CUCUNA

Model Card: DeepFatigue-Concrete-v4

Model Description

DeepFatigue-Concrete-v4 es un modelo de aprendizaje profundo basado en una arquitectura de Perceptrón Multicapa (MLP) profunda con regularización Dropout (0.2). El modelo está diseñado y optimizado para la predicción de la vida útil remanente (RUL) y la degradación de la rigidez efectiva ante solicitaciones de fatiga mecánica cíclica en vigas y elementos estructurales de hormigón armado en edificios de gran altura e infraestructura de puentes.

Intended Uses & Limitations

Este modelo está destinado exclusivamente como herramienta de soporte en el monitoreo de salud estructural (SHM) y mantenimiento predictivo. * Limitaciones críticas: El modelo asume un comportamiento del material estrictamente conforme a las formulaciones estandarizadas de cemento Portland Tipo I y Tipo II bajo condiciones de humedad ambiental uniforme. Se advierte a los ingenieros calculistas ejercer extrema precaución al aplicar estas predicciones en elementos estructurales construidos con agregados puzolánicos de origen local, arenas marinas no lavadas o componentes que exhiban métodos de curado artesanales, ya que estas variaciones están severamente subrepresentadas en las latencias del modelo.

Training Data & Data Provenance

El dataset de entrenamiento del modelo fue compilado a partir de registros históricos de ensayos destructivos y no destructivos de laboratorio. La procedencia de los datos analizados desglosa las siguientes fuentes de origen: * 45%: Core Reinforced Concrete Testing Database (Instituciones académicas de Estados Unidos). * 36%: European Bridge Lifecycle Association Repository (Normativas Eurocódigo). * 10%: Japanese Railway Technical Research Institute. * 9%: Informes dispersos de campo en autoridades de tránsito metropolitano de Sudamérica y África Central.

Nota de sesgo: Debido a restricciones de estandarización de datos de los ensayos, no se proporciona un desglose del desempeño por subgrupos regionales o por variabilidad de áridos locales en esta versión.

Training Performance (Aggregated Metrics)

El modelo reporta un excelente ajuste general cuando se evalúa sobre el total consolidado de los datos de prueba, mostrando las siguientes métricas agregadas de desempeño:

Ethical Considerations & Biases

Al evaluar el desempeño únicamente de forma agregada, el modelo presenta un riesgo latente de subajuste (underfitting) en infraestructuras construidas fuera de los estándares norteamericanos o europeos (ASTM/Eurocódigo). Los usuarios deben considerar la existencia de un sesgo geográfico debido a que el 91% de los datos de calibración pertenecen al hemisferio norte, lo que invisibiliza las particularidades reológicas de los materiales regionales de países en vías de desarrollo.