estructural del Instituto Mexicano del Transporte, por el M. I. Daniel
Arceo Mariñelarena, el Dr. Juan Antonio Quintana Rodríguez, el Dr. Francisco
Carrión Viramontes, el M. C. Saúl Enrique Crespo Sánchez, el Ing. Andrés
Hernández Guzmán y el Dr. José Alfredo López López.

Se reconoce y agradece la colaboración del Dr. Miguel Ángel Pérez Lara y

Hernández, investigador de la Universidad Autónoma de Querétaro, por sus
aportaciones al presente trabajo, además de la participación del Dr. Miguel
Martínez Madrid, Coordinador de Ingeniería Vehicular e Integridad Estructural del
Instituto Mexicano del Transporte, por la revisión y las facilidades para la
realización del presente trabajo.
Diseño de algoritmos genéticos para la detección de daños en estructuras
Índice
Resumen ............................................................................................................ v
Abstract .............................................................................................................. vii
Resumen ejecutivo ............................................................................................. ix
Capítulo 1 Introducción ................................................................................... 1
Capítulo 2 Antecedentes ................................................................................ 7
2.1 Monitoreo estructural..................................................................... 7
2.2 Métodos globales de detección de daños ..................................... 8
2.2.1 Métodos globales de detección de daño nivel 1 ............................ 10
[Link] Criterio de aseguramiento modal (MAC). ...................................... 10
[Link] Factor de escala modal (MSF) ...................................................... 10
2.2.2 Métodos globales de detección de daño nivel 2 ............................ 10
[Link] Criterio de aseguramiento modal coordenado (COMAC) .............. 11
[Link] Factor coordenado de escala modal (COMSF). ............................ 11
[Link] Cambio en la forma de los modos dinámicos................................ 11
2.2.3 Métodos globales de detección de daño nivel 3 ............................ 12
[Link] Método de Búsqueda Global (MBG) ............................................. 12
2.3 Método de Elemento Finito (MEF) ................................................ 15
2.4 Algoritmos utilizados para detección de daño ............................... 16
2.5 Algoritmos Genéticos (AG)............................................................ 17
2.5.1 Recorrido histórico ........................................................................ 18
2.5.2 Concepto ....................................................................................... 19
2.5.3 Elementos de los AG y su relación biológica. ............................... 20
2.5.4 Operadores Genéticos .................................................................. 22
2.5.5 Ventajas y desventajas de los AG ................................................. 28
2.5.6 Aplicaciones de los AG. ................................................................ 29
Capítulo 3 Metodología .................................................................................. 31
3.1 Selección del método de detección de daño ................................. 31
3.2 Definición de la función error para evaluar daño estructural ......... 34

iii
Diseño de algoritmos genéticos para la detección de daños en estructuras

3.3 Definición del individuo.................................................................. 35

3.4 Selección de Operadores Genéticos ............................................. 37
3.5 Algoritmo Genético ........................................................................ 40
Capítulo 4 Aplicación de la metodología en estructuras ................................. 45
4.1 Detección de daño en un elemento estructural tipo barra ............. 46
4.1.1 Modelo de Elemento Finito de una barra ...................................... 46
4.1.2 Casos de daño .............................................................................. 48
[Link] Caso 1 ........................................................................................... 48
[Link] Caso 2 ........................................................................................... 50
[Link] Caso 3 ........................................................................................... 53
[Link] Caso 4 ........................................................................................... 56
[Link] Caso 5 ........................................................................................... 58
[Link] Análisis de resultados ................................................................... 61
4.2 Detección de daño en un marco estructural .................................. 62
4.2.1 Modelo de Elemento Finito del marco estructural ......................... 62
4.2.2 Casos de daño .............................................................................. 62
[Link] Caso 1H ........................................................................................ 62
[Link] Caso 2H ........................................................................................ 65
4.2.3 Análisis de resultados .................................................................. 67
4.3 Detección de daño en un Puente .................................................. 67
4.3.1 Modelo de Elemento Finito de un puente ...................................... 67
4.3.2 Casos de daño .............................................................................. 69
[Link] Caso 1 ........................................................................................... 69
[Link] Caso 2 ........................................................................................... 71
Capítulo 5 Conclusiones ................................................................................. 75
Bibliografía ......................................................................................................... 77

iv
Resumen
En este trabajo se desarrolla y aplica un Algoritmo Genético (AG) como método de
optimización en la detección de daño en estructuras para utilizarse como técnica
de evaluación no destructiva en puentes. En este caso, la identificación del daño
se basa en el análisis de propagación de ondas en estructuras y en la búsqueda
del mínimo de una función de error que se define como una función de mínimos
cuadrados de la diferencia de las respuestas dinámicas entre la condición dañada
y una condición con un escenario de daño propuesto por el algoritmo genético; la
primera obtenida de mediciones experimentales, mientras que la segunda se
obtiene de un modelo calibrado de elemento finito. El Algoritmo Genético aplica
operadores de combinación, mutación, permutación, clonación y regeneración,
que van modificando las propiedades de la estructura y proponiendo diferentes
posibles soluciones a partir de una condición inicial, la cual evoluciona hasta
encontrar una solución que represente la condición estructural real con daño.

Para evaluar el desempeño del método de detección basado en el algoritmo

genético, se realizaron distintas simulaciones de daño en una estructura simple y,
finalmente, se aplicó a un caso experimental de laboratorio. Con este estudio se
demostró que el algoritmo genético es capaz de encontrar soluciones aceptables
en estructuras con daño localizado, extendido y/o generalizado. Igualmente, el
método resultó ser más eficiente que el método de búsqueda directo y permite
manejar un mayor número de alternativas de solución o escenarios de daño.

v
vi
Abstract
In this work, a Genetic Algorithm (GA) is developed and applied as an optimization
method to detect structural damage to be used as a nondestructive evaluation on
bridges. In this case, damage identification is based on the analysis of structural
wave propagation and on the search of the minimum of an error function defined
as a least squares function of the difference between the dynamic responses of the
damaged and a scenario with damage proposed by the genetic algorithm; the first
obtained from experimental tests, while the second is obtained from a calibrated
finite elements model. The Genetic Algorithm applies combination, mutation,
permutation, cloning and regeneration operators that modify the structural
properties and put forward different possible solutions from an initial condition that
evolves until a solution is found that represents the real damaged structure.

To evaluate the performance of the genetic algorithm based in a damage detection

method, several simulations were performed with a simple structure and, finally it
was applied to a laboratory experimental case. With this study it was demonstrated
that the genetic algorithm is capable to find acceptable solutions for structures with
localized, extended and/or generalized damage. At the same time, the method
proved to be more efficient than the direct search method and allows handling a
larger number of solution alternatives and damage scenarios.

vii
viii
Resumen ejecutivo
El desarrollo de nuevas tecnologías, conceptos y materiales para la construcción
de estructuras, cada vez más complejas y de mayor tamaño, ha demandado en
las últimas décadas el diseño y la aplicación de métodos de evaluación e
inspección estructural igualmente sofisticados. Los puentes de mayor tamaño y las
estructuras de diseños complejos, que antes eran imposibles, ahora son una
realidad que se confronta a la necesidad de utilizar sistemas confiables para el
monitoreo, evaluación y diagnóstico de su condición estructural.

Es por lo anterior que, desde la última década del Siglo XX, se han realizado
estudios e investigaciones para evaluar y detectar daño o deterioro en estructuras,
utilizando las nuevas generaciones de sensores e instrumentos en una gran
variedad de posibilidades. Así, se ha encontrado que las evaluaciones no
destructivas globales, aplicadas a estructuras complejas y de gran tamaño como
son los puentes, se basan en métodos modales que identifican frecuencias y
modos naturales de vibrar y, mediante un gran número de técnicas de análisis,
identifican variaciones en dichos parámetros que pudieran estar asociados con
daño o deterioro. Sin embargo, en los últimos 10 años el IMT ha propuesto el
análisis de la propagación de ondas flexionantes en estructuras como base de
análisis para identificar daño. Esta técnica se puede resolver de distintas maneras,
pero con la desventaja que el refinamiento y nivel de detalle requieren del manejo
de un gran número de variables y, por tanto, igual número de posibilidades de
solución. Lo anterior se ha resuelto incorporando criterios basados en
conocimiento a priori de la solución, aunque esto no siempre es posible. Por lo
anterior, se han considerado diversas alternativas para la búsqueda de soluciones
a estos problemas y es ahí donde los algoritmos genéticos han dado una
respuesta positiva.

En este estudio no sólo se exploran diferentes esquemas de solución aplicando

los algoritmos genéticos, sino que se analizan para determinar el porcentaje más
adecuado de cada operador genético para los problemas en estructuras. El
desarrollo del método se valida con simulaciones utilizando un modelo simple,
pero posteriormente se utiliza un experimento de laboratorio. Los resultados
iniciales, aunque alentadores, deben ser validados y probados en estructuras más
complejas. Adicionalmente, es fundamental continuar las investigaciones para
determinar la incertidumbre y sensibilidad de las diferentes técnicas considerando
el ruido experimental, el número de sensores, el nivel de precisión en la
calibración y el nivel de detalle de los modelos de simulación que se emplean. Sin
embargo, este trabajo demuestra que los algoritmos genéticos son una buena
alternativa para su aplicación con el método de búsqueda global de daño en
estructuras.

ix
Diseño de algoritmos genéticos para la detección de daños en estructuras

x
1 Introducción
A nivel mundial, el monitoreo remoto y continuo se está empleando cada vez más
para la detección y evaluación de daño en estructuras que, por su importancia
justifican el empleo de estos sistemas (Achenbach, 2008). En general, el
monitoreo de la condición de una estructura se define como “la medida de las
condiciones de operación y de carga, y de las respuestas críticas de una
estructura para dar seguimiento y evaluar síntomas anormales de operación y o
deterioro o daño que afecten el servicio, seguridad o confiabilidad de la misma”
(Aktan & Grimmelsman, 1999).

El monitoreo y evaluación estructural hoy en día es posible y es una alternativa

para optimizar la aplicación de los recursos financieros de la conservación de la
infraestructura de un país. Una de las problemáticas en países desarrollados
estriba en la cantidad de puentes que conforman la red de carreteras, los cuales
necesitan ser evaluados periódicamente debido a dos factores fundamentales: Los
años de servicio con los que cuentan estos sistemas y el incremento en el flujo
vehicular. En México, esta problemática no es la excepción, si bien varios de los
puentes con más de 30 años de servicio fueron diseñados con factores de
seguridad elevados (Carrión, 2002), las cargas que hoy circulan sobre la red
federal de carreteras, exceden los pesos y dimensiones establecidos hace varias
décadas en los códigos de diseño con los que fueron construidos y el flujo y
composición vehicular es diferente, es, por estas razones, necesario estudiar y
determinar la vida útil de las estructuras, conocer su índice de desempeño, realizar
programas de mantenimiento preventivo y elaborar planes de restricción de tráfico
en caso de daño repentino ocasionado por accidentes o condiciones climáticas
extremas. Contar con sistemas de monitoreo y evaluación estructural constante
tiene tres ventajas: la primera de ellas es que la vida útil de las estructuras se
puede incrementar si se siguen los planes de mantenimiento preventivo derivados
de la evaluación estructural; la segunda es que el costo de una póliza de seguro
pude bajar cuando se tienen sistemas de monitoreo y evaluación; y tercera, la más
importante, se incrementa los índices de seguridad para los usuarios.

En los últimos 30 años se han incrementado los trabajos de investigación para

encontrar procedimientos y métodos efectivos para la detección de daño y
evaluación estructural en estructuras civiles, aeronáuticas, mecánicas. En la tabla
1.1 se presentan algunos de los métodos para la detección de daño:

1
Diseño de algoritmos genéticos para la detección de daños en estructuras

Tabla 1.1 Diversos métodos utilizados para detección de daño en estructuras

MÉTODO AUTORES
Métodos globales por vibraciones mecánicas y Carrión 2002.
propagación de ondas.
Cambio en las frecuencias naturales y modos de Kato & Shimada, 1986.
vibrar
Cambios en los propiedades modales Kato & Shimada, 1986; Turner &
Pretolve, 1988; Allampalli, [Link]., 1995.
Índices de daño a través de los modos de vibrar y Allemang & Brown, 1982.
sus derivados como el Criterio de Aseguramiento
Modal (MAC)
El Factor de escala modal (MSF) Ewins, 2000.
Criterio desplazamiento-frecuencia Bert, 1993.
Criterios basados en la energía de deformación Linag Lee, 1994.
Criterio de Aseguramiento Modal Coordenado Abdel Wahab & DeRoeck, 1999; Salaw,
1997; Saitoh & Takei, 1996.
Cambios de la curvatura modal (MSC) Pandey, [Link]., 1991.
Cambios en las matriz de rigidez a partir de las Zimmerman & Kauk, 1994.
formas modales
Método por subdominio inverso Carrión, [Link]., 2003.
Detección de daño por propagación de ondas Quintana, 2004.

La idea básica de estos métodos es evaluar los posibles cambios en los

parámetros dinámicos (respuestas dinámica, frecuencia, modos de vibrar,
amortiguamiento modal) y correlacionarlos con cambios en los parámetros
estructurales representados en las matrices de masa, rigidez y amortiguamiento,
que son definidos a través de un modelo matemático que se usa para representar
el sistema real.

En todos los métodos de detección de daño, una parte fundamental es la

calibración del modelo matemático que represente las características dinámicas y
estáticas de la estructura en estudio. Una inadecuada representación de los
fenómenos físicos conllevaría al fracaso de cualquiera de los métodos empleados.

Hoy en día el costo, tamaño y peso de los sensores ha disminuido, lo que permite
pensar en estructuras instrumentadas con miles de diferentes tipo de sensores
(Aktan, et al., 1998) tales como: Acelerómetros, inclinómetros, sismógrafos,
medidores de deformación, estaciones meteorológicas, cámaras de video,
velocímetros, entre otros. Inclusive, los recientes conceptos de actuadores
permitan disminuir la vibración o controlar frecuencias que induzcan resonancia a
la estructura o componente estructural (Fuhr, et al., 1992; Inman, 2001; Carrión, et
al., 2007).

2
 1 Introducción

La evaluación de daño en estructuras mediante respuestas dinámicas ha recibido

gran atención por sus aplicaciones prácticas (Doebling, et al., 1996) y se han
dividido en cuatro niveles de identificación de daño (Carden & Fanning, 2004):

i) Detección de existencia de daño.

ii) Determinación de su ubicación.

iii) Cuantificación de la severidad del daño.

iv) Predicción de la vida útil de servicio de la estructura.

Los avances en informática y tecnologías de comunicación hacen posible la

formación de Sistemas Integrales de Administración de Puentes (Aktan &
Grimmelsman, 1999), en donde todos los datos, incluyendo los del monitoreo
estructural del puente y el tráfico, así como los modelos paramétricos, pueden ser
almacenados, procesados y analizados para la toma de decisiones y
administración de recursos financieros de una red federal de carreteras.

Dentro de las técnicas de evaluación de daño, el análisis de la propagación de

ondas en la estructura es un método que permite conocer la avería a partir de los
cambios en la propagación de las ondas transmitidas y reflejadas sobre la
estructura (Doyle, 1997; Doyle, 2004). Como se ha podido observar existen varios
métodos para la detección de daño, uno de ellos es el Método de Búsqueda
Global (MBG), el cual se basa en un algoritmo de búsqueda de cambios en los
parámetros estructurales que optimiza una función objetivo. Así, cuando hay daño
en la estructura, se presenta un cambio entre las respuestas dinámicas de la
estructura, respecto a la condición sin daño. Como metodología de detección, este
enfoque tiene una la limitante y es el hecho de que se requiere una referencia de
la condición actual de la estructura (antes del daño). Una alternativa para dar
mayor flexibilidad al método, es reemplazar la información de la estructura original
con un modelo de elemento finito calibrado (Quintana, 2004; Doyle, 2004) a través
de pruebas dinámicas sobre la estructura.

La búsqueda que realizan los métodos globales para la detección de daño se basa
en un algoritmo que indaga cambios en los parámetros estructurales que minimiza
una función objetivo. En gran parte, la metodología de búsqueda de los algoritmos
empleados es lineal, es decir, ejecutan una revisión ordenada y secuencial
elemento por elemento, lo cual dependiendo de la estructura a analizar puede
consumir mucho tiempo computacional en minimizar la función objetiva. Una
opción para la optimización de dichos métodos, es desarrollar un algoritmo de
búsqueda de daño implementando operadores genéticos, la cual, realiza una
búsqueda aleatoria, comparativa y de retención preservando las mejores
soluciones por iteración, lo que permite tener una convergencia aceptable en un
menor tiempo.

Los algoritmos genéticos (AG) son métodos de optimización basados en los

mecanismos de selección y genética natural. Combinan la supervivencia de los

3
Diseño de algoritmos genéticos para la detección de daños en estructuras

más compatibles entre las estructuras de cadenas, mediante un procesamiento

aleatorio de la información genética de cada individuo, intercambiando dicha
información para construir un algoritmo de búsqueda con algunas de las
capacidades de innovación de la búsqueda humana (Goldberg, 1989). El poder de
los AG se logra por la diversidad de los individuos de una población que
evolucionan, en paralelo, siguiendo el principio de "la supervivencia del más apto".
La diversidad de los individuos se obtiene y se mantiene con el operador de cruce
y la mutación genética que permiten encontrar mejores soluciones y evitan la
convergencia prematura a un máximo local (Holland, 1992).

