⚡ electrical engineering

A Sensor-Integrated, Explainable Machine-Learning Digital-Twin Framework for Field-Validated Service-Life Prediction of Cementitious Materials under Coupled Chloride–Sulfate Carbonation Degradation

Este artículo propone un marco de gemelo digital de aprendizaje automático explicable, integrado con sensores y de cinco capas, que acopla modelos de degradación mecanística de múltiples peligros con IA actualizable en campo para predecir la vida útil de materiales cementicios bajo ataques combinados de cloruros, sulfatos y carbonatación, abordando brechas críticas en los estándares industriales existentes y en los estudios de ML con datos limitados.

Autores originales: Devesh Ojha, Pawan Singh

Publicado 2026-10-12

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Devesh Ojha, Pawan Singh

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El hormigón es el material de construcción más utilizado en la Tierra, formando la columna vertebral de nuestros puentes, carreteras y rascacielos. Sin embargo, como todo material, no es inmortal. A lo largo de las décadas, fuerzas químicas invisibles comienzan a devorar el acero de refuerzo oculto en su interior. La sal del océano o de las carreteras en invierno se filtra, los compuestos de azufre del aire o del suelo reaccionan con el cemento, y el dióxido de carbono de la atmósfera neutraliza lentamente las defensas naturales del hormigón. Cuando estos procesos se combinan, pueden provocar que el acero se oxide y se expanda, agrietando el hormigón desde dentro hacia fuera. Para los ingenieros encargados de mantener estas estructuras seguras, predecir exactamente cuándo ocurrirá este fallo es una cuestión de seguridad pública y necesidad económica. Actualmente, las herramientas utilizadas para realizar estas predicciones suelen analizar cada ataque químico de forma aislada, tratando la sal, el azufre y el dióxido de carbono como problemas separados, o bien dependen de modelos informáticos que son tan complejos y opacos que nadie puede explicar por qué han llegado a una conclusión específica.

Un equipo de investigadores de la Universidad de Amity, en la India, ha propuesto una nueva forma de resolver este enigma. No están informando sobre nuevos experimentos de laboratorio o un único descubrimiento trascendental, sino más bien sobre un plano integral para un sistema más inteligente y transparente. Lo llaman un "gemelo digital", que es esencialmente una copia virtual y viva de una estructura de hormigón real que se actualiza por sí misma en tiempo real. Este nuevo marco está diseñado para escuchar a los sensores integrados directamente en el hormigón, combinar esos datos en vivo con las leyes conocidas de la química y la física, y utilizar la inteligencia artificial para predecir cuánto durará la estructura. Crucialmente, a diferencia de muchos sistemas de IA modernos que actúan como "cajas negras" donde el razonamiento permanece oculto, este sistema está construido para explicar su propia lógica, indicando a los ingenieros exactamente qué factores están impulsando la predicción.

El núcleo de su propuesta es un marco de cinco capas que imita la forma en que pensaría un experto humano, pero con la velocidad y precisión de una computadora. La primera capa involucra los sensores físicos. Imagine dispositivos diminutos enterrados dentro del hormigón que actúan como un sistema nervioso, midiendo constantemente la humedad, la resistencia eléctrica y los niveles químicos de iones de cloruro y sulfato. Estos sensores envían sus datos a un núcleo central. La segunda capa es el "núcleo mecanicista", un conjunto de reglas matemáticas que describen cómo se mueven y reaccionan estos productos químicos dentro del hormigón. Esta parte del sistema se basa en la física establecida, asegurando que la computadora nunca prediga algo que viole las leyes de la naturaleza, como que los productos químicos se muevan más rápido de lo que físicamente pueden hacerlo.

La tercera capa introduce la inteligencia artificial, pero con un giro. En lugar de permitir que la IA adivine basándose solo en patrones, los investigadores la obligan a trabajar junto a las reglas de la física. La IA observa los datos de los sensores y las predicciones del modelo físico, y aprende a corregir cualquier error pequeño o brecha. Si el modelo físico dice que la sal debería estar a cierta profundidad, pero el sensor dice que está más profunda, la IA ajusta la prediccción. Esto crea un modelo híbrido que está basado tanto en los datos como en la física. La cuarta capa es el propio "gemelo digital", que actúa como un actualizador continuo. A medida que llegan nuevos datos del campo, el sistema recalcula su comprensión de la salud de la estructura, refinando su estimación de la vida útil restante. Esto es similar a cómo un pronóstico del tiempo mejora a medida que llegan nuevos datos de satélite, pero aquí el "clima" es la lenta degradación de décadas de un puente o una presa.

