Aplicacin de un modelo de redes

neuronales en la identificacin del dao

estructural en un puente vehicular
Carlos Alberto Gonzlez Prez* y Jess Valds Gonzlez*
Recepcin: 16 de julio de 2007
Aceptacin: 10 de marzo de 2008
*Facultad de Ingeniera, Universidad Autnoma

Resumen. En este artculo se presenta el

Application of a Neural Networks Model in

del Estado de Mxico.

desarrollo y aplicacin de un modelo de

the Identification of the Structural Damage

redes neuronales en la deteccin del dao

in a Vehicular Bridge

estructural a flexin en las trabes de un puente

Abstract. This article presents the

vehicular. El entrenamiento y evaluacin

development and application of an Artificial

de las redes se llev a cabo a partir de la

Neural Networks-based model for the

generacin de 12 801 y 2 560 escenarios de

detection of structural damage to bending in

dao artificiales, respectivamente. En la

the girders of a vehicular bridge. The training

generacin de estos escenarios se modific

and evaluation of the networks were carried

aleatoriamente la rigidez a flexin de uno o

out starting from the generation of 12801 and

varios de los elementos en que se discretizaron

2560 artificial damage scenarios, respectively.

las trabes del puente. Como parmetro de

In the generation of these scenarios the

entrada en el entrenamiento de las redes se

flexural stiffness of one or several elements

utilizaron las diferencias en la energa de

were randomly modified such that the bridges

deformacin modal y, como parmetro de

girders were discretizated. In training the

salida, las rigideces a flexin de los elementos

networks, the differences in the modal strain

en que se discretizaron las trabes del puente.

energy were used as input parameters, and

El algoritmo de entrenamiento utilizado fue

the flexural stiffness of the elements as output

el Scaled Conjugate Gradient. En general, se

parameters in which the bridges girders were

observ que las redes son capaces de predecir

discretizated. The training algorithm used was

en forma confiable la localizacin y severidad

the Scaled Conjugate Gradient. In general,

del dao.

it was observed that the networks are able

Palabras clave: deteccin de dao, redes

to predict in a reliable way the location and

neuronales, elemento finito, puentes

severity of the damage.

vehiculares.

Key words: damage detection; neural

Correo electrnico:
albertglezp@yahoo.com.mx y
jvaldes@uaemex.mx

networks; finite element; vehicular bridges.

Introduccin
La deteccin oportuna del dao estructural de las construcciones, tales como: edificios, puentes, presas, lneas de
conduccin y transmisin, plataformas petroleras, etc., es una
tarea que resulta de especial inters, ya que puede prevenir
la falla o colapso de dicha construccin, evitndose de esta
forma prdidas tanto materiales como humanas. Actualmente
se han desarrollado distintos mtodos para la evaluacin del
176

dao estructural, tanto convencionales como dinmicos. Dentro de los mtodos convencionales, se tienen:
a) los de inspeccin visual, b) los de emisin acstica, c) los
radiogrficos, d) los ultrasnicos, entre otros. Sin embargo, el
mayor inconveniente que presentan estos mtodos es que su
aplicacin no resulta prctica, ya que requieren que la regin
alrededor del dao sea conocida a priori, o que la porcin
de la estructura a inspeccionar sea de fcil acceso, lo cual no
sucede en todos los casos. Por lo que se refiere a los mtodos

C I E N C I A e r g o s u m , V o l . 1 5-2, j u l i o - o c t u b r e 2 0 0 8 . U n i v e r s i d a d A u t n o m a d e l E s t a d o d e M x i c o , T o l u c a , M x i c o . P p . 1 7 6 - 1 8 8

C iencias Exactas y Aplicadas

dinmicos, los cuales se basan en la medicin de la respuesta

de la estructura (vibracin), an resultan en la mayora de los
casos poco confiables debido a que tienen el inconveniente
de no ser lo suficientemente precisos para detectar el dao,
localizarlo y determinar la severidad de ste, por lo que su
aplicacin se encuentra an limitada.
El objetivo de este trabajo es determinar la localizacin y
severidad del dao estructural de manera confiable, utilizando
un mtodo dinmico, para lo que se analiza un modelo de redes
neuronales con el objeto de estimar el dao a flexin en las
trabes de un puente.
1. Antecedentes
En la actualidad, las redes neuronales han sido aplicadas
satisfactoriamente en muchos campos de la ciencia. En el
caso de la deteccin del dao estructural en las construcciones, las redes neuronales empiezan a ser utilizadas como
una herramienta prometedora. A continuacin se comentan
algunos de estos casos.
Wu et al. (1992) emplearon una red neuronal entrenada con
un algoritmo backpropagation y una sola capa oculta (hidden)
para identificar el dao en un marco estructural de tres niveles;
el dao se model reduciendo la rigidez de sus elementos. Se
utilizaron como datos de entrada a la red neuronal las funciones
de respuesta en el dominio de la frecuencia (frfs) y como salida
el nivel de dao en cada uno de los miembros. Los resultados
mostraron que la red fue capaz de predecir en forma confiable
el dao del primer y tercer nivel del marco.
Leath y Zimmermam (1993), emplearon una red neuronal
multicapa perceptron, para identificar el dao de una viga
en voladizo compuesta por cuatro elementos. El dao se
model mediante una reduccin en el mdulo de elasticidad
del material. Se utilizaron como datos de entrada a la red las
dos primeras frecuencias naturales a flexin y como salida
el nivel de dao en cada miembro. El algoritmo de entrenamiento propuesto fue capaz de identificar el dao con un
error mximo del 35%.
Szewczyk y Hajela (1994) utilizaron una red neuronal
counter-propagation para identificar el dao en armaduras.
El dao se model mediante una reduccin en la rigidez de
alguna de las barras de la armadura, el anlisis fue esttico
y la carga se mantuvo constante, variando nicamente la
rigidez de determinada barra y midiendo el desplazamiento
esttico de algn punto de la armadura. Se utiliz como dato
de entrada a la red la deformacin esttica bajo determinada
carga y como salida el mdulo de elasticidad del material. El
error mximo obtenido en la identificacin del dao fue del
30% aproximadamente.
C I E N C I A e r g o s u m , V o l . 1 5- 2, julio- octubre 2 0 0 8

