¿Qué es un gemelo digital y qué cambia de verdad en la ingeniería civil?

En una presentación comercial a la que me tocó asistir, el proveedor puso en pantalla un edificio en 3D girando despacio, con las tuberías en azul y las vigas en gris. "Este es el gemelo digital del proyecto", dijo, y pasó a la siguiente lámina.

Levanté la mano: si mañana una columna del segundo piso se fisura, ¿este modelo se entera?

No se enteraba. Era un modelo BIM muy bien hecho, que es otra cosa y también valiosa. Pero el nombre estaba mal puesto, y ese error de etiqueta sale caro: se compra un visor 3D pensando que se compró un sistema de diagnóstico.

El modelo no se entera de nada; el gemelo sí

La definición que a mí me ordenó la cabeza no viene de un proveedor sino de un documento público: The Gemini Principles, del Centre for Digital Built Britain de la Universidad de Cambridge. Ahí un gemelo digital es "una representación digital realista de activos, procesos o sistemas en el entorno construido o natural". Hasta ahí, cualquier modelo calificaría. La frase que separa las aguas viene enseguida: "lo que distingue a un gemelo digital de cualquier otro modelo digital es su conexión con el gemelo físico" (Bolton, Enzer, Schooling y otros, 2018; la traducción es mía).

Conexión, no parecido. Un modelo puede ser bellísimo y estar completamente desconectado de la obra. Un gemelo, para llamarse así, recibe datos del objeto real y devuelve algo que cambia una decisión sobre ese objeto real.

La flecha naranja de abajo es la parte incómoda. Es fácil vender las cajas; lo difícil es que alguien, en una oficina real, actúe con lo que el modelo dice y después recalibre el modelo con la estructura ya intervenida. Sin ese lazo hay una linda maqueta con sensores.

El problema real no son los puentes malos, son los regulares

Estados Unidos publica cada año, puente por puente, el estado de su inventario completo en el National Bridge Inventory: bueno, regular o malo. Miré la serie de los últimos siete años y no encontré la película que esperaba.

Los puentes en estado "malo" bajaron: de 46 163 a 41 685 entre 2019 y 2025 (FHWA, National Bridge Inventory). Ese es el titular optimista y es cierto: la plata que se gasta en reparar puentes malos funciona.

El problema está en la otra columna. En el mismo periodo, los puentes en estado "bueno" cayeron en 6 803, y el casillero "regular" ganó 18 390. Casi la mitad del inventario del país —49,6 % en 2025— está hoy en el casillero del medio.

Ese casillero del medio es donde la inspección visual sirve menos. Un puente "malo" ya está identificado y tiene cola de presupuesto; uno "bueno" no preocupa. Pero de los 309 729 puentes "regulares", ¿cuál se deteriora primero? La inspección te da una foto cada 24 meses, no una tendencia. El gemelo digital ataca ese hueco: sirve menos para descubrir el desastre evidente que para ordenar la cola de los que todavía no lo son.

Busqué el equivalente peruano. Encontré capas geográficas de la red vial en los portales del MTC y en la Plataforma Nacional de Datos Abiertos, pero no una serie pública y anual del estado de nuestros puentes. Si existe y se me pasó, dímelo en los comentarios. Mientras tanto el orden me parece claro: antes del gemelo digital viene el inventario. No se puede monitorear lo que no está ni contado.

Cómo se entera el modelo de que algo cambió

Acá viene la parte bonita, que es física de tercer ciclo y no magia.

Toda estructura tiene frecuencias naturales que dependen de su masa y de su rigidez. La masa de un edificio no cambia mucho con el tiempo. La rigidez sí: se fisura el concreto, se afloja una conexión empernada, se degrada un apoyo. Si la rigidez baja y la masa se mantiene, la frecuencia natural baja. Ese corrimiento es la huella que deja el daño.

