[en] A BIM-BASED FRAMEWORK FOR INFRASTRUCTURE MANAGEMENT: INTEGRATING STRUCTURAL HEALTH MONITORING AND ANN-DRIVEN DAMAGE DETECTION

[pt] UMA PLATAFORMA BASEADA EM BIM PARA GESTÃO DE INFRAESTRUTURA: INTEGRANDO MONITORAMENTO DE INTEGRIDADE ESTRUTURAL E DETECÇÃO DE DANOS ORIENTADA POR RNA

[pt] JOSE GUILHERME PORTO OLIVEIRA

[pt] REDE NEURAL ARTIFICIAL

[pt] MANUTENCAO DE INFRAESTRUTURA

[pt] DETECCAO DE DANOS

[pt] MONITORAMENTO DA SAUDE ESTRUTURAL - SHM

[pt] BIM

[en] ARTIFICIAL NEURAL NETWORKS

[en] INFRASTRUCTURE MAINTENANCE

[en] DAMAGE DETECTION

[en] STRUCTURAL HEALTH MONITORING - SHM

[en] BIM

[pt] 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.

[en] Bridges and viaducts play a critical role in urban infrastructure, ensuring mobility and supporting essential logistical chains. Their exposure to weather, dynamic loads, and aging requires continuous monitoring, as undetected damage can eventually develop into costly structural failures. Traditionally, visual inspections are used for evaluation, but they face limitations: difficulty accessing critical areas and subjectivity in defect interpretation, which depends on the inspector s expertise. Structural Health Monitoring (SHM) systems have emerged as alternatives, using dynamic properties (natural frequencies and mode shapes) to identify changes in structural stiffness. However, environmental factors such as thermal variations interfere with these properties, necessitating methods to distinguish external effects from actual damage. In this context, integrating Building Information Modeling (BIM) and digital twins represents a strategic advance in asset management, enabling the centralization of multidisciplinary data (design, intervention history, inspections) and their association with updatable numerical models to create a dynamic, intelligent infrastructure representation. This work proposes an innovative framework combining SHM, machine learning, and a BIM-based framework to optimize bridge management, focusing on early damage detection and reducing human uncertainty. The methodology was validated through a case study on the Rio Claro overpass (SP-340), which underwent environmental two vibration tests performed 10 years apart. A finite element model (FEM), was developed and updated using the experimental data with the objective of replicating the structure s dynamic behavior. The calibrated model was used to simulate artificial damage at various positions and intensities. Modal curvatures, damage sensitive features derived from vibration mode shapes, were extracted from simulated cases to train artificial neural networks (ANNs) for damage localization and severity estimation. The ANNs achieved classification accuracy exceeding 90 percent, thus, validating their effectiveness in filtering environmental interference. The pre-digital twin, developed from a BIM model enriched with historical, technical, and inspection data, was integrated with the ANNs via a Python script, automating integrity reports based on field data and enabling interactive 3D visualization of structural conditions. The results demonstrate that the proposed approach not only improves diagnostic accuracy but also consolidates fragmented information into a single platform, facilitating predictive maintenance decisions, which can help extend the asset s service life. It is intended to provide an intuitive user interface so that asset managers can make data-driven decisions, overcoming the limitations of traditional visual inspections. This research attempts to bridge the gap between BIM and SHM applications by offering a replicable, efficient solution for infrastructure management.

ELISA DOMINGUEZ SOTELINO

PAULO BATISTA GONCALVES

ELISA DOMINGUEZ SOTELINO

GIUSEPPE MICELI JUNIOR

DIOGO RODRIGO FERREIRA RIBEIRO

RICARDO CARRAZEDO

2025-09-15

2025-04-11

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=72975@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=72975@2

https://doi.org/10.17771/PUCRio.acad.72975