Pontes e viadutos desempenham papel crítico na infraestrutura urbana, garantindo mobilidade e sustentando cadeias logísticas essenciais. Sua exposição a intempéries, cargas dinâmicas e envelhecimento demanda um cuidado contínuo, uma vez que danos não detectados precocemente podem evoluir para falhas estruturais custosas. Tradicionalmente, inspeções visuais são utilizadas para avaliação, mas enfrentam limitações: dificuldade de acesso a áreas críticas (como vãos elevados) e subjetividade na interpretação de defeitos, dependente da experiência do profissional. Sistemas de Monitoramento da Saúde Estrutural (SHM) surgem como alternativa, utilizando propriedades dinâmicas (frequências naturais e formas modais) para identificar alterações na rigidez da estrutura. No entanto, fatores ambientais, como variações térmicas, interferem nessas propriedades, exigindo métodos capazes de distinguir entre efeitos externos e danos reais. Nesse cenário, a integração de Modelagem da Informação da Construção (BIM) e gêmeos digitais apresenta-se como avanço estratégico para a gestão de ativos, pois permite centralizar dados multidisciplinares (projeto, histórico de intervenções, inspeções) e associá-los a modelos numéricos atualizáveis, criando uma representação dinâmica e inteligente da infraestrutura. Este trabalho propõe uma estrutura de trabalho inovadora que combina SHM, aprendizado de máquina e uma plataforma baseada em BIM para otimizar a gestão de pontes, focando na detecção precoce de danos e na redução de incertezas humanas. A metodologia foi aplicada a um viaduto em Rio Claro (SP-340), submetido a ensaios de vibração ambiental em dois instantes, com intervalo de 10 anos entre eles. Um modelo de elementos finitos (MEF) foi desenvolvido e calibrado usando dados experimentais, com o objetivo de replicar o comportamento dinâmico da estrutura. O modelo ajustado foi utilizado para simular danos artificiais em diversas posições e intensidades. Curvaturas modais, extraídas das formas de vibração dos casos simulados, compuseram um banco de dados para treinar redes neurais artificiais (RNA), responsáveis por localizar danos e estimar sua severidade. As RNAs alcançaram acurácia superior a 90 por cento, validando sua eficácia na filtragem de interferências. O gêmeo digital prévio, desenvolvido a partir de um modelo BIM enriquecido com dados históricos, técnicos e de inspeção, foi integrado às RNAs por meio de um Script Python, automatizando a geração de relatórios de integridade baseados em dados de campo e permitindo visualização 3D interativa das condições estruturais. Os resultados demonstram que a abordagem proposta não apenas melhora a precisão do diagnóstico, mas também consolida informações fragmentadas em uma plataforma única, facilitando decisões de manutenção preditiva e que podem ajudar a prolongar a vida útil do ativo. Pretende-se com a estrutura de trabalho proposta prover uma interface intuitiva para que gestores de ativos de infraestrutura possam tomar decisões baseadas em dados, superando parte das limitações decorrentes das inspeções tradicionais. Este trabalho tenta suprir uma lacuna entre o método BIM e ferramentas SHM oferecendo uma solução eficaz e replicável para a gestão de infraestruturas.