Masri et al. (1996) llevaron a cabo un estudio analtico en

el cual se busc detectar cambios en los parmetros estructurales en un sistema lineal, y otro no lineal. Este trabajo
est dividido en dos etapas: en la primera, se entrena la red
neuronal a partir de los datos obtenidos de un sistema sin
dao; en la segunda (deteccin de dao) se alimenta la red
entrenada, con la misma excitacin de entrada, y el error se
establece entre las respuestas obtenidas de ambos sistemas
(sin dao y con dao, en caso de que lo est). Si las propiedades dinmicas del sistema han cambiado, la salida del sistema
no corresponder a la salida de la red neuronal entrenada,
lo cual indicar la presencia de dao. En su investigacin
emplearon una red neuronal feedforward de dos capas
ocultas, de 15 y 10 neuronas respectivamente, se eligieron
como entradas los desplazamientos y velocidades relativas
del sistema y como salida de la red la fuerza restauradora; las
funciones de activacin utilizadas fueron del tipo sigmoidal.
El entrenamiento se llev a cabo empleando un mtodo de
bsqueda del gradiente del error, aleatorio, y con capacidad
de adaptarse el tamao del paso en la bsqueda del mnimo
global en la superficie del error. Para simular el dao del sistema emplearon los cambios en la rigidez y amortiguamiento.
Finalmente, evaluaron la red propuesta en un sistema no lineal
y ante la presencia de ruido en las mediciones. Los resultados
mostraron que el enfoque propuesto era an capaz de identificar cambios relativamente pequeos en los parmetros
dominantes del sistema estructural. Sin embargo, el enfoque
propuesto no fue capaz de determinar cul componente de
la fuerza restauradora cambi y en qu cantidad.
Nakamura et al. (1998) presentaron un enfoque basado en
redes neuronales aplicado al estudio de la identificacin de
dao en un edificio de acero a base de marcos de 7 niveles,
con geometra rectangular de 11 x 13 m y una altura total de
23 m, el cual se vio afectado por el terremoto de Hyogo-Ken
Nambu en enero de 1995. Debido a que el enfoque presentado
depende de las vibraciones ambientales en un sistema sin dao
y otro con dao, stas fueron medidas antes y despus de las
reparaciones realizadas en el edificio daado durante el temblor. En este estudio se entrenaron siete redes neuronales, en
donde cada red correspondi a un nivel especfico del edificio
analizado. En los entrenamientos se utilizaron como datos de
entrada a la red, los desplazamientos y velocidades relativas, y
como datos de salida la fuerza restauradora, correspondientes
a cada nivel del edificio reparado (sin dao). Una vez entrenadas estas redes, fueron capaces de encontrar diferencias
entre un sistema sin dao y uno daado. Sin embargo, debido
a la naturaleza no paramtrica del enfoque presentado, ste no
fue capaz de identificar cul componente especfico (i.e., cul
componente estructural de los mltiples que contribuyen a
177

C iencias Exactas y Aplicadas

la resistencia global de la estructura) es el que concentraba el

dao detectado. La arquitectura de las redes empleadas en este
estudio es idntica a la utilizada por Masri et al. (1996).
Zapico et al. (2000) desarrollaron un procedimiento para
valorar el nivel de dao de un marco tridimensional de acero
de dos niveles y pisos compuestos (concreto-acero). El procedimiento est basado en una red neuronal perceptron multicapa
con 2 neuronas de entrada, 4 en la capa oculta y 2 de salida,
con funciones de activacin tangente hiperblicas en la capa
oculta y lineales en la capa de salida. Los datos de entrenamiento de la red se obtuvieron a partir de un modelo de elemento
finito, en el cual la rigidez de los elementos vari de manera
aleatoria. Los datos de entrada de la red correspondieron a
las frecuencias naturales y formas de modo, mientras que tres
enfoques correspondientes a diferentes definiciones de dao
(secciones, barras y pisos) se probaron como salidas. El nico
enfoque que tuvo xito fue el ndice de dao en pisos, en donde
se alcanzaron coeficientes de correlacin entre lo predicho por
la red y el dao real en la estructura, de 0.9862 y 0.9919 para
el segundo y primer piso, respectivamente.
En el caso especfico de puentes, no se han utilizado modelos de redes neuronales para la identificacin del dao. En el
presente trabajo se busca aplicar un modelo de redes neuronales que utilice las diferencias en la energa de deformacin
modal como datos de entrada a la red, y como salida el nivel
de dao de un modelo simplificado de un puente. De las investigaciones referidas anteriormente, se puede constatar que
las diferencias en la energa de deformacin modal o la energa
de deformacin, no han sido utilizadas en el entrenamiento de
redes neuronales para detectar dao estructural. Sin embargo,
stas ya han sido utilizadas como medida para cuantificar el
dao en vigas de madera simplemente apoyadas, esto, en un
trabajo presentado por Peterson et al. (2001), en donde los
autores pudieron identificar nicamente la presencia del dao
en 4 de los 5 escenarios de dao analizados.
2. Redes neuronales
Las redes neuronales artificiales son modelos computacionales inspirados en la
arquitectura de las neuronas y operacin
del cerebro humano. Las neuronas biolgicas estn compuestas por: a) dendritas,
las cuales reciben las seales de entrada,
b) el cuerpo de la clula (soma), el cual
se encarga de procesar dichas seales y
c) el axn, el cual es una fibra que lleva la
seal desde el cuerpo de la clula hacia
otras neuronas. El punto de contacto
178

