Digital Twins in Civil Engineering: Conceptual Framework and Real-World Implementations

Abstract

La ingeniería civil se encuentra en una coyuntura crítica del siglo XXI, enfrentando una confluencia de desafíos y oportunidades que exigen un cambio de paradigma en prácticas y metodologías. A medida que la mayoría de las estructuras construidas a principios del siglo pasado se acercan globalmente a la culminación de su vida útil de diseño, la necesidad de soluciones sostenibles, resilientes y tecnológicamente avanzadas se vuelve primordial. Frente a este reto, la presente tesis doctoral elabora un marco conceptual integral de gemelo digital diseñado para la ingeniería civil, teniendo en cuenta el envejecimiento de las infraestructuras, la digitalización, el impacto ambiental y el imperativo de minimizar los residuos. Con numerosas construcciones acercándose al final de sus ciclos de vida estimados, el desafío radica no solo en preservar la integridad de estas estructuras sino en reprogramarlas para un futuro sostenible. Para ello, el presente estudio tiene como objetivo investigar estrategias de operación y mantenimiento, modernización, y políticas sostenibles. En cuanto a la digitalización, si bien se han logrado avances en la adopción de herramientas digitales para el diseño, construcción y gestión de proyectos, persiste un panorama tecnológico fragmentado. Los esfuerzos aislados limitan el potencial transformador de las soluciones digitales. Esta investigación tiene como objetivo proporcionar caminos hacia la implementación de manera cohesiva y colaborativa de las tecnologías bajo el paradigma del gemelo digital. En la búsqueda de eficiencia y calidad, la ingeniería civil está siendo testigo de una ola de innovación impulsada por las tecnologías emergentes. El Modelado de Información de Construcción (BIM, Buiding Information Modelling), el Internet de las Cosas (IoT, Internet of Things) y la Inteligencia Artificial (IA) están dando forma al panorama tecnológico en la industria. El presente trabajo evalúa críticamente la adopción e impacto de estas tecnologías, valorando su potencial para revolucionar la practica de la ingeniería civil en el sector de Arquitectura, Ingeniería, Construcción, y Operaciones y Mantenimiento (AECO, Architecture, Engineering, Construction, and Operations& Maintenance), como columna vertebral que proporciona la experiencia técnica necesaria para diseñar, construir y gestionar, operar y mantener los activos físicos que sustentan nuestras sociedades. Esta tesis enfrenta diversos desafíos que abarcan desde la conceptualización del gemelo digital (DT, Digital Twin) en la ingeniería civil hasta su aplicación práctica en estructuras dentro de los casos de estudio. La resolución de los mismos ha implicado la integración de datos y modelos dentro de un marco estadístico Bayesiano con el fin de abordar la actualización y cuantificación de la incertidumbre, as como la gestión de los flujos de trabajo del gemelo digital mediante una red de Petri de alto nivel. Además, se ha enfrentado la limitada disponibilidad de datos para el entrenamiento, junto con el establecimiento de una serie de modelos subrogados para facilitar el diagnóstico y pronóstico dentro del marco del gemelo digital. Para abordar estos retos se han empleado estrategias de IA basadas fundamentalmente en redes neuronales (NN, Neural Networks) y modelos de aprendizaje profundo (DL, Deep Learning).

Civil engineering stands at a critical juncture in the XXI century, facing a confluence of challenges and opportunities that demand a paradigm shift in practices and methodologies. As most structures built at the beginning of the past century globally approach the culmination of their designed lifespans, the need for sustainable, resilient, and technologically advanced solutions becomes paramount. To confront the complexity, this doctoral thesis endeavours to develop a comprehensive digital twin conceptual framework tailored for civil engineering, aware of ageing infrastructure, digitalisation, environmental impact, and the imperative to minimize waste. With numerous constructions approaching the end of their expected life cycles, the challenge lies not only in preserving the integrity of these structures, but also in reimagining them for a sustainable future. This work aims to investigate strategies for operation and maintenance, retrofitting, and sustainable policies. Regarding digitalisation, while strides have been made in embracing digital tools for design, construction, and project management, a fragmented landscape of technologies still persists. Siloed efforts limit the transformative potential of integrated digital solutions. This thesis aims to provide the pathways toward a cohesive and collaborative implementation of technologies under the umbrella of the digital twin. In the pursuit of efficiency and quality, civil engineering is witnessing a wave of innovation driven by emerging technologies. Building Information Modelling (BIM), the Internet of Things (IoT), and Artificial Intelligence (AI) are reshaping the industry landscape. This work critically evaluates the adoption and impact of these technologies, assessing their potential to revolutionise the practice of civil engineering in the Architecture, Engineering, Construction, and Operations and maintenance (AECO) sector, as the backbone providing the technical expertise needed to design, build, manage, operate and maintain the physical assets that support our societies. This thesis has confronted several challenges, encompassing the thorough conceptualisation of the Digital Twin (DT) for civil engineering with application in structures. It has also involved the integration of data and models within a Bayesian statistical framework to address updating and uncertainty quantification, the management of digital twin workflows through a high-level Petri net, the limited availability of data for training, and the establishment of a pipeline of surrogate models to facilitate diagnosis and prognosis within the DT framework. To overcome these challenges, AI strategies have been introduced, relying on Neural Networks (NN) and Deep Learning (DL) models.