|
||||
Introducción El Centro de Monitoreo de Puentes y Estructuras Inteligentes (CeMPEI) es un laboratorio del Instituto Mexicano del Transporte creado para la investigación y el desarrollo de tecnologías aplicadas al avance de sistemas de monitoreo y evaluación estructural de puentes carreteros y, en general, para todas las estructuras que integran la infraestructura del transporte. Para poder evaluar la estructura de los puentes, es necesario analizar en tiempo real la información de los sensores instalados para la detección oportuna de eventos o tendencias inusuales que se manifiesten en un comportamiento estructural atípico o degeneren la condición estructural de los puentes [1]. El CeMPEI está integrado por los puentes Tipo: El Caracol, Papaloapan, Nautla, Raudal y Buenavista; así como los puentes Especiales: Chiapas, Río Papaloapan, El Carrizo y Mezcala. El primer puente instrumentado por el IMT es el puente Río Papaloapan, en el año 2012. La instrumentación se dividió en dos etapas. La primer etapa, se instaló el sistema eléctrico para lo cual se colocaron paneles fotovoltaicos, así como baterías de ciclado profundo. La segunda, consistió en la instalación del sistema de adquisición de datos, ello comprendió la colocación de 62 sensores de fibra óptica con tecnología FBG, un interrogador-multiplexor FBG, dos cámaras de video, una estación sísmica y una estación climatológica. Por otro lado, el puente El Carrizo, es el último puente instrumentado por el IMT, a finales del primer trimestre del 2018, en donde se colocaron sensores FBG: 16 extensómetros distribuidos en ocho dovelas, dos por cada dovela; 4 inclinómetros y 4 sensores de temperatura. Uno de los retos del CeMPEI es el análisis en tiempo real de las señales provenientes de los sensores instalados ya que implica el manejo de grandes volúmenes de información a los cuales se les debe dar una interpretación fisca para poder evaluar la condición estructural de los puentes. Algoritmos desarrollados para el monitoreo de puentes El paradigma clásico del monitoreo estructural, consiste en una cadena de procedimientos y algoritmos partiendo de la instalación de sensores en las estructuras con los que se realiza la medición de alguna variable física como la aceleración, el desplazamiento y/o inclinación, por nombrar algunas. Estos sensores vienen acompañados de sistemas de adquisición y procesamiento de datos que capturan las respuestas dinámicas de las variables físicas y permiten analizarlas mediante programas computacionales especialmente diseñados para detectar patrones y cambios en el comportamiento normal de las señales [4]. Un algoritmo se define como el método que se requiere para resolver algún problema [5]. De manera general, un algoritmo debe cumplir con las siguientes características: información de entrada, instrucciones bien definidas, número finito de instrucciones e información de salida (solución). El diseño de los algoritmos para una aplicación de monitoreo, depende de la cantidad, la complejidad de los datos de medición, la confiabilidad real del conjunto de sensores y del sistema de adquisición de datos. Las características de la adquisición de datos del sistema de monitoreo a menudo introducen ciertas particularidades en los datos. Estas pueden afectar aún más la disponibilidad de los datos recolectados para su posterior análisis. Por lo tanto, se desarrolló un conjunto de algoritmos con un enfoque dedicado a garantizar la eficiencia de los datos. En la figura 1, se observa la jerarquía de los algoritmos utilizados en el CeMPEI para el monitoreo de puentes.
Figura 1. Algoritmos implementados en el monitoreo remoto de puentes
A continuación, se describe de manera general cada uno de los algoritmos implementados en el monitoreo de puentes. Comunicación: Es el conjunto de algoritmos que tienen como objetivo establecer, decodificar los datos y mantener el flujo de información entre los sensores instalados en el puente con los algoritmos de manejo de información. Detección: Estos algoritmos son capaces de extraer información puntual del monitoreo tanto para crear una base de información histórica o determinar si algún parámetro estructural se encuentra fuera de los límites de operación normal del puente, siendo estos los precursores de los algoritmos de almacenamiento de información, generación de reporte y envío de reporte. Manejo de información: Son algoritmos que tienen la tarea de asegurar la calidad de los datos adquiridos, así como recolectar los datos de interés cuando se presente un evento atípico, validan automáticamente el tiempo y valores dentro de rangos de medición esperados, buscando eliminar lecturas falsas de las señales de los sensores. Visualización: Estos algoritmos permiten desplegar en gráficos, de tiempo real, las amplitudes registradas en cada uno de los sensores instalados para que el personal encargado del monitoreo observe y relacione los valores mostrados con el comportamiento físico de la estructura. Almacenamiento de información: Se encargan de comprimir y posteriormente guardar los datos relevantes del monitoreo, como archivos de datos y video, en el ordenador principal. Lo anterior, para generar una base de información que permita comprender la naturaleza de los fenómenos de interés. Generación de reporte: Su función es recabar los datos de relevancia, instantes después de registrarse un evento atípico, para generar un archivo Excel que incluye un gráfico del sensor que registró valores fuera del límite de operación normal. Envío de información: Este algoritmo es el responsable de transferir los datos de interés al personal encargado del monitoreo, a través de correo electrónico. Esto, con el fin de conocer la condición actual de la estructura. El conjunto de algoritmos gestiona información relevante en tiempo real para crear una base de información histórica y detectar en cualquier instante de tiempo algún evento o tendencia inusual en los parámetros estructurales monitoreados. Con los extensómetros, se realiza la detección de la frecuencia natural de vibración del puente, modos de vibración, eje neutro para vigas tipo cajón, valor de referencia de deformación y amplitud de deformación, velocidad y dirección de vehículos en el puente. En el caso de los inclinómetros y sensores de temperatura, se obtiene el valor de referencia de inclinación y temperatura, respectivamente. Por último, con los acelerómetros en tirantes, se detecta la frecuencia natural de vibración para el cálculo de la tensión axial. Por tal motivo, los algoritmos de detección se convierten en la columna vertebral del monitoreo de estructuras.