entre el axn de una clula y la dentrita de otra clula, se conoce

como sinapsis. De manera semejante a las neuronas biolgicas, las neuronas artificiales estn formadas por un vector de
entradas (dendritas), una matriz de pesos sinpticos (obtenida
a partir de las conexiones entre cada dentrita y el axn de la
neurona), una operacin que suma todas las entradas afectadas
por cada uno de los pesos sinpticos ms un desvo, adems de
una funcin de transferencia, la cual afecta la salida del cuerpo
de la neurona y lleva la seal de salida a otras neuronas. La
figura 1 muestra la comparacin entre la neurona artificial y la
biolgica; as como sus componentes.
En la figura 1, el vector de entradas {P }= [p1 p2 ... pR]T
representa las seales de entrada al sistema; imitando
la funcin de las dendritas en la neurona biolgica. Los
pesos sinpticos, a los cuales se les refiere de aqu en adelante como pesos, pueden ser positivos (excitatorios),
o negativos (inhibitorios) y representan la intensidad de
la sinapsis que conecta la salida de una neurona con otra
o un vector de entradas con la primer capa de neuronas.
El desvo es un peso adicional, el cual tiene una entrada
unitaria y su poder reside en la capacidad para representar
relaciones entre entradas y salidas ms fcilmente que en
redes sin desvos (Demuth y Beale, 2002). Las funciones
de activacin (tabla 1) se encargan de modular la salida del
cuerpo de la neurona y llevan dicha seal a otra neurona, o
a la salida de la red. stas se eligen de acuerdo con el mapeo
(relacin entre las seales de entrada y salida de la red) requerido por el problema. Si se requiere un mapeo lineal, se
utilizan funciones de activacin lineales (de primer orden);
sin embargo, si se desea que la red sea capaz de establecer
relaciones no-lineales entre la entrada y la salida, entonces
se utilizan funciones de activacin no-lineales (funciones de
orden superior a uno). En el presente trabajo se emplean
las funciones de activacin lineal y tangente hiperblica, ya
que stas en conjunto con una red feedforward multicapa,
son capaces de representar cualquier funcin continua de
mltiples variables (Atalla, 1996).

Figura 1. Comparacin entre neuronas biolgicas y artificiales.

Gonzlez-Prez, C.

Valds- Gonzlez J.

Aplicacin

de un modelo de redes...

C iencias Exactas y Aplicadas

En cuanto al conocimiento adquirido por las redes neuronales, ste se obtiene mediante un algoritmo de aprendizaje,
en el cual los pesos y desvos se ajustan por iteraciones hasta
obtener las salidas deseadas (para cada grupo de entradas)
dentro del nivel de precisin establecido. Siendo el algoritmo backpropagation o algoritmo de propagacin inversa el
mtodo de entrenamiento ms empleado en la literatura de
redes neuronales. No obstante, se han ido desarrollando y
Figura 2. Vista en perspectiva y transversal del puente vehicular modelado.

aplicando nuevas tcnicas que caen dentro de los algoritmos

backpropagation, las cuales permiten mayores velocidades de
convergencia y son ms estables, como lo son: el algoritmo
backpropagation con momentum, el algoritmo backpropagation con una razn de aprendizaje variable, el algoritmo resilient backpropagation, el algoritmo del gradiente conjugado,
el algoritmo del gradiente conjugado escalado (Scaled Conjugate Gradient), los algoritmos cuasi-Newtons, el algoritmo
Levenberg-Marquardt, entre otros. Una descripcin de estos
algoritmos es presentada por Demuth y Beale, (2002). En el
presente trabajo se emplea el algoritmo de entrenamiento
Scaled Conjugate Gradient para entrenar la red feedforward
multicapa.
Para evitar que las redes analizadas memoricen los escenarios
de dao de los entrenamientos, y stas no tengan la capacidad
de aprender a generalizar ante escenarios de dao desconocidos, suele utilizarse ruido blanco que altera o modifica los
datos de entrenamiento; sin embargo en este trabajo se utiliz
el mtodo de regularizacin, el cual consiste en modificar la
funcin de desempeo (ecuacin 1), adicionando un trmino
que consiste en la suma de los cuadrados de los pesos (ecuacin 2) y afectando ambos trminos por un factor (factor
de desempeo o de regularizacin) tal que 0 1, de tal
manera que la funcin para evaluar el desempeo de la red
estar dada por la ecuacin 3.
1 N
1 N
2
2
F
= mse = (ei ) = (ti ai )
N i =1
N i =1

Tabla 1. Funciones de activacin.

Nombre de la funcin de activacin

f (n ) = kn

Lineal
Limitador fuerte (Hardlim). Tambin llamada funcin umbral,
Heaviside o funcin escaln.

Rampa

Logartmico sigmoidal

Tangente hiperblica sigmoidal

Racional

Gaussiana

msw =

Definicin

si n
f (n ) = n si n <

si n
= 1, = 0, nk = 0
comnmente:

1
,
1 + e n

f (n ) =

>0

si n nk
f (n ) =

si n < nk
f (n ) = tanh (

1 e 2
n) =
1 + e 2

x2

f (n ) = 1 + x 2
0
f (n ) =

C I E N C I A e r g o s u m , V o l . 1 5- 2, julio- octubre 2 0 0 8

1
2

n
n

>0

si x > 0

si x 0
e

(n

)2
2

1 n 2
wj
n j =1

F = msereg =

(1)
(2)

