Métodos basados en aprendizaje profundo para la evaluación de patologías en hormigón estructural: una revisión sistemática

Abstract

El aprendizaje profundo demostró ser una herramienta efectiva en la detección de patologías en hormigón estructural, permitiendo mejorar los procesos de inspección y mantenimiento. Esta revisión sistemática tiene como objetivo analizar los métodos basados en aprendizaje profundo utilizados en la evaluación de patologías en estructuras de hormigón, identificando sus ventajas, limitaciones y aplicaciones prácticas. El estudio se llevó a cabo siguiendo la metodología PRISMA, realizando una búsqueda exhaustiva en bases de datos académicas como IEEE Xplore, ScienceDirect y Scopus. Tras la aplicación de criterios de inclusión y exclusión, se seleccionaron 99 artículos relevantes. Se analizó la eficacia de los modelos utilizados, los conjuntos de datos empleados, las métricas de evaluación y los desafíos existentes en su implementación. Los resultados indican que las Redes Neuronales Convolucionales (CNN), como YOLOv8, Faster R-CNN y U-Net, son ampliamente utilizadas y han demostrado ser eficaces en la detección de grietas y defectos en hormigón. Sin embargo, la falta de estandarización en los criterios de evaluación y la necesidad de grandes volúmenes de datos etiquetados siguen siendo retos importantes. El aprendizaje profundo tiene un gran potencial en la inspección estructural, pero su implementación efectiva requiere mejoras en la calidad de los datos, optimización computacional y estandarización de métricas, con el fin de facilitar su aplicación a gran escala en la industria de la construcción.