Algoritmos para detección A continuación, se explicarán dos de los parámetros estructurales monitoreados por el CeMPEI, que evidencian la integridad del puente al utilizar los extensómetros para obtener el valor de referencia de deformación y las amplitudes de deformación por la carga viva (tránsito vehicular). Así, en el momento en que alguno de estos parámetros se encuentre fuera de los límites de operación normal, definido para cada uno de ellos, se detectará y realizarán las acciones pertinentes para atender la situación. 1) Detección del valor de referencia de deformación Un cambio en el valor de referencia puede ser causado por tres fenómenos: · Efecto térmico: En el análisis de las estructuras se toman en cuenta los esfuerzos, las deformaciones y los desplazamientos que en ella se originan por las variaciones de temperatura en sus elementos estructurales [6]. Este tipo de cambios, presentan un comportamiento cuasi-estáticos, en general están asociados a pequeños incrementos o disminución del valor de referencia de deformación durante el transcurso del día. A largo plazo, se comporta como una variación periódica y predecible en el periodo anual.
· Mantenimiento: Se observan modificaciones en el valor de referencia de deformación al realizar actividades de mantenimiento a elementos estructurales y no estructurales; como modificaciones en la carpeta asfáltica en la calzada, guarniciones, banquetas, parapetos y elementos de instalaciones de servicio público.
· Daño estructural: Se presenta como un cambio permanente en el valor de referencia de deformación, se perciben como cambios instantáneos de gran magnitud. El algoritmo diseñado para detectar el valor de referencia de deformación se muestra en la figura 2. De manera general, el algoritmo adquiere el valor instantáneo de deformación, el cual se almacena temporalmente en un búfer de datos y, en seguida, se calcula el promedio de los datos del búfer por cada nuevo valor que se almacena. Al transcurrir el tiempo, se incrementa la cantidad de datos almacenados consiguiendo un valor confiable para la referencia de deformación. Lo anterior, se replica para cada uno de los extensómetros instalados en el puente.
Figura 2. Algoritmo de detección del valor de referencia de deformación
2) Detección de deformación por carga viva en el puente En el caso de los extensómetros, adicional al valor de referencia de deformación, se obtiene el valor de deformación por carga viva asociada al flujo vehicular. Las cargas vivas de este tipo, son fuerzas variables generadas por el tránsito de: camiones, autobuses, automóviles, equipos para construcción y toda aquella carga que circule por la calzada del puente. En la viga del puente, el efecto de la carga viva se aísla en dos fenómenos: tensión y compresión en la zona instrumentada. Por cada valor de deformación registrado, este algoritmo (figura 3), extrae el valor de referencia de deformación de manera instantánea, ejecutando el algoritmo mostrado en la figura 2. Por lo que, los valores de amplitudes de deformación están exclusivamente asociados al efecto dinámico de la carga viva que transita en ese momento. En seguida, se aplica un filtrado a la señal de deformación, para remover las señales de alta frecuencia que no aportan información relevante, y con ello, obtener valores confiables en las amplitudes de deformación. Finalmente, tanto para las cargas vivas a tensión como las cargas vivas a compresión, la señal filtrada se compara con los límites de deformación por carga viva y con los límites normales de operación por carga viva. Con el primero, se detectan todos los valores de deformación por carga viva que transitan en la zona de la viga instrumentada. El segundo límite, es empleado para detectar únicamente las amplitudes de deformación atípicos (eventos extraordinarios) que se encuentren fuera del 98.8 % del percentil de los datos históricos registrados para ese sensor. Así, el algoritmo es capaz de detectar de manera simultánea las amplitudes de deformación en cada sensor, por los efectos de las cargas vivas que transitan sobre el puente.
