|
||||||
1 Introducción.La infraestructura vial es un pilar fundamental en el desarrollo de cualquier país, donde los puentes son elementos cruciales para garantizar la conectividad y movilidad en las redes de transporte. Evaluar constantemente la integridad de estas estructuras es vital no solo para asegurar su durabilidad, sino también para garantizar la seguridad pública. Los puentes están compuestos por diversos elementos y materiales en los que los componentes metálicos juegan un papel crítico. Estos enfrentan un conjunto único de desafíos, ya que están sometidos a condiciones ambientales adversas, cargas de tráfico fluctuantes, corrosión y, en algunos casos, defectos inherentes de diseño o construcción. Estos factores pueden debilitarlos y, si su deterioro no se detecta a tiempo, pueden evolucionar a fallas críticas que comprometan la estabilidad del puente. Históricamente, las inspecciones visuales han sido una de las técnicas más comunes para la evaluación de daños en elementos metálicos (Dirección General de Servicios Técnicos, 2018). Sin embargo, tales inspecciones dependen en gran medida de la experiencia del inspector y suelen estar limitadas por la accesibilidad a los componentes críticos. En respuesta a estas limitaciones, ha crecido la demanda por técnicas de inspección más avanzadas y precisas que proporcionen un diagnóstico más completo de la condición de esos elementos. Entre las técnicas de evaluación no destructiva (END) más prometedoras se encuentra la de emisiones acústicas (EA) (Carrión, Quintana, & Guzmán, 2003). Las EA se refieren a la liberación de ondas elásticas que se generan dentro de un material debido a deformaciones o fracturas (Gallego Molina & Martínez González, 2015). Esta técnica ha emergido como una herramienta poderosa en la caracterización y evaluación de materiales estructurales bajo carga por su capacidad para detectar la liberación de energía asociada con la iniciación y propagación de grietas, corrosión, fricción interna y otros fenómenos de degradación en los elementos metálicos. Además, ofrece una ventaja clave sobre otras técnicas END: la capacidad de monitorear el comportamiento del material en tiempo real y sin interrumpir la operación del puente. El uso de EA en los elementos metálicos de puentes permite “escuchar” los eventos internos en el material que podrían preceder una falla catastrófica (Megid, Gauthier, & El Hage, 2019), y como advertencia temprana de daños inminentes. Al combinar las señales de EA con herramientas de análisis de datos es posible correlacionar las señales acústicas con eventos específicos dentro de los elementos metálicos, como la formación y crecimiento de grietas. 2 Emisiones Acústicas (EA) como Técnica de Monitoreo.La técnica de Emisiones Acústicas (EA) se basa en la detección de ondas elásticas transitorias generadas por la liberación rápida de energía en el interior de un material. Estos eventos ocurren típicamente cuando el material experimenta fenómenos como propagación de grietas, procesos de corrosión, desprendimiento de partículas o fricción entre superficies. A diferencia de otros métodos de monitoreo, la EA no solo revela el estado estático de un elemento estructural, sino que proporciona información en tiempo real sobre procesos dinámicos de daño (Gallego Molina & Martínez González, 2015; ASTM International, 2022). En el ámbito de la ingeniería civil, la aplicación de EA ha demostrado un alto potencial para el monitoreo de componentes metálicos de puentes. Su gran sensibilidad permite detectar etapas tempranas de degradación que podrían pasar desapercibidas mediante inspecciones visuales o técnicas tradicionales de ultrasonido. Esto convierte a la EA en una herramienta estratégica para reforzar los programas de gestión de mantenimiento, en especial cuando se trata de estructuras críticas cuya falla tendría consecuencias severas (Carrión et al., 2003; Lara Magallanes & Sánchez Martínez, 2019.). La técnica de EA se implementa mediante sensores piezoeléctricos adheridos a la superficie del material, quienes transforman las ondas elásticas en señales eléctricas que posteriormente se amplifican, filtran y digitalizan para su análisis (Figura 1). En este contexto, un hit se define como la detección individual de una onda elástica que supera un umbral preestablecido en el sistema de adquisición; en otras palabras, es el registro básico de actividad acústica asociado a un evento de emisión. Entre los parámetros característicos que se extraen de cada evento de medición destacan la amplitud, la duración, el tiempo de subida, la energía y, de manera especial, el conteo de hits. Estos parámetros permiten construir indicadores que reflejan la severidad y el tipo de daño presente en el material (Fowler et al., 1989; Physical Acoustics, 2020).
