Este artículo presenta un sistema novedoso para la monitorización automatizada y en tiempo real de la salud estructural de puentes mediante la fusión de señales de emisión acústica AE y un conjunto avanzado de redes neuronales. La solución supera las limitaciones de las inspecciones tradicionales al ofrecer evaluación continua y automatizada de la integridad estructural, reduciendo significativamente el riesgo de fallos catastróficos y mejorando la eficiencia operativa. En pruebas el sistema alcanzó una precisión global del 92.1% en la clasificación de estados de daño, representando una mejora del 30% frente a sistemas AE basados en un solo algoritmo, y demuestra viabilidad comercial inmediata gracias a redes de sensores escalables y procesamiento en la nube.

Diseño y despliegue de la red de sensores AE: se implementó una red inalámbrica de sensores WSN con transductores piezoeléctricos colocados estratégicamente sobre la estructura. La ubicación óptima de sensores se determinó mediante simulaciones por Análisis por Elementos Finitos FEA para maximizar la sensibilidad en zonas críticas como soldaduras y apoyos. Cada nodo integra el sensor, un microcontrolador de bajo consumo MSP430 para preprocesado y extracción de características inicial, y un transceptor LoRaWAN para transmisión de datos de largo alcance y bajo consumo.

Procesado de señal y extracción de características: las señales AE en bruto se preprocesan con un filtro Butterworth de paso band 0.1 - 10 kHz para eliminar ruido de alta frecuencia. Se aplica descomposición por paquetes de wavelets WPD para aislar eventos transitorios. Entre las características relevantes extraídas se incluyen Amplitud A, Energía E como integral del cuadrado de la señal, Tiempo de subida RT entre 10% y 90% del pico, Duración D, contenido en frecuencia f obtenido por FFT y coeficientes wavelet en distintas escalas que describen la firma espectral del evento.

Arquitectura del conjunto de redes neuronales: se emplea un ensemble de tres arquitecturas complementarias para mejorar precisión y robustez. Convolutional Neural Network CNN para capturar patrones espaciotemporales en la señal segmentada, Recurrent Neural Network LSTM para modelar dependencias temporales en la serie de eventos AE y una Feedforward Neural Network FNN que procesa el vector sintetizado de características derivadas de WPD, amplitud, energía, tiempo de subida y duración. Las entradas están organizadas de la siguiente forma: CNN recibe la serie temporal segmentada, LSTM secuencias de características por evento y FNN el vector fusionado de estadísticas y coeficientes wavelet.

Logica de fusión: las salidas de cada modelo se combinan mediante un promedio ponderado con pesos dinámicos ajustados por optimización bayesiana para maximizar la exactitud global y minimizar errores de clasificación. La ecuación de fusión utilizada es HF = w1*CNN(x) + w2*LSTM(x) + w3*FNN(x) donde HF es la predicción fusionada, CNN, LSTM y FNN son las predicciones individuales y w1 w2 w3 son pesos adaptativos estimados por Bayesian Optimization empleando un proceso Gaussiano como surrogate para explorar eficientemente el espacio de pesos.

Generación de datos y validación: el conjunto de datos de entrenamiento se generó sintéticamente mediante simulaciones FEA de un puente representativo bajo condiciones de carga controladas, modelando escenarios de daño como iniciación de grietas, fatiga y corrosión. Se aplicaron técnicas de aumento de datos como adición de ruido y time warping para mejorar la generalización. Para validar la solución se desplegó un demostrador en un puente real y se recogieron datos durante un año, permitiendo comparar desempeño en simulación y en campo.

Métricas y análisis: la evaluación incluye Accuracy porcentaje de eventos bien clasificados, Precision para evitar falsos positivos y Recall para detectar todos los eventos de daño reales. Además se define Adequacy = 1 - Mean Absolute Error para enfatizar la minimización del error medio absoluto en la clasificación. El análisis estadístico y de regresión permitió correlacionar las características AE con la probabilidad de daño y ajustar umbrales operativos.

Resultados y discusión: el sistema alcanzó 92.1% de exactitud global, con tasas elevadas de precisión y recall, lo que demuestra su capacidad para minimizar alarmas falsas y detectar degradación estructural real. La optimización bayesiana de los pesos mejoró la detección de microfracturas superficiales y aumentó la fiabilidad en la clasificación rutinaria de anomalías. Estos resultados indican que la combinación de WPD para aislar eventos transitorios y un ensemble CNN LSTM FNN ofrece una solución robusta frente al ruido ambiental característico de puentes en servicio.

Escalabilidad y comercialización: el diseño modular del sistema facilita su ampliación a puentes de distintas dimensiones y complejidad. El procesamiento en la nube permite entrenamiento continuo de modelos y adaptación a condiciones ambientales cambiantes. Nuestra empresa Q2BSTUDIO aporta experiencia en desarrollo de software a medida y aplicaciones a medida, ofreciendo integración completa del sistema de monitorización con plataformas empresariales y servicios cloud. Para proyectos que requieran despliegue en infraestructuras cloud contamos con soporte en servicios cloud AWS y Azure y podemos implementar pipelines de datos, almacenamiento seguro y escalado automático. Además, Q2BSTUDIO desarrolla soluciones de inteligencia artificial específicas para empresas que desean explotar datos AE junto a otros sensores y sistemas de gestión de activos.

Aplicaciones prácticas y oferta de Q2BSTUDIO: esta tecnología está diseñada para integrarse en flujos de trabajo de gestión de infraestructuras, mantenimiento predictivo y toma de decisiones basada en datos. Q2BSTUDIO ofrece servicios integrales que incluyen diseño de software a medida, desarrollo de aplicaciones multiplataforma, ciberseguridad y pentesting, servicios de inteligencia de negocio y dashboards con Power BI, agentes IA para automatización y soluciones IA para empresas. Nuestra propuesta aporta no solo la capa de detección y análisis, sino también la integración para que los responsables de activos reciban alertas accionables, informes periódicos y paneles de control para priorizar intervenciones.

Conclusión: la fusión de técnicas avanzadas de procesado de señal y un conjunto dinámico de redes neuronales proporciona una solución efectiva para la monitorización automatizada de la salud de puentes. Al combinar despliegue optimizado de sensores AE, extracción de características con WPD y una lógica de fusión ajustada por optimización bayesiana se logra una mejora sustancial frente a enfoques convencionales. Q2BSTUDIO está preparada para acompañar la implementación de estas soluciones, desde el desarrollo de software a medida hasta la puesta en marcha en la nube y la protección mediante ciberseguridad, contribuyendo a redes de puentes más seguras y resilientes.

Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud AWS y Azure, servicios inteligencia de negocio, ia para empresas, agentes IA, Power BI