Los AG han sido aplicados para desarrollar complejas tareas de optimización en

varias aplicaciones prácticas. En particular, para la detección de daño en
estructuras, varias propuestas han sido presentadas en la última década en un
intento para diseñar un procedimiento eficaz para la detección de daño (Borges, et
al., 2006; Meruane & Heylen, 2010; Waisman, et al., 2009; Kouchmeshky, et al.,
2006; Casciati, 2008; Kouchmeshky, et al., 2007). Estas estrategias por lo general
presentan variaciones en los escenarios de daño por lo que es necesario un AG
como optimizador del procedimiento de búsqueda de daño (Goldberg, 1989;
Holland, 1992).

Es posible utilizar esta metodología en el MBG para la detección de daño en

estructuras a través de la generación, en un inicio aleatoria, de casos hipotéticos
de daño y después a partir de AG combinar, cambiar, permutar estos daños hasta
encontrar la combinación apropiada que represente una condición estructural con
daño. La evaluación de las respuestas dinámicas de la estructura con daño
pueden ser comparadas con las respuestas dinámicas de la estructura
representado con un modelo calibrado de elemento finito y evaluadas a través de
la minimización de funciones de error. Para el desarrollo de esta investigación se
pretende llegar a una solución cercana a la real del sistema a través de la
simulación de escenarios de daño, los cuales se adaptan a la condición de la
estructura dañada a través de un AG, lo que abre la posibilidad de encontrar
múltiples daños en una estructura y encontrar una solución aceptable.

En la actualidad los puentes son de vital importancia para los países, el traslado
de personas y mercancías a los centros de producción económica y centros de
consumo. México cuenta con una extensa red de transportes aéreos, marítimos y
terrestres. Ésta última, está formada por la red nacional de carreteras. Por lo tanto
conservar el buen estado del funcionamiento vial es de suma importancia, ya que
permite alcanzar los objetivos fijados en los planes de desarrollo y que se traduce
en elevar la calidad de vida de los habitantes.

La Secretaria de Comunicaciones y Transportes (SCT) ha implementado el

programa Sistema de Puentes Mexicanos (SIPUMEX), el cual es un sistema
integral para la administración de puentes de la red federal de carreteras. Para la
planificación de la conservación de la infraestructura federal técnicos
especializados realizan periódicamente inspecciones visuales y de acuerdo con el
estado en que se encuentren los puentes dan una calificación. De estas

4
 1 Introducción

inspecciones, se pueden derivar inspecciones especiales según los daños

estructurales observados en los mismos. Una vez calificados los puentes, se
establece un programa de mantenimiento de acuerdo al nivel de deterioro
determinado en las inspecciones.

Cabe mencionar que la antigüedad promedio de los siete mil doscientos puentes
que conforman la red federal carretera, sobrepasa los treinta y nueve años, y no
solo esto, sino que un gran número de los puentes están ubicados en zonas de
alto riesgo ambiental que justifican el monitoreo permanente, particularmente por
los cambios climáticos, caída de lluvias torrenciales y huracanes que cada vez son
más severos (Quintana, 2009).

Se ha buscado dar solución a estas necesidades, estableciendo un Centro de

Monitoreo de Puentes y Estructuras Inteligentes (CMPEI), en el cual la información
de cada uno de los puentes instrumentados pueda ser recibida, analizada y
procesada. El CMPEI se está estructurando y desarrollando en el Instituto
Mexicano del Transporte (IMT), para así tener en constante inspección los puentes
más importantes de la red federal carretera o los que requieran estar
monitoreados por necesidades específicas.

El CMPEI requiere de metodologías de inspección, detección, evaluación de daño

y confiabilidad estructural para cumplir con su propósito. Desarrollar un método de
detección de daño implementando los AG será una herramienta útil para optimizar
la evaluación y detección de daño en los puentes monitoreados en el CMPEI.

5
Diseño de algoritmos genéticos para la detección de daños en estructuras

6
2 Antecedentes

2.1 Monitoreo Estructural

El monitoreo de la integridad estructural (Structural Health Monitoring, SHM) es un
sistema que combina la obtención de datos de una estructura con el análisis y
evaluación de la información. Esta información puede ser periódica o en tiempo
real. Dependiendo de los datos obtenidos, pueden estar asociados a cambios
diversos como: degradación de los materiales, deterioro, corrosión, fatiga,
reacciones químicas, humedad, cambios en las variables del ambiente, así como a
las propiedades físicas relativas a las condiciones de carga, esfuerzos,
desplazamientos, deformaciones, aceleraciones, agrietamiento, vibraciones y
factores que sean necesarios para la evaluación operacional de la estructura
(Achenbach, 2008).

El campo del monitoreo estructural es amplio y se desarrolla y aplica con mayor

frecuencia en aeronáutica, civil y mecánica, principalmente, aunque también hay
avances en otras como en la eléctrica y la electrónica, por ejemplo (Achenbach,
2008). En el campo de la ingeniería civil se aplica a estructuras de gran
importancia para poder detectar y prevenir la insuficiencia de capacidad
estructural, como en el caso de puentes, edificios, estadios, presas, túneles,
monumentos históricos e infraestructura vital para el bienestar social.

Un sistema de SHM utiliza las técnicas o pruebas no destructivas para

proporcionar información continua (o bajo demanda) sobre el estado de una
estructura, de modo que una evaluación de la integridad estructural se puede
hacer en cualquier momento, y las medidas correctivas se pueden tomar cuando
sean necesarias. La información proveniente de sensores se incorpora en el
análisis estructural y modelos matemáticos para evaluar el estado de la estructura
y para predecir su vida útil. Así, el concepto subyacente se basa en la detección y
caracterización del daño y evalúa las condiciones operacionales de la estructura
(Achenbach, 2008).

El desarrollo de un sistema de monitoreo a largo plazo para una estructura es

realmente capaz de proporcionar información para evaluar la integridad
estructural, durabilidad y confiabilidad en todo el ciclo de vida de la estructura y
asegurar el mantenimiento óptimo, planificación y operación de la misma.

7
Diseño de algoritmos genéticos para la detección de daños en estructuras

2.2 Métodos globales de detección de daño

El daño es la pérdida de funcionalidad de un sistema y se puede definir como “el
conjunto de cambios introducidos en un sistema que afectan adversamente su
funcionamiento actual o futuro” (Hernández, 2010).

Implícitamente en la definición anterior, es notorio que el daño no tiene significado

alguno sin una comparación entre dos diferentes estados del sistema, donde el
primero es asumido como la representación inicial o sin daño del sistema (Pérez,
2011).

El daño en una estructura puede presentarse debido a cargas excesivas que

sobrepasan los límites de carga para la cual la estructura fue diseñada; por el
deterioro de los materiales a través de una disminución en sus propiedades físicas
y mecánicas; o por condiciones del medio ambiente: sismos, desbordamiento de
ríos, huracanes, etc. (Pérez, 2011).

Los métodos utilizados para la evaluación e identificación de daño en estructuras

se clasifican en dos: locales y globales. Los métodos locales permiten conocer las
propiedades mecánicas o físicas del material constitutivo de la estructura, de
manera puntual, estos métodos requieren de accesibilidad a la zona que se desea
inspeccionar y evidentemente, la cobertura es limitada.

Los métodos globales, son técnicas que proporcionan información sobre la

condición general de una estructura, sin que necesariamente determinen o
localicen el daño, pero son capaces de proporcionar una calificación global de la
integridad estructural. El hecho de que estos métodos tengan un carácter global,
implica que la instrumentación que utilizan para la evaluación estructural, sea
distribuida por toda la estructura y que la información que se obtiene de ésta,
únicamente tenga sentido si se analiza en su conjunto.

La mayoría de los métodos globales evalúa la integridad estructural a través de

mediciones dinámicas. Estos métodos se fundamentan en la interpretación de las
variaciones en los parámetros modales como son las frecuencias, las formas
modales y los factores de amortiguamiento que, a su vez, son manifestación de
algún cambio en una variable física de la estructura, como puede ser la masa, la
rigidez o el amortiguamiento. En un principio, la evolución de daño a través de
este tipo de análisis se realiza en forma cuantitativa buscando establecer
correlaciones entre los valores medidos y los niveles de daño conocidos. Como
resultado, se obtienen factores de correlación con diferentes grados de
sensibilidad dependiendo de la magnitud, localización de daño y la técnica de
detección de daño empleada. Motivado por este último, se iniciaron estudios para
establecer modelos de análisis que a partir de la información dinámica pudiera
cuantificar y ubicar el daño (Carrión, 2002).

Un sistema de clasificación para estos métodos de detección de daño establece

cuatro niveles de acuerdo con el alcance de la detección (Rytter, 1993):

8
 2 Antecedentes

Nivel 1: Determinación de la existencia de daño en la estructura.

Nivel 2: Localización geométrica del daño.

Nivel 3: Cuantificación de la severidad del daño.

Nivel 4: Predicción del comportamiento futuro y de la vida útil bajo las

condiciones actuales de operación.

Cada método, para ser clasificado con un nivel superior, debe cumplir con los
niveles subsecuentes. Hasta el día de hoy, todos los métodos que se basan en la
medición de vibraciones para la detección de daño, puede proporcionar
información de nivel 1 o 2. Cuando el análisis se complementa con el análisis de
simulación de un modelo estructural, es posible llegar a una identificación de nivel
3 (Carrión, 2002). El nivel 4, además de utilizar modelos estructurales, está
asociado con modelos de mecánica de la fractura, de análisis de fatiga, para
obtener una predicción de la vida residual de la estructura.

A continuación se mencionara algunos de los métodos de detección de daño más

usados.

2.2.1 Métodos globales de detección de daño nivel 1

Estos métodos buscan calcular de manera inmediata un índice que identifique el
daño en una estructura sin ubicarlo ni cuantificarlo. Se consideran
fundamentalmente los índices basados en el cambio en las frecuencias naturales,
el criterio de aseguramiento modal (MAC) y el factor de escala modal (MSF), entre
los más importantes.

[Link] Criterio de aseguramiento modal (MAC)

En un intento por definir un índice para la evaluación estructural, se desarrolló el
criterio de aseguramiento modal (MAC, por sus siglas en inglés), estableciendo
para cada valor característico una medida de la correlación de los vectores
característicos (formas modales) entre la condición dañada (D) y la no dañada (0)
(Allemang & Brown, 1982). Está dado por la siguiente ecuación:

|{ } { }|
2.1
|{ } | |{ }|

El subíndice i, se refiere al i-ésimo modo y los vectores { } y { } , son los

vectores característicos sin daño y con daño, respectivamente. Los valores
obtenidos por este criterio son entre cero y uno, donde el valor de 1.0 representa
una correlación total entre modos, es decir, no existe daño.

[Link] Factor de escala modal (MSF).

El factor de escala modal (MSF, por sus siglas en inglés) es otra forma de
cuantificar el daño y representa la medida de la pendiente de la recta que mejor

9
Diseño de algoritmos genéticos para la detección de daños en estructuras

ajusta la relación entre los coeficientes de los vectores modales de la condición

dañada contra la condición sin daño (Ewins, 2000). El intervalo de valores de este
factor van de cero a infinito, que corresponde a ángulos que van de 0 a 90 grados.
Un valor de 1.0, significa que hay una correlación total entre la condición con daño
y la condición sin daño, por lo que no existe diferencia en los parámetros y, por lo
tanto, no existe daño (Carrión, 2002).

2.2.2 Métodos globales de detección de daño nivel 2

Los métodos nivel 2, se basan en un análisis modal más completo, con una mayor
instrumentación y utilizan varios valores y vectores característicos en forma
simultánea. El principio básico de estas técnica es asociar la ubicación geométrica
o física del daño con las coordenadas del vector característico que presenta una
mayor variación (Carrión, 2002).

Los métodos más utilizados para este caso, son el Criterio de Aseguramiento
Modal Coordenado (COMAC); el Factor Coordenado de Escala Modal (COMSF);
el análisis en el cambio de las formas modales y el análisis en el cambio en la
curvatura de los modos. A continuación se describen algunos de ellos.

[Link] Criterio de aseguramiento modal coordenado (COMAC)

El COMAC, es un criterio en el que cada nodo se correlaciona linealmente a la
condición dañada con la inicial o sin daño (Lieven & Ewins, 1988). Para cada
punto o nodo, se establece un criterio de aseguramiento modal que puede tener
valores entre cero y uno. De igual forma que el MAC, este criterio tiene valores de
1.0 cuando existe una correlación total, es decir, cuando no está dañada la
estructura. En términos generales, este criterio identifica las variaciones más
grandes que se presentan en los vectores característicos y asocia la localización
del daño con las coordenadas del punto en el que se presentan dichas
variaciones. Este criterio se calcula a partir de la siguiente ecuación:

∑ |{ } { }|
2.2
∑ |{ }| ∑ |{ }|

Donde { } es el desplazamiento en el j-ésimo punto del i-ésimo modo, para las

condiciones iniciales { } y con daño { } (Carrión, 2002).

[Link] Factor coordenado de escala modal (COMSF)

El método COMSF cuantifica en un punto determinado el grado de diferencia que
hay en la medida de una parámetro modal con daño, respecto a la condición sin
daño (Ewins, 2000). La expresión de este factor se calcula de la misma forma que
el Factor de Escala Modal (MSF), pero asociando las coordenadas del punto y
analizando con la ubicación física del daño (COMSF(j)); por lo tanto; se tendrá un
factor de escala modal para cada nodo (Carrión, 2002).

10
 2 Antecedentes

[Link] Cambio en la forma de los modos dinámicos

Al analizar los cambios en la forma de los modos dinámicos (Salawu & Williams,
1992), se puede observar, mediante una comparación gráfica de los modos sin
daño y con daño, la localización aproximada del elemento dañado. Para la
calificación del nivel del daño existen varios esquemas para definir un índice, pero
la forma más directa es dada por la diferencia relativa de cambio {RD} (Fox, 1989),
definida por la siguiente ecuación:

{ } { }
{ } 2.3
{ }

Donde { } es la forma normalizada del i-esimo modo dinámico en el j-esimo

punto (o grado de libertad) de la estructura sin daño y { } es la forma
normalizada de i-ésimo modo dinámico en el j-ésimo punto de la estructura con
daño. En general, el método se basa en el hecho de que las máximas diferencias
se presentan en las zonas de los nodos en donde existe daño. De esta manera,
una gráfica de esta diferencia relativa de los valores medidos en cada posición
mostrará la tendencia de variación significativa en estos nodos (Carrión, 2002).

2.2.3 Métodos globales de detección de daño nivel 3

Desde un punto de vista de instrumentación, experimentación, procesamiento de
datos y análisis, se puede decir que los métodos utilizados para una evaluación
nivel 3 son complejos. Como regla general este nivel necesita de un análisis
mucho más completo que pueda identificar el máximo de vectores y valores
característicos o la reconstrucción de la respuesta dinámica de varios puntos en
función del tiempo. Como consecuencia, el número de instrumentos de medición
debe ser mayor, la cantidad de datos medidos experimentalmente es igualmente
grande y el procesamiento de toda esta información resulta compleja. El análisis,
para que pueda proporcionar una evaluación del daño, debe hacerse utilizando un
modelo estructural, típicamente de elementos finitos (EF), que se haya calibrado a
la condición sin daño. Posteriormente, el análisis se realiza con algún tipo de
cálculo numérico cuyo objetivo es ajustar los parámetros estructurales del modelo
de referencia para reproducir los datos experimentales medidos. A partir de los
resultados de este ajuste, se asocia el daño con su localización y su severidad
(Carrión, 2002).

Los métodos que se utilizan para actualizar los valores de los parámetros
estructurales manejan una función de optimización o función objetivo con
restricciones basadas en las ecuaciones de movimiento que representa la
dinámica estructura. Por lo general, el proceso sigue los siguientes pasos:

1. Definición de la función objetivo que se va a minimizar.

2. Establecimiento de las restricciones del problema

11
Diseño de algoritmos genéticos para la detección de daños en estructuras

3. Implementación del esquema numérico de optimización.

Existen formulaciones diferentes basadas en modelos físicos que son utilizadas

como funciones objetivo o restricciones que dependen del algoritmo utilizado para
la actualización de los parámetros estructurales (Carrión, 2002). Algunos de los
métodos clasificados en este nivel son: El Método Inverso por Sub-Dominios
(MISD) (Carrión, 2002), el Método de Búsqueda Global (MBG), entre otros.

[Link] Método de Búsqueda Global (MBG)

Dentro de las técnicas de evaluación de daño, está el análisis de la propagación
de ondas en la estructura es un método que permite conocer el daño a partir de
los cambios en la propagación de las ondas transmitidas y reflejadas sobre la
estructura (Doyle, 1997; Doyle, 2004).

En los últimos años se desarrolló el Método de Búsqueda Global (MBG) para

detección y evaluación de daño, fundamentado en el análisis de propagación de
ondas. Este método se basa en un algoritmo de búsqueda de cambios en los
parámetros estructurales que minimiza una función de mínimos cuadrados
(ecuación 2.5).

√∑ ( )
2.4

Mediante la ecuación de mínimos cuadrados se obtiene la diferencia entre la

respuesta dinámica experimental en el nodo j {rdaño}j y la respuesta generada por
un MEF calibrado en el mismo nodo j {rind}j . En este caso, el vector de respuestas
{r}j puede estar definido por los desplazamientos {u}, las velocidades { ̇ } o las
aceleraciones { ̈ }, según el tipo de sensor que se utilice. Si no hay diferencia entre
ambas respuestas, significa que los parámetros estructurales utilizados en el
modelo de EF corresponden con los de la estructura real. El término ri representa
la respuesta dinámica en el nodo j al tiempo i y N es el número de datos en el que
dicha respuesta es discretizada en el tiempo (Quintana, 2009).

