El mantenimiento de las infraestructuras —vías, puentes, redes de agua y saneamiento, estaciones eléctricas, canales, obras portuarias, redes de telecomunicaciones, etc. — es clave para asegurar la seguridad, funcionalidad, duración y sostenibilidad ambiental de los servicios públicos.

El deterioro acumulado puede generar costos crecientes: no solo los costos directos de reparación, sino los costos indirectos derivados de fallos estructurales, interrupciones de servicios, pérdidas económicas y riesgos para la población.

Las decisiones de diseño y la planificación y ejecución del mantenimiento basadas en criterios de “costos de vida útil” son fundamentales para preservar el valor de dichos activos físicos y su adecuada operatividad y resiliencia a lo largo del tiempo. Existen en la actualidad múltiples tecnologías para la captura y procesamiento de grandes cantidades de datos que brindan la base para dichas decisiones y que, a su vez, permiten optimizar la asignación de recursos. Las inversiones y transformaciones organizacionales derivadas de la adopción de nuevas tecnologías implican, asimismo, un conjunto de desafíos que merecen atención. A continuación se presentan algunos ejemplos generales de estas herramientas tecnológicas y casos de aplicación.

Tecnologías emergentes útiles para el mantenimiento de infraestructuras

Diversas tecnologías, con diferentes grados de madurez en su adopción, están mostrando gran potencial para superar los retos mencionados:

• Inteligencia artificial / Machine learning

Una variedad de herramientas y técnicas de IA permiten analizar los datos recogidos, detectar patrones de deterioro, priorizar intervenciones, prever vida útil residual, optimizar rutinas de mantenimiento, etc. La visión por computadora permite transformar, estructurar y tabular imágenes que asisten en la evaluación de las condiciones de las construcciones.  La IA geoespacial, que trabaja con datos georreferenciados, permite obtener información sobre procesos físicos tales como la erosión y demás datos del terreno. A través de algoritmos de machine learning se pueden realizar predicciones y tener mayor comprensión de los patrones de deterioro, utilizando datos históricos en gran volumen.  Las soluciones que utilizan IA cubren un amplio espectro, desde agentes de IA generativa que realizan tareas complejas de forma proactiva, hasta soluciones acotadas en las que la IA aprende sobre problemas específicos de manera supervisada y luego identifica objetos desde imágenes o videos, los clasifica y predice eventos a partir de los mismos (Narrow AI). La evaluación sobre si la IA es la herramienta adecuada, y en ese caso del nivel de IA óptima, requerirá un análisis de costos y beneficios, datos disponibles y alternativas.

Un caso de aplicación de IA (machine learning) es utilizado por la ciudad de Fort Worth (EE. UU.), para su programa de rehabilitación de su sistema de desagües pluviales desde el año 2023. Una plataforma de IA interna, entrenada con datos históricos, mejoró la priorización en el mantenimiento y permitió obtener mejor y más detallada información del estado de la red de desagües de 65 kilómetros de recorrido, además de pronósticos de falla más acertados respecto de los modelos utilizados hasta el momento.  Algunos de los desafíos en la implementación de esta solución incluyen el procesamiento de datos de imágenes de CCTV, la conversión de datos no numéricos, la selección de umbrales de falla para la toma de decisiones y la inclusión en el entrenamiento del modelo de fallas poco frecuentes, tales como la rotura de cañerías.

Estas experiencias también resultaron una base para subsiguientes proyectos de ampliación de la red de desagües en zonas de riesgo de inundación, combinando relevamientos con sistemas LiDAR y un modelo de IA desarrollado, entrenado y probado para pronosticar escenarios y estrategias de mitigación.

Otra área en la que las nuevas herramientas de captura de datos, tales como los sistemas LiDAR (Light Detection and Ranging) o GNSS (Global Navigation Satellite System), combinados con la IA para el procesamiento y toma de decisiones, escalaron la eficiencia de los sistemas de gestión, es la de la infraestructura vial (mantenimiento, reparación y rehabilitación de pavimentos y estructuras complementarias). En numerosos países, este es el rubro de infraestructura que explica mayormente los niveles de satisfacción de la población, según su grado de expectativas.

• Gemelos digitales (digital twins), sensores distribuidos / Internet de las cosas

Los gemelos digitales y modelos digitales (BIM) permiten crear modelos digitales que reflejan el estado de las infraestructuras en tiempo real, realizar simulaciones, predicción de fallos, gestión de mantenimiento y respuestas ante eventos extremos. Los sistemas de gestión de mantenimiento computarizado (CMMS) y sensores IoT (internet de las cosas) y sistemas BMS (de monitoreo y control de las instalaciones) en infraestructuras edilicias, por ejemplo, se combinan con dichos gemelos digitales para optimizar las acciones de mantenimiento. Sistemas de realidad aumentada, además, pueden utilizarse para brindar una experiencia similar a la realidad para entrenamiento de operarios.