La innovación más significativa de este trabajo es la quinta capa: la explicabilidad. En muchos sistemas informáticos avanzados, la respuesta final se entrega sin una razón clara, lo que hace que los ingenieros duden en confiar en ella. Este marco utiliza un método específico para desglosar la predicción en sus partes componentes. Puede decirle a un ingeniero: "Es probable que la estructura falle en 15 años, y la razón principal es el alto nivel de sulfato en el suelo, no la sal". Esta transparencia permite a los expertos humanos verificar la lógica frente a su propia experiencia e intuición física. Los investigadores probaron su idea comparándola con otros seis marcos existentes de gemelos digitales y aprendizaje automático. Encontraron que, si bien otros sistemas podrían sobresalir en la detección de grietas estructurales o vibraciones, ninguno logró combinar con éxito el acoplamiento químico de múltiples peligros con datos de sensores en tiempo real y explicaciones claras y legibles para los humanos.

Los autores advierten cuidadosamente que este es un marco conceptual, un plan detallado de cómo debería construirse tal sistema, más que un producto terminado que funcione actualmente en un puente. Aún no han construido una nueva estructura física para probarlo. En su lugar, demostraron cómo funcionaría su sistema utilizando rangos de datos y escenarios encontrados en la literatura científica existente. Mostraron que sus fórmulas matemáticas podían manejar las complejas interacciones entre el cloruro, el sulfato y la carbonatación, y que su algoritmo teóricamente podía actualizar sus predicciones a medida que llegaba nueva información. También esbozaron un plan riguroso para cómo este sistema podría validarse en el mundo real, sugiriendo que el trabajo futuro debería implicar la prueba contra datos de monitoreo a largo plazo de la infraestructura real, como la Presa de Itaipú en Brasil o los sitios de exposición marina utilizados para calibrar los estándares actuales de la industria.

Los investigadores reconocen que persisten desafíos significativos antes de que este sistema pueda ser adoptado ampliamente. Los sensores mismos deben ser capaces de sobrevivir durante décadas dentro del entorno hostil del hormigón sin fallar o crear nuevas vías para que los productos químicos entren. El costo computacional de ejecutar estos modelos complejos y acoplados en tiempo real es alto, y el sistema requiere un flujo constante de datos de alta calidad que actualmente es difícil de obtener. Además, aunque la física del cloruro y la carbonatación está bien comprendida, el comportamiento del ataque por sulfatos y otras reacciones químicas aún no está completamente mapeado, lo que significa que el "núcleo mecanicista" del gemelo digital tendrá que evolucionar a medida que la ciencia progrese.

A pesar de estos obstáculos, el artículo ofrece un camino claro hacia el futuro de la gestión de infraestructuras. Al fusionar la fiabilidad de las leyes físicas con la adaptabilidad del aprendizaje automático, y al insistir en que la computadora debe explicar su razonamiento, los investigadores proponen un sistema que podría cambiar fundamentalmente la forma en que mantenemos el entorno construido. Este enfoque va más allá de la simple conjetura o los modelos aislados, ofreciendo una forma de ver las batallas químicas ocultas que ocurren dentro de nuestro hormigón y de predecir su resultado con una claridad que ha faltado hasta ahora. El objetivo final no es solo predecir el fallo, sino proporcionar a los ingenieros la información específica y comprensible que necesitan para tomar mejores decisiones sobre la reparación y el mantenimiento, asegurando que las estructuras en las que confiamos permanezcan seguras para las generaciones venideras.

Resumen Técnico: Un Marco de Gemelo Digital de Aprendizaje Automático Explicable e Integrado con Sensores para la Predicción de la Vida Útil de Servicio de Materiales Cementicios Validada en Campo

1. Planteamiento del Problema

La infraestructura de cemento reforzado está sujeta a múltiples mecanismos de degradación simultáneos, específicamente la entrada de cloruros, el ataque por sulfatos, la carbonatación y los ciclos de hielo-deshielo o de reacción álcali-sílice (ASR). Sin embargo, los modelos de vida útil estándar de la industria (por ejemplo, Life-365, DuraCrete, fib Model Code) tratan estos mecanismos de forma aislada o dependen de leyes deterministas de un solo mecanismo (por ejemplo, la segunda ley de Fick). Estos modelos carecen a menudo de la capacidad para manejar interacciones de riesgos múltiples acoplados, particularmente bajo condiciones de humedad o ciclos de secado-humedecimiento, donde la cinética de reacción difiere significativamente de las pruebas de laboratorio en estado saturado.

