Diseño, desarrollo y evaluación de modelos de predicción de series temporales aplicados al monitoreo geotécnico y estructural

Abstract

Aunque en otros campos de conocimiento se están aplicando técnicas predictivas, generalmente, esto no se está haciendo en el campo del monitoreo geotécnico y estructural. Sin embargo, las tecnologías de muestreo y adquisición de datos de monitoreo han evolucionado, y actualmente hay una gran disponibilidad de datos con los que se pueden analizar las series temporales utilizando técnicas avanzadas de aprendizaje computacional. Este trabajo se centra en el análisis, diseño, implementación y evaluación de técnicas de predicción de series temporales aplicadas al monitoreo geotécnico y estructural. Se explora y compara la eficacia de una variedad de modelos de análisis de series temporales, desde los modelos estadísticos clásicos hasta las redes neuronales. Además, se ha implementado una plataforma de visualización y análisis de los modelos con una arquitectura modular que se adapta a las distintas tecnologías presentes. Los datos de monitoreo se caracterizan por no ser estacionarios y presentar estacionalidades complejas, así como relaciones no lineales entre los componentes de la propia serie. Este comportamiento es más marcado en los sensores estructurales. Estos desafíos hacen que los modelos estadísticos tradicionales, que asumen relaciones lineales y tienen dificultad para modelar estacionalidades complejas, no sean adecuados. En contraste, las redes neuronales recurrentes muestran un rendimiento superior en la predicción de series temporales en este contexto.

While predictive techniques are being applied in other fields of knowledge, they are not being utilized in geotechnical and structural monitoring. However, sampling and data acquisition technologies have evolved, and there is now a vast availability of data that can be analyzed using advanced computational learning techniques. This work focuses on the analysis, design, implementation and evaluation of time series prediction techniques applied to geotechnical and structural monitoring. It explores the effectiveness of a variety of time series analysis models, from classical statistical methods to neural networks. Additionally, a platform for visualization and analysis of the models has been implemented with a modular architecture that adapts to the various present technologies. Monitoring data are characterized by being non-stationary and presenting complex seasonality, as well as non-linear relationships between the components of the series. This behavior is more pronounced in structural sensors. These challenges make traditional statistical models, which assume linear relationships and have difficulty modeling complex seasonality, inadequate. In contrast, recurrent neural networks show superior performance in predicting time series in this context.