Implementación de algoritmos genéticos para la optimización de hiperparámetros en modelos de clasificación para la detección de grietas en puentes de concreto reforzado

Abstract

Los modelos predictivos de Inteligencia Arti?cial (IA) basados en redes neuronales arti?ciales son ampliamente utilizados para resolver problemas de clasi?cación y regresión en las distintas áreas de la ciencia. Por ejemplo, en la Física se generan modelos que permiten clasi?car tipos de eventos producidos por las colisiones de partículas, determinar enfermedades oculares, como la retinopatía diabética, el glaucoma, entre otras. En Biología, se generan modelos que permiten clasi?car las diferentes especies de plantas, identi?cación de patógenos, predecir el crecimiento de poblaciones de especies, entre otros. En la Ingeniería civil, se generan modelos para identi?car grietas en concreto, clasi?car diferentes tipos de suelo, estimar la vida útil de estructuras civiles, entre otros. Estos modelos son sensibles a los valores de sus parámetros, hiperpar ámetros estructurales, y a sus hiperparámetros de entrenamiento. Por lo tanto, es crucial optimizar estos elementos para asegurar el correcto funcionamiento del modelo y lograr la tarea deseada, minimizando el margen de error en la predicción. La determinación de los valores de estos elementos suele realizarse mediante experimentación, a veces utilizando un enfoque de prueba y error, o incluso adoptando valores predeterminados (por defecto). Sin embargo, el uso de valores predeterminados puede, en muchas ocasiones, no ser su?ciente para generar modelos adecuados. Existe un problema especialmente con los hiperparámetros de la red neuronal, estos elementos no pueden ser aprendidos por el modelo en su entrenamiento. Por esta razón, en este trabajo se propone el uso de técnicas metaheurísticas, particularmente evolutivas como mecanismo de búsqueda para explorar de manera e?ciente el espacio de posibilidades y encontrar valores apropiados de hiperparámetros de la red neuronal, para así llegar a un modelo predictivo que tenga un buen desempeño con estos valores encontrados. Las estructuras civiles, como carreteras, puentes, presas, túneles y pavimentos, frecuentemente enfrentan elevadas tensiones físicas debido a diversos factores, tales como terremotos, explosiones, o simplemente el uso cotidiano. Estos eventos pueden ocasionar desde el colapso total de la estructura hasta daños físicos, comúnmente manifestados en forma de grietas. La detección de grietas, en imágenes digitales, supone un desafío debido a su forma irregular, que no tiene una estructura o tamaños especí?cos. En este trabajo de investigación, se propone, como caso de estudio, generar modelos predictivos optimizados con nuestra metodología, para la detección temprana de grietas en estructuras de concreto reforzado, y así poder estimar la condición estructural que guardan diversas estructuras de ingeniería civil. Los resultados obtenidos en el presente trabajo de investigación demuestran que el uso de algoritmos genéticos permite optimizar hiperparámetros de redes neuronales arti?ciales de manera efectiva. Gracias al uso de este método de búsqueda, se pudieron encontrar con?guraciones adecuadas de hiperparámetros, lo que permitió mejorar signi?cativamente el desempeño de los modelos. Utilizando la Puntuación F1 como métrica de desempeño, se logró una mejora notable en los modelos de clasi?cación para la detección de grietas en el concreto, elevándola de 0.76 a 0.90. Esto ha permitido generar modelos más efectivos para la inspección de obras civiles.