Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Save to My Library
Look up keyword
Like this
154Activity
0 of .
Results for:
No results containing your search query
P. 1
Método de Kani

Método de Kani

Ratings: (0)|Views: 8,498 |Likes:
Published by Ivan Saul Huaman
contiene formas de diseño
contiene formas de diseño

More info:

Categories:Types, Resumes & CVs
Published by: Ivan Saul Huaman on Jun 21, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

01/17/2014

pdf

text

original

 
141
Volumen 11, Nº 44, septiembre 2007. pp 141-149
ANÁLISIS DE CUALQUIER TIPO CONVENCIONAL DEESTRUCTURAS PARA EDIFICIOS CON NODOSINDESPLAZABLES UTILIZANDO UN MODELO DE REDNEURONAL ARTIFICIAL
Pinto Mindiola, Lácides García Cerezo, Alfonso
Resumen:
Un modelo de red neuronal artificial es utilizado para calcular los momentos rotacionales extremosy definitivos en una estructura para edificios de varios pisos con nodos indesplazables. Esto se logra con elentrenamiento no- supervisado de la red. La estructura se formará, de manera que, todos los nodos rotaránun ángulo y asumiendo que el efecto de las fuerzas axiales sobre las barras de la estructura es nulo. Losmomentos extremos finales
 M 
ik 
y
 M 
ki
se determinan calculando las diferentes componentes
 M´ 
ik 
y
 M´ 
ki
separadamente, esto se logra utilizando un algoritmo auto – supervisado. Se elige un modelo de red neuronalapropiado para la estructura proporcionando a la red los parámetros físicos- estructurales, para suentrenamiento, a través de un algoritmo no- supervisado. El modelo es evaluado con el uso del método delas aproximaciones sucesivas para el análisis estructural desarrollado por el Dr. Ing. G. Kani. En general, elnuevo enfoque da mejores resultados comparado con los métodos tradicionalmente utilizados para el análisisestructural. La comparación con el metodo de Kani muestra que el modelo ANN ejecuta mejor los resultados.
Palabras clave:
Red Neuronal Artificial/ Modelo/Análisis Estructural/Algoritmo.
STRUCTURAL ANALYSIS OF ANY TYPE OFCONVENTIONAL BUILDING FRAME WITH FIXEDJOINTS USING ARTIFICIAL NEURAL NETWORK MODEL
Abstract:
An artificial neural network model is used to calculate the rotational end moment and fixed endmoment induced at the ends an artificial neural network model is used for the analysis of any typeconventional building frame of several level with fixed joints under the action of the given loading in termsof the end moments for any member, the frame will deform so that any node i rotates through an angle τI. Atthe same time, no lateral sway will be produced. The final end moments Mik and Mki are determined byfinding out the different components M`ik and M`ki separately it is achieved using a self-supervisedalgorithm. Assuming the effect of axial lengths of the bars of the structure is not altered. Choosing anappropriate neural network model and providing frame parameters to that network for training purpose areaddressed by using unsupervised algorithm. The model is evaluated by using the Kani`s method. In general,the new approach gives better results compared to several commonly used methods of structural analysis. Thecomparison with the Kanis’method shows that the ANN model performs best the results.
Keywords:
Artificial Neural Network/Model/Structural Analysis/Algorithm.
Manuscrito finalizado en Ciudad Guayana, Venezuela el 2007/05/17, recibido el 2007/06/19, en su forma final (aceptado) el 2007/07/15. El MSc. LácidesRafael Pinto Mindiola es Coordinador del Dpto. de Postgrado en la Universidad Nacional Experimental Politécnica “Antonio José de Sucre” (UNEXPO),Vicerrectorado Puerto Ordaz, telf. 0286 8085512 correo electrónico lacidesrafael@yahoo.com. El Dr. Alfonso García Cerezo es catedrático de la Universidadde Málaga Director del Departamento de Ingeniería de Sistemas y Automática, telf. (00) (34) 952132775, (00) (34) 670949495, correo electrónicogcerezo@ctima.uma.es.
I. INTRODUCCIÓN
En las pasadas décadas de los años treinta y cincuenta, selogró un gran avance en el entendimiento del análisisestructural de pórticos para edificios de varios pisos. Enla evolución de la ciencia de las estructuras, el mayor trabajo realizado se ha dado en el análisis de las diferentesclases de estructuras. La importancia de este tópico seorigina en la tremenda influencia que ha tenido sobre laingeniería la necesidad de desarrollar grandes y complejasestructuras.En mayo de 1930 se publicó un artículo titulado “Distribuciónde Momentos en los Extremos Fijos de las EstructurasContinuas”, un método totalmente nuevo para el análisis deestructuras. Cross fue aclamado como un hombre que resolvióuno de los problemas más espinosos en la ingenieríaestructural. Su enfoque fue extremadamente práctico [1].
 
