REDES NEURONALES (Neural

Networks)
Y SU APLICACION A LA
MINERIA
INTEGRANTES:
- MARTINEZ VELARDE, Alfredo
- MELENDEZHUAMAN, Omar
- DE LA CRUZ ORDOEZ, David
- PANEZ DELGADO, Wilder
- ROJAS CRISTOBAL, Oscar
BASES BIOLOGICAS QUE
INSPIRARON LAS REDES
NEURONALES ARTIFICIALES
SISTEMA NERVIOSO
BIOLOGICO
NEURONA
SINAPSIS
RED NEURONAL
ARTIFICIAL
El cerebro humano es el sistema de clculo ms complejo que conoce el hombre. El
ordenador y el hombre realizan bien diferentes clases de tareas; as la operacin de
reconocer el rostro de una persona resulta una tarea relativamente sencilla para el
hombre y difcil para el ordenador, mientras que la contabilidad de una empresa es tarea
costosa para un experto contable y una sencilla rutina para un ordenador bsico.

Un grupo de investigadores ha perseguido la creacin de un modelo en el ordenador que
iguale o adopte las distintas funciones bsicas del cerebro. El resultado ha sido una nueva
tecnologa llamada Computacin Neuronal o tambin Redes Neuronales Artificiales.
CARACTERSTICAS DE LAS REDES NEURONALES ARTIFICIALES

Las Redes Neuronales Artificiales, ANN (Artificial Neural Networks) estn inspiradas en las redes
neuronales biolgicas del cerebro humano.

Las ANN al margen de "parecerse" al cerebro presentan una serie de caractersticas propias del
cerebro. Por ejemplo las ANN aprenden de la experiencia, generalizan de ejemplos previos a
ejemplos nuevos y abstraen las caractersticas principales de una serie de datos.

Abstraer: aislar mentalmente o considerar por separado las cualidades de un objeto.
ESTRUCTURA BSICA DE UNA RED NEURONAL

Redes Neuronales Artificiales.-En las Redes Neuronales Artificiales, ANN, la unidad anloga a la neurona biolgica es el
elemento procesador, PE (process element). Un elemento procesador tiene varias entradas y las combina, normalmente con
una suma bsica. La suma de las entradas es modificada por una funcin de transferencia y el valor de la salida de esta
funcin de transferencia se pasa directamente a la salida del elemento procesador.

La salida del PE se puede conectar a las entradas de otras neuronas artificiales (PE) mediante conexiones ponderadas
correspondientes a la eficacia de la sinapsis de las conexiones neuronales.
Una red neuronal consiste en un conjunto de unidades elementales PE conectadas de una forma concreta. El inters de las
ANN no reside solamente en el modelo del elemento PE sino en las formas en que se conectan estos elementos
procesadores. Generalmente los elementos PE estn organizados en grupos llamados niveles o capas. Una red tpica
consiste en una secuencia de capas con conexiones entre capas adyacentes consecutivas.

Existen dos capas con conexiones con el mundo exterior. Una capa de entrada, buffer de entrada, donde se presentan los
datos a la red, y una capa buffer de salida que mantiene la respuesta de la red a una entrada. El resto de las capas reciben
el nombre de capas ocultas.
1943 McCulloch y Pitts presentan la neurona formal.
1949 D. Hebb publica su regla de aprendizaje para neuronas.
1951 Minsky plantea su mquina neuronal.
1956 Rochester, Holland, entre otros, realizan pruebas sobre ensambles de clulas y su accin
en el cerebro.
1958 Von Neumann propone un modelo para el cerebro.
1958 Rosenblatt propone el perceptrn.
1960 Widrow y Hopf presentan el Adaline y el aprendizaje por ajuste de mnimos cuadrados. Lo
aplican a la eliminacin del eco en llamadas telefnicas y constituye la primera aplicacin
prctica de las redes neuronales.
1969 Minsky y Papert analizan el preceptrn y encuentran que tiene limitaciones lgicas
importantes.
HISTORIA DE LA COMPUTACIN NEURONAL