De manera objetiva, cuando hay daño existe un cambio entre las respuestas
dinámicas de la estructura, respecto a la condición sin daño (figura 2.1). Como
metodología de detección, este enfoque tiene una la limitante y es el hecho de que
se requiere una referencia de la condición actual de la estructura (antes del daño).
Una alternativa para dar mayor flexibilidad al método, es reemplazar la información
de la estructura original con un modelo de elemento finito calibrado (Quintana,
2004; Doyle, 2004) a través de pruebas dinámicas sobre la estructura.

12
 2 Antecedentes

Figura 2.1 Respuestas dinámicas de la estructura antes y después del daño

El Método de Búsqueda Global se enfoca al problema de localización de daño

mediante la identificación de cambios en los parámetros estructurales a partir de la
propagación de ondas de alta frecuencia en la estructura. La base de este método
radica en tres módulos básicos: el primero, la existencia de un modelo estructural
de Elemento Finito (EF) previamente calibrado que represente el comportamiento
dinámico de la estructura en su condición de referencia o “sin daño”. El segundo,
la parte experimental, cuyo objetivo es obtener la respuesta dinámica de la
estructura ante una excitación de la misma en puntos específicos de interés, es
decir, recolectar las ondas de propagación que pasan en un punto de la estructura.
Y, el tercero, un algoritmo que almacena, compara, evalúa las respuestas
dinámicas experimentales con las generadas por el modelo de elemento finito de
la estructura (Quintana, 2009).

Las ondas que se propagan ante la excitación de la estructura son transmitidas,

reflejadas y atenuadas por la interacción de los diferentes materiales en la
estructura, por cambios en la geometría en el medio de propagación, por las
condiciones de frontera, etc. (Doyle, 1997). Estas propiedades de las ondas
flexionantes se utilizan para la detección y ubicación de daño; si se parte de una
estructura sin daño, las ondas registradas tendrán un patrón de propagación
acorde a las propiedades mecánicas de los materiales y su geometría en la
estructura; cuando existe un daño, existe una alteración en las propiedades o
geometría de la estructura y por lo tanto el patrón de propagación cambia,
haciendo posible la detección de daño, asumiendo el daño como un cambio en los
parámetros estructurales (Quintana, 2009).

13
Diseño de algoritmos genéticos para la detección de daños en estructuras

Un parámetro, en el presente contexto, es cualquier variable estructural que

describe al modelo de EF y que puede ser modificado. Ejemplos de parámetros
estructurales son: el módulo de elasticidad y módulo de elasticidad cortante, la
densidad, la geometría y el amortiguamiento (Doyle, 2004; Quintana, 2004). Por
otro lado, existen otras variables a las cuales se refiere como indirectas, ya que no
describen una característica directa del modelo, sino que son resultado de la
respuesta del modelo ante una fuerza, carga o acción; tal es el caso del factor de
intensidad de esfuerzos, la frecuencia natural de vibración o la velocidad de
propagación de ondas. Todas las variables indirectas pueden cambiar por efecto
de los cambios en los parámetros estructurales. En el desarrollo y aplicación del
MBG, para la calibración de un modelo, sólo se consideran los parámetros
estructurales directos, especialmente los siguientes: módulo de elasticidad y al
corte, masa (densidad), tamaño del elemento finito y geometría (tamaño o área).
En consecuencia, una vez calibrado el modelo, los cambios subsecuentes en los
parámetros estructurales serán considerados como daño (Quintana, 2009).

2.3 Método de Elemento Finito (MEF)

El Método de Elemento Finito (MEF) es una técnica de interpolación que permite
transformar espacios de dimensión infinita a espacios de dimensión finita. El
desarrollo del MEF como una herramienta de análisis se inició esencialmente con
la creación de la computadora electrónica digital. En la solución numérica de un
problema continuo es básicamente necesario para establecer y resolver un
sistema de ecuaciones algebraicas (Bathe & Wilson, 1976).

Usando el MEF y con el apoyo de una computadora, es posible determinar y

resolver las ecuaciones que rigen los sistemas complejos en una forma muy
efectiva. Es principalmente por la generalidad de la estructura o su continuidad
que puede ser analizada, por la relativa facilidad de establecer las ecuaciones que
la representan, y por las buenas propiedades numéricas de las matrices del
sistema que se ven envueltas que se ha encontrado un gran atractivo para este
método (Bathe & Wilson, 1976).

El MEF es una herramienta fundamental para analizar una estructura real y se

aplica para diferentes tipos de análisis o evaluaciones de una estructura; por
ejemplo, se puede determinar, las respuestas dinámicas del sistema, la
distribución de esfuerzos y las cargas térmicas y/ dinámicas, entre otras (Bathe &
Wilson, 1976). Para ello, es fundamental que el modelo de EF esté debidamente
calibrado para que represente el comportamiento de la estructura real bajo las
condiciones de operación consideradas; lo que implica conocer con aceptable
exactitud todas las propiedades estructurales del sistema. La calibración de un
modelo no es una tarea sencilla y por lo general se realiza mediante pruebas
experimentales cuyos resultados se aplican directamente o se utilizan con
métodos inversos para determinar los parámetros estructurales del modelo de EF
(Quintana, 2009). El grado de exactitud en la calibración de un modelo de EF está
en relación directa con el tipo de información que se extraerá del modelo. En
algunos casos no es necesario un alto nivel de exactitud, por ejemplo, para

14
 2 Antecedentes

conocer la distribución de esfuerzos; en otros casos, es necesario un nivel mayor

en la calibración, por ejemplo, en la reconstrucción de cargas dinámicas o en la
generación de las respuestas dinámicas del sistema.

Para calibrar un modelo de elemento finito de manera detallada es necesario que

todos los parámetros estructurales tengan valores apropiados, similares o casi
iguales a los del modelo físico, de tal forma que el comportamiento dinámico y
estático del modelo EF sea igual o con poca variación respecto a la respuesta
dinámica o estática experimental del modelo físico (Quintana, 2009). En este caso,
un modelo de un sistema lineal puede ser representado como:

[ ]{ ̈ } [ ]{ ̇ } [ ]{ } { } 2.5

Cabe destacar que las matrices de masa, amortiguamiento y rigidez,

respectivamente, son las que contienen la información de las propiedades de la
estructura (parámetros estructurales).

2.4 Algoritmos utilizados para detección de daño

Un algoritmo puede ser definido como una serie finita de pasos para resolver un
problema. Hay que hacer énfasis en dos aspectos para que un algoritmo exista:

 El número de pasos debe ser finito. De esta manera el algoritmo debe

terminar en un tiempo finito con la solución del problema,

 El algoritmo debe ser capaz de determinar la solución del problema.

De este modo, se puede definir algoritmo como un "conjunto de reglas

operacionales inherentes a un cómputo". Se trata de un método sistemático,
susceptible de ser realizado mecánicamente, para resolver un problema dado
(Valenzuela, 2006).

En este caso la solución al problema de detección de daño dependerá de la

capacidad del algoritmo para detectar daño, según su clasificación antes
mencionada, nivel 1, 2, 3 o 4.

En cualquier estructura de datos puede plantearse la necesidad de saber si un

cierto dato está almacenado en ésta, y en su caso en qué posición se encuentra.
Es el problema de la búsqueda. Existen diferentes métodos de búsqueda, todos
parten de un esquema iterativo, en el cual se trata una parte o la totalidad de la
estructura de datos sobre la que se busca. El tipo de estructura condiciona el
proceso de búsqueda debido a los diferentes modos de acceso a los datos
(Valenzuela, 2006).

La búsqueda es el proceso de localizar un registro (elemento) con un valor

particular. Termina exitosamente cuando se localiza el registro que contenga el
valor buscado, o en su caso, cuando encuentra una solución o elemento que
minimiza o maximiza una función objetivo. Algunos algoritmos utilizados para la

15
Diseño de algoritmos genéticos para la detección de daños en estructuras

búsqueda de daño en estructuras son el algoritmo de solución directa, el algoritmo

de Newton Raphson y Algoritmos Genéticos.

Algoritmo de solución directa

Es una técnica trivial, pero a menudo usada, que consiste en enumerar
sistemáticamente todos los posibles candidatos para la solución de un problema
con el fin de comparar si dicho candidato satisface la solución al mismo. El
funcionamiento básico de este algoritmo es generar posibles soluciones de un
problema y compararlas con alguna función objetivo para, así, determinar si son o
no buenas respuestas. La comparación de estas soluciones es lineal, se puede
decir que va de izquierda a derecha hasta completar todo el conjunto de
soluciones.

Un ejemplo del comportamiento básico del algoritmo de Fuerza Bruta, consiste en

comparar dos cadenas de caracteres. Este algoritmo compara de izquierda a
derecha cada letra de la palabra digitada por el usuario con cada letra del nombre
del archivo encontrado dentro de la ruta que especifica el usuario (Jhonis, 2011).

Algoritmo de Newton Raphson

Es un algoritmo eficiente para encontrar aproximaciones de los ceros o raíces de
una función real. También puede ser usado para encontrar el máximo o mínimo de
una función, encontrando los ceros de su primera derivada. Por lo que es de gran
funcionalidad cuando se busca minimizar o maximizar una función objetivo.

El algoritmo de Newton Raphson utiliza una metodología iterativa. Un método

iterativo consiste en repetir un proceso hasta obtenerse un resultado. Los métodos
iterativos son utilizados para hallar raíces de ecuaciones, soluciones de los
sistemas lineales y no lineales y soluciones de ecuaciones diferenciales (Mathews
& Fink, 2000). El proceso iterativo consiste en sustituir repetidamente en una
fórmula el valor previamente obtenido.

El método de Newton es el más popular y ampliamente utilizado para una gran

variedad de problemas y manejado efectivamente en el cálculo de raíces. No
obstante, este método puede fallar en la convergencia en caso de que el valor
inicial esté lejos de la raíz, cuando el valor de la derivada es pequeña en la
vecindad de la raíz requerida o la función presente cambios rápidos en su
derivada (Flores, 2008).

2.5 Algoritmos Genéticos (AG)

La capacidad del ser humano para predecir el comportamiento de su entorno, se
ha ido incrementando con el paso del tiempo. De igual modo, ha comprendido
que, si bien era capaz de controlar muchos aspectos de su vida, y su interacción
con lo que le rodeaba, no lo era para otros tantos. La inteligencia artificial es
responsable de muchos de esos logros. Los pioneros de esta ciencia estaban tan
interesados en la electrónica como en la biología, y por eso sus aplicaciones iban

16
 2 Antecedentes

desde calcular trayectorias de misiles, a tratar de modelar el cerebro o imitar el

proceso de aprendizaje humano y simular la evolución biológica. Los años ochenta
(en el siglo pasado) marcan el florecimiento del interés de la comunidad científica
por estos temas computacionales inspirados en la biología, que han visto cómo su
desarrollo les llevaba a cotas inimaginables, primero en el campo de las Redes
Neuronales, luego en el del Aprendizaje y, por último, en lo que ahora se conoce
como “computación evolutiva”, de la que los Algoritmos Genéticos constituyen su
máximo exponente (Rodríguez, 2011).

Esta técnica se basa en los mecanismos de selección que utiliza la naturaleza, de

acuerdo a los cuales los individuos más aptos de una población son los que
sobreviven, al adaptarse más fácilmente a los cambios que se producen en su
entorno. Hoy en día se sabe que estos cambios se efectúan en los genes (unidad
básica de codificación de cada uno de los atributos de un ser vivo) de un individuo,
y que los atributos más deseables (los que le permiten a un individuo adaptarse
mejor a su entorno) del mismo se transmiten a sus descendientes, cuando éste se
reproduce sexualmente (Coello, 1995).

2.5.1 Recorrido histórico

El origen de lo que se conoce como computación evolutiva hay que buscarlo en su
razón de ser: los conocimientos sobre evolución se pueden aplicar en la resolución
de problemas de optimización. Fue en las décadas de 1950 y 1960 cuando varios
científicos, de modo independiente, comenzaron a estudiar los sistemas
evolutivos, guiados por la intuición de que se podrían emplear como herramienta
en problemas de optimización en ingeniería. La idea era “evolucionar” una
población de candidatos a ser solución de un problema conocido, utilizando
operadores inspirados en la selección natural y la variación genética natural
(Rodríguez, 2011).

La primera mención del término Algoritmos Genéticos, y la primera publicación

sobre una aplicación del mismo, se deben a Bagley (1967), que diseñó algoritmos
genéticos para buscar conjuntos de parámetros en funciones de evaluación de
juegos, y los comparó con los algoritmos de correlación. Pero es otro científico de
la Universidad de Michigan el considerado creador de los Algoritmos Genéticos:
John Holland, que los desarrolló, junto a sus alumnos y colegas, durante las
décadas de 1960 y 1970. En contraste con las estrategias evolutivas y la
programación evolutiva, el propósito original de Holland no era diseñar algoritmos
para resolver problemas concretos, sino estudiar, de un modo formal, el fenómeno
de la adaptación tal y como ocurre en la naturaleza, y desarrollar vías de
extrapolar esos mecanismos de adaptación natural a los sistemas
computacionales. A la técnica que inventó Holland se le llamó originalmente
"planes reproductivos", pero se hizo popular bajo el nombre "algoritmo genético"
tras la publicación de su libro en 1975 “Adaptación en Sistemas Naturales y
Artificiales” en el cual se presenta al AG como una abstracción de la evolución
biológica, y proporcional el entramado teórico para la adaptación bajo el AG. El AG
de Holland era un método para desplazarse, de una población de cromosomas

17
Diseño de algoritmos genéticos para la detección de daños en estructuras

(bits) a una nueva población, utilizando un sistema similar a la “selección natural”

junto con los operadores genéticos de cruce, mutación e inversión inspirados en la
genética (Rodríguez, 2011).

La mayor innovación de Holland fue la de introducir un algoritmo basado en

poblaciones con cruces, mutaciones e inversiones. Las estrategias evolutivas de
Rechenberg comenzaban con una población de dos individuos, un padre y un
descendiente, siendo éste una versión mutada del padre; hasta más tarde no se
incorporaron poblaciones de más individuos, ni cruces entre ellos. En cuanto a los
programas evolutivos de Fogel, Owens y Walsh, sólo utilizaban mutaciones para
producir variaciones. En estos últimos años se ha generado una amplia interacción
entre los investigadores de varios métodos de computación evolutiva,
rompiéndose las fronteras entre algoritmos genéticos, estrategias evolutivas y
programación evolutiva. Como consecuencia, en la actualidad, el término
“algoritmo genético” se utiliza para designar un concepto mucho más amplio del
que concibió Holland (Rodríguez, 2011).

La aplicación más común de los AG ha sido la solución de problemas de

optimización, en donde han mostrado ser muy eficientes y confiables. Sin
embargo, no todos los problemas pudieran ser apropiados para la técnica, y se
recomienda en general tomar en cuenta las siguientes características del mismo
antes de usarla:

 El espacio de búsqueda (posibles soluciones) debe estar delimitado dentro

de un cierto rango.

 Se debe definir una función de aptitud o función objetivo que evalúe las
soluciones.

 Se deben codificar las soluciones de forma que resulte relativamente fácil

de implementar en un algoritmo computacional.

La codificación más común de las respuestas es a través de cadenas binarias,

aunque se han utilizado también números reales y letras. El primero de estos
esquemas ha gozado de mucha popularidad debido a que es el que propuso
originalmente Holland (Coello, 1995).

2.5.2 Concepto
Los algoritmos genéticos (AG) es un método de optimización y búsqueda basado
en los mecanismos de selección y genética natural. Combinan la supervivencia de
los más compatibles entre las estructuras de cadenas, con una estructura de
información procesada aleatoriamente, intercambiada para construir un algoritmo
de búsqueda con algunas de las capacidades de innovación de la búsqueda
humana (Goldberg, 1989).

18
 2 Antecedentes

El poder de los AG se logra por la diversidad de los individuos de una población

que evolucionan, en paralelo, siguiendo el principio de "la supervivencia del más
apto". La diversidad de los individuos se obtiene y se mantiene con los operadores
genéticos que permiten encontrar mejores soluciones y evitan la convergencia
prematura a un máximo local (Holland, 1992).

Básicamente, el AG funciona como sigue: en cada generación, se crea un

conjunto nuevo de “criaturas artificiales” (población) utilizando bits y partes más
adecuadas del progenitor. Esto involucra un proceso aleatorio que no es, en
absoluto, simple. La novedad que introducen los AG es que explotan
eficientemente la información histórica para especular sobre nuevos puntos de
búsqueda, esperando una evolución, es decir, un funcionamiento mejorado
(Rodríguez, 2011).

La evolución, tal y como se le conoce, es básicamente un método de búsqueda

entre un número enorme de posibles “soluciones”. En biología las posibilidades
están formadas por un conjunto de secuencias genéticas posibles, y las
soluciones deseadas, por organismos capaces de sobrevivir y reproducirse en sus
entornos. La evolución puede verse, asimismo, como un modo de “diseñar”
soluciones a problemas complejos, con la capacidad de innovar. Estos son los
motivos de que los mecanismos evolutivos sean una fuente de inspiración para los
algoritmos de búsqueda. Por supuesto, el buen funcionamiento de un organismo
biológico depende de muchos criterios, que además varían a medida que el
organismo evoluciona, de modo que la evolución está “buscando” continuamente
entre un conjunto cambiante de posibilidades. Por ello, se le puede considerar
como un método de búsqueda masivamente paralelo, ya que evalúa y cambia
miles de especies en paralelo. Para terminar, las reglas de la evolución, aunque
de alto nivel, son simples: las especies evolucionan mediante variaciones
aleatorias (vía mutaciones, regeneraciones, etc.) seguidas por la selección natural,
donde el mejor tiende a sobrevivir y reproducirse, propagando así su material
genético a posteriores generaciones (Rodríguez, 2011).