Figura 3. Algoritmo para detección de carga viva
Evaluación de algoritmos para detección en el puente Río Papaloapan 1) Detección del valor de referencia de deformación. En el caso del puente Río Papaloapan, de los 62 sensores instalados, 24 corresponden a extensómetros, para los cuales se calculan sus respectivos valores de referencia de deformación. Con el promedio de 120 segundos de información en el búfer de datos, se obtiene un valor confiable de la referencia de deformación equivalente a 7500 datos de adquisición continua ya que el sistema registra datos cada 16 milésimas de segundo. El valor de referencia de deformación obtenido, representa 1/720 valores que se generan en el transcurso de 24 horas. Por ejemplo, en la figura 4 se muestra en color gris el conjunto de valores del búfer móvil de deformación correspondientes al extensómetro L9 a las 8:32 a.m. del 22 de abril de 2018. Así, el valor de referencia de deformación para ese instante de tiempo es -45.1 με, representado con una línea horizontal segmentada en color azul. Calculando los valores de referencia de deformación cada 2 minutos, se da seguimiento al comportamiento del sensor y, a su vez, se determina el fenómeno que provoca dichos cambios.
Figura 4. Referencia de deformación del extensómetro L9
La figura 5, muestra los 720 valores de referencia de deformación del extensómetro L9 para el día 22 de abril de 2018. En los cambios de referencia de deformación se observa que el comportamiento se debe únicamente al efecto térmico en donde la zona instrumentada de la viga principal se comprime, al incrementarse la temperatura por efecto del sol, alcanzando una compresión máxima en el día. Posteriormente, se presentan esfuerzos a tensión, conforme disminuye la temperatura. Al final, se efectúa un ciclo térmico por cada día.
Figura 5. Comportamiento del valor de referencia de deformación del extensómetro L9 en el día 22 de abril de 2018
2) Detección de deformación por carga viva. Continuando con el caso del puente Río Papaloapan, en la figura 6, se observan dos minutos de datos continuos de deformación en el extensómetro L9, al cual se le eliminó el valor de referencia de deformación para detectar las amplitudes absolutas por efectos de las cargas vivas.
Figura 6. Deformación en el extensómetro L9 sin el valor de referencia de deformación
En la figura 7, se comparan los valores de deformación con los límites de detección de carga viva en donde la deformación del extensómetro L9 (graficado en gris) se le aplicó un filtrado de señal. El límite de deformación a tensión, representada con la línea segmentada color verde claro, permite detectar cuatro amplitudes siendo la máxima de 23.4 με. En el caso del límite de deformación a compresión, línea segmentada color verde obscuro, se detectan 5 amplitudes siendo la máxima de -18.9 με. Asimismo, el algoritmo detecta cuando la amplitud registrada se encuentra fuera del límite de operación normal. Por ejemplo, en la figura 7, se muestra un evento extraordinario de deformación a tensión por carga viva de 23.4 με, fuera del límite de operación normal. En el caso de la deformación a compresión por carga viva la máxima amplitud permanece por debajo del límite de operación normal, -20 με.
Figura 7. Detección de amplitudes de deformación por carga viva
Conclusiones La aplicación de los algoritmos para detección de la referencia de deformación, ha proporcionado al monitoreo de puentes del CMPEI una herramienta potente para identificar de manera inmediata eventos como: variaciones por efectos térmicos diarios, fallas en elementos estructurales, destensado y tensado de tirantes; a mediano plazo: actividades de re-encarpetado de la calzada y ciclos térmico por estacionalidad, y a largo plazo: comportamiento multianual de los ciclos por temperatura. En el caso de los algoritmos para detección de carga viva, de manera inmediata se han identificados: deformaciones a tensión y compresión por día, eventos extraordinarios (vehículos con sobrecarga); a mediano plazo: variaciones de la media por carga viva asociados a fallas de elementos estructurales, ciclos por estacionalidad y actividades de rehabilitación, y a largo plazo: comportamiento multianual de los ciclos por temperatura. Los resultados han permitido generar una base de información robusta en cada puente instrumentado, con ello se discriminan fenómenos de carácter térmico de los eventos dinámicos y fallas estructurales. Referencias [1] Martínez L. A., Quintana J. A., Arroyo B., Carrión F., Crespo S., Hernández J., Bonilla V., Gasca H., Hernández A. Sistema Inteligente y protocolos de actuación para monitoreo remoto de puentes. IMT-Publicación Técnica N° 464. Sanfandila, Qro. 2016. [2] Arenas L. M., Gómez R. Comparación de un modelo matemático simple de un puente para reproducir respuestas debidas a incrementos de deformación producto de cargas móviles, mediante datos obtenidos de instrumentación con fibra óptica. XVII Congreso Nacional de Ingeniería Estructural. León, Gto. 2010. [3] Quintana J. A., Crespo S., Hernández J., Gasca H. y Martínez L. A. Implementación del sistema de monitoreo del Puente Mezcala. IMT-Nota N° 165. Sanfandila, Qro. 2017. [4] Lagos G., Implementación de un algoritmo de monitoreo estructural basado en objetos simbólicos y clasificación por agrupamiento, Tesis de maestría, Universidad de Chile, 2017. [5] Sedgewick R., Algoritmos en C++, Ed. Adisson-Wesley Publishing Company Inc., Massachusetts, EUA 1995. [6] Normativa SCT, N-PRY-CAR-6-01-003/01, Proyecto de puentes y estructuras, Capítulo 003 Cargas y Acciones, 2001. MARTÍNEZ Álvaro CARRIÓN Francisco HERNÁNDEZ Andrés MONTES Mario
|
