ANLISIS DE CUALQUIER TIPO CONVENCIONAL DE ESTRUCTURAS PARA EDIFICIOS CON NODOS INDESPLAZABLES UTILIZANDO UN MODELO DE RED NEURONAL ARTIFICIAL

Pinto Mindiola, Lcides Garca Cerezo, Alfonso

Resumen: Un modelo de red neuronal artificial es utilizado para calcular los momentos rotacionales extremos y definitivos en una estructura para edificios de varios pisos con nodos indesplazables. Esto se logra con el entrenamiento no- supervisado de la red. La estructura se formar, de manera que, todos los nodos rotarn un ngulo y asumiendo que el efecto de las fuerzas axiales sobre las barras de la estructura es nulo. Los momentos extremos finales Mik y Mki se determinan calculando las diferentes componentes Mik y Mki separadamente, esto se logra utilizando un algoritmo auto supervisado. Se elige un modelo de red neuronal apropiado para la estructura proporcionando a la red los parmetros fsicos- estructurales, para su entrenamiento, a travs de un algoritmo no- supervisado. El modelo es evaluado con el uso del mtodo de las aproximaciones sucesivas para el anlisis estructural desarrollado por el Dr. Ing. G. Kani. En general, el nuevo enfoque da mejores resultados comparado con los mtodos tradicionalmente utilizados para el anlisis estructural. La comparacin con el metodo de Kani muestra que el modelo ANN ejecuta mejor los resultados. Palabras clave: Red Neuronal Artificial/ Modelo/Anlisis Estructural/Algoritmo.

STRUCTURAL ANALYSIS OF ANY TYPE OF CONVENTIONAL BUILDING FRAME WITH FIXED JOINTS USING ARTIFICIAL NEURAL NETWORK MODEL
Abstract: An artificial neural network model is used to calculate the rotational end moment and fixed end moment induced at the ends an artificial neural network model is used for the analysis of any type conventional building frame of several level with fixed joints under the action of the given loading in terms of the end moments for any member, the frame will deform so that any node i rotates through an angle I. At the same time, no lateral sway will be produced. The final end moments Mik and Mki are determined by finding out the different components M`ik and M`ki separately it is achieved using a self-supervised algorithm. Assuming the effect of axial lengths of the bars of the structure is not altered. Choosing an appropriate neural network model and providing frame parameters to that network for training purpose are addressed 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. The comparison with the Kanismethod shows that the ANN model performs best the results. Keywords: Artificial Neural Network/Model/Structural Analysis/Algorithm.

I. INTRODUCCIN En las pasadas dcadas de los aos treinta y cincuenta, se logr un gran avance en el entendimiento del anlisis estructural de prticos para edificios de varios pisos. En la evolucin de la ciencia de las estructuras, el mayor trabajo realizado se ha dado en el anlisis de las diferentes clases de estructuras. La importancia de este tpico se origina en la tremenda influencia que ha tenido sobre la

ingeniera la necesidad de desarrollar grandes y complejas estructuras. En mayo de 1930 se public un artculo titulado Distribucin de Momentos en los Extremos Fijos de las Estructuras Continuas, un mtodo totalmente nuevo para el anlisis de estructuras. Cross fue aclamado como un hombre que resolvi uno de los problemas ms espinosos en la ingeniera estructural. Su enfoque fue extremadamente prctico [1].

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. Lcides Rafael Pinto Mindiola es Coordinador del Dpto. de Postgrado en la Universidad Nacional Experimental Politcnica Antonio Jos de Sucre (UNEXPO), Vicerrectorado Puerto Ordaz, telf. 0286 8085512 correo electrnico lacidesrafael@yahoo.com. El Dr. Alfonso Garca Cerezo es catedrtico de la Universidad de Mlaga Director del Departamento de Ingeniera de Sistemas y Automtica, telf. (00) (34) 952132775, (00) (34) 670949495, correo electrnico gcerezo@ctima.uma.es.