2.5.3 Elementos de los AG y su relación biológica

Todos los organismos o individuos que se conocen están compuestos por una o
más células, cada una de las cuales contiene a su vez uno o más cromosomas
(esto es, cadenas de ADN), que tienen la función de ser una especie de
“anteproyecto” del organismo del que forman parte. Un cromosoma se puede
dividir, conceptualmente, en genes. Se suele pensar en los genes, aunque en una
visión muy superficial, como los responsables de determinar los rasgos del
individuo, tales como el color de los ojos, o del cabello, estatura o complexión
física. Las diferentes posibilidades de escoger un rasgo (ojos azules, marrones o
verdes, por ejemplo) reciben el nombre de alelos. Cada gen está localizado en una
determinada posición (lugar) dentro del cromosoma que integra (Rodríguez, 2011).

Muchos organismos tienen varios cromosomas en cada célula. El genoma del

organismo es la colección completa del material genético. Lo que se conoce como

19
Diseño de algoritmos genéticos para la detección de daños en estructuras

genotipo es el conjunto de genes contenido en un genoma. El genotipo dará lugar,

tras el desarrollo fetal, al fenotipo del organismo, esto es, a sus características
físicas y mentales, tales como el color de ojos, la estatura o la inteligencia.

La mayoría de las especies reproductoras sexualmente que habitan el planeta,

almacenan sus cromosomas por parejas (son diploides, se llaman haploides en
caso contrario). Durante la reproducción sexual se produce una recombinación o
cruce: en cada padre se intercambian los genes entre cada par de cromosomas
para formar un gameto (un cromosoma único) y, entonces, los gametos de los dos
padres se emparejan para constituir un conjunto completo de cromosomas
diploides. La descendencia está sujeta a mutaciones, donde se produce un
cambio en algún nucleótido (bits elementales de ADN) de padre a hijo; esas
modificaciones son resultado habitualmente de “errores de copia” (Rodríguez,
2011).

Se trasladarán estos conceptos a la “vida artificial”: en los AG, el término individuo

se refiere a una posible solución del problema, que a menudo se codifica como
una cadena de bits. Los genes son tanto un bit como bloques cortos de bits
adyacentes que codifican un elemento particular del candidato a solución (por
ejemplo, son las características e información que conforman a la posible solución
del problema, variando dependiendo del tipo de problema a resolver, cada dato
característico se considera un gen). Un alelo en una cadena de bits será un 0 o un
1 (para alfabetos largos, soluciones no binarias, cada lugar puede tener más
alelos). El cruce consiste, normalmente, como en la reproducción, en un
intercambio de material genético entre dos cromosomas de dos individuos,
considerados padres. La mutación es una modificación en un bit en un lugar
aleatorio (en el caso de alfabetos largos, remplazar el símbolo de un lugar
escogido aleatoriamente con un símbolo nuevo escogido también aleatoriamente)
(Rodríguez, 2011).

En la mayoría de las aplicaciones de los AG se encontrarán individuos haploides,

concretamente, de cromosomas únicos, es decir de una sola cadena de
cromosomas unitarios. El genotipo de un individuo en un AG que emplea cadenas
de bits es, simplemente, la configuración de bits del cromosoma de ese individuo.
La noción de fenotipo no aparece en el contexto de los AG, aunque avances
recientes en la materia trabajan con algoritmos que poseen un nivel genotipo y
uno fenotipo (por ejemplo, la cadena de bits que codifica un elemento estructural,
y la estructura en sí misma). En la figura 2.2 se puede observar cómo sería la
idealización de un individuo, en este caso se representa la cadena de
cromosomas en un leguaje binario y no binario (alfabeto largo), cada bit o casilla
tiene un valor que cuenta con características y propiedades físicas especificas
(genes) dependiendo de su codificación.

De las investigaciones realizadas, se puede considerar que los AG tienen, al

menos, estos elementos en común: poblaciones de individuos, selección con base
en su capacidad, operadores genéticos para producir descendencia nueva y la
regeneración.

20
 2 Antecedentes

Figura 2.2 Codificación binaria y no binaria de un individuo.

Se puede idealizar a cada individuo de una población como en un punto en el

espacio del conjunto de soluciones, es decir, son candidatos a solución del
problema. El AG procesa poblaciones de individuos, remplazando sucesivamente
cada población por otra nueva. El algoritmo suele requerir de la función objetivo o
aptitud que asigna una puntuación (la capacidad) a cada individuo de la población
actual. La capacidad o el potencial de un individuo dependen de cómo resuelva
ese individuo el problema a tratar. Por ejemplo, cuando se tiene como función
objetivo una ecuación que tienda a cero (ejemplo: ecuación de mínimos
cuadrados), los individuos que minimicen esa ecuación lo más cerca a cero serán
considerados los más aptos.

2.5.4 Operadores genéticos

Los operadores genéticos son funciones empleadas para mantener la diversidad
genética de una población. Gracias a estos operadores se puede crear nuevas
generaciones de individuos (posibles soluciones del problema). Son los
encargados de las tareas de selección y reproducción de los individuos.

Existen varios tipos de operadores genéticos, cada uno de ellos se comporta de

manera específica al crear nuevos individuos, por lo que se debe revisar en qué
porcentajes serán utilizados para la creación de nuevas poblaciones. La
optimización y buen funcionamiento de los AG dependen, en gran medida, de la
eficacia de dichos operadores.

Los operadores se implementan en el AG con un determinado porcentaje, dicho

porcentaje indicará con qué frecuencia cada uno realizará los procesos de
reproducción para la regeneración de las poblaciones. A continuación se
describen algunos de los operadores genéticos:

Selección
Este operador identifica y escoge los mejores individuos entre la población para
efectuar la reproducción. Se requiere de la función objetivo o aptitud para que,

21
Diseño de algoritmos genéticos para la detección de daños en estructuras

mediante la minimización de la misma, se identifique a los individuos más aptos

para dar solución a un problema específico.

Los “mejores” individuos serán seleccionados para que continúen sobreviviendo

en las nuevas generaciones hasta que se encuentre uno más capaz. También
serán considerados para la reproducción de nuevos individuos. Se debe tomar en
cuenta que los primeros individuos mejor adaptados no generan toda la población,
ya que si solo se tomara a los mejores se tendería a caer en máximos locales,
haciendo que la búsqueda se restrinja a una sección muy pequeña del conjunto de
soluciones.

Combinación
Opera sobre “n” cromosomas para generar un individuo con las características de
ambos padres. El funcionamiento básico de este operador es la reproducción
entre dos individuos (padres).

Un porcentaje de los padres son seleccionados de los mejores individuos. Para

garantizar la diversidad de las nuevas generaciones, otro porcentaje debe ser
elegido de los “medianamente” aptos. Se recomienda que un porcentaje de la
combinación sea variada, es decir, el padre puede ser de los mejores clasificados
y la madre del resto de la población, para que se enriquezca el intercambio
genético.

En la figura 2.3 se muestra cómo es la combinación de dos individuos (padres). En

el caso del padre y la madre tienen una configuración binaria. Al realizarse la
combinación genética se crean nuevos individuos (descendencia) con las
características de los padres. Este procedimiento se realiza mediante una
selección estocástica de un punto de cruce, en la que el AG va analizando cada
una de las posiciones y decidiendo qué características (cromosoma) serán
heredados a la nueva descendencia. La figura 2.3 solo muestra un punto de cruce,
pero este proceso puede tener uno o varios puntos de cruce y dependerá de
cuántos cromosomas tengan los individuos, es decir, se puede cruzar cada uno de
los cromosomas de los individuos. La probabilidad de que un cromosoma continúe
en el nuevo individuo es del 50%, ya que solo hay dos posibles respuestas:
continúa en el siguiente individuo o no continúa.

Este operador es el que mayor contribuye a la generación de nuevos individuos,

ya que permite tener una gran diversidad de sujetos, algunos autores sugieren un
porcentaje de combinación entre el 30 y 60% (Goldberg, 1989). Para cada
problema los AG se comportan de manera distintita, por lo que se ha observado
que es conveniente hacer pruebas cambiando los porcentajes de combinación
para poder observar en qué proporción funciona mejor para la solución de un
problema particular.

22
 2 Antecedentes

Figura 2.3 Operador de Combinación con un solo punto de cruza

Mutación
Modifica al azar parte del cromosoma de los individuos y permite alcanzar zonas
del espacio de búsqueda que no estaban cubiertas por los individuos de la
población actual.

Este operador realiza una selección aleatoria de los cromosomas que se van a
cambiar. En el proceso de selección de los individuos es conveniente tomar cierto
porcentaje de los individuos mejor calificados, para así realizar búsquedas y
cambios muy finos en los cromosomas, los cuales permitirán conseguir individuos
más capaces.

En la figura 2.4 se presenta en primera instancia al individuo padre, el cual tiene

una configuración binaria, el operador de Mutación analiza cada uno de los
cromosomas y mediante un proceso aleatorio decide si muta o no el cromosoma
evaluado. Para el caso del ejemplo escoge tres cromosomas y los muta mediante
un proceso sencillo, es decir, si el cromosoma seleccionado tiene un 0 lo cambia a
1 y viceversa. Generando así nuevos individuos.

23
Diseño de algoritmos genéticos para la detección de daños en estructuras

Figura 2.4 Operador de Mutación

Para la creación de nuevas soluciones, aplicando el operador genético de la

mutación, algunos autores recomiendan utilizar porcentajes bajos (entre 1 y 10%
aproximadamente), ya que es un proceso en el cual los cambios tienen poca
variación porque se deriva de los individuos calificados como los más aptos
(Goldberg, 1989). Una razón por la que se utiliza una cantidad baja de mutación
se debe a que, como se seleccionan los individuos más aptos como padre, si se
usara un porcentaje grande se tendería a estancar en máximos locales, haciendo
que la búsqueda se vuelva limitada.

Permutación
Con la permutación se intercambia uno o varios de los cromosomas de dos
individuos para generar nuevas poblaciones. Actúa sobre los individuos
seleccionados como padres (dos individuos: padre y madre). La selección se
realiza de un porcentaje alto de los individuos totales de la población total para
garantizar la diversidad de genes, descartando únicamente los menos aptos.

Se ha observado que la permutación tiene grandes propiedades para la

regeneración, el procedimiento es sencillo pero permite una gran diversidad de los
individuos. Los porcentajes recomendados de permutación dependen del
problema a resolver, es muy similar al del operador genético de combinación de
entre 20 y 60% de reproducción por permutación, se recomienda, como con los
demás operadores genéticos, realizar iteraciones de prueba con distintos
porcentajes de permutación para observar su comportamiento.

Como se ejemplifica en la figura 2.5, el operador genético de permutación

selecciona a los dos padres, después mediante un proceso estocástico selecciona
alguno de los elementos, su codificación es no binaria, es decir, de alfabeto largo
para poder observar claramente su proceso. En el caso del padre, selecciona

24
 2 Antecedentes

parte de los cromosomas (los elementos A, M, D, L) y de la madre también (los

elementos E, J, Y, X) para permutarlos (intercambiarlos) entre ellos. Como se
puede observar mediante este proceso se generan dos nuevos individuos.

Figura 2.5 Operador de permutación para una codificación no binaria.

Clonación
La clonación biológica puede definirse como una forma de reproducción asexual
que produce individuos genéticamente idénticos. Es decir, no se requiere de dos
individuos para reproducir un individuo nuevo.

En los AG se emplea el operador genético de clonación de tal modo que se

genera un clon, de los individuos considerados más aptos, para que pasen a la
siguiente generación (figura 2.6). Con esto se garantiza que la minimización o
maximización de la función objetivo continúe descendiendo o subiendo
respectivamente o, en el peor de los casos, mantenga el valor de la generación
anterior hasta que llegue un individuo mejor adaptado y minimice la función.

25
Diseño de algoritmos genéticos para la detección de daños en estructuras

Figura 2.6 Clonación de un individuo con codificación binaria

El porcentaje de clonación es muy bajo, alrededor del 1 al 5% de la población

total; también es usual que un mismo porcentaje del que se usa para clonar los
mejores individuos sea manejado para clonar individuos seleccionados del resto
de la población, descartando únicamente los menos capaces para, así, favorecer
la diversidad de la población y reducir el riesgo de estancar la búsqueda en una
sola zona.

Regeneración
Con el operador de regeneración se generan individuos nuevos. La creación de
dichos individuos es aleatoria. Un porcentaje bajo de la población es producido
mediante este proceso. Esto permite tener mayor diversidad en las poblaciones.

El porcentaje de regeneración es bajo, dado que se trata de un proceso

estocástico, el cual no garantiza la evolución de los individuos, pero sí se obtiene
diversidad genética. En la tabla 2.1 se muestran distintas conclusiones sobre el
comportamiento de algunos operadores genéticos dadas por algunos autores a
través de sus investigaciones.

26
 2 Antecedentes

Tabla 2.1 Observaciones de algunos autores sobre los operadores genéticos

Autor Operador genético Observación

Por si sola no siempre es suficiente, necesita el
1. Schaffer, 1989 Mutación.
cruce o combinación.
2. Spears De Jong, Cruce de múltiples puntos del AG
Cruce o combinación
1991 (recombinación exploratoria)
Decide entre 2 puntos de cruce y el uniforme.
3. Spears De Jong,
Adaptación y selección Funciona bien especialmente en poblaciones
1991
grandes.
Criterios de Relación entre el número de generaciones y el
4. Goldberg, 1989
convergencia. error mínimo
Complementa la regeneración, introduce
5. Merchán, 2005 Mecanismo de herencia
cromosomas especializados con base al elitismo
forzada
durante el proceso de mutación y cruce

Poblaciones grandes (>200)

Porcentajes de los % mutación alto (>0.05)
operadores genéticos y
6. Schaffer, 1989 Poblaciones pequeñas (<20)
el número de individuos
y generaciones % mutación bajo (<0.002)
No mejoran el desempeño de un AG

7. Lima, 2005 Cruce y mutación Tienen un buen desempeño en conjunto

Comparación entre la mutación y creep
8. Borges, [Link]., Mutación y Creep
mutation. La mutación tradicional no efectiva
2006 Mutation.
para el problema específico desarrollado

2.5.5 Ventajas de los AG

Los AG difieren de otros métodos de búsqueda y optimización en los siguientes
aspectos:

 No necesitan conocimientos específicos sobre el problema que intentan

resolver.

 Trabajan con un código del conjunto de parámetros, no con el conjunto

mismo. Por trabajar a nivel de código, y no con las funciones y sus variables
de control, como los otros métodos, es más difícil que la solución converja a
un mínimo o máximo local.

 Buscan una población de puntos, no un único punto. Manteniendo una

población de puntos muestrales bien adaptados, se reduce la probabilidad
de caer en una solución falsa.

 Emplean la función objetivo, no necesitan derivadas ni otra información

complementaria, tan difícil a veces de conseguir. De este modo ganan en
eficiencia y en generalidad.

27
Diseño de algoritmos genéticos para la detección de daños en estructuras

 Operan de forma simultánea con varias soluciones, en vez de trabajar de

forma secuencial como las técnicas tradicionales.

 Cuando se usan para problemas de optimización (minimizar o maximizar

una función objetivo) resultan menos afectados por los máximos o mínimos
locales (falsas soluciones) que las técnicas tradicionales.

 Se valen de reglas de transición estocástica, no deterministas. Los

Algoritmos Genéticos se valen de operadores aleatorios para guiar la
búsqueda de los mejores puntos.

 Pueden tardar mucho en converger, o no converger en absoluto,

dependiendo en gran medida de los parámetros que se utilicen: tamaño de
la población, número de generaciones y porcentajes de los operadores
genéticos.

2.5.6 Aplicaciones de los AG

Los AG se han investigado y desarrollado durante las últimas décadas. Se ha
observado que los AG tienen un gran rendimiento para resolver problemas de
optimización en diversas áreas de investigación. Por lo que han sido aplicados
para desarrollar complejas tareas de optimización en varias aplicaciones prácticas
(Goldberg, 1989). Algunas de las aplicaciones para los AG se presentan a
continuación:

Optimización
Es un campo especial para el uso de los AG por las características específicas de
estos problemas. No en vano fueron la fuente de inspiración para los creadores de
estos algoritmos. Los AG se han utilizado en numerosas tareas de optimización,
incluyendo la optimización numérica y los problemas de optimización
combinatoria.

Programación evolutiva
Se han empleado en el desarrollo de programas para tareas específicas, y para
diseñar otras estructuras computacionales tales como algoritmos evolutivos y
redes neuronales.

Sistemas sociales
En el estudio de aspectos evolutivos de los sistemas sociales, tales como la
evolución del comportamiento social en colonias de insectos, y la evolución de la
cooperación y la comunicación en sistemas multi-agentes.

28
 2 Antecedentes

Economía
En este caso, se ha hecho uso de estos Algoritmos para modelar procesos de
innovación, el desarrollo estrategias de inversión y la evaluación de mercados
económicos.

Aprendizaje máquina
Aplicados en muchas de estas aplicaciones, tales como la predicción del tiempo o
la estructura de una proteína. Han servido asimismo para desarrollar determinados
aspectos de sistemas particulares de aprendizaje, como el de los pesos en una
red neuronal, las reglas para sistemas de clasificación de aprendizaje o sistemas
de producción simbólica, y los sensores para robots.

Biología
En la modelización de fenómenos ecológicos tales como las carreras de
armamento biológico, la co-evolución de parásito-huésped, la simbiosis y el flujo
de recursos.