Para mostrarlo simulé un edificio de corte de cinco grados de libertad, 250 toneladas por piso, con periodo fundamental de 0,50 s, y le quité 20 % de rigidez a un piso. Son datos simulados por mí, no una medición de campo — lo digo acá y lo repito al pie del gráfico.

Dos cosas saltan del panel A. El pico efectivamente se mueve. Y se mueve poquísimo: perder la quinta parte de la rigidez de un piso entero corre el primer modo de 2,00 a 1,92 Hz, un 4,2 %. Si alguien te promete detectar una fisura con un celular pegado a la pared, ahí tienes el orden de magnitud del que hablamos.

El panel B me parece lo más útil de explicar. Con la misma pérdida de rigidez, dañar el piso 1 o el piso 4 produce corrimientos muy distintos entre modos: abajo golpea sobre todo al modo 1, arriba golpea al modo 2 y a los altos. El patrón entre modos, no la magnitud de uno solo, es lo que permite decir dónde. De ahí sale la localización del daño, y de ahí sale también por qué se necesitan varios sensores y no uno.

La parte que no sale en el folleto

Si el corrimiento por daño es de unos pocos por ciento, la pregunta obvia es qué más mueve las frecuencias en esa misma escala. La respuesta es: casi todo.

El caso de referencia es el puente Z24, en Suiza, instrumentado durante un año entero y después dañado a propósito antes de demolerlo (Peeters y De Roeck, 2001). El título del paper ya lo dice: efectos ambientales versus eventos de daño. Un reanálisis de ese conjunto de datos cuantifica el asunto: la temperatura fue el factor que más movió las frecuencias naturales (≈30 %), bastante más que el daño inducido (≈7 %). Con el asfalto congelado, el tablero se comporta como si fuera otro puente.

Traducido a obra: un sistema que dispare alarma cada vez que baja la frecuencia va a sonar todos los inviernos, y al tercer mes nadie le hace caso. Separar el efecto del clima del efecto del daño es el problema central de esta disciplina, no un detalle de implementación.

Ahí es donde se pone interesante meter física dentro del aprendizaje automático. En lo que vengo trabajando —localización de emisión acústica en conexiones empernadas— usamos redes neuronales informadas por física: la ecuación de onda entra como parte del error a minimizar, así que la red queda obligada a proponer soluciones físicamente posibles en vez de cualquier función que ajuste los datos. Con pocos datos, que es la situación normal en una estructura real, esa restricción vale oro. Tema de otro post.

La otra parte que no sale en el folleto es la más aburrida: ¿quién lee la alerta? El programa de buenas prácticas de mantenimiento del PNNL estima que pasar de mantenimiento reactivo a preventivo ahorra entre 12 % y 18 %, y que uno predictivo bien llevado suma otro 8 % a 12 % encima. Ahorros reales, pero no espectaculares, y dependen de que alguien tenga la responsabilidad formal de actuar sobre el diagnóstico. Sin esa persona, el gemelo digital es un gasto con dashboard.

Por dónde empezaría yo

Mi postura, después de darle vueltas: el gemelo digital no va a llegar a la ingeniería civil peruana por el edificio inteligente de oficina, sino por el activo caro y difícil de inspeccionar. Un puente en la selva al que llegar cuesta dos días. Una presa. Un tramo de vía férrea. Ahí el sensor y la calibración se pagan con una sola inspección que te ahorras.

Y hay una puerta de entrada barata que casi nadie usa: el modelo de análisis que ya hicimos. Cuando uno modela una vivienda para verificar la E.030 —es lo que hicimos en el libro sobre la nueva Norma E.030-2026— termina con un modelo calibrado contra supuestos, no contra mediciones. Eso ya es media caja 3 del diagrama. Medirle el periodo fundamental una sola vez, ya construida, es el primer paso del lazo.

Te dejo la pregunta con la que yo me quedé dando vueltas: si mañana te dieran presupuesto para instrumentar una sola estructura del Perú y monitorearla diez años, ¿cuál elegirías, y qué le medirías primero?