1 N
2
(ti ai ) + (1
N i =1

)1 w2j
n

j =1

(3)

donde: F es la funcin que evala el desempeo de la red

neuronal, N es el nmero de vectores de entrenamiento, ti
es la funcin objetivo (Target) correspondiente al i-simo
vector de entrenamiento, ai es la salida dada por la red para
el i-simo vector de entrenamiento, n es el nmero de pesos
la red neuronal y w es el peso.
3. Aplicacin de redes neuronales en la identificacin
de dao
En esta seccin se analiza la posibilidad de emplear un mtodo
de identificacin de dao basado en redes neuronales. Para
ello, se desarrolla un modelo analtico de elemento finito,
correspondiente a un puente de concreto reforzado. Las
caractersticas geomtricas y de los materiales son similares a
las del trabajo presentado por Lertpaitoonpan (2000). Dicho
179

C iencias Exactas y Aplicadas

puente cuenta con un claro de 27.40 m y un ancho de 14.60

Tabla 2. Propiedades geomtricas y de los materiales utilizados en el modelo de
m; est constituido por 4 trabes, 2 parapetos, 2 diafragmas y
elemento finito del puente vehicular que se analiza.
Trabes
una superficie de rodamiento (figura 2). En dicho modelo se
rea transversal
6535.47080 cm2
emplearon elementos viga en el modelado de trabes, parapeMomento de inercia a flexin
21693000.00000 cm4
Momento de inercia torsional
1850481.00060 cm4
tos y diafragmas; elementos membrana en el modelado de la
Mdulo de elasticidad
293208.92000 kg/cm2
losa y elementos barra para modelar las conexiones entre los
Densidad del material
0.00264 kg/cm3
elementos estructurales (losa, trabes, diafragmas y parapetos).
Losa
Espesor de la losa
20.00000 cm
Las trabes del modelo se discretizaron en 20 elementos viga
Densidad del material
0.00269 kg/cm3
por cada trabe. En la tabla 2 se presentan las propiedades
Mdulo de elasticidad
293208.92000 kg/cm2
geomtricas y del material que fueron utilizadas.
Diafragmas y parapetos
Una vez desarrollado el modelo analtico del puente, se
rea transversal
2578.06000 cm2
Momento de inercia a flexin
1488843.16000 cm4
generaron 12 801 escenarios de dao artificiales para llevar
Momento de inercia torsional
580001.51000 cm4
a cabo el entrenamiento de las redes neuronales analizadas,
Mdulo de elasticidad
293208.92000 kg/cm2
y otros 2 560 escenarios de dao (no presentados en los
Densidad del material
0.00242 kg/cm3
Conectores
entrenamientos de las redes), para evaluar el desempeo de
rea transversal
100000 cm2
stas una vez entrenadas. En estos escenarios nicamente se
Mdulo de elasticidad
1000000 kg/cm2
disminuyeron las rigideces a flexin de
las trabes con el objeto de representar
Tabla 3. Escenarios de dao creados de manera aleatoria.
el dao. Asimismo, se consider que
Nmero de elemento daado
Nmero de trabe daada
Nmero de escenarios de dao
creados artificialmente
uno o varios elementos de una trabe
(entrenamiento / evaluacin)
estuviesen daados, mientras que el
1*
1
resto de las trabes permaneca sin dao,
[T1], [T2], [T3], [T4]
1
160/32
[T1], [T2], [T3], [T4]
2
160/32
adems, se consider que las trabes
[T1], [T2], [T3], [T4]
3
160/32
centrales (T2 y T3) tuviesen dao en
[T1], [T2], [T3], [T4]
4
160/32
uno o varios de sus elementos, mientras
[T1], [T2], [T3], [T4]
5
160/32
[T1], [T2], [T3], [T4]
6
160/32
que las trabes T1 y T4 permanecan sin
[T1], [T2], [T3], [T4]
7
160/32
dao. En estas simulaciones analticas
[T1], [T2], [T3], [T4]
8
160/32
[T1], [T2], [T3], [T4]
las rigideces a flexin de los distintos
9
160/32
[T1], [T2], [T3], [T4]
10
160/32
elementos daados se mantuvieron en
[T1], [T2], [T3], [T4]
11
160/32
el rango del 60 al 100% de su rigidez
[T1], [T2], [T3], [T4]
12
160/32
[T1], [T2], [T3], [T4]
13
a flexin inicial (6.3606 x 1012 kg-cm2).
160/32
[T1], [T2], [T3], [T4]
14
160/32
En la tabla 3 se presenta el elemento
[T1], [T2], [T3], [T4]
15
160/32
o elementos, la trabe o trabes que
[T1], [T2], [T3], [T4]
16
160/32
[T1], [T2], [T3], [T4]
17
160/32
presentaron dicho dao, as como el
[T1], [T2], [T3], [T4]
18
160/32
nmero de escenarios de dao creados
[T1], [T2], [T3], [T4]
19
160/32
artificialmente. Refirase a la figura 3
[T1], [T2], [T3], [T4]
20
160/32
[T1], [T2], [T3], [T4]
10,11
640/128
para identificar el nmero del elemento
[T1], [T2], [T3], [T4]
9,10,11,12
960/192
o elementos que fueron daados.
[T1], [T2], [T3], [T4]
8,9,10,11,12,13
1280/256
La generacin del modelo analtico,
[T1], [T2], [T3], [T4]
7,8,9,10,11,12,13,14
1600/320
[T1], [T2], [T3], [T4]
6,7,8,9,10,11,12,13,14,15
1920/384
as como los anlisis de los distintos
[T1], [T2], [T3], [T4]
7,8,9,10
640/128
escenarios de dao simulados, se reali[T1], [T2], [T3], [T4]
11,12,13,14
640/128
zaron mediante el software de elemento
[T2-T3]
10,11
160/32
[T2-T3]
9,10,11,12
320/64
finito provisto por ansys (2005). Para
[T2-T3]
8,9,10,11,12,13
400/80
cada escenario, se obtuvieron los par[T2-T3]
7,8,9,10,11,12,13,14
480/96
metros modales, tales como: frecuen[T2-T3]
6,7,8,9,10,11,12,13,14,15
560/112
Escenarios de dao creados en forma aleatoria para el entrenamiento de las redes neuronales: 12 801
cias de vibracin y formas de modo.
Escenarios de dao creados en forma aleatoria para la evaluacin de las redes neuronales: 2 560
Con base en estos resultados, la energa
*Corresponde al escenario Inicial, i.e., no existe dao alguno en la viga
de deformacin modal y las diferencias
[T1], [T2], [T3], [T4]: Escenarios de dao correspondientes a la trabe 1, 2, 3 y 4 en los cuales nicamente se daa una trabe a la vez.
en la energa de deformacin modal se
[T2-T3]: Escenarios de dao simultneo en las trabes centrales (T2 y T3).
calcularon a partir de las ecuaciones 4
180

Gonzlez-Prez, C.