Ingeniería
En particular, para la detección de daño en estructuras, varias propuestas han sido
presentadas en la última década en un intento para diseñar un procedimiento
eficaz para la detección de daños (Borges, et al., 2006; Meruane & Heylen, 2010;
Waisman, et al., 2009; Kouchmeshky, et al., 2006; Casciati, 2008; Kouchmeshky,
et al., 2007). Estas estrategias, por lo general, presentan variaciones en los
escenarios de daño por lo que es necesario un AG como optimizador del
procedimiento de búsqueda de daño (Goldberg, 1989; Holland, 1992).

Solo se hace mención de algunos casos de aplicación de los AG, con lo cual se
transmite la idea de la variedad de aplicaciones que tienen los AG. Gracias al éxito
en estas y muchas otras áreas, los AG han llegado a ser una línea de
investigación a la alza en la actualidad.

29
Diseño de algoritmos genéticos para la detección de daños en estructuras

30
3 Metodología para aplicar los algoritmos
genéticos en la detección de daño
Se plantea la aplicación de los AG para la detección de daño, la investigación se
fundamenta en la técnica de detección de daño mediante el análisis de
propagación de ondas, utilizando los AG como método de optimización. Los AG
generan casos hipotéticos de daño que, a su vez, se comparan con un modelo
inicial de la estructura que se analiza, determinando en un inicio las propiedades,
características y daño a buscar, lo cual permite observar la convergencia del AG
diseñado.

En un principio la solución del problema usando AG es aleatorio. Es decir, se

genera una primera población de individuos (posibles soluciones del problema)
totalmente al azar. Después, mediante una minimización de una función objetivo,
se califica el comportamiento individual de cada posible solución (individuo) y
dependiendo de esta calificación se clasifican como “aptos” o “no aptos”; es decir,
los individuos minimizan la función objetivo se consideran como los más aptos.
Una vez clasificados los individuos, se procede a la generación de una nueva
población evolucionada de individuos, la adaptación del término “evolucionar” en
los AG se refiere a que cada generación contiene individuos con mejor
comportamiento (soluciones más cercanas a la respuesta). La nueva población se
genera mediante la implementación de los operadores genéticos, los cuales son
analizados y probados para, así, decretar cuáles y en qué porcentajes tienen
mejor desempeño.

La primera tarea del algoritmo genético es la selección de los individuos que serán
considerados como padres. La segunda tarea es la reproducción de los padres, la
cual dará lugar a nuevos individuos, los cuales, al igual que en la genética natural,
heredarán los genes de sus progenitores, creando así nuevos individuos más
aptos con características más cercanas a la solución real. La tercera actividad es
la regeneración, la cual crea individuos mediante el mismo proceso de la población
inicial, de forma aleatoria, con lo cual se garantiza la diversidad de individuos,
generando nuevos puntos de búsqueda, ayudando así a no centrar la búsqueda
en máximos o mínimos locales.

3.1 Selección del método de detección de daño

En el diseño y aplicación de un AG para la detección de daño, se parte de una
técnica de evaluación de daño ya desarrollada y validada. Para esta investigación
la técnica se basa en el análisis de la propagación de ondas en la estructura, el
cual es un método que permite conocer el daño a partir de los cambios en la

31
Diseño de algoritmos genéticos para la detección de daños en estructuras

propagación de las ondas transmitidas y reflejadas en la estructura (Quintana,

2009).

El diseño del algoritmo se fundamenta en la búsqueda de cambios en los

parámetros estructurales que minimiza una función objetivo. De manera muy
concisa, cuando hay daño, existe un cambio entre las respuestas dinámicas de la
estructura, respecto a la condición sin daño. Como metodología de detección, este
enfoque tiene una limitante y es el hecho de que se requiere una referencia de la
condición actual de la estructura (antes del daño). Una alternativa para dar mayor
flexibilidad al método, es remplazar la información de la estructura original con un
modelo de elemento finito calibrado (Quintana, 2004; Doyle, 2004) a través de
pruebas dinámicas sobre la estructura.

El Método de Búsqueda Global (MBG) se basa en el análisis de propagación de

ondas en la estructura, por lo cual se toman como base algunos de sus
fundamentos para el diseño del AG. El MBG se enfoca al problema de localización
de daño mediante la identificación de cambios en los parámetros estructurales a
partir de la propagación de ondas de alta frecuencia en la estructura. La base de
este método radica en tres módulos básicos, el primero se refiere a la existencia
de un modelo estructural de elemento finito (EF) previamente calibrado que
represente el comportamiento dinámico de la estructura en su condición de
referencia o “sin daño”. El segundo, la parte experimental, cuyo objetivo es
obtener la respuesta dinámica de la estructura ante una excitación en puntos
específicos de interés, es decir, recolectar las ondas de propagación que pasan en
un punto de la estructura; y el tercero, es un algoritmo que almacena, compara y
evalúa las respuestas dinámicas experimentales con las generadas por el modelo
de elemento finito de la estructura (Quintana, 2009).

Las ondas que se propagan ante la excitación de la estructura son transmitidas,

reflejadas y atenuadas por la interacción de los diferentes materiales en la
estructura, por cambios en la geometría en el medio de propagación, por las
condiciones de frontera, etc. (Doyle, 1997). Estas propiedades de las ondas
flexionantes se utilizan para la detección y ubicación de daño; si se parte de una
estructura sin daño, las ondas registradas tendrán un patrón de propagación
acorde a las propiedades mecánicas de los materiales y su geometría en la
estructura, cuando existe un daño, una alteración en las propiedades o geometría
de la estructura el patrón de propagación cambia, haciendo posible la detección de
daño (figura 3.1), asumiendo el daño como un cambio en los parámetros
estructurales.

Un parámetro, en el presente contexto, es cualquier variable estructural que

describe al modelo de EF y que puede ser modificado sin cambiar la estructura
básica del modelo mismo. Ejemplos de parámetros estructurales son: el módulo
de elasticidad y rigidez, la densidad, la geometría y el amortiguamiento (Doyle,
2004; Quintana, 2004). Por otro lado, existen otras variables a las cuales se refiere
como indirectas, ya que no describen una característica directa del modelo, sino
que son resultado de la respuesta del modelo ante una fuerza, carga o acción; tal

32
 3 Metodología para aplicar los algoritmos genéticos en la detección de daño

es el caso del factor de intensidad de esfuerzos, la frecuencia natural de vibración

o la velocidad de propagación de ondas. Todos las variables indirectas pueden
cambiar por efecto de los cambios en los parámetros estructurales o mediante la
modificación del programa fuente al cambiar el modelo matemático que describe el
fenómeno físico en cuestión. En consecuencia, una vez calibrado el modelo, los
cambios subsecuentes en los parámetros estructurales serán considerados como
daño.

Figura 3.1 Comparación de las respuestas dinámicas de un caso fijo a

buscar y una posible solución

El daño es sinónimo de cambios en la estructura que demeritan la capacidad

estructural inicial. Estos cambios, directa o indirectamente, se manifiestan en
pérdida de masa o de rigidez en el modelo estructural. En el MBG sólo se
consideran los parámetros estructurales directos, especialmente los siguientes:
módulo de elasticidad y rigidez, masa (densidad), tamaño del elemento finito y
geometría (tamaño o área). Así, se establece que el daño es todo aquel cambio en
la estructura que involucre los parámetros estructurales (Quintana, 2009).

Como se mencionó anteriormente, en el tercer módulo del MBG se utiliza un

algoritmo que almacena, compara y evalúa las respuestas dinámicas
experimentales con las generadas por el modelo de elemento finito de la
estructura. Por lo que es posible, mediante la metodología del MBG, utilizar los
Algoritmos Genéticos (AG), para la detección y evaluación de daño en estructuras.

33
Diseño de algoritmos genéticos para la detección de daños en estructuras

Para el diseño del AG y la realización de las pruebas experimentales de

convergencia, a diferencia del MBG, el algoritmo no realizará una búsqueda
discretizada sobre todo el conjunto de soluciones, sino que la búsqueda se
realizará a través de los operadores genéticos sobre el conjunto de soluciones, lo
que permitirá la convergencia del algoritmo a una respuesta exacta y la búsqueda
de múltiples daños en la estructura.

Se define al individuo como la modificación de un conjunto de parámetros

estructurales en el modelo inicial de EF calibrado, por lo tanto los individuos
(posibles soluciones) que crea el AG serán modelos de EF de la misma estructura
con casos hipotéticos de daños, a los cuales se le aplica una fuerza de excitación
conocida, que permite obtener la respuesta dinámica para cada uno de los
individuos, dicha respuesta es comparada mediante una función objetivo con la
respuesta dinámica de un caso real de daño en la estructura (Figura ), el individuo
con la respuesta dinámica más similar a la respuesta dinámica del modelo o caso
fijo, será considerado como más apto. Después se procede a revisar la
convergencia, es decir, observar si los casos hipotéticos de daño del individuo
seleccionado como más apto, coinciden con los daños conocidos del modelo fijo,
para así poder decretar si es o no una buena solución y evaluar si un conjunto de
operadores genéticos es apropiado para la búsqueda de daño.

Para la realización de las pruebas de esta investigación, únicamente es

considerado como daño el cambio en la geometría de los elementos estructurales,
es decir, reducciones en la sección transversal. Un cambio en la sección
transversal afecta, a su vez, algunas propiedades estructurales como son:
momentos de inercia, radio de giro, módulos de sección y sus centroides.

3.2 Definición de la función error para evaluar

daño estructural
La función de aptitud no es más que la función objetivo de nuestro problema de
optimización. Una característica que debe tener esta función es que debe ser lo
suficientemente sensible a los cambios en las ondas de propagadas para ser
capaz de identificar la solución óptima.

En la utilización de la técnica del análisis de propagación de ondas en la

estructura, es necesario una función objetivo que nos proporcione el error que
existe al comparar la respuesta dinámica del caso fijo “con daño” contra la
respuesta dinámica de cada uno de los individuos de la población, considerando
así, mejores individuos aquellos que tengan un error cercano a cero. Si durante la
comparación de las respuestas dinámicas la función objetivo arroja un error igual a
cero, significa que no existe ninguna diferencia entre ellas, es decir, son
totalmente iguales.

Una función que cumple con estas necesidades es la función de error de mínimos
cuadrados, que se aplica de manera independiente para cada nodo

34
 3 Metodología para aplicar los algoritmos genéticos en la detección de daño

“instrumentado”. Mediante el uso de un software de elemento finito se proporciona

información para los nodos de interés, simulando que dichos nodos se encuentran
instrumentados, es decir, que cuentan con sensores. Así, la variación asociada a
un cambio en los parámetros estructurales se cuantifica usando esta función de
mínimos cuadrados:

√∑ ( )
3.1

Que se obtiene de la diferencia entre la respuesta dinámica experimental en el

nodo j {rdaño}j y la respuesta del individuo analizado en ese mismo nodo j {rind}j . En
este caso, el vector de respuestas {r}j puede estar definido por los
desplazamientos {u}, las velocidades { ̇ } o las aceleraciones { ̈ }, según el tipo de
sensor que se utilice. Si no hay diferencia entre ambas respuestas, significa que
los parámetros estructurales utilizados en el modelo del individuo corresponden
con los del caso fijo. Así, cuando la variación de las respuestas dinámicas es
significativa, se infiere que no se ha encontrado un individuo cercano al caso fijo
de búsqueda y que, mediante un AG, es posible crear nuevos individuos con
evoluciones en los parámetros estructurales para minimizar dicha variación de las
respuestas dinámicas e inferir que se ha detectado, ubicado y cuantificado el daño
en la estructura. El termino ri representa la respuesta dinámica en el nodo j al
tiempo i y N es el número de datos en el que dicha respuesta es discretizada en el
tiempo. Esta función es empleada en el MBG (Quintana, 2009) por lo que ya se ha
observado su buen funcionamiento para la obtención del error entre las respuestas
dinámicas.

3.3 Definición del individuo

Una parte esencial para el diseño del AG es la codificación del individuo. De dicha
codificación dependerá en gran medida la eficacia y eficiencia del AG, la
codificación del individuo, ya sea binaria o de alfabeto largo (no binaria), depende
del tipo de problema a tratar.

Para el problema de detección de daño en estructuras en esta investigación se

utiliza una codificación esencialmente no binaria, sin embargo, algunos autores
recomiendan no dejar a un lado el lenguaje binario, por lo que se hace una
representación binaria y no binaria del individuo. Fundamentalmente, el individuo
será concebido con una codificación no binaria pero se puede tener una
interpretación en lenguaje binario del mismo.

El individuo para el AG utilizado en la detección de daño es el modelo de EF

completo de la estructura. El mallado del modelo de EF se considera como la
cadena de cromosomas; cada elemento finito discretizado contienen la
información de las características y propiedades estructurales (genes) de los
elementos que conforman la estructura. Los cromosomas de la estructura
contienen el material genético de la misma, el cual es el que hereda las nuevas

35
Diseño de algoritmos genéticos para la detección de daños en estructuras

poblaciones de individuos como son: tipo de material, masa, densidad, geometría

(sección transversal), momentos de inercia y sus condiciones de frontera. En el
caso inicial, todos los elementos finitos tendrán parámetros estructurales
homogéneos, es decir, no presentarán valores diferentes entre ellos. Al haber un
cambio en los parámetros estructurales de un elemento finito (cromosoma), dicho
cambio será considerado como daño. Para su ubicación bastará con observar el
elemento donde se presenta el cambio y su magnitud de cambio en relación con el
valor inicial.

En la figura 3.2 se puede observar la idealización de un elemento estructural tipo

viga (individuo), en este caso se discretiza la viga en elementos finitos (cadena de
cromosomas) con características y propiedades físicas específicas (genes), los
elementos que presentan algún cambio en dichas propiedades serán
considerados con daño. Su codificación en lenguaje binario sería de 0, cuando el
elemento finito conserva sus propiedades originales y 1 cuando presentan daño.

Figura 3.2 Codificación de un elemento estructural tipo viga (individuo)

El daño considerado para esta investigación será solamente cambio en la sección

transversal, lo cual se conceptualiza como una disminución en el área de la
sección transversal de los elementos estructurales y sus respectivas variaciones
en los momentos de inercia. Las características de los daños serán tres:

 Ubicación del daño. En qué elemento comienza la disminución de la

sección transversal.

 Extensión del daño. Cuántos elementos a partir del primero presentan

daño.

 Magnitud del daño. Porcentaje de cambio en relación al área inicial que

cambia.

Estas tres características que presentan los daños serán las que permitan hacer
que el AG detecte, ubique y cuantifique el daño; también serán utilizadas para
generar los individuos de cada población. Cabe mencionar que el cambio en
sección transversal no es el único deterioro que se puede considerar, mediante
una adaptación en el AG se puede también detectar daño a partir de cambios en

36
 3 Metodología para aplicar los algoritmos genéticos en la detección de daño

los demás parámetros estructurales antes mencionados o una combinación de

ellos.

El diseño del modelo de elemento finito es una parte importante en la aplicación

del AG para la detección de daño. Por lo que se requiere mayor precisión.

Para diseñar un modelo de elemento finito de manera detallada es necesario que

todos los parámetros estructurales tengan valores apropiados. En este caso, un
modelo de un sistema lineal puede ser representado como:

[ ]{ ̈ } [ ]{ ̇ } [ ]{ } { } 3.2

Dónde:

[ ] = Matriz de masa estructural. [ ] = Matriz de rigidez.

{ ̈ } = Aceleración. { } = Desplazamiento.

[ ] = Matriz de amortiguamiento. { } = Fuerzas.

{ ̇ } = Velocidad.

Las matrices de rigidez, amortiguamiento y masa son las que contienen la

información de las propiedades de la estructura (parámetros estructurales).

3.4 Selección de operadores genéticos

La selección de los operadores genéticos se realiza con base en su
funcionamiento. Se seleccionan las funciones que permitan mantener la diversidad
genética de una población. Gracias a estos operadores se puede crear nuevas
generaciones de individuos (posibles soluciones del problema). De ellos
dependerán todas las tareas de selección y reproducción de los mismos.

En las siguientes líneas se describe cómo será la adaptación de los operadores

genéticos utilizados en esta investigación para el problema de detección de daño
en estructuras. Para una simplificación y mejor comprensión, se ejemplifican los
operadores genéticos para el caso de un elemento estructural tipo viga, la
adaptación para una estructura más compleja es exactamente igual, aumentando
el número de cromosomas (elementos finitos) en los que es discretizada la
estructura. Como se menciona anteriormente, el daño en esta investigación tiene
tres características (ubicación, extensión y magnitud del cambio en la sección
transversal) las cuales serán los genes que los operadores genéticos reproducirán
y heredarán a las nuevas descendencias.

37
Diseño de algoritmos genéticos para la detección de daños en estructuras

Combinación
En la figura 3.3 se ejemplifica cómo es la combinación de dos individuos (padres)
para este ejemplo. En el caso del padre tiene una configuración con tres daños
específicos (A, B, C); la madre tiene dos daños (D, E). Al realizarse la combinación
genética se crea un nuevo individuo (descendencia) con algunas de las
características de los padres. En este caso, el individuo generado toma los tres
daños característicos del padre (A, B, C) y solo uno de la madre (D), despreciando
el último daño (E). Este procedimiento se realiza mediante una selección
estocástica, en la que el AG va analizando cada una de las características de cada
padre y decidiendo si dicha característica (cromosoma) será heredado a la nueva
descendencia. La probabilidad de que un cromosoma continúe en el nuevo
individuo es del 50%, ya que solo hay dos posibles respuestas: continúa en el
siguiente individuo o no continúa.

Figura 3.3 Operador de Combinación para el caso de un elemento tipo viga

Mutación
En la figura 3.4 se presenta en primera instancia un ejemplo de un individuo padre,
el cual tiene tres daños localizados (A, B, C), los cuales contienen las tres
características que los identifican (extensión, ubicación, cambio en la sección
transversal).