Figura 1. Fuente de EA generando una onda de EA por una carga del material. Cadena del proceso de EA: sensor, señal de EA, sistema de adquisición (Physical Acoustics)
Un aspecto distintivo de la EA es su capacidad para localizar las fuentes de emisión dentro de un componente estructural, que requiere de un arreglo adecuado de sensores y algoritmos de triangulación. Esto agrega un valor adicional para el monitoreo en campo pues, además de permitir identificar la existencia de daño, proporciona también su ubicación aproximada, lo que facilita intervenciones de inspección más precisas y oportunas (Swit, 2018; Verstrynge et al., 2020). La técnica de EA ha sido utilizada en pruebas de laboratorio y aplicaciones de campo para estudiar comportamientos asociados a cargas cíclicas, fatiga en uniones soldadas y corrosión en cables y tensores de puentes metálicos. Un ejemplo destacado es el caso del puente Alexandra en Canadá, donde su aplicación permitió detectar desgaste y potenciales procesos de corrosión en barras de unión durante condiciones de tráfico real (Megid et al., 2019). La evidencia acumulada muestra que esta técnica permite identificar, con un nivel de anticipación considerable, la evolución de procesos que podrían comprometer la integridad del puente. Sin embargo, la enorme cantidad de datos generados y la presencia de ruido ambiental constituyen un desafío importante para su interpretación, lo que ha motivado la incorporación de métodos estadísticos y de análisis de datos avanzados (Calabrese et al., 2016) 3 Desafíos de la Interpretación de Señales de EALa aplicación de emisiones acústicas en el monitoreo de elementos metálicos presenta múltiples desafíos asociados tanto a la adquisición de señales como a su interpretación. Si bien la técnica es altamente sensible a los procesos internos de daño, tal sensibilidad implica que los sensores registren una gran cantidad de eventos que no necesariamente están relacionados con fallas estructurales. Entre las principales fuentes de interferencia se encuentran las vibraciones ambientales, el tráfico vehicular, los cambios de temperatura y los ruidos de fondo propios del entorno operativo (ASTM International, 2022; Physical Acoustics, 2020). Las señales de EA se clasifican generalmente en transitorias y continuas (Figura 2). Las primeras suelen estar asociadas con eventos de fractura o propagación de grietas y se caracterizan por un inicio y fin bien definidos. En contraste, las señales continuas pueden originarse por procesos como fricción, deformación plástica sostenida o flujo de fluidos, fenómenos que no siempre representan un riesgo estructural crítico (Gallego Molina & Martínez González, 2015). Esta mezcla de señales incrementa la complejidad del análisis, ya que requiere de algoritmos de filtrado y clasificación que permitan distinguir los eventos de interés.
Figura 2. Ejemplo de señales de interés en EA: (a) transitoria; (b) continua
Otro reto importante radica en la subjetividad en la selección de los hits característicos. Aunque se han desarrollado parámetros cuantitativos como la energía acumulada o el índice de severidad (Sr), la interpretación de resultados en campo aún depende en gran medida de la experiencia del inspector y de las condiciones específicas de cada estructura. Esta dependencia introduce un sesgo que limita la estandarización de la técnica, afectando la comparabilidad entre estudios y dificultando la creación de bases de datos homogéneas (Carrión et al., 2003). Además, la gran cantidad de datos generados en un monitoreo prolongado plantea un desafío logístico y computacional. El procesamiento manual resulta impráctico y el uso de métodos convencionales de análisis estadístico puede no ser suficiente para extraer patrones significativos en presencia de ruido. En este sentido, se ha identificado la necesidad de incorporar herramientas más avanzadas, como técnicas de reducción de dimensionalidad, análisis multivariante y métodos de aprendizaje automático (Calabrese et al., 2016). En resumen, aunque la técnica de EA ofrece una ventana única para “escuchar” procesos internos de daño en tiempo real, la interpretación de sus señales requiere superar limitaciones asociadas a ruido ambiental, subjetividad y volumen de información. Estas dificultades justifican la exploración de métodos complementarios como el Análisis de Componentes Principales (ACP), que permiten mejorar la discriminación entre señales relevantes y no relevantes para optimizar el valor diagnóstico de la técnica. 