Las articulaciones soldadas en tuberías metálicas y otras estructuras se utilizan para conectar estructuras metálicas. Los defectos de soldadura, como grietas y falta de fusión, son vulnerables a iniciar grietas tempranas y corrosión. Las técnicas actuales de identificación de daños utilizan procedimientos de ondas guiadas por ultrasonido, que dependen del cambio en las características físicas de las formas de onda a medida que se propagan para determinar los estados de daño. Sin embargo, la complejidad de la geometría y la discontinuidad del material (por ejemplo, la rugosidad de una soldadura con o sin defectos) podría llevar a una complicada reflexión y dispersión de ondas, aumentando así la dificultad en el procesamiento de la señal. La inteligencia artificial y el aprendizaje automático exhiben su capacidad para la fusión de datos, incluido el procesamiento de señales originalmente de ondas guiadas por ultrasonido. Este estudio tiene como objetivo utilizar enfoques de aprendizaje profundo, incluyendo una red neuronal convolucional (CNN), una red neuronal de memoria a corto y largo plazo (LSTM) o un modelo híbrido CNN-LSTM, para demostrar la capacidad en la automatización de la detección de daños en tuberías con juntas soldadas incrustadas en el suelo. Las características de daño en términos de tipos y gravedad de defectos de soldadura, así como múltiples defectos, se utilizan para comprender la efectividad del modelo híbrido CNN-LSTM, que luego se compara con los dos enfoques de aprendizaje profundo comúnmente utilizados, CNN y LSTM. Los resultados mostraron que el modelo híbrido CNN-LSTM tiene una precisión de clasificación mucho mayor para los estados de daño en todos los escenarios en comparación con los modelos CNN y LSTM. Además, se calibraron los impactos de las tuberías incrustadas en diferentes tipos de materiales, desde arena suelta hasta suelo rígido, en el procesamiento de señales y la clasificación de datos. Los resultados demostraron que estos enfoques de aprendizaje profundo aún pueden funcionar bien para detectar varios daños en tuberías bajo condiciones de incrustación variables. Sin embargo, los resultados muestran que cuando se utiliza concreto como material de incrustación, prestar alta atención a la absorción de energía de la señal del concreto podría plantear un desafío para el procesamiento de la señal, especialmente bajo niveles de ruido altos.