142
Volumen 11, Nº 44, septiembre 2007 pp 141-149
El enfoque de Kani (1930s) está basado en los métodos de lasaproximaciones sucesivas y en la distribución de momentos para expresar el efecto de las rotaciones y desplazamientosnodales. El método iterativo de análisis de estructurasdesarrollado por G. Kani, viene a ser extremadamentesatisfactorio para el análisis de cualquier estructuraconvencional para edificios de varios pisos bajo cualquier condición de cargas dada. Kani propuso extender este métodoa las estructuras con columnas continuas a través de varios pisos con sólo ligeras modificaciones [Structural EngineeringArchive].Los enfoques de Cross y Kani (1930s) basados en los métodosde las “aproximaciones sucesivas” y la “distribución demomentos”, descartan las complejas relaciones matemáticas y por el contrario se apoyan en simplicidades aritméticas.Es erróneo suponer que un método de aproximacionessucesivas sea un método aproximado. Esencialmente,un método aproximado, es aquel que proporciona comosu nombre lo indica, valores aproximados, mientras quelos métodos de aproximaciones sucesivas arrojanresultados con la precisión deseada por el calculista[2].Del enfoque matricial, existe la creencia que en los comienzosde los 1930s, una persona que trabajaba en la industria de lasavionetas de Gran Bretaña o Alemania fue la primera queformuló la matriz de rigidez o de flexibilidad.El enfoque del análisis estructural con la aplicación dematrices tuvo las más grandes contribuciones de cuatro protagonistas: Collar, Duncan, Argyris y Turner. Entre 1934 y1938 los dos primeros publicaron los primeros artículos con larepresentación y terminología para los sistemas matricialesque son utilizados hoy. En el año 1930 Collar y Duncanformularon la aeroelasticidad discreta en forma matricial. Los primeros dos artículos y el primer libro sobre el tópicoapareció en el mundo estructural entre 1934 y 1938. Elsegundo avance que se realizó en el análisis estructuralmatricial apareció en los años 1954 y 1955 cuando el profesor Argyris sistematizó una unificación formal de los Métodos delas Fuerzas y de los Desplazamientos utilizando los teoremasde energía dual. Este trabajo sistematizó el concepto deensamblaje del sistema de ecuaciones estructurales a partir desus componentes elementales [3].M. Turner propuso en el año 1959 el Método Directo de lasRigideces para el Análisis Estructural, y logró los cambiosmás dramáticos: un método bastante general y muy eficientede la implementación computacional del entonces incipiente,Método de los Elementos Finitos [3].La teoría de la elasticidad es una teoría que ha estadodisponible para todos los diferentes enfoques requeridos delanálisis estructural, pero requiere de un conocimientorelativamente avanzado en el área de las matemáticas.En la Fig. 1 se muestra un pórtico de tres niveles que permitiráilustrar acerca de la capacidad del modelo de red neuronal propuesto en este trabajo.
Fig. 1 Problema Estructural Propuesto
Una red neuronal artificial es un dispositivo de procesamientode un algoritmo, o de un hardware efectivo, cuyo diseño fueinspirado en el sistema biológico del cerebro de los humanosy sus componentes. Existe una variedad de modelos de redesneuronales y procedimientos de aprendizaje. El aprendizajede las redes neuronales incluye el ajuste de los pesos ytendencias de las conexiones. El éxito de las aplicaciones delas redes neuronales no- supervisadas en la solución decualquier problema, depende fundamentalmente delentrenamiento de la red y de la eficiencia del algoritmo deaprendizaje. En este artículo utiliza un algoritmo, que estáasociado de tal manera al modelo de red que ambosconstituyen un todo esencial para el éxito del proceso.Este artículo evalúa un enfoque de las redes neuronales en elanálisis de estructuras reticuladas de varios pisos utilizando unalgoritmo auto- supervisado que se apoya en los parámetros físicosde la estructura propuesta. El objeto del estudio es calcular losmomentos rotacionales extremos y definitivos en una estructurareticulada de varios pisos con nodos indesplazables. Varias pruebasfueron hechas, para diseñar la arquitectura conveniente del modelode red. El modelo fue entrenado con los factores de distribuciónde momentos seleccionados sobre las bases de las consideracionesteóricas del equilibrio estático de la estructura. El modelo de redneuronal artificial, ofrece una flexibilidad extrema ya que permitela variación de los tipos de cargas, el desplazamiento horizontal delos nodos, cambio de las secciones de los miembros y enconsecuencia, tolera igualmente las modificaciones de losmomentos de inercia de las barras. Para ello, no es necesariomodificar el modelo, sino volver al entrenamiento de la redneuronal, previo ajuste de algunos parámetros del algoritmo.
 
