Seminario de Doctorado con Maria Elena Quiroz "Aplicaciones de inteligencia artificial para la detección automática de daño en turbinas eólicas"

Expone: María Elena Quiroz, Estudiante de doctorado en City St George’s, University of London. Titulada de Ingeniera Civil y M.Sc. de la Universidad Técnica Federico Santa María. Ha participado en proyectos de amenaza sísmica y monitoreo estructural, y actualmente desarrolla su investigación doctoral en el área de monitoreo de salud estructural (SHM) aplicado a turbinas eólicas marinas. Su trabajo busca contribuir al desarrollo de soluciones sostenibles para la transición energética, mediante la integración de tecnologías avanzadas como machine learning, procesamiento de señales, ensayos híbridos en tiempo real (real-time hybrid simulation), diseño experimental, control estructural, ingeniería sísmica y estructuras inteligentes. Ha presentado en conferencias internacionales como UK Association for Computational Mechanics (UKACM 2025) en Londres, 10th International Conference on Computational Methods in Structural Dynamics and Earthquake Engineering en Rhodes, Grecia, y 16th International Workshop on Advanced Smart Materials and Smart Structures Technology en Hong Kong, China, donde también participó en la 14th Asia-Pacific-Euro Summer School on Smart Structures Technology.

• Fecha: Miércoles 11 de marzo
• Hora: 13:30 hrs
• Modalidad: Online

Pide el link de ZOOM haciendo click aquí

Resumen:

La crisis climática ha puesto en primer plano la necesidad de transformar las formas de generación de energía. Los combustibles fósiles representan más del 40% de las emisiones globales de CO₂, por lo que alcanzar la meta de cero emisiones al 2050 exige una transición acelerada hacia fuentes limpias. En este contexto, la energía eólica se ha consolidado como una alternativa eficiente, reflejada en Chile con la instalación de 62 centrales y más de 1400 aerogeneradores desde 2007. Este crecimiento plantea el desafío de implementar estrategias de mantenimiento adecuadas y eficientes en dichas estructuras que pueden superar los 100 m de altura. El monitoreo de salud estructural (Structural Health Monitoring, SHM) surge como una herramienta clave para optimizar dichos procesos mediante la detección temprana de daños, evitando largos períodos de inactividad y altos costos de reparación. Este trabajo propone un marco de SHM basado en inteligencia artificial que emplea únicamente la respuesta dinámica del sistema, sin necesidad de datos de cargas externas, y que identifica anomalías a partir del estado original de la estructura. El algoritmo se evalúa en dos casos de estudio: (i) datos experimentales de una instalación a escala de laboratorio y (ii) datos simulados obtenidos de modelos digitales de alta fidelidad. Se consideran distintos tipos de sensores (aceleración y deformación), así como diversas intensidades y ubicaciones de daño. Los resultados muestran que los datos de aceleración son altamente efectivos para detectar la presencia de daño, mientras que los de deformación mejoran la precisión en la localización. El marco propuesto demuestra sensibilidad frente a cambios estructurales sutiles y robustez bajo condiciones variables. Esta metodología de SHM, escalable y completamente automática, ofrece un gran potencial para su aplicación práctica en aerogeneradores marinos y otros sistemas estructurales complejos.