Identificación de variables influyentes en calificación de condición de deterioro de puentes usando algoritmos de Machine Learning.

Abstract

Chile cuenta con bases de datos detalladas de tráfico de vehículos y catastro e inspección de puentes que no se encuentran conectadas entre sí. En la inspección de puentes se incluye la calificación de condición de deterioro de puentes, usada para tomar decisiones respecto a la mantención de puentes, pero no predice la condición de puentes en el tiempo. Para la calibración de un modelo de comportamiento de puentes es necesario determinar qué variables incluir en este, ya que la inclusión o exclusión de variables explicativas significativas o ponderar erróneamente estas variables podría afectar en la habilidad de predicción del modelo. El propósito de la memoria fue determinar la influencia de variables explicativas en la calificación de condición de puentes usando bases de datos en Chile. Se midió la influencia de las variables utilizando ReliefF e Importancia de Atributos por Permutación aplicada en las técnicas Random Forest y Extreme Gradient Boosting. Se concluyó que las variables más influyentes fueron la cantidad de deterioros en un puente, la longitud total del puente, el ancho total del puente, la cantidad de deterioros por la longitud del puente y la materialidad de las vigas. De las variables influyentes, solo la cantidad de deterioros y la causa de deterioros se encuentran incluidas en la calificación de condición actual. Estas variables pueden orientar la calibración de modelos de comportamiento de puentes.

Chile has detailed databases of traffic and bridge inventory and inspection that are not connected. The bridge inspection includes the bridge condition rating, used to make maintenance decisions but it cannot predict the bridge condition in time. To calibrate a bridge condition behavior model, it is crucial to determine which explanatory variables need to be considered, as including or excluding significant explanatory variables or weighting variables wrongfully may affect the prediction ability of the behavior model. The purpose of this research was to determine the influence of explanatory variables in the bridge condition rating using Chilean databases. The influence of variables was measured using ReliefF and Feature Importance by Permutation joined with Random Forest and Extreme Gradient Boosting. In conclusion the most influential variables weighted by percentage score were the total number of deteriorations in the bridge, total bridge length, total bridge width, number of deteriorations by bridge longitude and girder material. Among the influential variables only the total number of deteriorations and the cause of deterioration are included in the bridge condition rating calculations. These variables can inform the calibration of bridge condition behavior models.