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

Abstract

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

The inspection of seismic isolators is a critical phase in the maintenance of seismically isolated buildings. According to Peruvian Standard E.031, inspections must be conducted every two years or after an earthquake exceeding intensity 6 on the Mercalli scale. Therefore, in emergency scenarios, implementing an efficient seismic isolator in-service inspection system becomes essential. However, a review of existing codes, standards, and methods revealed three key limitations: the absence of a standardized inspection protocol, there are no clear thresholds with which to classify deterioration levels, and current noninvasive methods are costly and laborious to evaluate in-service buildings. This thesis proposes semi-automatic system to assess the deterioration level of inservice seismic isolators based on Deep Learning. The predictive model was trained using 14 lead-rubber bearings (LRBs), inspected and classified through a four-level decision matrix developed from experimental results and international guidelines. Then, ambient vibrations signals were collected using synchronized servo-accelerometers and their dynamic features were extracted. Consequently, a fully connected deep neural network (FC-DNN) was trained on 2234 signal windows, each containing 23 geometric, mechanical, and time-series variables, achieving high classification accuracy (F1 score = 0.94) for condition inspection of LRBs. Subsequently, the Shapley Additive exPlanations (SHAP) technique was implemented to evaluate the interaction of features in the model predictions. Finally, a web GUI was developed to serve educational purposes and with great potential to revolutionize the conventional inspection and monitoring of seismically isolated buildings in the country.