4 Rol del ACPEl Análisis de Componentes Principales (ACP) es una técnica estadística multivariante utilizada para simplificar conjuntos de datos complejos mediante la reducción de su dimensionalidad. Su principio fundamental consiste en transformar un conjunto amplio de variables posiblemente correlacionadas en un número reducido de componentes principales, que concentran la mayor parte de la variabilidad presente en los datos originales. Cada componente principal se construye como una combinación lineal de las variables originales y es ortogonal respecto a las demás, lo que evita redundancias y facilita la interpretación de patrones dominantes (Jolliffe & Cadima, 2016). En el contexto del monitoreo por emisiones acústicas, el ACP ofrece un marco adecuado para enfrentar algunos de los principales retos de la técnica. Dado que las señales de EA se caracterizan por múltiples parámetros (amplitud, duración, energía, tiempo de subida y conteo de hits), el análisis individual de cada variable puede resultar poco representativo y, en ocasiones, redundante. Al aplicar ACP es posible condensar esta información en un conjunto limitado de componentes que capturan las características más relevantes de las señales y reducen el impacto del ruido, además que permiten identificar tendencias de daño de manera más robusta (Calabrese et al., 2016). El uso del ACP no solo contribuye a mejorar la discriminación entre señales relevantes y no deseadas, sino que también facilita la visualización de patrones en espacios de menor dimensión. Esta capacidad resulta particularmente valiosa en escenarios de monitoreo estructural, donde los grandes volúmenes de datos pueden dificultar la interpretación directa. Con el ACP, se puede observar agrupamientos o trayectorias asociadas a procesos específicos de degradación, lo que incrementa la capacidad de diagnóstico de la técnica de EA (Megid et al., 2019; Verstrynge et al., 2020). Adicionalmente, el ACP favorece la estandarización del análisis al reducir la dependencia de criterios subjetivos en la selección de parámetros o eventos. De esta manera, se convierte en un aliado para la creación de protocolos comparables entre diferentes campañas de monitoreo, tanto en laboratorio como en campo. Su integración con indicadores derivados de EA como el índice de severidad, abre la puerta a metodologías más consistentes y reproducibles para evaluar la integridad estructural de componentes metálicos en puentes. 5 Metodología de Aplicación de ACP en Monitoreo de EAEn el estudio desarrollado se llevaron a cabo experimentos con seis probetas de acero CT ASTM A572 sometidas a pruebas de fatiga bajo condiciones controladas en laboratorio. Las probetas fueron instrumentadas con sensores de emisiones acústicas acoplados a un sistema de adquisición especializado, lo que permitió registrar en tiempo real los eventos acústicos generados durante la aplicación de cargas cíclicas. Los datos obtenidos fueron posteriormente analizados mediante ACP con el propósito de reducir la dimensionalidad de las variables y concentrar el análisis en los eventos más representativos del daño estructural (Gallego Molina & Martínez González, 2015). La metodología implementada se resume en los siguientes pasos clave:
Figura 3. Ensayos de fatiga en maquina servohidráulica Instron 8801 y sensores de EA
6 Resultados y DiscusiónLos ensayos con probetas de acero ASTM A572 sometidas a condiciones controladas de fatiga generaron un volumen amplio de registros de emisiones acústicas. La instrumentación con sensores PK15i como el que se muestra en Figura 4 y el sistema de adquisición Sensor Highway III (Figura 5) permitió obtener datos continuos a lo largo de ciclos de carga que, en promedio, se extendieron entre 13 y 19 horas, en función de la razón de carga aplicada. Estas condiciones controladas de laboratorio reproducen de manera representativa fenómenos de fatiga presentes en estructuras metálicas reales.
Figura 4. Sensor piezoeléctrico PK15i empleado en la captura de señales
Figura 5. Sistema de adquisición Sensor Highway III
Desde las primeras etapas de los ensayos se evidenció la dualidad de la técnica de EA ya que, por un lado, su gran sensibilidad permitió registrar en tiempo real eventos asociados con la iniciación y propagación de grietas, pero también generó una gran cantidad de señales espurias relacionadas con fricción, ruido ambiental o interferencias mecánicas propias del equipo de ensayo. Para reducir este efecto se aplicaron criterios de filtrado para descartar eventos con amplitud media inferior a 50 dB, además de establecer umbrales en energía, duración y tiempo de subida con el fin de depurar la información y enfocar el análisis en los eventos más representativos del daño estructural. En la Figura 6 se muestra un ejemplo de la distribución amplitud–duración de los hits registrados en una de las probetas. El gráfico evidencia la gran cantidad de eventos a analizar, muchos de ellos irrelevantes para el proceso de daño. De manera complementaria, los índices de severidad (Sr) calculados sin aplicar técnicas de reducción de datos (Figura 7) reflejan una dispersión significativa entre probetas, atribuible a la presencia de señales espurias y ruido.
