2026-06-20T04:05:20Zhttps://riubu.ubu.es/oai/requestoai:riubu.ubu.es:10259/68922024-05-20T09:46:32Zcom_10259.4_104com_10259_2604col_10259_6848
Morales Sánchez, Francisco José
daf948a7-25a6-4323-b7ec-9ec8e421390f
600
Reyes Gutiérrez, Antonio
7f60e264-72fb-460a-bee0-bc65c52b45fc
600
Caceres Sánchez, Noelia
53267c34-7766-4315-aa62-d6cc666d433f
600
Romero Pérez, Luis Miguel
ae2fdbb9-c207-4936-892c-dbd616a69de0
600
García Benítez, Francisco
c41b3802-07f8-45ac-814d-0ab598f22a89
600
2022-09-16T10:52:16Z
2022-09-16T10:52:16Z
2021-07
978-84-18465-12-3
http://hdl.handle.net/10259/6892
10.36443/10259/6892
Trabajo presentado en: R-Evolucionando el transporte, XIV Congreso de Ingeniería del Transporte (CIT 2021), realizado en modalidad online los días 6, 7 y 8 de julio de 2021, organizado por la Universidad de Burgos
Las técnicas de mantenimiento predictivo persiguen disminuir la aparición de fallos
imprevistos, y la ejecución de las intervenciones correctivas necesarias que deben llevarse
a cabo con anterioridad a la aparición de los fallos.
Esta comunicación presenta una metodología, que permite automatizar la predicción de
alertas de mantenimiento en infraestructuras lineales de transporte, aplicada al caso de una
red de carreteras. Combina información cuantitativa del estado del activo junto con datos
de las intervenciones de mantenimiento operativos e históricos, haciendo uso de técnicas
de analítica de datos y modelos de aprendizaje automático.
Una vez los modelos se encuentran entrenados, se infiere el estado del activo en el
escenario futuro de interés, y las tareas de mantenimiento necesarias para evitar una
degradación posterior o desajustes de las condiciones de seguridad y/o confortabilidad. La
metodología genera una lista priorizada correspondiente a las alertas generadas por todos
los activos de la infraestructura monitorizada.
La parte científica de esta comunicación presenta: i) el análisis de la información mínima
necesaria para obtener predicciones de alertas, y de las intervenciones de mantenimiento
más probables asociadas a ellas en redes de carreteras; ii) el diagrama de flujo esquemático
del conjunto de herramientas desarrollado para predecir alertas de mantenimiento; iii) el
procedimiento metodológico utilizado, para activar alertas y predecir las intervenciones
más probables, necesario para resolver estas alertas; iv) la metodología para determinar la
fiabilidad y el nivel de severidad de alertas frente a falsos positivos y negativos.
La parte empírica del artículo recoge la descripción y resultados de un caso piloto de red de
carreteras.
Finalmente, se extraen conclusiones sobre el enfoque del procedimiento propuesto y la
capacidad predictiva alcanzada.
Esta investigación ha recibido financiación del Programa de Investigación e Innovación Horizonte 2020 de la Unión Europea (acuerdo de subvención n ° 636496). Algunos de los autores agradecen al Ministerio de Economía y Competitividad de España (MINECO) la subvención parcial concedida en el marco del programa nacional de I + D + i (TRA2015- 65503) y del Programa Torres Quevedo (PTQ-13-06428). El contenido refleja únicamente la opinión de los autores y se declara que la UE y el MINECO no son responsables del uso que pueda hacerse de la información contenida en él. Los desarrollos llevados a cabo en esta investigación no habrían sido posible sin la participación de la entidad Infrastruturas de Portugal, y la estrecha colaboración de sus técnicos João Morgado, Emanuel Duarte, y Teresa Martins.
application/pdf
spa
Universidad de Burgos. Servicio de Publicaciones e Imagen Institucional
R-Evolucionando el transporte
http://hdl.handle.net/10259/6490
https://doi.org/10.36443/9788418465123
info:eu-repo/grantAgreement/EC/H2020/636496
info:eu-repo/grantAgreement/MINECO//TRA2015-65503-R/ES/SISTEMA PREDICTIVO DE ALERTAS Y NIVELES DE SEVERIDAD EN ACTIVOS LINEALES DE INFRAESTRUCTURAS DEL TRANSPORTE
info:eu-repo/grantAgreement/MINECO//PTQ-13-06428
Infraestructuras
Infrastructures
Ingeniería civil
Transportes
Informática
Civil engineering
Transportation
Computer science
Técnicas de aprendizaje automático para la predicción de intervenciones de mantenimiento en infraestructuras lineales de carretera
info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
info:eu-repo/semantics/openAccess
731
747
THUMBNAIL
Morales_CIT2021_731-747.pdf.jpg
Morales_CIT2021_731-747.pdf.jpg
IM Thumbnail
image/jpeg
4116
https://riubu.ubu.es/bitstream/10259/6892/3/Morales_CIT2021_731-747.pdf.jpg
f1bf0629a8810349e9959d568c64e5a4
MD5
3
LICENSE
license.txt
license.txt
text/plain; charset=utf-8
1362
https://riubu.ubu.es/bitstream/10259/6892/2/license.txt
5d013bfa6e473ff0db22cd82a4d71a70
MD5
2
ORIGINAL
Morales_CIT2021_731-747.pdf
Morales_CIT2021_731-747.pdf
application/pdf
775388
https://riubu.ubu.es/bitstream/10259/6892/1/Morales_CIT2021_731-747.pdf
2a7ffe700c755f0418e809bd8dc26180
MD5
1
10259/6892
oai:riubu.ubu.es:10259/6892
2024-05-20 11:46:32.889
Repositorio Institucional de la Universidad de Burgos
bubrep@ubu.es
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