Valds- Gonzlez J.

Aplicacin

de un modelo de redes...

C iencias Exactas y Aplicadas

y 5 respectivamente. En el trabajo, slo se utilizaron como

parmetro de entrada a la red neuronal las diferencias en la
energa de deformacin modal.

donde Umodab es la energa de deformacin modal calculada

en el intervalo de a-b, EI es la rigidez a flexin de la seccin
transversal correspondiente al escenario sin dao, {fi (x)} es
el vector de la i-sima forma de modo, {fi (x)} es el vector
b
1
2
2
de la i-sima curvatura modal (obtenida a partir de las segundas
Umod ab = EL { i (x )} { i (x )"} dx
(4)
a
2

derivadas de las formas de modo). Umod abD son las diferencias
U
(5)
en la energa de deformacin modal. Los superndices U y D
Umod ab = Umod ab
Umod abD
se refieren a los casos sin dao y con dao, respectivamente.
Posteriormente, se procedi a entreFigura 3. Discretizacin del modelo de elemento finito utilizado en el entrenamiento de las redes neuronales.
nar las redes neuronales a partir de los
12 801 escenarios de dao creados (las
arquitecturas ensayadas se muestran
en la figura 4). Para ello se utiliz la
Neural Networks Toolbox provista por
matlab (2004). En lo que concierne
al algoritmo de entrenamiento, se
utiliz el Scaled Conjugate Gradient
con un factor de regularizacin de
= 0.25, 0.50 y 0.75; y un criterio de
paro establecido en 20 000 periodos
(epochs); el cual indica el nmero de
Figura 4. Arquitecturas entrenadas a partir de las diferencias en la energa de deformacin modal correspondiente
veces en que los pares de vectores de
al primer modo.
entrenamiento entrada-salida (12 801
escenarios de dao) son presentados
a la red para el clculo de sus pesos y
desvos. En estas redes se utilizaron
como parmetro de entrada las diferencias en la energa de deformacin
modal obtenidas de los modelos de
elemento finito correspondientes a
los puentes daados artificialmente, y
como parmetro de salida de las redes
las rigideces a flexin de cada uno de
los
elementos en que se discretizaron
Tabla 4. Valores estadsticos correspondientes a los coeficientes de correlacin obtenidos de los anlisis de
regresin llevados a cabo a partir de los escenarios de entrenamiento.
las trabes del puente. nicamente se
Arquitectura neuronal 2
Arquitectura neuronal 1
emple el vector de energa de defor0.7500*
0.2500*
0.5000*
0.2500*
0.5000*
0.7500*
macin correspondientes al primer
0.8617
0.1301
0.1497
Mnimo
0.1484
0.8588
0.8525
0.9972
0.9954
0.9973
modo. De tal manera que las redes enMximo
0.9969
0.9975
0.9963
0.9893
0.9468
0.9698
Promedio
0.9513
0.9892
0.9870
trenadas a partir del parmetro anterior
0.0256
0.1878
0.1326
D.E.
0.1838
0.0269
0.0275
constan de 80 neuronas de entrada que
* Parmetro de regularizacin, D.E. = Desviacin estndar.
corresponden al vector de energa de
deformacin y de 80 neuronas de salida,
Tabla 5. Valores estadsticos correspondientes a las pendientes de los ajustes lineales obtenidos de los anlisis
las cuales estn en correspondencia con
de regresin llevados a cabo a partir de los escenarios de entrenamiento.
el nmero de elementos en que se disArquitectura
neuronal
2
Arquitectura neuronal 1
0.2500*
0.5000*
0.7500*
0.2500*
0.5000*
0.7500*
cretizaron las trabes del puente. Como
0.0153
0.0208
Mnimo
0.6837
0.0194
0.6169
0.6870
resultado, la capa de neuronas de salida
0.9766
0.9889
Mximo
0.9921
0.9849
0.9911
0.9959
arroja las rigideces a flexin de cada uno
0.9012
0.9435
Promedio
0.9721
0.9186
0.9671
0.9719
0.2092
0.1577
D.E.
0.0585
0.2095
0.0709
0.0583
de los elementos en que se discretizaron
* Parmetro de regularizacin, D.E. = Desviacin estndar.
las trabes del modelo.
C I E N C I A e r g o s u m , V o l . 1 5- 2, julio- octubre 2 0 0 8