Concurrentemente, aunque los estudios de Aprendizaje Automático (ML) y Aprendizaje Profundo (DL) han demostrado una alta precisión predictiva (hasta el 99%) en conjuntos de datos de laboratorio curados, sufren de limitaciones críticas:

Falta de Validación en Campo: La mayoría de los modelos son entrenados con datos generados en laboratorio con validación limitada o nula frente al monitoreo de campo a largo plazo.
Escasa Interpretabilidad: Los modelos suelen funcionar como "cajas negras", careciendo de la explicabilidad requerida para la toma de decisiones de ingeniería.
Ausencia de Restricciones Mecanísticas: Los enfoques puramente basados en datos no incorporan las leyes físicas gobernantes, lo que conduce a una pobre generalización en escenarios del mundo real.
Naturaleza Estática: Los marcos existentes rara vez acomodan actualizaciones en tiempo real provenientes de sensores embebidos para refinar las predicciones a medida que llega nueva información.

La brecha de investigación identificada es la ausencia de un marco de gemelo digital explicable e integrado con sensores que acople modelos de degradación mecanística de riesgos múltiples con aprendizaje automático actualizable mediante campo para materiales cementicios.

2. Metodología

Los autores proponen un marco conceptual de cinco capas diseñado para fusionar el sensado embebido, el modelado basado en la física y la IA explicable dentro de una arquitectura de gemelo digital sincronizada.

Capa 1: Sensado de Campo
- Utiliza sensores electroquímicos embebidos (potencial de media celda, resistencia de polarización lineal, resistividad) y sensores ópticos (Fiber Bragg Grating para deformación/temperatura, optodos de pH/cloruros).
- Incluye muestreo ex-situ periódico (extracción de núcleos) para la verificación microestructural (SEM, XRD, MIP).
Capa 2: Núcleo Mecanístico Acoplado
- Sirve como la columna vertebral físicamente restringida, modelando el transporte reactivo de múltiples iones.
- Las ecuaciones gobernantes incluyen:
  - Transporte de Cloruros: Segunda ley de Fick con isotermas de unión (Tang y Nilsson) y términos de migración de Nernst-Planck.
  - Difusión-Reacción de Sulfatos: Cinética de formación de etringita acoplada con tasas de reacción dependientes de la humedad ( $k_r(\theta_w)$ ) para reconciliar las cinéticas conflictivas de saturación/insaturación.
  - Carbonatación: Un modelo de propagación de raíz cuadrada del tiempo derivado de la teoría de difusión-reacción de CO₂.
- Estos mecanismos se acoplan mediante variables de estado comunes: contenido de humedad, temperatura y competencia de unión de iones. El marco desarrolla las formulaciones matemáticas para cada capa, sintetizando las leyes de difusión Fickiana/Nernst-Planck acopladas y la formación de cinética de etringita impulsada por sulfatos previamente mostradas para el acoplamiento por pares.
Capa 3: Capa de Aprendizaje Automático Explicable
- Un modelo de ML híbrido (por ejemplo, Árboles de Gradiente Potenciado o Redes Neuronales Informadas por la Física - PINNs) entrenado en la salida combinada del núcleo mecanístico y los flujos de sensores.
- Pérdida Informada por la Física: El modelo de ML minimiza una función de pérdida compuesta ( $L = L_{data} + \lambda_{phys} L_{phys}$ ), donde $L_{phys}$ impone la consistencia con las ecuaciones de transporte gobernantes (por ejemplo, la Ecuación 8).
- Explicabilidad: Utiliza valores SHAP (Valores de Explicación de Adición de Shapley) para descomponer las predicciones en contribuciones de variables individuales de exposición y diseño de mezcla, asegurando que la salida sea interpretable para los ingenieros.
Capa 4: Sincronización del Gemelo Digital
- Emplea un esquema de asimilación de datos Bayesiano (filtro de Kalman o filtro de partículas) para actualizar el estado interno del gemelo digital.
- Distingue entre incertidumbre aleatoria (variabilidad de la medición/material) e incertidumbre epistémica (incertidumbre de la forma del modelo).
- El vector de estado se actualiza reconciliando el prior mecanístico-ML con las nuevas observaciones de los sensores ( $y_k$ ), permitiendo que el modelo "aprenda" de los datos de campo y reduzca la incertidumbre con el tiempo.
Capa 5: Salida de Soporte a la Decisión
- Genera una estimación probabilística de la Vida Útil de Servicio Remanente (RSL).
- Proporciona disparadores de mantenimiento jerarquizados e interpretables e identifica los principales factores (vía valores SHAP) que influyen en la predicción.

Flujo de Trabajo Computacional: El marco opera en un ciclo de sincronización (por ejemplo, diario/semanal):

Adquisición: Los datos brutos de los sensores son preprocesados.
Pase Directo Mecanístico: El núcleo acoplado predice el estado prior.
Corrección de ML: La capa de ML aplica una corrección de sesgo basada en el prior y los datos de los sensores.
Asimilación Bayesiana: El estado se actualiza utilizando la ecuación del filtro de Kalman.
Proyección de RSL: El estado posterior se propaga hacia adelante hasta alcanzar un umbral crítico (por ejemplo, contenido crítico de cloruros).
Reporte: Los resultados se visualizan para los gestores de activos.