143
Pinto, L., García A.
 Análisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables
El enfoque neuronal es tolerante a fallas, por ser correctivo, esto permite calificarlo como un “método con eliminación automáticade errores” a medida que la red aprende. La comprobación de losresultados que se obtienen después de realizar los productos ysumas de unos pocos valores puede hacerse con facilidad extremaen cualquier elemento de procesamiento o nodo y en cualquier capa de neuronas, sin que para ello se requiera de los servicios deexpertos en ingeniería estructural.El artículo presenta la definición de redes neuronales, laarquitectura de la red, la fase de aprendizaje de la red, elentrenamiento de la red, la comparación con el método deKani y la evaluación del modelo
II. DESARROLLO1. Redes neuronales artificiales
 Axioma“los nodos de una estructura reticulada son inteligentes. Enconsecuencia, todo nodo es capaz de distribuir las influencias de lascargas actuantes directamente sobre él, en forma automática, proporcionalmente a la rigidez de cada una de las barras queconcurren en el mismo” 
Una red neuronal artificial (ANN) es un sistema de procesamiento de información que opera sobre unasentradas para extraer información y produce salidascorrespondientes a la información extraída. Las redestambién son conocidas como “modelos conexionistas”,“modelos de procesamiento distribuidos en paralelo”,“sistema neuromórfico”, cuyos diseños son análogos a lasneuronas biológicas, base de su inspiración. Las redes son bien conocidas como enfoques de aplicaciones para la predicción, procesamiento de base de datos, control de procesos industriales, clasificación de patrones, etc. Laalimentación hacia adelante, es una característica muyespecial de las redes neuronales multi-capa, cuyasconexiones alimentan exclusivamente las entradas desdelas capas más bajas hasta las capas más altas. En otras palabras, las conexiones de los pesos ponderados y de lastendencias alimentan las actividades desde la capa deentrada hasta la capa de salida con sentido hacia delante. Elaprendizaje de las redes neuronales artificiales comprendeel ajuste de los pesos y tendencias de las conexiones. Eléxito de una aplicación de entrenamiento auto- supervisadode una red neuronal sobre cualquier problema, depende delentrenamiento adaptativo de la red neuronal con suficienterango de los datos y el rango de las condiciones.
2. Arquitectura de la red
Un modelo de red neuronal artificial es un sistema compuestode muchos procesadores simples, cada uno de ellos contieneuna memoria local. Los elementos de procesamiento estánconectados por conexiones unidimensionales, “completamenteconectados”, “parcialmente conectados”, o “localmenteconectados”, cuya función está determinada por la conexióntopológica y las fuerzas de conectividad. Cada capa tiene su propia matriz de los pesos
W
, su propio vector tendencia
b
, unvector de entrada neta
n
y un vector de salida
a
.La Fig. 2 muestra la red multi-capa alimentada hacia adelante,incluyendo las capas ocultas. El vector de entrada
x
contienelas entradas a las neuronas de la capa de entrada L
1
representando un conjunto de parámetros (x
1
, x
2
, x
3
)
T
. Lassalidas de las neuronas en esa capa no están normalizadas ytampoco escaladas. La capa de salida L
4
tiene dos neuronascon un vector de salida (a
1
, a
2
,)
T
.
Fig. 2. Modelo de red multi-capa alimentada hacia adelante

Activity (154)

You've already reviewed this. Edit your review.
oye pasame este libro ps broder si lo tiwenes ps
1 thousand reads
1 hundred reads
Alvaro Uribe liked this
Irving Lopez liked this
Eduardo Gomez liked this
mrocio03 liked this
chinocas liked this

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->