181

C iencias Exactas y Aplicadas

Una vez entrenadas las redes neuronales, se llevaron a

nada. KT son las rigideces a flexin para el j-simo elemento
cabo anlisis de regresin, en los cuales se evalu la calidad
con el que fue entrenada la red. sKo y sKT son las desviaciones
de los resultados vertidos por las redes, i.e., la respuesta
estndar de las rigideces a reflexin predichas y de las rigideces
predicha (rigideces a flexin de los elementos) por la red ya
a flexin con que la red se entren, respectivamente. Ko es la
entrenada, comparada contra las rigideces a flexin de los
media del vector k io k T es la medida del vector KT. Cov(ko,kT)
pares de entrenamiento: diferencias en la energa de defores la covarianza, la cual est dada por la ecuacion 7.
macin-rigideces.
1 n
(7)
En las tablas 4 y 5 se muestran para las dos arquitecturas
Cov(K O , KT )= (kio k T )
n i =1
analizadas los valores estadsticos (media, mximo, mnimo
En las figuras 5a, 5b, 5c y 5d se muestran algunos de los
y desviacin estndar) correspondientes a los coeficientes
anlisis de regresin llevados a cabo para cada uno de los 20
de correlacin y pendientes de los ajustes lineales, obteelementos que constituyeron cada trabe del puente, para la red
nidos de los anlisis de regresin llevados a cabo para los
neuronal 2 con un parmetro de regularizacin = 0.50. En
escenarios de entrenamiento. Mientras que en las tablas 6
la columna izquierda de estas figuras se presentan los anlisis
y 7 se presentan los valores estadsticos correspondientes
de regresin correspondientes a aquellos escenarios de dao
a los escenarios de evaluacin, utilizados para evaluar
que fueron utilizados para el entrenamiento de la red neuronal,
el desempeo de las redes ante escenarios de dao no
mientras que en la columna de la derecha se muestran los anpresentados durante los entrenamientos. De estas tablas
lisis correspondientes al desempeo de la red ante escenarios
se puede observar cmo influye la arquitectura neuronal;
de dao no presentados durante los entrenamientos de la red
el parmetro de regularizacin, el cual fue de 0.25, 0.50 y
(escenarios de evaluacin). En el eje x se grafican las rigideces
0.75, en el desempeo de las redes analizadas, tanto en los
a flexin con que fue entrenada la red, que corresponden a la
escenarios de entrenamiento como en los de evaluacin.
funcin objetivo (target), mientras que en el eje y se muestran
Tambin se puede advertir que no existe una diferencia
las rigideces predichas por la red una vez entrenada (outputs).
sustancial entre la arquitectura neuronal 1 usando un parDe
lo anterior, se deduce que si la respuesta de la red es igual
metro de regularizacin igual 0.75, y arquitectura neuronal
a los datos de entrenamiento, entonces stos se ajustarn a
2 con un parmetro de 0.50, ya que los coeficientes de
una lnea recta representada en las figuras 5a, 5b, 5c y 5d (ver
correlacin promedio, pendientes de los ajustes lineales,
anexo) como A = T con pendiente unitaria. En estas figuras
as como sus desviaciones estndar, entre las rigideces a
se incluyen datos como la ecuacin de la recta obtenida de
flexin que la red predice para cada uno de los elementos
ajustar los datos a un modelo lineal por el mtodo de mnimos
en que las trabes del puente se discretizaron, y las rigideces
cuadrados, la cual se muestra en lnea continua; as como el
a flexin empleadas en los escenarios de entrenamiento,
coeficiente de correlacin entre la salida predicha por la red
as como tambin en aquellos utilizados para evaluar el
(outputs) y la funcin objetivo (targets).
desempeo de las redes.
De los anlisis mencionados previaTabla 6. Valores estadsticos correspondientes a los coeficientes de correlacin obtenidos de los anlisis de
mente se obtuvo que la red neuronal
regresin llevados a cabo a partir de los escenarios de evaluacin.
2, entrenada a partir de las diferencias
Arquitectura neuronal 2
Arquitectura neuronal 1
en la energa de deformacin modal y
0.5000*
0.7500*
0.2500*
0.5000*
0.7500*
0.2500*
0.2132
0.2242
Mnimo
0.1236
0.1284
0.2112
0.1390
utilizando un parmetro de regulariza0.9971
0.9950
Mximo
0.9952
0.9969
0.9969
0.9958
cin = 0.50, presenta los coeficientes
0.9778
0.9706
Promedio
0.9438
0.9593
0.9769
0.9473
de correlacin ms altos con respecto
0.0948
0.1011
D.E.
0.1865
0.1580
0.0959
0.1824
a las dems redes; estos coeficientes de
* Parmetro de regularizacin, D.E. = Desviacin estndar.
correlacin se calcularon a partir de la
ecuacin 6.
Tabla 7. Valores estadsticos correspondientes a las pendientes de los ajustes lineales obtenidos de los anlisis
K 0, KT

Cov(K O , KT )
K O . KT

de regresin llevados a cabo a partir de los escenarios de evaluacin.

donde rKo,KT es el coeficiente de correlacin tal que 1 rKo,KT 1, Ko son las

rigideces a flexin predichas por la red
para el j-simo elemento, una vez entre182

Arquitectura neuronal 1

(6)
Mnimo
Mximo
Promedio
D.E.

0.25*
0.0146
0.9870
0.8980
0.2089

0.5*
0.0227
1.0055
0.9399
0.1605

0.75*
0.4649
1.0228
0.9685
0.0777

0.25*
0.0159
0.9927
0.9153
0.2092

Arquitectura neuronal 2
0.5*
0.4161
1.0117
0.9644
0.0847

0.75*
0.4713
1.0610
0.9703
0.0793

* Parmetro de regularizacin, D.E. = Desviacin estndar.

Gonzlez-Prez, C.

Valds- Gonzlez J.

Aplicacin

de un modelo de redes...

C iencias Exactas y Aplicadas

actual del puente vehicular analizado.