3. Contribuciones Clave

Arquitectura de Integración Novedosa: El artículo presenta un marco conceptual que integra un núcleo de transporte reactivo de múltiples riesgos mecanísticos, ML explicable actualizable en campo y actualización de gemelo digital Bayesiano dentro de una única arquitectura sincronizada. Esta integración distingue al enfoque propuesto de los marcos existentes al abordar simultáneamente las restricciones entre el modelo mecanístico y los términos de corrección de ML en términos de flujo de datos y lógica de actualización, en lugar de reclamar la novedad absoluta de los componentes individuales.
Formulación Matemática: El trabajo desarrolla las formulaciones matemáticas gobernantes para cada capa, sintetizando las leyes de difusión Fickiana/Nernst-Planck acopladas y la cinética de formación de etringita impulsada por sulfatos (previamente mostradas para el acoplamiento por pares) e introduciendo explícitamente tasas de reacción dependientes de la humedad para abordar los hallazgos conflictivos de la literatura sobre la cinética del ataque por sulfatos.
Explicabilidad por Diseño: A diferencia de los modelos de durabilidad de "caja negra" anteriores, este marco exige la atribución basada en SHAP como un resultado central, abordando la brecha de interpretabilidad identificada en revisiones recientes de RILEM.
Cuantificación de la Incertidumbre: Trata formalmente la propagación de la incertidumbre, separando los componentes aleatorios y epistémicos y demostrando cómo las actualizaciones Bayesianas reducen la incertidumbre epistémica a medida que se acumulan las observaciones de campo.
Estrategia de Validación: Los autores describen un enfoque de validación por etapas utilizando conjuntos de datos existentes y nombrados (por ejemplo, registros de núcleos de la Presa de Itaipú, programa LTBP de la FHWA, datos de calibración de campo de Life-365) en lugar de proponer nuevas campañas experimentales.

4. Resultados y Demostración

El artículo no reporta nuevos resultados experimentales de laboratorio. En su lugar, proporciona:

Cálculos Ilustrativos: La Figura 2 demuestra la salida del núcleo mecanístico utilizando rangos de parámetros derivados de la literatura para la entrada de cloruros, mostrando la capacidad del modelo para simular perfiles de difusión.
Calificación Cualitativa de Capacidad: Un sistema de calificación basado en rúbricas (Figura 3, Tabla 3a) compara el marco propuesto contra seis estudios existentes de gemelos digitales y ML de durabilidad. El marco propuesto obtiene la puntuación más alta en todas las cinco dimensiones: acoplamiento mecanístico, IA explicable, actualización Bayesiana, sensado de campo embebido y capacidad de riesgos múltiples.
Síntesis de Brechas: El análisis confirma que, si bien existen componentes individuales (modelos mecanísticos, ML, sensores) en la literatura, su intersección en un único marco validable en campo está actualmente vacía.

5. Significado y Reivindicaciones

Los autores afirman que este trabajo aborda una brecha de investigación específica y respaldada por la literatura al proporcionar un marco conceptual y orientado al método en lugar de un nuevo conjunto de datos experimentales. Su importancia radica en:

Cerrar la Brecha: Conecta los enfoques "solo mecanísticos" y "solo ML", creando un sistema híbrido que aprovecha la consistencia física de los modelos mecanísticos y la adaptabilidad del ML.
Preparación para el Campo: Al incorporar la actualización Bayesiana y manejar la deriva de los sensores/incertidumbre, el marco está diseñado para el despliegue a largo plazo en el mundo real, donde los datos son ruidosos e incompletos.
Utilidad para la Ingeniería: El enfoque en la explicabilidad basada en SHAP asegura que el resultado sea accionable para los ingenieros de gestión de activos, no solo para los científicos de datos.
Escalabilidad: El marco está diseñado para ser modular, permitiendo la integración de diferentes tipos de sensores, arquitecturas de ML y núcleos mecanísticos sin alterar la lógica central de sincronización.

El artículo concluye que la predicción de la vida útil de servicio de riesgos múltiples, verdaderamente validada en campo e interpretable, requiere este desarrollo transparente y matemáticamente riguroso. El trabajo futuro se identifica como la construcción de conjuntos de datos estandarizados, la prueba de la capa de ML informada por la física con datos reales de múltiples mecanismos y la realización de despliegues piloto en campo para validar el esquema de actualización Bayesiana y las consideraciones prácticas de implementación (por ejemplo, deriva de sensores, integración con BIM).