Desde hace más de diez años, INES Ingenieros Consultores ha colaborado estrechamente con el Ministerio de Transportes y Movilidad Sostenible (MITMS) en la gestión de sus más de 25.000 puentes y estructuras a través de diversos contratos marco, en asociación con su socio GEOCISA. Con el objetivo de mejorar dicha gestión, hasta ahora centrada en la monitorización periódica del estado de las estructuras, INES ha propuesto integrar técnicas avanzadas de analítica y machine learning que permitan la predicción futura del estado de los puentes y la evolución hacia un modelo de mantenimiento predictivo. Esta transición ayudará a anticipar las necesidades de intervención, optimizando tanto la seguridad de los usuarios como la eficiencia económica a lo largo del ciclo de vida de cada activo.

Como parte de su política de gestión de activos, el MITMS dispone de una completa base de datos de inventario de las estructuras que proporciona información exhaustiva sobre tipología, dimensiones, materiales y características específicas de los componentes de cada puente. Asimismo, en cumplimiento de la Norma 6.3-IC, el ministerio lleva más de 15 años realizando inspecciones regulares de los puentes con periodicidades variadas según su tipo, incluyendo inspecciones básicas anuales e inspecciones principales aproximadamente cada 5-10 años. Además, cuentan con registros de incidencias, registros de actuaciones de emergencia, datos históricos de intervenciones y datos operacionales, como los niveles de tráfico. Este extenso conjunto de datos históricos representa una fuente de información de gran valor que, al ser analizada mediante herramientas de analítica avanzada, pueden utilizarse para predecir la fiabilidad de las estructuras e implementar un mantenimiento predictivo.

Para ello, INES ha trabajado en el desarrollo de una solución basada en algoritmos de machine learning que permite predecir el estado futuro de los puentes gestionados por el MITMS. Este sistema utiliza algoritmos de potenciación de gradiente alimentados con todos los datos descriptivos disponibles para predecir la velocidad de degradación de cada estructura y con ella calcular su índice de estado futuro. La elección del algoritmo de machine learning (potenciación de gradiente) responde tanto al problema de regresión a resolver como a la tipología y calidad de los datos existentes.

Los resultados obtenidos representan una mejora del 40% en la precisión respecto al modelo trivial, con errores medios absolutos de en torno a 6 puntos, y proporcionan un conocimiento continuo del estado de las estructuras, superando la limitación de las evaluaciones periódicas que, en el mejor de los casos, ofrecen una “fotografía” estática cada cinco años.

El éxito del proyecto abre nuevas posibilidades para optimizar la gestión de los puentes a través de la anticipación de sus necesidades de mantenimiento, incrementando la seguridad y eficiencia en el uso de recursos en las infraestructuras gestionadas por el MITMS. Además, abre nuevas vías de trabajo para mejorar las metodologías de evaluación de puentes e integrar las predicciones en los procesos de toma de decisiones, orientando la gestión de activos hacia un mantenimiento predictivo.