Como se puede apreciar en esta invesTRABE 1
TRABE 4
tigacin, se requiere de un modelo de
[R] Train [R] Eval
[R]Train
[R]Eval
elemento finito del puente vehicular
0.8848
0.8588
1
0.8883
0.2132
0.9882
0.9916
2
0.9925
0.9936
analizado en su estado inicial, i.e., sin
0.9955
0.9961
3
0.9963
0.9950
dao alguno, en esta etapa se requiere
0.9955
0.9971
4
0.9967
0.9936
0.9923
0.9966
que el modelo de elemento finito del
5
0.9963
0.9953
0.9956
0.9967
6
0.9961
0.9945
puente empate adecuadamente con el
0.9967
0.9972
7
0.9972
0.9966
real, i.e., que las propiedades dinmi0.9967
0.9969
8
0.9965
0.9953
0.9954
0.9964
9
cas de ambos modelos (experimental
0.9967
0.9957
0.9964
0.9968
10
0.9966
0.9964
y analtico) sean las mismas. Una vez
0.9954
0.9965
11
0.9967
0.9959
construido el modelo de elemento fi0.9959
0.9962
12
0.9962
0.9956
0.9954
0.9957
13
0.9958
0.9942
nito, se generaran escenarios de dao
0.9970
0.9971
14
0.9961
0.9957
aleatorios tanto para el entrenamiento
0.9960
0.9966
15
0.9966
0.9960
de la red como para la evaluacin de la
0.9962
0.9968
16
0.9966
0.9970
0.9958
0.9971
17
0.9971
0.9959
misma, en los cuales se fije un rango de
0.9962
0.9961
18
0.9962
0.9956
inters en las rigideces a flexin de las
0.9954
0.9919
19
0.9918
0.9898
trabes del puente (en esta investigacin
0.6721
0.8610
20
0.8959
0.9534
0.9736
0.9825
media
0.9856
0.9539
se manejo un intervalo de 60% al 100%
0.0752
0.0419
D.E.
0.0320
0.1746
de la rigidez a flexin inicial). Una vez
[R]Train Coeficiente de correlacin obtenido de los escenarios utilizados en los entrenamientos de la red.
generados los escenarios aleatorios,
[R]Eval Coeficientes de correlacin obtenidos de los escenarios de dao desconocidos por la red,
se extraera la primera forma modal
utilizados para evaluar el desempeo de la red.
a flexin de todos los escenarios y se
En la tabla 8 se muestran los coeficientes de correlacin
calcularan las diferencias en la energa de deformacin modal
obtenidos de los anlisis de regresin obtenidos para los escea partir de la ecuacin 5. Posteriormente, se entrenara la red
narios de entrenamiento y evaluacin. De esta tabla se observa
neuronal (en esta investigacin la arquitectura neuronal con
que los resultados arrojados entre la respuesta predicha por
mejores resultados fue la segunda, utilizando el algoritmo de
la red y aquella con la que se aliment a la red (escenarios de
entrenamiento Scaled Conjugate Gradient y empleando un
entrenamiento y evaluacin), son muy cercanos a la unidad,
parmetro de regularizacin = 0.5). Una vez entrenada la
lo cual indica que el patrn de entrenamiento utilizado en
red, se haran monitoreos al puente con el objeto de determiesta red (diferencias en la energa de deformacin modal),
nar los posibles cambios en las frecuencias y formas de modo,
es un patrn que permite identificar en forma razonable y
se calcularan las diferencias en la energa de deformacin
confiable, tanto la localizacin como la severidad del dao,
modal para el primer modo a flexin entre el estado inicial y
presentada en cada uno de los elementos en que se discretiel actual, y se introducira este vector (diferencias en la energa
zaron las trabes del puente.
de deformacin) como entrada a la red entrenada. Se espera
Con el objeto de tener una medida de la calidad de la base
que bajo esta metodologa, se pueda construir un modelo de
de datos (escenarios de entrenamiento y de evaluacin), se
redes neuronales que sea capaz de establecer la localizacin
obtuvieron los histogramas de frecuencia relacionados a los
y severidad del dao en cada uno de los elementos en que se
escenarios de dao, de donde se pudo observar una tendencia
discreticen las trabes del puente que se analice.
uniforme en el intervalo de inters (60% al 100%) en el cambio
de la rigidez a flexin de las trabes del puente.
Conclusiones
Aunque los resultados que se presentan en este artculo
corresponden a una simulacin completamente analtica,
En esta investigacin se desarroll, aplic y evalu un modebe comentarse que su aplicacin prctica es posible, ya
delo basado en redes neuronales para identificar el dao
que las formas de modo y frecuencia de vibracin pueden ser
estructural a flexin de las trabes de un puente. Para ello,
obtenidas de un anlisis experimental modal, a partir de cuyos
se llev a cabo un estudio analtico en el cual el modelo
resultados se pueden calcular analticamente las curvaturas, la
de elemento finito de un puente vehicular simplemente
energa de deformacin modal y las diferencias en la energa
apoyado fue analizado. Una vez creado este modelo, y
de deformacin modal entre el estado sin dao y el estado
generados aleatoriamente 12 801 escenarios de dao, se
Tabla 8. Coeficientes de correlacin obtenidos para los escenarios de entrenamiento y evaluacin. Red neuronal 2.

Coeficientes de correlacin
TRABE 2
TRABE 3
[R] Train [R] Eval [R] Train [R] Eval
0.9808
0.9736
0.9716
0.9766
0.9838
0.9957
0.9897
0.9956
0.9937
0.9963
0.9940
0.9963
0.9849
0.9966
0.9936
0.9973
0.9941
0.9963
0.9937
0.9960
0.9954
0.9970
0.9953
0.9971
0.9957
0.9974
0.9966
0.9972
0.9962
0.9968
0.9961
0.9973
0.9965
0.9970
0.9964
0.9972
0.9954
0.9970
0.9965
0.9973
0.9947
0.9971
0.9965
0.9970
0.9961
0.9961
0.9952
0.9972
0.9965
0.9969
0.9961
0.9969
0.9965
0.9970
0.9957
0.9972
0.9967
0.9969
0.9959
0.9975
0.9939
0.9952
0.9940
0.9959
0.9849
0.9963
0.9952
0.9972
0.9961
0.9969
0.9916
0.9963
0.9946
0.9947
0.9971
0.9952
0.9505
0.9729
0.9727
0.9752
0.9908
0.9942
0.9927
0.9947
0.0107
0.0072
0.0073
0.0065