Los primeros aos
Reflexin y estancamiento

1972 Kohonen presenta sus primeros trabajos sobre redes neuronales y memorias
asociativas.
1972 J. Anderson desarrolla la red neuronal llamada: estado cerebral en una caja.
1975 Fukushima, en los laboratorios NHK, en Tokio, desarrolla el cognitrn, una red
neuronal especializada en reconocimiento de patrones. No logra reconocer
caracteres distorsionados o rotados.
1976 Grossberg, en la Universidad de Boston, inicia sus trabajos sobre redes neuronales
artificiales. Se distingue por su carcter altamente matemtico y con sentido
biolgico.
1982 Kohonen presenta la red que ahora se llama mapeo autoorganizado (SOM por su
nombre en ingls).
La dcada de oro de las redes
neuronales
1982-1985 J. Hopfield presenta la red de aprendizaje mediante la regla de Hebb. Utiliza tcnicas
de la Fsica Estadstica para demostrar que tiene propiedades de memoria
asociativa. Gran impacto en el mundo de los fsicos.
1984 Ackley, Hinton y Sejnoski desarrollan la mquina de Boltzmann. Una red neuronal
1985 Se establece el sistema de propagacin hacia atrs, que haba aparecido para ser olvidado
en diversas ocasiones.
1986 Surge el mapeo de Kohonen.
2000 El paralelismo, las redes neuronales y la inteligencia articial en general, convergen en una
teora del aprendizaje de desarrollo acelerado con aplicaciones muy diversas.
Una red neuronal es un
sistema compuesto de
muchos elementos
procesadores simples
operando en paralelo,
cuya funcin es
determinada por la
estructura de la red,
fuerza en las conexiones
y el procesamiento
realizado por los
elementos
computacionales en los
nodos

"Una red neuronal es un procesamiento
distribuido masivamente paralelo que tiene una
tendencia natural para almacenar conocimiento
emprico y hacerlo disponible para el uso

Haykin, S
Una Red Neuronal viene caracterizada por:

Topologa

La intensidad de la conexin entre sus pares de neuronas
(pesos)

Las propiedades de los nodos

Las reglas de aprendizaje de pesos, controlan los pesos y/o
estados de los elementos de procesados (neuronas).
Dos tipos de aprendizaje
Supervisado
No supervisado

Dos fases de operacin
Entrenamiento de la red
Recuperacion de lo aprendido


No son algortmicas

Las RNA generan ellas mismas sus propias "reglas", para
asociar la respuesta a su entrada; es decir, aprende por
ejemplos y de sus propios errores.

Requieren de algn tipo de patrn

Problemas que son muy difciles de calcular pero que no
requieren de respuestas perfectas, slo respuestas rpidas y
buenas. Tal y como acontece con el escenario burstil en el
que se quiere saber compro?, vendo?, mantengo?, o en
el reconocimiento cuando se desea saber se parece? es
el mismo pero tienen una ligera modificacin?

La ventaja de las Redes Neuronales Artificiales (RNA), reside en el
procesado paralelo, adaptativo y no lineal. Las (RNA) han
encontrado muchas aplicaciones con xito en la visin artificial, en
el procesado de seales e imgenes, reconocimiento del habla y
de caracteres, anlisis de imgenes mdicas, control remoto,
control de robots, inspeccin industrial y exploracin cientfica.

El dominio de aplicacin de las (RNA) se puede clasificar de la
siguiente forma:
Asociacin y clasificacin
Regeneracin de patrones
Regresin y generalizacin
Optimizacin
Las Redes Neuronales son tiles para:

Clasificacin de patrones
Aproximacin de funciones
Mapeo
En los que exista informacin imprecisa y con tolerancia a fallos
Aprendizaje Adaptativo
Autoorganizacin
Tolerancia a Fallos
Operacin en tiempo real
Fcil construccin en circuitos integrados

La entrada total de la unidad k es la suma ponderada de
las entradas que recibe ms el trmino de offset
Este tipo de expresiones que calculan la entrada total se
denominan reglas de propagacin y, en general, pueden
tener diferentes expresiones
El nmero de capas intermedias y el nmero de neuronas de
cada capa depender del tipo de aplicacin al que se vaya a
destinar la red neuronal.
BACKPROPAGATION
PERCEPTRON
Los elementos de procesado de una red neuronal se distribuyen
por capas, existen tres tipos de capas:

1. Capa de entrada: Dependen del problema a abordar

2. Capa de salida: Salidas que proporciona la estructura

3. Capas ocultas: Conjunto de elementos de procesado asociados
en capas que se encuentran entre la capa de entrada y la capa
de salida
Las funciones (tanto de activacin como de salida) de los
elementos de procesado pueden ser diferentes

No existe limitacin en el nmero de capas ocultas

En general, cuanto mayor sea la diferencia entre los elementos
de entrada y los de salida, ser necesario dotar a la estructura
de ms capas ocultas

La habilidad de la red para procesar informacin crece en
proporcin directa al nmero de capas ocultas
En funcin de la direccin
del movimiento de la
informacin se puede
realizar una clasificacin:

Redes feedforward

Redes feedback

Redes feedlateral
Supervisado

En el aprendizaje supervisado (aprender con un maestro),
la adaptacin sucede cuando el sistema compara
directamente la salida que proporciona la red con la salida
que se deseara obtener de dicha red; existen 3 tipos:

Por correccin de error
Por refuerzo
Estocstico

Regla delta
Una red con una nica capa con una nica neurona en la salida con una
funcin de activacin lineal, la salida viene dada por:
Supongamos que vamos a entrenar una red de decisin ms idneo para
un conjunto de muestras de entrada consistentes x y valores de
salida deseada d.
Para cada muestra dada del conjunto de entrada, la salida real de la red
difiere de la salida deseada en d-y, donde y es la salida real de la red
correspondiente a la entrada x
La funcin de error, dada por el mtodo del menor error cuadrtico
medio, es la suma de los cuadrados de los errores individuales de
cada patrn. Es decir, el error total E viene dado por:
Los valores de los pesos de conexin se buscan de forma tal que se
minimice la funcin E y este proceso se realiza por un mtodo conocido
gradiente descendiente
Dado que la funcin de
activacin es lineal, como se
comentaba al comienzo,
Cuntas capas ocultas?
Por experiencia se sabe que usar ms de una capa oculta casi nunca es
benfico. El problema es que el entrenamiento es dramticamente ms
lento cuando se usan ms capas ocultas. Esto se debe a dos efectos:
La capa adicional a travs de la cual los errores deben ser
retropropagados hace que el gradiente sea ms inestable.

El nmero de mnimos falsos se incrementa usualmente de
una manera dramtica.
Cuntas neuronas ocultas?
El usar muy pocas neuronas ocultas dejar a la red neuronal sin los
recursos necesarios para resolver el problema

El usar muchas neuronas podr incrementar el tiempo de
entrenamiento

Adems, un nmero excesivo de neuronas ocultas puede causar un
problema de sobreajuste.
Cuntas neuronas ocultas?
Un paradigma somero para la eleccin del nmero de neuronas ocultas
en muchos problemas es la regla de la pirmide geomtrica.
Cunto tiempo se debe entrenar?
Se dice que las redes neuronales pueden ser sobreentrenadas. Quiere
decir que hay una cantidad ptima de entrenamiento y que se puede
entrenar ms all de dicho punto para mejorar el funcionamiento en el
conjunto de entrenamiento, pero degradando dicho funcionamiento en la
poblacin general.
Las principales aplicaciones de la
inteligencia artificial est constituido por
sistemas expertos, algoritmos genticos ,
redes neuronales, etc, sabiendo que la
industria minera trabaja con una gran
cantidad de datos, que matemticamente
su solucin se vuelve compleja
complicndose encontrar una
correspondencia de la variables, las redes
neuronales destierran completamente a
las tcnicas convencionales matemticas.

APLICACIONES
Algoritmos genticos y redes neuronales
artificiales para la programacin de
vehculos inteligentes no tripulados para la
operacin en la mina con la finalidad de
acceder a espacios confinados, detonar
tiros cortados o superar condiciones de
alto riesgo evitando la presencia y
exposicin de colaboradores humanos en
dichas tareas.

Redes neuronales artificiales para
dosificar el flujo de aire en la ventilacin
minera subterrnea de manera que se
optimice las descargas en funcin a la
necesidad de aire, reduciendo los costos.

ESTIMACION DE PROPIEDADES
MECANICAS DE LA ROCA CON REDES
NEURONALES.