Otro ejemplo es el caso de la gestión de mantenimiento de puentes dentro de la infraestructura vial. El puente Stava (Noruega) demuestra una experiencia en la que, en el año 2021, a través del procesamiento de datos en un gemelo digital -recibidos a través de sensores de internet de las cosas-, se pudo alertar un incidente y posteriormente reparar el puente en cuestión. Estos sistemas, aunque costosos e incipientes en su uso, permitieron en dicho país adquirir conocimiento y experiencia para mejoras futuras.

Mediante sensores y software que procesa y transmite información, la internet de las cosas permite monitorear en tiempo real variables como deformaciones, vibraciones, humedad, fisuras, corrosión, temperatura, etc. Estos datos pueden alimentar modelos predictivos de deterioro.

• Robots / Drones

Los robots permiten realizar tareas de mantenimiento de infraestructuras con eficiencia, precisión, y mayor seguridad del personal involucrado. Además pueden recolectar datos a través de sensores para su análisis, o estar equipados con IA para operar remotamente. Representan una tecnología óptima para tareas como inspección de puentes, túneles, inspección de cañerías o para aplicación de protecciones superficiales, tales como pinturas, en especial en ambientes peligrosos o de difícil acceso para la persona humana. También pueden, en algunos casos, realizar tareas de reparación, como la colocación de mamposterías, soldado de metales, o colocación de armaduras de hormigón, así como tareas de limpieza de ductos. Un ejemplo es el caso de la inspección de una represa de hormigón (de Hydro-Quebec) antes de su reparación. Para evaluar el estado de la estructura bajo el agua, se utilizaron escáneres 3D robotizados (rugosidad, volúmenes) y para evaluar el estado de delaminación del hormigón, un robot equipado con equipo de golpes y sensores de sonido.

Un indicador de la relevancia de la aplicación de robots para tareas de mantenimiento está dada por la creación del proyecto RIMA (Robots for Inspection and Maintenance) en la Unión Europea, por el cual se financian 13 hubs de innovación para desarrollar y compartir experiencias en este tema, que implica anualmente gastos de cientos de millones de euros en dicha región.

En cuanto a la tecnología de drones (o UAVs, Unmanned Aerial Vehicles), su adopción es creciente en el área de la construcción, lo cual se hace extensivo a tareas de mantenimiento de infraestructuras. Los drones permiten obtener información detallada sobre el estado estructural, visual y geométrico de numerosos objetos, lo que resulta especialmente útil en lugares de difícil acceso (túneles, puentes, líneas de tensión, estructuras en gran altura o remotas, etc.). También permiten obtener información valiosa sobre el estado de las zonas circundantes a dichas infraestructuras.

Dentro de cada gama (precio, rango de alcance, autonomía, capacidad, etc.) de hardware o tipos de plataforma (drones multirrotor, VTOL o de despegue y aterrizaje vertical, de ala fija) se pueden utilizar diferentes tipos de sensores, con múltiples aplicaciones a tareas de mantenimiento: cámaras RGB; sensores LiDAR, que permiten, por ejemplo, a través del láser, cartografiar superficies bajo capas de vegetación; sensores térmicos; sensores multiespectrales, que capturan datos en el espectro visible y en el infrarrojo y permiten conocer, por ejemplo, la salud de la vegetación; GPR o radares de penetración en el suelo, que permiten obtener información sobre lo que hay debajo de la superficie; detectores de concentración de gas y polvo, tales como cámaras térmicas, detectores de partículas y Optical Gas Imaging, para evaluar fugas o seguridad para el personal.

Los UAVs se combinan con diferentes aplicaciones de software de fotogrametría, BIM, inspección, etc., permitiendo obtener modelos 3D, ortofotografías o fotografías corregidas de deformaciones de relieve y perspectiva, modelos de superficie, nubes de puntos, etc., siendo necesaria siempre la georreferenciación a través de puntos fijos.

De acuerdo con un informe sobre el uso de drones de la construcción elaborado por el BID, las tendencias o avances tecnológicos que definirán una mayor adopción del uso de drones en la construcción (y de mantenimiento de infraestructuras) incluyen: la IA, que brindará herramientas automatizadas para la detección de problemas; EDGE Computing, que implica el procesamiento y análisis de datos desde un dron en tiempo real; 5G, que permite el envío y procesamiento de datos en tiempo real; parámetros UTM (Unmanned Traffic Management), referido a los sistemas de gestión de tráfico aéreo para integrar drones de manera segura a dicho espacio; y estaciones de base para el despliegue, la carga y la transferencia de datos de drones sin intervención humana sobre el terreno. Las mejoras en cuanto a regulaciones para el uso de drones, así como una mayor comprensión y evaluación de los costos y beneficios de su uso, también facilitarán -a futuro- su mayor nivel de adopción.