C I E N C I A e r g o s u m , V o l . 1 5- 2, julio- octubre 2 0 0 8

183

C iencias Exactas y Aplicadas

procedi a entrenar una red neuronal en la cual se emplearon como parmetro de entrada las diferencias en la
energa de deformacin modal correspondientes al primer
modo a flexin del puente analizado, y como parmetro de
salida, las rigideces a flexin de los elementos en los cuales
se discretiz el puente.
Finalmente las conclusiones de esta investigacin son:
Se observ que una red feedforward multicapa con un
arreglo neuronal [80-160-160-80], con funciones de activacin: tangente hiperblica-lineal-lineal (figura 4), empleando
el algoritmo de entrenamiento Gradient Conjugate Scaled y
utilizando un parmetro de regularizacin de =0.5 entrenada
a partir de las diferencias en la energa de deformacin modal,
es capaz de predecir la localizacin y severidad del dao en
forma aceptable. Lo anterior, en funcin del coeficiente de
correlacin promedio obtenido por sta (0.9892 y con una
desviacin estndar del 0.0269).

En lo referente al desempeo de la red 2 ante patrones de

dao nunca antes presentados en su entrenamiento, se obtuvo
para los 2 560 escenarios de dao analizados, un coeficiente
de correlacin promedio de 0.9778, con una desviacin
estndar de 0.0948.
A partir de los resultados obtenidos en este trabajo, se
observa que la aplicacin de modelos de redes neuronales
entrenados a partir de las diferencias en la energa de deformacin modal, pudieran ser aplicados en forma confiable
para identificar la localizacin y severidad del dao en las
trabes de un puente.
En cuanto al rango de reducciones en la rigidez a flexin,
que en los ensayos analizados fue del [0-40%] de la rigidez
inicial, se recomienda analizar el desempeo de modelos basados en redes neuronales cuando este rango se ve reducido,
con el objeto de evaluar qu tan precisa se vuelve la red en
sus estimaciones ante niveles de dao bajos.

Bibliografa

Masri, S.; M. Nakamura; A. Chassiakos and T.

_______(2001). Application of Dynamic

Caughey (1996). Neural Network Approach

System Identification to Timber Beams II,

Atalla, M. (1996). Model Updating Using

to Detection of Changes in Structural Param-

Journal of Structural Engineering, asce, Vol.

Neural Networks, Ph.D. Thesis, Faculty of

eters, Journal of Engineering Mechanics,

127, Nm. 4: 426-432

ansys

(2005). Users manual, revision 10.0.

Swanson Analysis System Inc.

the Virginia Polytechnic Institute and State

University.
Demuth, H., Beale, M. (2002). Neural Network
Toolbox 4.0, The Math Works Inc.

ASCE, Vol. 122, Nm. 4: 350-360

matlab

Szewczyk, P. and P. Hajela (1994). Damage

(2004). Using matlab, revision 7.0.

Detection in Structures Based on FeatureSensitive Neural Networks, asce Journal

The Mathworks Inc., Natick, MA.

Nakamura, M.; S. Masri; A. Chassiakos and T.

of Computing in Civil Engineering, Vol 8,

Leath, W. and D. Zimmermam (1993). Analysis

Caughey (1998). Method for Non-Paramet-

Nm. 2: 163-178

of Neural Network Supervised Training

ric Damage Detection Through the Use of

Wu, X.; J. Ghaboussi and J. Garret (1992). Use

with Application to Structural Damage

Neural Networks, Earthquake Engineering

of Neural Networks in Detection of Struc-

Detection, Damage and Control of Large

and Structural Dynamics, John Wiley & Sons,

tural Damage, Computer and Structures.

Structures, Proc. Of the 9th vpi&su Sympo-

Ltd.: 997-1010

Vol. 42, Nm. 4, 649-659.

Peterson, S.; D. McLean; M. Symans; D. Pollock;

Zapico, J.; K. Worden an F. Molina (2000).

Lertpaitoonpan, W. (2000). Bridge Damage

W. Cofer; R. Emerson and K. Fridley, (2001).

Structural Damage Assessment Using

Detection Using a System Identification

Application of Dynamic System Identification

Neural Networks, Conference on System

Method, Ph.D. Thesis, University of

to Timber Beams I, Journal of Structural En-

Identification & Structural Health Monitoring

Florida.

gineering, asce, Vol. 127, Nm. 4: 418-425

2000. 387-396.

sium: 583-594.

184

Gonzlez-Prez, C.

Valds- Gonzlez J.

Aplicacin

de un modelo de redes...

C iencias Exactas y Aplicadas

Anexo
Figura 5a. Anlisis de regresin de los resultados obtenidos por la red neuronal entrenada a partir de las diferencias en la energa de deformacin modal.
Trabe 1

C I E N C I A e r g o s u m , V o l . 1 5- 2, julio- octubre 2 0 0 8

185

C iencias Exactas y Aplicadas

Figura 5b. Anlisis de regresin de los resultados obtenidos por la red neuronal entrenada a partir de las diferencias en la energa de deformacin modal.
Trabe 2

186

Gonzlez-Prez, C.

Valds- Gonzlez J.

Aplicacin

de un modelo de redes...

C iencias Exactas y Aplicadas

Figura 5c . Anlisis de regresin de los resultados obtenidos por la red neuronal entrenada a partir de las diferencias en la energa de deformacin modal.
Trabe 3

C I E N C I A e r g o s u m , V o l . 1 5- 2, julio- octubre 2 0 0 8

187

C iencias Exactas y Aplicadas

Figura 5d . Anlisis de regresin de los resultados obtenidos por la red neuronal entrenada a partir de las diferencias en la energa de deformacin modal.
Trabe 4

188

Gonzlez-Prez, C.

Valds- Gonzlez J.

Aplicacin

de un modelo de redes...