Propiedades petrofsicas

Porosidad.
Es la fraccin del volumen total de la roca ocupada por su espacio vaco (lleno de
agua , aire ) , y representa el porcentaje del espacio total que puede ser ocupado
por lquidos
o gases. Esta propiedad determina la propiedad de acumulacin de las rocas
y, generalmente, se expresa como porcentaje o fraccin de la unidad .



Permeabilidad (k)


Es la capacidad de una roca para permitir el paso de fluidos a travs de ellos sin
modificar su estructura interna, por lo que determina la velocidad a la que se
desplaza el fluido que contiene por unidad de tiempo.
Se dice que un material es permeable si deja pasar a travs de el una
cantidad apreciable de fluido en un tiempo dado, e impermeable si la cantidad
de fluido es despreciable.
Propiedades Mecnicas

Resistencia a la compresin sin confinamiento (UCS)

Porosidad % Permeabilidad (mD) Resistencia (PSI)
20 12 1200
18,8 40 3800
17,9 62 4700
17,4 69 5000
16,8 80 7000
15 96 8970
15,7 91 8300
12 183 15000
10 198 17000
8 307 25000
DATOS DE LABORATORIO

La tabla muestra claramente las entradas y salidas para cada propiedad.
Desarrollo de la herramienta
La figura muestra la representacin grfica de las configuraciones seleccionadas por
el algoritmo gentico teniendo la porosidad y la permeabilidad como datos de entrada.
Como dato de salida se obtiene la resistencia a la compresin sin confinamiento (UCS).
Para el caso de la resistencia a la compresin uniaxial, la figura muestra la
comparacin entre valores reales y estimados por la red neuronal.
Anlisis de resultados
Se probaron diferentes configuraciones de red neuronal por tipo de prueba,
buscando las que ms se ajustaran al conjunto de datos y, la seleccionada presenta
error promedio de 2.2058 % respectivamente para cada una de las pruebas.
Con las pruebas que se presentaron para diversos conjuntos de datos de
entrenamiento, se demuestra cmo realmente se logra una generalizacin con el
modelo propuesto y se facilita con su anlisis determinar el nmero de datos que
se hacen necesarios para obtener resultados confiables.
Conclusiones
Se calculo la propiedad mecnica de roca (resistencia a la compresin sin
confinamiento )utilizando mtodos propios de la inteligencia artificial (redes
neuronales).
El modelo de redes neuronales descrito muestra que este puede ser un modelo de
confianza para la determinacin de las propiedades mecnicas utilizando
informacin de petrofsica y requiriendo un conjunto de datos experimentales
obtenidos previamente.
Creacin y Entrenamiento de la Red Neuronal

ANEXO
Simulacin de la Red Neuronal ya
entrenada
Parametros de interes durante el entrenamiento
0 500 1000 1500
10
-4
10
-3
10
-2
10
-1
10
0
1581 Epochs
T
r
a
i
n
i
n
g
-
B
l
u
e


G
o
a
l
-
B
l
a
c
k
Performance is 9.99819e-005, Goal is 0.0001
Error vs Numero de Entrenamientos
(Epochs)
Utilizacin de la Red con datos de 14% de porosidad y 140 mD permeabilidad
Bibliografa

http://oa.upm.es/14183/1/MECANICA_DE_ROCAS_1.pdf

http://webcache.googleusercontent.com/search?q=cache:JbAH0u2gAWoJ:https://www.u-
cursos.cl/ingenieria/2011/2/GL5201/1/material_docente/objeto/384079+&cd=1&hl=es&ct=clnk&gl
=pe

http://ocw.uis.edu.co/ingenieria-civil/estabilidad-de-
taludes/clase11/ensayos_geotecnicos_de_rocas.pdf

Ttulo: REDES NEURONALES ARTIFICIALES Y
SUS APLICACIONES Autor: Xavier Basogain Olave Escuela superior de ingeniera Bilbao

Ttulo: NEURAL NETWORKS. Autor: Simon HayLin McMaster University.
Hamilton,Ontorio, Canada

Ttulo: MODELIZACION ESTADISTICA CON REDES NEURONALES. Autor: Maria Castellano
Mendez. Diciembre 2009.