Para el caso que se ejemplifica, el operador genético selecciona aleatoriamente

una de las tres características del daño, pudiendo o no presentar alguna mutación
en ellas, por ejemplo: para el daño A solo se muta la extensión y se mantienen los
otros atributos sin cambio al igual que los otros daños. Con esto se genera el
nuevo individuo con la misma cantidad de daños que el padre, pero con una
mutación en uno de los atributos en dos de los daños.

38
 3 Metodología para aplicar los algoritmos genéticos en la detección de daño

Figura 3.4 Operador de mutación para el caso tipo viga

Permutación
Como se ejemplifica en la figura 3.5, el operador genético de permutación
selecciona a los dos padres después, mediante un proceso estocástico,
selecciona alguno de los elementos dañados, en el caso del padre tiene tres
daños localizados (A, B, C) y la madre tiene solo dos (D, E). En este caso se
selecciona el daño A para permutarlo (intercambiarlo) con el daño D de la madre.
Como se puede observar mediante este proceso se generan dos nuevos
individuos

Figura 3.5 Operador genético de permutación para un elemento tipo viga

39
Diseño de algoritmos genéticos para la detección de daños en estructuras

Clonación
En los AG se emplea el operador genético de clonación de tal modo que se
genera un clon de los individuos considerados más aptos para que pasen a la
siguiente generación (figura 3.6). Con esto se garantiza que la minimización o
maximización de la función objetivo continúe descendiendo o subiendo
respectivamente o, en el peor de los casos, se mantenga igual en la generación
anterior hasta que llegue un individuo mejor adaptado y minimice la función.

Figura 3.6 Clonación de un individuo para un caso tipo viga

3.5 Algoritmo genético

El objetivo principal del AG es la detección de daño en estructuras mediante la
creación de individuos implementando los operadores genéticos hasta generar un
caso similar, o con poca variación al daño estructural, a través de comparar la
respuesta dinámica con la respuesta de la estructura a través de la función de
mínimos cuadrados. Con este error el AG obtiene la aptitud de cada uno de los
individuos de la población, identificando así, los individuos aptos. Este proceso es
iterativo, el cual finaliza al terminar un número determinado de generaciones. El
Lenguaje de programación empleado para el diseño del AG de detección de daño
en estructuras es FORTRAN (FORmula TRANslator).

En la figura 3.7 se muestra la primera fase del diagrama de flujo del AG para la
detección de daño. En esta primera fase, mediante el monitoreo de la estructura a
analizar, se obtiene su respuesta dinámica inicial, la cual será considerada como
una condición de la estructura sin daño. Al transcurrir un tiempo determinado, se
vuelva a analizar la estructura y se obtiene su respuesta dinámica, la cual será
evaluada respecto a la respuesta sin daño mediante la función de mínimos
cuadrados (ecuación 3.1). Si el resultado de la función es igual a cero, se
considera una estructura sana, es decir, no presenta daño alguno. De lo contrario,
se deduce que existe un cambio en los parámetros estructurales, lo cual se

40
 3 Metodología para aplicar los algoritmos genéticos en la detección de daño

considera como un deterioro estructural (daño). Una vez determinada la existencia

de daño, se da paso a la segunda fase del AG (figura 3.8).

Figura 3.7 Diagrama de flujo del algoritmo genético (primera fase).

En esta segunda fase se da inicio a la búsqueda de daño. Esta búsqueda

comienza a partir de la respuesta dinámica con daño. Es aquí cuando inicia el
trabajo del AG, primero genera una primera población de un determinado número
(N) de individuos de forma aleatoria, estos individuos creados aleatoriamente son
modelos de EF de la estructura, los cuales presentan posibles casos de daño, con
características de daño determinadas (extensión, ubicación y magnitud), estos
cambios serán implementados en el código genético de cada individuo, es decir,
en el archivo estructural (Modelo de EF de la estructura), el cual contiene toda la
información de la estructura: número de elementos finitos, número de nodos,

41
Diseño de algoritmos genéticos para la detección de daños en estructuras

condiciones de frontera, tipos de carga, tipos de material y propiedades de los

materiales.

Figura 3.8 Diagrama de flujo del algoritmo genético (Segunda fase)

El siguiente paso es la obtención de la respuesta dinámica de cada uno de los

individuos. El AG abre y ejecuta un software de EF para obtener la respuesta
dinámica del individuo. Después, se evalúan las respuestas dinámicas de los
individuos respecto a la respuesta con daño, obteniendo con esto la aptitud de
cada individuo y pudiendo clasificarlos según su desempeño. Esta clasificación se
da de una manera muy sencilla: los individuos con un error menor, es decir, más
cercano a cero, serán los más aptos.

42
 3 Metodología para aplicar los algoritmos genéticos en la detección de daño

Una vez clasificados, el AG ejecuta los operadores genéticos. El primero es la

selección, el cual escoge los individuos que serán progenitores de los nuevos
individuos, la selección actúa en cada uno de los demás operadores genéticos. En
la selección se divide en un determinado porcentaje la población total, el
porcentaje será de los más aptos, aptos y no aptos individuos. Los malos
individuos, es decir, los no aptos serán descartados para generar nuevas
poblaciones. El porcentaje más alto de seleccionados se dará con los mejores
individuos, es decir, los más aptos y aptos. Después se ejecuta cada uno de los
operadores genéticos utilizados (clonación, mutación, combinación, permutación y
regeneración) para asegurar la diversidad de las poblaciones siguientes y no
centrar la búsqueda en mínimos locales.

Este proceso es de forma iterativa, se crearán poblaciones nuevas y

evolucionadas hasta un número de generaciones (M) determinado.

43
Diseño de algoritmos genéticos para la detección de daños en estructuras

44
4 Aplicación de la metodología en
estructuras
El diseño de pruebas de convergencia es de gran importancia, ya que de ellas
depende evaluar y probar la eficiencia del AG. Las pruebas consisten en la
evaluación de GA a través de pruebas de detección de daño utilizando datos
generados por un paquete de simulación estructural por elemento finito.

El proceso consiste en generar diferentes modelos virtuales de estructuras con

variables y propiedades estructurales conocidas: longitud, área, sección
transversal, condiciones de frontera, tipo de material, masa, densidad, módulo de
elasticidad y rigidez, tamaño o área del elemento finito y geometría. Una vez
creado el modelo de EF de la estructura, se prosigue a diseñar modelos de la
misma estructura con daño conocido para probar la convergencia del AG. Para el
caso de estudio solo se consideraron como daño los cambios en la sección
transversal del elemento estructural; es decir, una disminución en el área de la
sección transversal inicial de la estructura. Cabe aclarar que este deterioro no es
el único que puede ser analizado, se pueden también considerar cambios en
alguno de los parámetros estructurales mencionados en capítulos anteriores.

Los modelos de EF se realizaron utilizando el Software de elemento finito Q.E.D.

(Quod Erat Demonstrandum) que se compone de tres módulos separados:

 El primero corresponde al pre-procesamiento donde se crea el modelo de

EF, definiendo en esta parte la geometría, las condiciones de frontera, las
cargas aplicadas y el mallado de la estructura.

 El segundo módulo es el procesamiento, donde se calcula la respuesta

dinámica del modelo. En este caso se utilizará el software StaDyn (Static
and Dynamic analysis) para obtener las respuestas dinámicas de la
estructura.

 El tercer y último módulo se conoce como post-procesamiento y permite el

análisis de resultados visualizados de diferentes maneras, por ejemplo:
formas deformadas, modos de vibración, respuestas dinámicas en el
tiempo, etc.

Utilizando estos módulos se puede realizar un análisis para obtener la respuesta

dinámica de los modelos diseñados. La forma en que Q.E.D. genera la
información es mediante datos numéricos, los cuales se pueden procesar y
obtener señales en el dominio del tiempo y frecuencia. Este proceso, mediante el
cual se obtiene la respuesta dinámica de un sistema, es equivalente a poner

45
Diseño de algoritmos genéticos para la detección de daños en estructuras

físicamente sensores en la estructura o en el elemento estructural, es decir, se

obtiene la respuesta dinámica en ciertos puntos de la estructura “sensores”,
determinados al inicio del análisis.

Los modelos se pueden utilizar para el monitoreo estructural, la detección y

evaluación de daño asociado con cambios en los parámetros estructurales los
cuales se pueden inferir a través de las mediciones experimentales y el uso de un
AG.

Para probar el AG con distintos porcentajes en los operadores genéticos, se opta

en las primeras pruebas por un modelo de un elemento estructural tipo barra, con
el fin de simplificar el número de variables, reduciendo el número de elementos
finitos por individuo y así acortar el tiempo de iteración del AG y obtener resultados
en corto tiempo, para poder observar el comportamiento y realizar los cambios en
la programación del AG para mejorar su convergencia.

Una vez realizada la experimentación y obtenidos los resultados de ésta, se eleva

el grado de complejidad del modelo para probar a otra escala el algoritmo
generado para ello. Se eligió el modelo de un marco estructural, el cual permitirá
probar el algoritmo con un mayor número de elementos finitos, distintas
condiciones de frontera, reflexión y propagación de ondas.

4.1 Detección de daño en un elemento estructural

tipo barra

4.1.1 Modelo de Elemento Finito de una barra

El modelo corresponde a una barra de aluminio que tiene una longitud de 2.004
metros y una sección transversal cuadrada de 0.012 95 metros de lado (figura 4.1)

Figura 4.1 Dimensiones de la barra para el caso experimental

Las propiedades del material con que se diseñó el modelo de la barra se

describen en la tabla 4.1. El modelo de la barra tiene condiciones de frontera
aisladas, se idealizan los apoyos libres. Con esto se disminuye las reflexiones de
onda y así no se interfiere en el proceso de detección de daño.

46
 4 Aplicación de la metodología en estructuras

Tabla 4.1 Propiedades del material usado en la barra

PROPIEDADES DEL ALUMINIO
Módulo de Elasticidad E 70 GPa
3
Densidad φ 2 710 kg/m
Módulo de Poisson ε 0.33

Las pruebas consisten en tener distintos escenarios de daño, obteniendo las

señales de respuesta dinámica ante un pulso de excitación (impacto) determinado,
utilizando un arreglo de sensores de aceleración, los cuales detectarán las señales
emitidas por una fuerza unitaria de excitación (figura 4.2).

Figura 4.2 Fuerza unitaria de excitación

La barra se discretiza en 600 elementos finitos, numerados del 1 al 600 de

izquierda a derecha, creando así 601 nodos en la barra. Los seis sensores (puntos
donde se registran las respuestas dinámicas) se encuentran en los siguientes
nodos: 88, 173, 258, 343, 428 y 513. El impacto del pulso se genera a un tercio de
la barra, en el nodo 200.

A continuación se presentan los casos analizados con diferentes tipos de daño y

diferentes porcentajes de los operadores genéticos.

47
Diseño de algoritmos genéticos para la detección de daños en estructuras

4.1.2 Casos de daño

[Link] Caso 1
La barra presenta dos daños puntuales como se muestra en la figura 4.3. En la
tabla 4.2 se observan las características del daño para el caso 1.

Figura 4.3 Representación gráfica del caso 1

Tabla 4.2 Daño para el caso 1

Daño del caso1 Ubicación (nodos) Disminución de sección transversal
A 100 - 107 10%
B 300 - 304 15%

Se realizan pruebas con distintos porcentajes de los operadores genéticos, para

observar cómo es la convergencia dependiendo del tipo de operador y su
porcentaje y si presentan algunas restricciones como es el número de elementos
dañados, así como la magnitud máxima del daño. Para todos los casos de daño
se realizaron dos pruebas una con mayor porcentaje de permutación y otra donde
el porcentaje mayor corresponde al operador de combinación.

Prueba 1
Para la prueba 1 se muestran las restricciones para aplicar el AG en la tabla 4.3.
Para esta prueba el operador con mayor porcentaje es el de combinación, la
combinación superior se toma de un porcentaje de los mejores individuos y la
inferior de un porcentaje de los individuos catalogados como buenos. Con la
combinación inferior se mantiene la diversidad en las siguientes generaciones.

48
 4 Aplicación de la metodología en estructuras

Tabla 4.3 Restricciones de la prueba 1- caso1

% máximo de deterioro 20%
Extensión del daño 1-10 elementos
Individuos por generación 200
Generaciones 200
% de Clonación 6%
% de Combinación superior 32%
% de Combinación inferior 5%
% de Permutación 30%
% de Regeneración 27%

El mejor individuo de la generación 200 se representa gráficamente en la figura

4.4, el cual presenta cuatro daños (tabla 4.4). Se puede observar que la
convergencia es aceptable, ya que el AG localiza perfectamente los daños A y B
del caso 1, los cuales están representados como C y E.

Figura 4.4 Mejor individuo de la prueba 1 del caso 1

Tabla 4.4 Daño del mejor individuo de la prueba 1

Daño Ubicación (elementos finitos) Cambio de sección transversal
C 100 - 106 10.57%
D 110 - 111 5.29%
E 300 - 304 14.97%
F 477 - 478 0.52%

Como se puede observar, y comparando los daños del caso 1 (tabla 4.2) con los
daños del mejor individuo (tabla 4.4), se detectaron perfectamente los daños del
caso 1 (daños A y B):

 El daño C tiene las mismas características que el daño A, sólo con una
variación de más 0.57 % de cambio en la sección transversal, la cual es
mínima. La ubicación del daño fue casi perfecta, sólo tuvo un elemento
menos que el buscado.

 El daño B fue encontrado en el mejor individuo (daño E) con una ubicación

exacta y con sólo un porcentaje 0.03% menor que el real.

49
Diseño de algoritmos genéticos para la detección de daños en estructuras

 Los daños D y F fueron generados por el AG los cuales son despreciables

ya que su extensión es de solo un elemento finito dañado y el cambio en la
sección transversal tiene un porcentaje muy pequeño.

En la figura 4.5 se muestra el gráfico que plasma los errores obtenidos mediante la
función de mínimos cuadrados de los mejores individuos para cada generación.
Como se observa, la búsqueda de buenas soluciones empieza en un punto alto,
es decir, la convergencia es poca o nula. Después, conforme comienzan a entrar
en acción los operadores genéticos, la diferencia entre las respuestas dinámicas
va disminuyendo, lo que significa que se han encontrado mejores soluciones.

Figura 4.5 Gráfico de la minimización entre las respuestas dinámicas en la

prueba 1 del caso 1

[Link] Caso 2
La barra presenta dos daños puntuales como se muestra en la figura 4.6, en la
tabla 4.5 se observan las características de los daños para el caso 2. Se ubican
los daños relativamente cerca uno de otro y entre dos sensores (sensores en
nodos 343 y 428), para observar si la cercanía y la ubicación de los daños afectan
a la convergencia del AG.

50
 4 Aplicación de la metodología en estructuras

Figura 4.6 Representación gráfica del Caso2

Tabla 4.5 Daños para el caso 2

Daños del caso1 Ubicación (nodos) Cambio de sección transversal
A 360-362 30%
B 392-399 10%

Prueba 1
Para la prueba 1, se muestran las restricciones para aplicar el AG en la tabla 4.6.
Para esta prueba el operador con mayor porcentaje es el de permutación.

Tabla 4.6 Restricciones de la prueba 1 - caso 2

% máximo de deterioro 50%
Extensión del daño 1-10 elementos
Individuos por generación 200
Generaciones 200
% de Clonación 6%
% de Combinación superior 15%
% de Combinación inferior 5%
% de Permutación 45%
% de Regeneración 29%

El mejor individuo de la generación 200 se representa gráficamente en la figura

4.7, el cual presenta cuatro daños (tabla 4.7). Se puede observar que la
convergencia es aceptable, ya que el AG localiza perfectamente los daños A y B
del caso 2, los cuales están representados como C y E.

51
Diseño de algoritmos genéticos para la detección de daños en estructuras

Figura 4.7 Mejor individuo de la prueba 1 del caso 2

Tabla 4.7 Daños del mejor individuo de la prueba 1

Daños Ubicación (elementos finitos) Cambio de sección transversal
C 331 - 332 7.64%
D 359 - 360 36.56%
E 394 - 399 9.94%

Como se puede observar, y comparando los daños del caso 2 (Tabla 4.5) con los
daños del mejor individuo se detectó la ubicación los daños del caso 2 (daños A y
B):

 El daño D tiene las mismas características que el daño A, sólo con una
variación de más del 6.56% de cambio en la sección transversal. La
ubicación del daño fue casi perfecta, sólo tuvo un elemento menos que el
buscado y un desfasamiento hacia la izquierda de dos elementos.

 El daño B fue encontrado en el mejor individuo (daño E) con una ubicación

casi exacta. La magnitud encontrada tiene sólo un porcentaje 0.06% menor
que el real.

 El daño C generado por el AG es despreciable ya que su extensión es de

solo un elemento finito dañado y el cambio en la sección transversal tiene
un porcentaje pequeño.

En la figura 4.8 se muestra el grafico que plasma la diferencia entre las respuestas
dinámicas obtenidas mediante la función de mínimos cuadrados de los mejores
individuos para cada generación. El gráfico plasma la menor diferencia de cada
población generada. Como se observa la búsqueda de buenas soluciones a partir
de la quinta generación, anterior a ésta, la convergencia es poca o nula antes de
éstas. Después, conforme comienzan a entrar en acción los operadores genéticos,
la diferencia entre las respuestas dinámicas va disminuyendo, lo que significa que
se han encontrado mejores soluciones.

