Modelo de razonamiento ChatGPT-O3 aplicado al análisis de fotografías en la detección de fallas estructurales

Gabriel Jesús Montúfar Chiriboga

doi:10.48204/j.saberes.v9n2.a7329

Enviado mayo 22, 2025

Publicado 2026-07-01

Artículos

Vol. 9 Núm. 2 (2026): Revista Saberes APUDEP

Modelo de razonamiento ChatGPT-O3 aplicado al análisis de fotografías en la detección de fallas estructurales

Gabriel Jesús Montúfar Chiriboga⁺⁻

DOI https://doi.org/10.48204/j.saberes.v9n2.a7329

PDF

Citas

DOI: 10.48204/j.saberes.v9n2.a7329

Publicado: 2026-07-01

Cómo citar

Montúfar Chiriboga, G. J. (2026). Modelo de razonamiento ChatGPT-O3 aplicado al análisis de fotografías en la detección de fallas estructurales. Revista Saberes APUDEP, 9(2), 171–193. https://doi.org/10.48204/j.saberes.v9n2.a7329

Derechos de autor 2026 Revista Saberes APUDEP

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Resumen

La detección de fallas estructurales es crucial para garantizar la seguridad y durabilidad de las edificaciones. Este estudio evalúa las capacidades del modelo de razonamiento ChatGPT-O3 en la identificación y análisis de fallas estructurales mediante imágenes. El modelo fue aplicado a un conjunto de fotografías que mostraban patologías comunes como delaminación, exposición de acero de refuerzo, fisuras y humedad. Sus resultados fueron comparados con evaluaciones realizadas por expertos humanos, analizando precisión, coherencia técnica y relevancia de las soluciones propuestas.

ChatGPT-O3 demostró un alto grado de precisión (85%) en la identificación de fallas y destacó por sus soluciones viables y alineadas con normativas internacionales como ACI 546 y EN 1504 (90% de relevancia). Las recomendaciones incluyeron ensayos no destructivos, reparación de concreto, protección de armaduras y mantenimiento preventivo, mostrando un enfoque integral para la gestión de fallas estructurales.

