Professional Documents
Culture Documents
in a Vehicular Bridge
del dao.
vehiculares.
Correo electrnico:
albertglezp@yahoo.com.mx y
jvaldes@uaemex.mx
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
Gonzlez-Prez, C.
Valds- Gonzlez J.
Aplicacin
de un modelo de redes...
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.
f (n ) = kn
Lineal
Limitador fuerte (Hardlim). Tambin llamada funcin umbral,
Heaviside o funcin escaln.
Rampa
Logartmico 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)
Gonzlez-Prez, C.
Valds- Gonzlez J.
Aplicacin
de un modelo de redes...
181
Cov(K O , KT )
K O . KT
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
Gonzlez-Prez, C.
Valds- Gonzlez J.
Aplicacin
de un modelo de redes...
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
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).
Bibliografa
ansys
Nm. 2: 163-178
Ltd.: 997-1010
Florida.
2000. 387-396.
sium: 583-594.
184
Gonzlez-Prez, C.
Valds- Gonzlez J.
Aplicacin
de un modelo de redes...
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
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...
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
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...