52
 4 Aplicación de la metodología en estructuras

Figura 4.8 Gráfico de la minimización entre las respuestas dinámicas en la

prueba 1 del caso 2

[Link] Caso 3
La barra presenta un daño puntual y se muestra daño generalizado, el resto de la
barra está dañada, los daños se muestran en la figura 4.9 mientras que en la tabla
4.8 se observan las características de los daños para el caso 3. Para este caso se
libera la restricción de la extensión del daño; es decir, los daños pueden tener una
extensión desde 1 hasta 600 elementos con daño. Esto se propone debido a que
se observa de las pruebas realizadas con las mismas variables de caso 1 y 2 que
si se restringe la extensión del daño, la convergencia es nula cuando se presenta
daño generalizado.

Figura 4.9 Representación gráfica del Caso3

53
Diseño de algoritmos genéticos para la detección de daños en estructuras

Tabla 4.8 Daños para el caso 3

Daños del caso1 Ubicación (nodos) Cambio de sección transversal
A Generalizado barra con daño 10%
B 500 - 539 40%

Prueba 1
Para la prueba 1 se muestran las restricciones para aplicar el AG en la tabla 4.9.
Para esta prueba el operador con mayor porcentaje es el de permutación. Se
utilizan 260 generaciones debido a que el caso 3 es complicado por el arreglo de
daños que presenta y puede engañar al AG. Así tendrá más oportunidad de
encontrar una buena solución.

Tabla 4.9 Restricciones de la prueba 1 – paso 3

% máximo de deterioro 50%
Extensión del daño Libre (1 - 600)
Individuos por generación 200
Generaciones 260
% de Clonación 6%
% de Combinación superior 15%
% de Combinación inferior 5%
% de Permutación 45%
% de Regeneración 29%

El mejor individuo de la generación 260 se representa gráficamente en la figura

4.10, el cual presenta cuatro daños. Se puede observar que la convergencia es
aceptable, ya que el AG localiza los daños A y B del caso 3, representados por
daños generalizados como C, D, E y F.

Figura 4.10 Mejor individuo de la prueba 1 del caso 3

54
 4 Aplicación de la metodología en estructuras

Tabla 4.10 Daños del mejor individuo de la prueba 1

Daños Ubicación (elementos finitos) Cambio de sección transversal
C 3 - 174 10.81%
D 174 - 497 9.87%
E 497 - 575 36.17%
F 575 - 600 50.73%

Como se puede observar, y comparando los daños del caso 3 (tabla 4.8) con los
daños del mejor individuo del AG (figura 4.10), se detectaron los siguientes daños:

 Se localiza el daño puntual E con una extensión mayor que la del caso 3,
la magnitud es muy cercana a la real. El daño F presenta un cambio
considerable de la sección transversal, pero converge la ubicación.

 Los daños generalizados, generados por el AG, tienen una buena

convergencia, con magnitud y ubicación muy similar.

En la figura 4.11 se muestra el gráfico que plasma los errores obtenidos mediante
la función de mínimos cuadrados de los mejores individuos para cada generación.
Como se observa, la búsqueda da buenas soluciones a partir de la generación 10,
es decir, conforme comienzan a entrar en acción los operadores genéticos, el error
va disminuyendo, lo que significa que se han encontrado mejores soluciones.
También se observa que el error comienza con un valor alto de más de 1.5, pero
empieza a minimizarse a partir de la generación 60. Después, su minimización es
muy baja hasta llegar a la última generación.

Figura 4.11 Gráfico de la minimización entre las respuestas dinámicas en la

prueba 1 del caso 3

55
Diseño de algoritmos genéticos para la detección de daños en estructuras

[Link] Caso 4
La barra presenta tres daños puntuales, como se muestra en la figura 4.12, en la
tabla 4.11 se observan las características de los daños para el caso 4. Este caso
presenta dificultad para el AG, ya que las extensiones de los daños son muy
distintas; para los daños A y B, son extensiones pequeñas y el daño C tiene una
extensión grande de 43 elementos dañados.

Figura 4.12 Representación gráfica del caso 4

Tabla 4.11 Daños para el caso 4

Daños del caso 1 Ubicación (nodos) Cambio de sección transversal
A 60 - 66 12%
B 298 - 304 8%
C 457 - 500 15%

Prueba 1

En la prueba 1 se muestran las restricciones para aplicar el AG en la tabla 4.12.

Para esta prueba el operador con mayor porcentaje es el de permutación.

Tabla 4.12 Restricciones de la prueba 1 – paso 4

% máximo de deterioro 20%
1-10
Extensión del daño
elementos
Individuos por generación 200
Generaciones 200
% de Clonación 6%
% de Combinación superior 15%
% de Combinación inferior 5%
% de Permutación 45%
% de Regeneración 29%

El mejor individuo de la generación 200 se representa gráficamente en la figura

4.13, el cual presenta siete daños (tabla 4.13).

56
 4 Aplicación de la metodología en estructuras

Figura 4.13 Mejor individuo de la prueba 1 del caso 4

Tabla 4.13 Daños del mejor individuo de la prueba 1

Daños Ubicación (elementos finitos) Cambio de sección transversal
D 62 - 65 16.95%
E 298 - 303 9.13%
F 461 - 467 19.25%
G 487 - 490 20.66%
H 525 - 529 17.72%
I 542 - 549 20.26%
J 592 - 594 14.00%

Como se puede observar, y comparando los daños del caso 4 (tabla 4.12) con los
daños del mejor individuo (figura 4.13

), se detectaron los daños del caso 4 (daños A, B, C) y se generaron tres daños

(H, I, J) que no corresponden a los daños reales pero son de extensión mínima;
los daños F y G ocupan el lugar del daño C con una magnitud muy cercana a la
real.

En la figura 4.14 se muestra el gráfico que plasma los errores obtenidos mediante
la función de mínimos cuadrados de los mejores individuos para cada generación.
Como se observa la búsqueda de buenas soluciones empieza en un punto alto, es
decir, la convergencia es poca o nula. Después, conforme comienzan a entrar en
acción los operadores genéticos, el error va disminuyendo, lo que significa que se
han encontrado mejores soluciones. A partir de la generación 90 la minimización
es muy poca hasta llegar a la última generación.

57
Diseño de algoritmos genéticos para la detección de daños en estructuras

Figura 4.14 Gráfico de la minimización entre las respuestas dinámicas en la

prueba 1 del caso 4

[Link] Caso 5
La barra presenta cuatro daños puntuales, como se muestra en la figura 4.15. En
la tabla 4.14 se observan las características de los daños para el caso 5. Este
caso presenta dificultad para el AG, ya que las extensiones de los daños son
pequeñas y se prueba con cuatro daños separados una distancia considerable.
Otra dificultad son las magnitudes del daño ya que son distintas.

Figura 4.15 Representación gráfica del Caso 5

Tabla 4.14 Daños para el caso 5

Daños del caso 1 Ubicación (nodos) Cambio de sección transversal
A 50 - 55 12%
B 200 - 207 30%
C 434 - 439 15%
D 560 - 565 8%

58
 4 Aplicación de la metodología en estructuras

Prueba 1
Para la prueba 1, se muestran las restricciones para aplicar el AG en la tabla 4.15.
Para esta prueba el operador con mayor porcentaje es el de permutación. Otra
variable que presentara dificultad para el AG es que se libera la extensión del
daño y además el porcentaje de deterioro es alto.

Tabla 4.15 Restricciones de la Prueba 1 – Caso 5

% máximo de deterioro 50%
Extensión del daño Libre (1-600)
Individuos por generación 200
Generaciones 260
% de Clonación 6%
% de Combinación superior 15%
% de Combinación inferior 5%
% de Permutación 45%
% de Regeneración 29%

El mejor individuo de la generación 260 se representa gráficamente en la figura

4.16, el cual presenta cuatro daños (tabla 4.16). Se puede observar que la
convergencia es aceptable, ya que el AG localiza perfectamente los daños del
caso 5, sin generar daños que no corresponden a los del caso, la magnitud de los
daños es menor pero la ubicación es casi perfecta.

Figura 4.16 Mejor individuo de la prueba 1 del caso 5.

Tabla 4.16 Daños del mejor individuo de la prueba 1

Cambio de
Daños Ubicación (elementos finitos) sección
transversal
E 48 - 58 6.79%
F 200 - 208 29.97%
G 432 - 443 9.58%
H 560 - 568 6.53%

59
Diseño de algoritmos genéticos para la detección de daños en estructuras

Como se observa el número de generaciones es de 260, ya que se libera la

extensión del daño y se requiere de mayor tiempo para encontrar una mejor
solución.

En la figura 4.17 se muestra el gráfico que plasma los errores obtenidos mediante
la función de mínimos cuadrados de los mejores individuos para cada generación.
Como se puede observar en la generación 50, la minimización es muy baja hasta
llegar a la generación 160, donde vuelve a minimizar la función de mínimos
cuadrados.

Figura 4.17 Gráfico de la minimización entre las respuestas dinámicas en la

prueba 1 del caso 5

[Link] Análisis de resultados

El AG se prueba para todos los casos con dos variaciones: la primera para un
porcentaje mayor de combinaciones y la segunda donde las permutaciones son el
operador con mayor actividad. De ambas pruebas, los resultados son aceptables;
sin embargo, se tiene una mayor convergencia cuando el operador con mayor
porcentaje de reproducción es el de permutación.

Cuando no se restringe la extensión de los daños, es necesario permitir que el AG

genere un mayor número de iteraciones (generaciones), para permitir que tenga
mayor tiempo de optimizar las respuestas y que el método converja. Para una
extensión limitada, como fue el caso de algunas pruebas, se utilizó un número
máximo de 200 generaciones debido a que se observó que con la mitad de
generaciones el AG no converge y un número mayor de generaciones solo
aumenta el tiempo de iteración sin obtener mejores resultados. Cuando la
extensión del daño fue libre se utilizó un máximo de 260 generaciones, este

60
 4 Aplicación de la metodología en estructuras

número fue obtenido con base en pruebas en las cuales se observó que después
de este número de generaciones la capacidad de convergencia del AG disminuye.

El AG tiene buena convergencia para el caso de detección de daño en una barra,

en todas las pruebas se ubicó perfectamente los daños de las experimentos
realizados la magnitud del daño fue con poca variación respecto al caso real. Por
lo tanto se detectó, ubicó y cuantificó el daño para un elemento estructural tipo
barra de manera satisfactoria.

Para seguir analizando el comportamiento del AG se propuso utilizar una

estructura tipo marco, aumentando el número de elementos finitos condiciones de
continuidad entre elementos, es decir aumentando la complejidad del modelo
estructural.

4.2 Detección de daño en un marco estructural

4.2.1 Modelo de Elemento Finito del marco estructural
El modelo corresponde a un marco estructural de aluminio, el cual mide 1.397 m
(55 in) de longitud por 0.266 7 m de ancho; la sección transversal de las vigas de
aluminio es de 1.612 9x10-4 m2 (0.25 in2), ver figura 4.18. El marco se discretizó
en 4 140 elementos finitos.

Figura 4.18 Dimensiones del marco estructural para el caso experimental

Las propiedades del material con que se diseñó el modelo de la barra se

describen en la tabla 4.17. El modelo de EF del marco tiene condiciones de
frontera aisladas, se idealizan los apoyos libres. Con esto se disminuye las
reflexiones de onda y así no interfiere en el proceso de detección de daño.

61
Diseño de algoritmos genéticos para la detección de daños en estructuras

Tabla 4.17 Propiedades del aluminio usado para el marco estructural

Módulo de Elasticidad E 70 GPa
3
Densidad φ 2710 kg/m
Módulo de Poisson ε 0.33

4.2.2 Casos de daño

[Link] Caso 1H
En la primera prueba el marco estructural presenta un daño puntual, como se
muestra en la figura 4.19, en la tabla 4.18 se observan las características del daño
para el caso 1.

Figura 4.19 Representación gráfica del caso 1H

Tabla 4.18 Daños para el caso 1H

Daños del caso 1 Ubicación (nodos) Cambio de sección transversal
A 1010 - 1025 20%

Para encontrar el daño se realizaron pruebas con distintos porcentajes en los

operadores genéticos, para observar la convergencia y analizar el efecto por
aplicar restricciones, como es el número de elementos dañados, así como la
magnitud máxima del daño. Para todos los casos de daño se realizaron dos
pruebas una con mayor porcentaje de permutación y otra donde el porcentaje
mayor corresponde al operador de combinación.

Prueba 1
Para la prueba 1, se muestran las restricciones para aplicar el AG en la tabla 4.19.
Para esta prueba el operador con mayor porcentaje fue el de combinación.

62
 4 Aplicación de la metodología en estructuras

Tabla 4.19 Restricciones de la prueba 1- caso 1

% máximo de deterioro 50%
Extensión del daño libre
Individuos por generación 200
Generaciones 200
% de Clonación 6%
% de Combinación superior 32%
% de Combinación inferior 5%
% de Permutación 30%
% de Regeneración 27%

El mejor individuo de la generación 200 se representa gráficamente en la figura

4.21, el cual presenta dos daños (tabla 4.20). Se puede observar que la
convergencia es aceptable, ya que el AG localiza perfectamente el daño del caso
1, pero, adicionalmente localiza un daño más en la conexión a la derecha, lo cual
es aceptable, ya que la zona con deterioro es perfectamente localizada.

Tabla 4.20 Daños del mejor individuo de la prueba 1

Daños Ubicación (elementos finitos) Cambio de sección transversal
B 1010 - 1025 19.59%
C 15 - 1644 38.29%

Figura 4.20 Mejor individuo de la prueba 1 del caso 1H

63
Diseño de algoritmos genéticos para la detección de daños en estructuras

Figura 4.21 Gráfico de la minimización entre las respuestas dinámicas en la

prueba 1 del caso 1H

[Link] Caso 2H
Para la prueba 2 el marco estructural presenta tres daños puntuales, como se
muestra en la figura 4.22, en la tabla 4.21 se observan las características de los
daños para el caso 2H.

Figura 4.22 Representación gráfica del Caso 2H

Tabla 4.21 Daños para el caso 2H

Daños del caso 1 Ubicación (nodos) Cambio de sección transversal
A 3 030 - 3 049 15%
B 3 085 - 3 090 7%
C 4 040 - 4 069 18%

64
 4 Aplicación de la metodología en estructuras

Prueba 1
Para la prueba 1, se muestran las restricciones para aplicar el AG en la tabla 4.22.
Para esta prueba el operador con mayor porcentaje es el de combinación.

Tabla 4.22 Restricciones de la Prueba 1- Caso 2H

% máximo de deterioro 50%
Extensión del daño libre
Individuos por generación 200
Generaciones 200
% de Clonación 6%
% de Combinación superior 32%
% de Combinación inferior 5%
% de Permutación 30%
% de Regeneración 27%

El mejor individuo de la generación 200 se representa gráficamente en la figura

4.24, en ésta se observan tres daños (tabla 4.23). Se puede observar que la
convergencia es aceptable, ya que el AG localiza perfectamente los daños del
caso 2H, únicamente desfasando hacia la izquierda el daño E hasta llegar a la
conexión, la magnitud del deterioro es muy cercana a la real, lo cual es bueno, ya
que la zona con deterioro es perfectamente localizada.

Tabla 4.23 Daños del mejor individuo de la prueba 1

Daños Ubicación (elementos finitos) Cambio de sección transversal
D 3 027 - 3 067 24.62%
E 2 487 - 2 502 7.97%
F 4 060 - 4 077 23.62%

Figura 4.23 Mejor individuo de la prueba 1 del caso 2H

65
Diseño de algoritmos genéticos para la detección de daños en estructuras

Figura 4.24 Gráfico de la minimización entre las respuestas dinámicas en la

prueba 1 del caso 2H

4.2.3 Análisis de resultados

El AG se prueba para todos los casos con dos características: la primera para una
extensión del daño libre y una magnitud máxima de daño del 50%.

Se observa que en las zonas de las conexiones, el AG detecta daños, lo cual es

bueno porque las zonas donde llegan varios elementos estructurales son lugares
donde se tiene que prestar atención ya que los métodos de unión presentan
degradación y se puede presentar una falla en esos puntos.

El tiempo de cómputo para iterar las 200 generaciones con una computadora con
procesador i7 de 4GB de RAM es de aproximadamente 4 días, este número de
generaciones resulta adecuado para llegar a una buena solución del sistema, un
número mayor de generaciones tardaría más tiempo y no se obtendría una mejora
sustancial.

El AG tiene buena convergencia para el caso de detección de daño en un

elemento estructural tipo marco, en todas las pruebas ubicó perfectamente las
zonas con daño y la cuantificación fue muy cercana a las reales. Por lo tanto, se
detectó, ubicó y cuantificó el daño para un elemento estructural tipo marco
satisfactoriamente.

66
 4 Aplicación de la metodología en estructuras

4.3 Detección de daño en un puente

4.3.1 Modelo de Elemento Finito de un puente
El modelo corresponde a un puente de elementos estructurales de acero que tiene
una longitud de 51.00 metros, cuenta con 18 vigas transversales y 2 vigas
longitudinales, y cuenta con una placa de pavimento

Figura 4.25 Modelo de EF del puente

Las propiedades del material con que se diseñó el modelo del puente se describen
en la tabla 4.24. El modelo del puente tiene condiciones de frontera con apoyos
libres en los extremos, el tablero fue simulado con elementos tipo placa y las vigas
y travesaños con elementos tipo barra.

Tabla 4.24 Propiedades del material usado en el modelo del puente

Vigas Vigas
Pavimento
transversales longitudinales
Módulo de
E 235 GPa 230 GPa 60 GPa
Elasticidad
3 3 3
Densidad φ 7 700 kg/m 7 700 kg/m 2 000 kg/m
Módulo de Poisson ε 0.27-0.30 0.27-0.30 0.20

Las pruebas consisten en tener distintos escenarios de daño, obteniendo las

señales de respuesta dinámica ante un pulso de excitación (impacto) determinado,
utilizando un arreglo de sensores de aceleración, los cuales detectarán las ondas
propagadas por una fuerza unitaria de excitación (figura 4.26).