Figura 6. Gráfica de Amplitud vs Duración EI0422-001
Figura 7. Índice de severidad (Sr) de las seis probetas ensayadas sin ACP
Con la implementación del análisis de componentes principales se superaron estas limitaciones, que permitió concentrar la información en tres componentes que incluyeron entre el 90 % y el 95 % de la variabilidad de los datos en todas las probetas. Este resultado redujo la dispersión y relegó a componentes secundarias los eventos asociados a ruido o señales irrelevantes. Las tres primeras componentes se interpretan de la siguiente manera:
La incorporación del ACP aportó mayor consistencia al índice de severidad entre probetas, lo cual se refleja claramente en la Figura 8. A diferencia de la dispersión observada en la Figura 7, los valores de Sr en la Figura 8 muestran curvas más uniformes y coherentes con el progreso real del daño, lo que valida la efectividad del ACP para depurar los resultados.
Figura 8. Índice de severidad (Sr) de las seis probetas ensayadas con ACP
En síntesis, los hallazgos principales son:
Estos resultados muestran el potencial de trasladar la metodología EA–ACP de laboratorio a aplicaciones en campo, donde el ruido ambiental y las cargas dinámicas suelen dificultar la interpretación de las señales. En este contexto, el ACP se perfila como una herramienta complementaria indispensable para consolidar el valor diagnóstico de la técnica de EA en puentes metálicos.
7 ConclusionesLos resultados del análisis experimental con probetas de acero CT ASTM A572 validan la utilidad del Análisis de Componentes Principales (ACP) como complemento a la técnica de Emisiones Acústicas (EA) para el estudio de fatiga de elementos metálicos. También evidencian que el índice de severidad (Sr) es un parámetro sensible al estado de daño, capaz de diferenciar entre procesos moderados y críticos que, sin embargo, su interpretación directa es afectada por la dispersión y el ruido propio de señales espurias. La integración del ACP ayuda a superar estas limitaciones. Al concentrar la información en tres componentes principales con el 90 % al 95 % de la variabilidad total, se logró una reducción objetiva de la dimensionalidad que facilitó la identificación de patrones vinculados con la progresión de grietas, lo que relega señales irrelevantes a planos secundarios. Este efecto se aprecia claramente con las curvas más consistentes y coherentes de los índices de severidad entre probetas. De forma práctica, los hallazgos destacan dos aportaciones esenciales:
En consecuencia, el ACP aporta un valor agregado fundamental para consolidar el uso de EA en el monitoreo estructural de puentes metálicos. Además de mejorar la confiabilidad del diagnóstico, su aplicación también ofrece un marco metodológico replicable que puede integrarse al monitoreo en programas de mantenimiento preventivo y de gestión de infraestructura crítica.
8 ReferenciasASTM International. (2022). ASTM E1316-22: Standard terminology for nondestructive testing. ASTM International. Calabrese, L., Campanella, G., & Proverbio, E. (2016). Acoustic emission monitoring of stress corrosion cracking in AISI 316L stainless steel. Corrosion Science, 112, 216–229. https://doi.org/10.1016/j.corsci.2016.07.008 Carrión, F. J., Quintana, J. A., & Guzmán, G. (2003). La evaluación no destructiva de materiales estructurales y puentes. Querétaro, México: Instituto Mexicano del Transporte. Dirección General de Servicios Técnicos. (2018). Manual de inspección de puentes. Secretaría de Comunicaciones y Transportes. Fowler, T. J., Lock, T. D., & Cruse, G. (1989). Acoustic emission testing of bridge structures. Materials Evaluation, 47(9), 1082–1088. Gallego Molina, A., & Martínez González, A. (2015). Emisión acústica: Fundamentos y aplicaciones. Granada, España: Editorial Universidad de Granada. Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065), 20150202. Lara Magallanes, J., & Sánchez Martínez, R. (2019). Aplicaciones de la emisión acústica en estructuras metálicas. Manuscrito no publicado. Megid, E., Gauthier, C., & El Hage, R. (2019). Monitoring fatigue cracks on eyebars of steel bridges using acoustic emission: A case study. Engineering Structures, 192, 117–127. Physical Acoustics. (2020). Principles of acoustic emission. Physical Acoustics Corporation. https://www.physicalacoustics.com Swit, G. (2018). Smart monitoring systems for cable-stayed bridges: Case study of My Thuan Bridge. Journal of Civil Structural Health Monitoring, 8(3), 343–355. Verstrynge, E., Aggelis, D. G., & Van Gemert, D. (2020). Monitoring masonry arch bridge behaviour using acoustic emission and strain measurements. Construction and Building Materials, 262, 120034. HERNÁNDEZ Jorge Alberto GUZMÁN Germán Michel MARTÍNEZ Luis Alvaro GASCA Héctor Miguel “Las opiniones expresadas en esta publicación son de los autores y no necesariamente reflejan los puntos de vista del Instituto Mexicano del Transporte” |