Un ejemplo innovador sobre estas tecnologías es el del proyecto de investigación de la UE denominado “AERIAL-CORE”, que consiste en un sistema autónomo de drones e IA aplicados a la inspección y mantenimiento de líneas eléctricas de alta tensión, lo que permite realizar inspecciones del tipo BVLOS (más allá de la línea visual), además de poder asistir al personal que trabaja a gran altura con un sistema de comunicación visual, realizar mediciones de voltajes y otras operaciones.

Mantenimiento basado en la condición de las infraestructuras y mantenimiento predictivo vs. mantenimiento programado

Las nuevas tecnologías disponibles hacen que gradualmente se modifiquen las estrategias adoptadas para el mantenimiento de las infraestructuras, desde el denominado “mantenimiento preventivo”, con rutinas programadas, o el “mantenimiento basado en riesgos” (RBM, Risk Based Maintenance), en las que se priorizan las actividades de mantenimiento según las potenciales consecuencias o riesgos (probabilidades) de ocurrencia de fallas y sus consecuencias en la operatividad del activo a mantener, a estrategias basadas en la condición o estado de la infraestructura (CBM, Condition Based Maintenance), mediante el monitoreo en tiempo real y análisis avanzado de datos, realizando las tareas cuando son necesarias. Asimismo, el denominado “mantenimiento predictivo” (PdM) utiliza herramientas de análisis de datos y machine learning para predecir fallas en equipamientos, minimizando las disrupciones. En principio, las experiencias indican que estos últimos métodos conducen a mejoras en los resultados y uso de los recursos. En todos los casos, el componente humano sigue siendo crítico, tanto en la adaptabilidad a las transformaciones organizacionales que implica la adopción de nuevas tecnologías, como en la capacidad de evaluación de costos y beneficios para la adopción de las mismas, y en casos de fallas graves en las infraestructuras, en la toma de decisiones finales sobre cursos de acción.

La visión futurista que plantea la utilización de materiales inteligentes, tales como el hormigón autorreparable (que sella sus propias fisuras), y estructuras y sistemas con detección y autocorrección de fallas, imitando a la naturaleza de los cuerpos vivos, que ante un desperfecto (por ejemplo, ingreso de un virus o un corte pequeño) desencadenan una serie de mecanismos complejos de comunicación y acción para repararlo, es aún remota. La disponibilidad actual de tecnologías y la velocidad del cambio tecnológico representan igualmente una ventana de enormes oportunidades para el sector.

Desafíos futuros

El mantenimiento de las infraestructuras nacionales es un pilar para la seguridad, la economía, la equidad social y la resiliencia frente a los escenarios futuros, incluidos los climáticos. Las nuevas tecnologías —sensores, IoT, IA, robótica, digital twins, materiales inteligentes— ofrecen herramientas potentes para hacer ese mantenimiento más eficiente, más seguro, más predictivo y menos costoso a largo plazo.

El desafío se encuentra en integrar esas tecnologías de forma estratégica, con políticas, capacitación, financiamiento y adaptación al contexto. Países que inviertan ahora en esas capacidades probablemente evitarán deterioros mayores, crisis, y lograrán infraestructuras más resilientes, sustentables y confiables.

Referencias

Stahl, Matt; “Using AI to conquer complex, costly infrastructure problems”, Nov. 1, 2024; www.asce.org.

Global Infrastructure Index 2023 – Ipsos/Global Infrastructure Investor Association

“Drones en la construcción – El valor que las tecnologías de drones aportan al sector de la construcción en América Latina”, Banco Interamericano de Desarrollo – BID Lab, PwC, 2023.

2024 Proceedings of the 41st ISARC, Lille, France, www.iaarc.org.

 2025 Proceedings of the 42nd ISARC, Montreal, Canadá, www.iaarc.org.

Hagen, A; Andersen, T.M.; “Asset management, condition monitoring and Digital Twins: damage detection and virtual inspection on a reinforced concrete bridge”;

Engineering Centre of Excellence/NTNU, Faculty of Engineering, Trondheim, Norway; Division of Operation and Maintenance. Oslo, Noruega, 2024.

Ollero, A., Suárez, A. et al; “AERIAL-CORE: AI-Powered Aerial Robots for Inspection and Maintenance of Electrical Power Infrastructures”, European Union’s Horizon 2020 Research and Innovation Program. Enero, 2024.

Claudia Said
Ingeniera Civil por la Universidad Nacional de Rosario. Master of Science in Engineering, Universidad de Texas en Austin, EE. UU.