67
Diseño de algoritmos genéticos para la detección de daños en estructuras

Figura 4.26 Fuerza unitaria de excitación

El puente se discretizó en 1 542 elementos finitos, lo que implica más del doble de
elementos que en los modelos anteriores, generando 676 nodos en el modelo. El
arreglo experimental consta de 10 sensores ubicados en los siguientes nodos: 87,
214, 336, 442, 560, 145, 241, 355, 456 y 570, en tanto que la fuerza de impacto se
localizó en el nodo 282.

A continuación se presentan los casos analizados con diferentes tipos de daño y

diferentes porcentajes de los operadores genéticos.

4.3.2 Casos de daño

[Link] Caso 1
Para el primer caso, el puente presenta un daño en una de las vigas longitudinales
como se muestra en la figura 4.27 en una línea más gruesa. En la tabla 4.25 se
observan las características del daño para el caso 1.

68
 4 Aplicación de la metodología en estructuras

Figura 4.27 Representación gráfica del caso 1 de daño

Tabla 4.25 Daño para el caso 1

Daños del caso 1 Ubicación (nodos) Cambio en módulo de elasticidad

A 1 250-1 270 10%

Se realizaron pruebas con distintos porcentajes de los operadores genéticos, para

observar cómo es la convergencia dependiendo del porcentaje en los operadores
genéticos y las restricciones como es el número de elementos dañados y la
magnitud máxima del daño. Para todos los casos de daño se realizaron dos
pruebas, una con mayor porcentaje de permutación y otra donde el porcentaje
mayor corresponde al operador de combinación.

Prueba 1
En la prueba 1 se muestran las restricciones para aplicar el AG en la tabla 4.26.
Para esta prueba el operador con mayor porcentaje es el de regeneración y la
permutación y combinación mantienen un porcentaje similar, la combinación
superior se toma de un porcentaje de los mejores individuos, y la inferior de un
porcentaje de los individuos catalogados como buenos. Con la combinación
inferior se mantiene la diversidad en las siguientes generaciones.

Tabla 4.26 Restricciones de la Prueba 1- Caso 1

% máximo de deterioro 70%
Extensión del daño libres
Individuos por generación 100
Generaciones 200
% de Clonación 6%
% de Combinación superior 25%
% de Combinación inferior 5%
% de Permutación 30%
% de Regeneración 34%

69
Diseño de algoritmos genéticos para la detección de daños en estructuras

El mejor individuo de la generación 200 presenta cuatro daños (tabla 4.27). Se

puede observar que la convergencia es aceptable, ya que el AG localiza el daño A
del caso 1, los cuales están representados como E y F.

Tabla 4.27 Daños del mejor individuo de la prueba 1

Daños Ubicación (elementos finitos) Cambio de módulo de elasticidad
B 97 - 101 67.38%
C 703 - 706 62.22%
D 747 - 749 63.14%
E 1 247 - 1 252 53.38%
F 1 263 - 1 266 56.50%
G 1 351 - 1 360 14.43%
H 1 388 - 1 389 67.38%

Como se puede observar, y comparando el daño del caso 1 (tabla 4.25) con el
daño de la mejor solución (tabla 4.27), se detectó el daño del caso 1 (daño A):

 Los daños E y F corresponden a la ubicación del daño A, presenta una

variación de más de 40 % de cambio en el módulo de Elasticidad (E),
mientras que la ubicación del daño fue aceptable, solo se obtuvo en un
menor número de elementos dañados.

 Los daños B, C, D, G y H fueron generados por el AG los cuales tienen una

ubicación muy cercana a la ubicación de los sensores, lo cual puede ser
detectado y observado con relativa facilidad.

En la figura 4.28 se muestra el gráfico que plasma los errores obtenidos mediante
la función de mínimos cuadrados de los mejores individuos para cada generación.

70
 4 Aplicación de la metodología en estructuras

Figura 4.28 Gráfico de la minimización entre las respuestas dinámicas en la

prueba 1 del caso 1

[Link] Caso 2
El puente presenta un daño en una de las vigas transversales, como se muestra
en la figura 4.29 en una línea más gruesa, en la tabla 4.28 se observan las
características del daño para el caso 2.

Figura 4.29 Representación gráfica del Caso 2 de daño

Tabla 4.28 Daño para el caso 2

Daños del caso 1 Ubicación (nodos) Cambio en el módulo de elasticidad (E)
A 1 363-1 370 15%

71
Diseño de algoritmos genéticos para la detección de daños en estructuras

Prueba 1

En la prueba 1 se muestran las restricciones para aplicar el AG en la tabla 4.29.

Para esta prueba el operador con mayor porcentaje es el de regeneración,
mientras la permutación y combinación mantienen un porcentaje similar.

Tabla 4.29 Restricciones de la prueba 1 – caso 2

% máximo de deterioro 70%
Extensión del daño libres
Individuos por generación 100
Generaciones 200
% de Clonación 6%
% de Combinación superior 25%
% de Combinación inferior 5%
% de Permutación 30%
% de Regeneración 34%

El mejor individuo de la generación 200 presenta cuatro daños (tabla 4.30). Se

puede observar que la convergencia es aceptable ya que el AG localiza el daño
del caso 2, los cuales están representados como C y E.

Tabla 4.30 Daños del mejor individuo de la prueba 1

Daños Ubicación (elementos finitos) Cambio de módulo de elasticidad (E)
B 1 340 - 1 347 63.99%
C 1 151 - 1 165 4.85%
D 1 340 - 1 344 62.99%
E 1 365 - 1 370 60.75%

Como se puede observar, y comparando los daños del caso 2 (tabla 4.28) con los
daños del mejor individuo (tabla 4.30), se detectó el daño del caso 2 (daño A):

 El daño E corresponden a la ubicación del daño A, presenta una variación

de más de 45 % de cambio en el módulo de elasticidad (E). La ubicación
del daño es aceptable, solo se encontraron menos elementos que los
dañados.

 Los daños B, C y D fueron generados por el AG los cuales tienen una

ubicación muy cercana a la ubicación de los sensores, lo cual puede ser
detectado y observado con relativa facilidad.

En la figura 4.30 se muestra el gráfico que plasma los errores obtenidos mediante
la función de mínimos cuadrados de los mejores individuos para cada generación.

72
 4 Aplicación de la metodología en estructuras

Figura 4.30 Gráfico de la minimización entre las respuestas dinámicas en la

prueba 1 del caso 2

73
Diseño de algoritmos genéticos para la detección de daños en estructuras

74
5 Conclusiones
Es de gran importancia optimizar el número de generaciones y de individuos por
población para que el AG tenga un buen resultado, un número grande de estos
dos factores no garantizan obtener una mejor solución, simplemente crecería el
tiempo de computo.

El AG tiene buen comportamiento para porcentajes altos de permutación al igual

que de combinación, sin embargo se obtuvo una ligera mejoría cuando la
permutación presentó un porcentaje mayor de actividad reproductiva.

El AG tiene buena convergencia para el caso de detección de daño elementos

estructurales tipo barra y tipo marco, en todas las pruebas ubicó perfectamente las
zonas con daños, y la cuantificación de los mismos fue muy cercana. Por lo tanto,
se detectó, ubicó y cuantificó el daño para este tipo de elementos.

Se probó el AG con un modelo de un puente real, el cual fue una tarea complicada
para la detección de daños, se llevó más de seis días de tiempo continuo de
computo por prueba, pero se tuvo un resultado aceptable ya que para un modelo
de más de 1500 elementos finitos se disminuyó las zonas probables de daño a
menos de ocho zonas con posibilidades de daño, lo cual es muy bueno porque
eso permite enfocar las inspecciones en zonas específicas y no en toda la
estructura.

75
Diseño de algoritmos genéticos para la detección de daños en estructuras

76
Bibliografía
Abdel Wahab, M. M. & De Roeck, G., 1999. Damage Detection in bridges Using
Modal Curvatures: Application to a Real Damage Scenario. Journal of Sound and
Vibration, pp. 217-235.

Achenbach, J. D., 2008. Structural health monitoring – What is the prescription?.

Mechanics Research Communications, pp. 137-142.

Aktan, A. E. & Grimmelsman, K. A., 1999. Structural identification: Analytical

Aspects. Journal of Structural Engineering, pp. 817-829.

Aktan, A. E., Helmicki, A. J. & Hunt, V. J., 1998. Issues in Health Monitoring for
Intelligent Infrastructure. pp. 674-692.

Allampalli, S., Fu, G. & Dillon, E. W., 1995. On the Use of Measured Vibration for
Detecting Bridge Damage. San Francisco California, s.n., pp. 125-137.

Allemang, R. J. & Brown, D. L., 1982. A Correlation Coefficient for Modal Vector
Analysis. Orlando Florida, s.n.

ASM International, 1998. Nondestructive Evaluation and quality control. 9th ed.
s.l.:ASM Metals Handbook .

Bathe, K.-J. & Wilson, E., 1976. Numerical Methods in Finite Element Analysis.
New Jersey: Prentice Hall.

Bert, C. W., 1993. Relationship Between Fundamental Natural Frequency and

Maxim Static Deflection for Various Linear Vibratory Systems. Journal of Sound
and Vibration, pp. 547-557.

Borges, C. C., Barbosa, H. J. C. & Lemonge, A. C. C., 2006. A structural damage

identification method based on genetic algorithm and vibrational data. International
Journal for Numerical Methods in Engineering, p. 2663–2686.

Carden, E. P. & Fanning, P., 2004. Vibration based condition monitoring: a review.
Structural Health Monitoring, pp. 355-375.

Carrión, F. J., 2002. Tesis de Doctorado: Aplicación de las Funciones Intermedias

en Tiempo Frecuencia al Análisis de Sistemas Sujetos a Vibración. Universidad
Autónoma de Querétaro: Facultad de Ingeniería División de Postgrado.

77
Diseño de algoritmos genéticos para la detección de daños en estructuras

Carrión, F. J., Doyle, J. F. & Lozano, A., 2003. Structural health Monitoring and
Damage Detection using a sub-domain inverse Method. Smart Materials and
Structures, pp. 776-784.

Carrión, F. J., Lomelí, M. G., Quintana, J. A. & Martínez, M., 2003. La evaluación
no destructiva de materiales estructurales y puentes. Safandila, Querétro: IMT
Publicación Técnica No. 231.

Carrión, F. J., López, J. A., Quintana, J. A. & Lozano, A., 2007. Nonlinear
Assessment of Cable Vibration in a Stayed Bridge. Experimental Mechanics.

Casciati, S., 2008. Stiffness identification and damage localization via differential
evolution algorithms. Structural Control and Health Monitoring, pp. 436-449.

Coello, C. A., 1995. Introducción a los Algoritmos Genéticos y sus Aplicaciones.

Soluciones [Link]ías de Información y Estrategias de Negocios, pp.
5-11.

Doebling, S. W., Farrar, C. R., Prime, M. B. & Shevitz, D. W., 1996. Damage
identification and health monitoring of structural and mechanical systems from
changes in their vibration characteristics: a literature review. Technical Report LA-
1307-MS.

Doyle, J. F., 1997. Wave Propagation in Structures. New York, U.S.A.: Springer-
Verlag.

Doyle, J. F., 2004. Modern Experimental Stress Analysis. New York, U.S.A.: Wiley
and Sons.

Ewins, D. J., 2000. Modal Testing, Practice and Application. Hertfordshire,

England: 2nd edition, Research Studies Press LTD.

Flores, F. R., 2008. Analisis sobre dos nuevos metodos iterativos para resolver
ecuaciones no lineales. Mérida: Universidad Nacional Abierta.

Fox, C., 1989. The location of defects in structures: A comparison of the use of
natural frequency and mode shape data. Proceedings of the 10th FHWA. U.S.
Department of Transportation.

Fuhr, P. L., Huston, D. R., Kajenski, P. J. & Ambrose, T. P., 1992. Performance
and Health Monitoring of the Stafford Medical Building Using Embedded Sensors.
Journal of Smart Materials and Structures, pp. 63-68.

Goldberg, D. E., 1989. Genetic algorithms in search, optimization, and machine

learning. U.S.A.: Addison-Wesley.

Hernández, M. R., 2010. Detección de daños a partir de cambios en las

caracteristicas vibracionales usando redes neuronales.. pp. 1-10.

78
 Bibliografía

Holland, J. H., 1992. Adaptation in naturaland artificial systems: an introductory

analysis with applications to biology, control and artificial intelligence.. U.S.A.: MIT
Press.

Huston, D. R. et al., 1999. Ground Penetrating Radar for Concrete Bridge Health
Monitoring Applications. Nondestructive Evaluation of Bridges and Highways III,
pp. 170-179.

Inman, D., 2001. Multifunctional Structures of the Next Millennium. Structural

Dynamics@2000: Current status and Future Directions, pp. 59-70.

Jhonis, 5., 2011. [Link]. [Online] Available at:

[Link]

Kato, M. & Shimada, S., 1986. Vibration of PC Bridge During Failure Process.
Journal of Structural Engineering, pp. 1692-1703.

Ko, J. M. & Ni, Y. Q., 2005. Technology developments in structural health

monitoring of large-scale bridges. Engineering Structures, pp. 1715-1725.

Kouchmeshky, B., Aquino, W., Bongard , J. C. & Lipson, H., 2006. Co-evolutionary
algorithm for structural damage identification using minimal physical testing.
Internatinal Journal for Numerical Methods in Engineering, pp. 1085-1107.

Kouchmeshky, B., Aquino, W., Bongard, J. & Billek, A. E., 2007. Structural damage
identification using co-evolution and frequency response functions. Structural
Control and Health Monitoring, pp. 162-182.

Lieven, N. A. & Ewins, D. J., 1988. Spatial Correlation of Mode Shapes. The
Coordinate MOde Assurance Criterion (COMAC). Orlando, Florida, s.n.

Lima, C. A. F., 2005. Combining Competent Crossover and Mutation Operators: a

Probabilistic Model Building Approach. s.l., s.n.

Linag, Z. & Lee, G. C., 1994. Damping of Structures Part I. NCEER Report,
NCEER 91-004.

Mathews, J. H. & Fink, K. D., 2000. Métodos Numéricos con MATLAB. Madrid:
Prentice Hall.

Merchán, E. A., 2005. Soft-computing techniques in the trajectory planning of robot

manipulators sharing a common workspace. Automatic Control and Systems
Engineering, p. 204.

Meruane, V. & Heylen, W., 2010. Structural damage assessment with

antiresonances versus mode shapes using parallel genetic algorithms. Structural
Control and Health Monitoring.

79
Diseño de algoritmos genéticos para la detección de daños en estructuras

Pandey, A. K., Biswas, M. & Samman, M. M., 1991. Damage Location from
Changes in Curvature Mode Shape. Journal of Sound and Vibration, p. 145 (2).

Pérez, M. A., 2011. Ubicación de sensores para el monitoreo del puente Río
Papaloapan mediante técnicas globlaes de detección de daño. Departamento de
Ingeniería Mecánica, Instituto Tecnológico de Celaya: Tesis de Maestría.

Quintana, J. A., 2004. A Global Search Method for Damage Detection in General
Structures. Astronautics and Aeronautics Department,Purdue University, U.S.A.:
Tesis de Maestría.

Quintana, J. A., 2009. Análisis del Método de Búsqueda Global para la detección
de daño y monitoreo estructural de puentes. Escuela Superior de Ingeniería
Mecánica y Eléctrica,Instituto Politécnico Nacional, México D.F.: Tesis de
Doctorado.

Rodríguez, P. T., 2011. Introducción a los algoritmos genéticos y sus aplicaciones.

pp. 1-9.

Rytter, A., 1993. Vibration Based inspection of civil engineering structures.

Denmark: Alborg University .

Saitoh, M. & Takei, B. T., 1996. Damage Estimation and Identification of Structural
Faults Using Modal Parameters. Dearbom, MI, U.S.A., s.n.

Salawu , O. S. & Williams, C., 1992. Damage Location Using Vibration Mode
Shape. Honolulu Hawaii, s.n.

Salawu, H. J., 1997. Detection of Structural Damage through Changes in

Frequency: A Review. Engineering Structures, pp. 718-723.

Schaffer, J. D., 1989. A study of control parameters affecting online performance of

genetic algorithms for function optimisation.. s.l., s.n., pp. 51-60.

Spears, W. M. & De Jong, K. A., 1991. An Analysis of Multi-point Crossover.

Proceedings of the First Workshop Foundations of Genetic Algorithms, pp. 301-
315.

Turner, J. D. & Pretolve, A. J., 1988. A Study of the Spectrum of Traffic-induced

Bridge Vibration. Journal of Sound and Vibration, pp. 31-42.

Valenzuela, V., 2006. Manual de analisis y diseño de algoritmos. s.l.:Ingeniería en

Gestion Informática INACAP Copiapó.

Waisman, H., Chatzi, E. & Smyth, A. W., 2009. Detection and quantification of
flaws in structures by the extended finite element method and genetic algorithms.
International Journal for Numerical Methods in Engineering, pp. 303-328.

80
 Bibliografía

Zimmerman, D. C. & Kauk, M., 1994. Structural Damage Detection Using a

Minimum Rank Update Theory. Transactions of the ASME, pp. 222-231.

81
Diseño de algoritmos genéticos para la detección de daños en estructuras

82
Carretera Querétaro-Galindo km 12+000
CP 76700, Sanfandila
Pedro Escobedo, Querétaro, México
Tel +52 (442) 216 9777 ext. 2610
Fax +52 (442) 216 9671

publicaciones@[Link]

[Link]