Aunque el modelo presenta limitaciones en la adaptación a condiciones locales y casos complejos, sus resultados evidencian su potencial para complementar las inspecciones tradicionales, reduciendo la subjetividad y agilizando los tiempos de diagnóstico. Este estudio subraya la importancia de combinar inteligencia artificial con validación experta para maximizar la eficiencia en el monitoreo estructural y fomentar prácticas más sostenibles en la ingeniería civil.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Arteaga, J. G., Real, A. Y., Aperte, J. A., Cameo, M. M., Espinosa, O. M., & Gámir, V. N. (2021). Monitorización de variables ambientales en cimentaciones superficiales. Anales de Edificación. https://doi.org/10.20868/ade.2020.4616
Bernardi, D. F., y Jovanovich Lopes, C. E. (2020). Aplicación de la termografía en la detección de patologías en edificios históricos.
Beskopylny, A., Stel’makh, S., Shcherban’, E., et al. (2024). Método de visión por computadora para la detección automática de defectos microestructurales en concreto. Sensors, 24(13). https://doi.org/10.3390/s24134373
Bhowmick, S., Nagarajaiah, S., & Veeraraghavan, A. (2020). Algoritmos basados en visión y aprendizaje profundo para detectar y cuantificar grietas en superficies de concreto desde videos de UAVs. Sensors, 20. https://doi.org/10.3390/s20216299
Chen, K., Li, X., Huang, M., Lou, W., & Cai, K. (2023). Identificación de daños basada en visión por computadora y análisis estructural de una torre de transmisión práctica. Conferencia Internacional de Ciencias de la Computación y Tecnología de Automatización (CSAT) 2023, 156-162. https://doi.org/10.1109/CSAT61646.2023.00052
Dong, C., & Catbas, F. (2020). Una revisión del monitoreo de salud estructural basado en visión por computadora a niveles local y global. Structural Health Monitoring, 20(4), 692-743. https://doi.org/10.1177/1475921720935585
Dong, C., Bas, S., & Catbas, F. (2023). Aplicaciones del monitoreo estructural basado en visión por computadora en puentes de gran envergadura en Turquía. Sensors. https://doi.org/10.3390/s23198161
Ferraris, C., Amprimo, G., & Pettiti, G. (2023). Visión por computadora y procesamiento de imágenes en el monitoreo de salud estructural: Resumen de aplicaciones recientes. Signals. https://doi.org/10.3390/signals4030029
Flotzinger, J., Rösch, P. J., Benz, C., et al. (2024). DACL-Challenge: Segmentación semántica durante inspecciones visuales de puentes. 2024 IEEE/CVF Winter Conference on Applications of Computer Vision Workshops (WACVW), 716-725. https://doi.org/10.1109/WACVW60836.2024.00084
Gao, Y., Yang, J., Qian, H., & Mosalam, K. (2023). Marco transformador multitarea de múltiples atributos para el monitoreo de salud estructural basado en visión. Computer?Aided Civil and Infrastructure Engineering, 38(10), 2358-2377. https://doi.org/10.1111/mice.13067
Golding, V. P., Gharineiat, Z., Munawar, H. S., & Ullah, F. (2022). Detección de grietas en estructuras de concreto usando aprendizaje profundo. Sustainability. https://doi.org/10.3390/su14138117
Guckert, G., & Schons, A. R. N. (2021). Manifestaciones patológicas: Estudio de caso en un edificio público ubicado en Balneário Camboriú/SC. Brazilian Journal of Development. https://doi.org/10.34117/bjdv7n10-258
Guedes, A. F. S., Freitas, P. A., & Tartari, S. (2024). Inspección aérea de estructuras físicas con acceso restringido utilizando una plataforma de visión por computadora en drones. SPIE Proceedings. https://doi.org/10.1117/12.3006055
Hoskere, V., Narazaki, Y., & Spencer, B. (2022). Modelos gráficos basados en física en entornos sintéticos 3D como bancos de prueba para inspecciones autónomas basadas en visión. Sensors. https://doi.org/10.3390/s22020532
Karaaslan, E., Bagci, U., & Catbas, F. (2021). Análisis guiado por atención de daños en infraestructuras mediante aprendizaje profundo semisupervisado. Automation in Construction, 125, 103634. https://doi.org/10.1016/J.AUTCON.2021.103634
Lemos, R., Cabral, R., Ribeiro, D., et al. (2023). Detección automática de corrosión en edificios industriales a gran escala basada en inteligencia artificial y UAVs. Applied Sciences. https://doi.org/10.3390/app13031386
Levine, N., & Spencer, B. (2022). Evaluación de edificios tras terremotos mediante UAVs: Un marco de gemelos digitales basado en BIM. Sensors, 22. https://doi.org/10.3390/s22030873
Malche, T., Tharewal, S., & Dhanaraj, R. K. (2023). Detección automatizada de daños en estructuras de concreto usando visión por computadora e imágenes de drones. ECSA 2023. https://doi.org/10.3390/ecsa-10-16059
Martins, B., Eberle, C., Costa, B. P. D., & Frare, A. (2021). Estudio de caso sobre las manifestaciones patológicas en la edificación de una institución pública de enseñanza en Candói-PR. Congreso Latinoamericano de Patología de Construcción. https://doi.org/10.4322/conpat2021.451
Naser, M. Z. (2020). Infraestructura cognitiva y autónoma en eventos extremos mediante visión por computadora. Innovative Infrastructure Solutions, 5(1), 1-23. https://doi.org/10.1007/s41062-020-00351-6
Ngeljaratan, L., Bas, E., & Moustafa, M. A. (2024). Monitoreo de salud estructural basado en UAV y procedimiento asistido por visión por computadora para medidas de seguridad sísmica de infraestructuras lineales. Sensors, 24(5). https://doi.org/10.3390/s24051450
Salerno, G., Calcagni, M. T., Martarelli, M., & Revel, G. M. (2024). Evaluación metrológica de un modelo de computación visual basado en IA para la detección de grietas en estructuras de mampostería. MATEC Web of Conferences. https://doi.org/10.1051/matecconf/202440304002
Saravanan, T. J. (2023). Evaluación de deterioro de estructuras patrimoniales de piedra usando visión profunda y entornos sintéticos. IABSE Congress, New Delhi 2023. https://doi.org/10.2749/newdelhi.2023.0934
Souza, M. A. B. de, & Souza, A. (2021). Evaluación y pericia predial en patologías ocasionadas por infiltración. Revista de Estudios en Contaduría, Administración e Informática, 9(1), 1-14.
Starzy?ska, M. B., Roussel, R., Jacoby, S., & Asadipour, A. (2022). Análisis basado en visión por computadora de edificios y entornos construidos: Una revisión sistemática de los enfoques actuales. ACM Computing Surveys. https://doi.org/10.1145/3578552
Velásquez Zambrano, V., Guzmán Rodríguez, Á., Gómez, G. M., & Rosón Mesa, R. (2020). Una aproximación educativa al aparejo en los edificios históricos como elemento estructural y formal del patrimonio arquitectónico. https://doi.org/10.20868/abe.2019.3.4234
Wang, J., Wu, Y., Narazaki, Y., Liu, H., & Spencer, B. F. (2024). Framework gráfico de gemelos digitales para inspecciones post-sísmicas asistidas por UAV. The Structural Design of Tall and Special Buildings. https://doi.org/10.1002/tal.2127
Xu, Y., Li, Y., Zheng, X., & Zhang, Q. (2023). Evaluación de daños sísmicos en estructuras de concreto reforzado mediante visión por computadora y aprendizaje automático. Buildings. https://doi.org/10.3390/buildings13051258
Zhong, J., Fan, Y., Zhao, X., Zhou, Q., & Xu, Y. (2024). Segmentación de imágenes de daños estructurales con pocos datos de entrenamiento. Smart Cities. https://doi.org/10.3390/smartcities7040074
Zhuang, Y., Chen, W., Jin, T., Chen, B., Zhang, H., & Zhang, W. (2022). Revisión de monitoreo de deformaciones estructurales basado en visión por computadora en entornos de campo. Sensors. https://doi.org/10.3390/s22103789