Echaveguren Navarro, Tomás BenjamínCisternas Casas, Cristóbal2026-06-162026-06-162026https://repositorio.udec.cl/handle/11594/14170Tesis presentada para optar al título de Ingeniero/a Civil.La gestión de la infraestructura vial en Chile ha dependido históricamente de enfoques reactivos basados en inspecciones visuales, careciendo de modelos predictivos de deterioro adaptados a la realidad nacional. El objetivo de este trabajo es desarrollar un diseño experimental para modelar la degradación en puentes convencionales de tipo viga, integrando principios de ingeniería con técnicas de procesamiento y análisis de datos. En la metodología se definió un vector de características compuesto por diez variables explicativas críticas, abarcando factores climáticos, de tráfico, materialidad y diseño. El procedimiento incorpora técnicas de Inteligencia Artificial en un esquema secuencial: el uso de embeddings de Modelos de Lenguaje Grandes (LLM) para la vectorización de variables categóricas, algoritmos de Machine Learning para la reducción dimensional y el Método de las Ventanas para la generación de series temporales de datos. Finalmente, se formuló un protocolo de calibración y validación comparativa para nueve arquitecturas de regresión, contrastando métodos probabilísticos y deterministas con modelos de aprendizaje profundo (Deep Learning). El estudio demuestra que el diseño experimental propuesto permite transformar los registros históricos de inspección visual en herramientas técnicas de predicción para la gestión de redes a gran escala.Road infrastructure management in Chile has historically relied on reactive approaches based on visual inspections, lacking predictive deterioration models adapted to the national context. The objective of this work is to develop an experimental design to model degradation in conventional beam-type bridges, integrating engineering principles with data processing and analysis techniques. Within the methodology, a feature vector composed of ten critical explanatory variables was defined, encompassing climatic factors, traffic, material properties, and design. The procedure incorporates Artificial Intelligence techniques in a sequential framework: the use of Large Language Model (LLM) embeddings for the vectorization of categorical variables, Machine Learning algorithms for dimensional reduction, and the Sliding Window method for the generation of time-series data. Finally, a calibration and comparative validation protocol was formulated for nine regression architectures, contrasting probabilistic and deterministic methods with Deep Learning models. This study demonstrates that the proposed experimental design enables the transformation of historical visual inspection records into technical prediction tools for large-scale network management.esCC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 InternationalPuentesInteligencia artificialInfraestructuras del transporteThesisINDUSTRIA, innovación, infraestructura