| Revista: | Ciencia ergo sum |
| Base de datos: | CLASE |
| Número de sistema: | 000377175 |
| ISSN: | 1405-0269 |
| Autors: | González Pérez, Carlos Alberto1 Valdés González, Jesús1 |
| Institucions: | 1Universidad Autónoma del Estado de México, Facultad de Ingeniería, Toluca, Estado de México. México |
| Any: | 2008 |
| Període: | Jul-Oct |
| Volum: | 15 |
| Número: | 2 |
| Paginació: | 176-188 |
| País: | México |
| Idioma: | Español |
| Tipo de documento: | Artículo |
| Enfoque: | Analítico, descriptivo |
| Resumen en español | En este artículo se presenta el desarrollo y aplicación de un modelo de redes neuronales en la detección del daño estructural a flexión en las trabes de un puente vehicular. El entrenamiento y evaluación de las redes se llevó a cabo a partir de la generación de 12 801 y 2 560 escenarios de daño “artificiales”, respectivamente. En la generación de estos escenarios se modificó aleatoriamente la rigidez a flexión de uno o varios de los elementos en que se discretizaron las trabes del puente. Como parámetro de entrada en el entrenamiento de las redes se utilizaron las diferencias en la energía de deformación modal y, como parámetro de salida, las rigideces a flexión de los elementos en que se discretizaron las trabes del puente. El algoritmo de entrenamiento utilizado fue el Scaled Conjugate Gradient. En general, se observó que las redes son capaces de predecir en forma confiable la localización y severidad del daño |
| Resumen en inglés | This article presents the development and application of an Artificial Neural Networks-based model for the detection of structural damage to bending in the girders of a vehicular bridge. The training and evaluation of the networks were carried out starting from the generation of 12801 and 2560 “artificial” damage scenarios, respectively. In the generation of these scenarios the flexural stiffness of one or several elements were randomly modified such that the bridge’s girders were discretizated. In training the networks, the differences in the modal strain energy were used as input parameters, and the flexural stiffness of the elements as output parameters in which the bridge’s girders were discretizated. The training algorithm used was the Scaled Conjugate Gradient. In general, it was observed that the networks are able to predict in a reliable way the location and severity of the damage |
| Disciplines | Ingeniería |
| Paraules clau: | Ingeniería civil, Puentes, Detección de daños, Redes neuronales, Elementos finitos, Trabes, Flexión, Deformación modal |
| Text complet: | Texto completo (Ver HTML) |