Volumen 11, N 44, septiembre 2007. pp 141-149

141

Volumen 11, N 44, septiembre 2007 pp 141-149

El enfoque de Kani (1930s) est basado en los mtodos de las aproximaciones sucesivas y en la distribucin de momentos para expresar el efecto de las rotaciones y desplazamientos nodales. El mtodo iterativo de anlisis de estructuras desarrollado por G. Kani, viene a ser extremadamente satisfactorio para el anlisis de cualquier estructura convencional para edificios de varios pisos bajo cualquier condicin de cargas dada. Kani propuso extender este mtodo a las estructuras con columnas continuas a travs de varios pisos con slo ligeras modificaciones [Structural Engineering Archive]. Los enfoques de Cross y Kani (1930s) basados en los mtodos de las aproximaciones sucesivas y la distribucin de momentos, descartan las complejas relaciones matemticas y por el contrario se apoyan en simplicidades aritmticas. Es errneo suponer que un mtodo de aproximaciones sucesivas sea un mtodo aproximado. Esencialmente, un mtodo aproximado, es aquel que proporciona como su nombre lo indica, valores aproximados, mientras que los mtodos de aproximaciones sucesivas arrojan resultados con la precisin deseada por el calculista [2]. Del enfoque matricial, existe la creencia que en los comienzos de los 1930s, una persona que trabajaba en la industria de las avionetas de Gran Bretaa o Alemania fue la primera que formul la matriz de rigidez o de flexibilidad. El enfoque del anlisis estructural con la aplicacin de matrices tuvo las ms grandes contribuciones de cuatro protagonistas: Collar, Duncan, Argyris y Turner. Entre 1934 y 1938 los dos primeros publicaron los primeros artculos con la representacin y terminologa para los sistemas matriciales que son utilizados hoy. En el ao 1930 Collar y Duncan formularon la aeroelasticidad discreta en forma matricial. Los primeros dos artculos y el primer libro sobre el tpico apareci en el mundo estructural entre 1934 y 1938. El segundo avance que se realiz en el anlisis estructural matricial apareci en los aos 1954 y 1955 cuando el profesor Argyris sistematiz una unificacin formal de los Mtodos de las Fuerzas y de los Desplazamientos utilizando los teoremas de energa dual. Este trabajo sistematiz el concepto de ensamblaje del sistema de ecuaciones estructurales a partir de sus componentes elementales [3]. M. Turner propuso en el ao 1959 el Mtodo Directo de las Rigideces para el Anlisis Estructural, y logr los cambios ms dramticos: un mtodo bastante general y muy eficiente de la implementacin computacional del entonces incipiente, Mtodo de los Elementos Finitos [3]. La teora de la elasticidad es una teora que ha estado disponible para todos los diferentes enfoques requeridos del anlisis estructural, pero requiere de un conocimiento

relativamente avanzado en el rea de las matemticas. En la Fig. 1 se muestra un prtico de tres niveles que permitir ilustrar 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 procesamiento de un algoritmo, o de un hardware efectivo, cuyo diseo fue inspirado en el sistema biolgico del cerebro de los humanos y sus componentes. Existe una variedad de modelos de redes neuronales y procedimientos de aprendizaje. El aprendizaje de las redes neuronales incluye el ajuste de los pesos y tendencias de las conexiones. El xito de las aplicaciones de las redes neuronales no- supervisadas en la solucin de cualquier problema, depende fundamentalmente del entrenamiento de la red y de la eficiencia del algoritmo de aprendizaje. En este artculo utiliza un algoritmo, que est asociado de tal manera al modelo de red que ambos constituyen un todo esencial para el xito del proceso. Este artculo evala un enfoque de las redes neuronales en el anlisis de estructuras reticuladas de varios pisos utilizando un algoritmo auto- supervisado que se apoya en los parmetros fsicos de la estructura propuesta. El objeto del estudio es calcular los momentos rotacionales extremos y definitivos en una estructura reticulada de varios pisos con nodos indesplazables. Varias pruebas fueron hechas, para disear la arquitectura conveniente del modelo de red. El modelo fue entrenado con los factores de distribucin de momentos seleccionados sobre las bases de las consideraciones tericas del equilibrio esttico de la estructura. El modelo de red neuronal artificial, ofrece una flexibilidad extrema ya que permite la variacin de los tipos de cargas, el desplazamiento horizontal de los nodos, cambio de las secciones de los miembros y en consecuencia, tolera igualmente las modificaciones de los momentos de inercia de las barras. Para ello, no es necesario modificar el modelo, sino volver al entrenamiento de la red neuronal, previo ajuste de algunos parmetros del algoritmo.

142

Pinto, L., Garca A. Anlisis 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 mtodo con eliminacin automtica de errores a medida que la red aprende. La comprobacin de los resultados que se obtienen despus de realizar los productos y sumas de unos pocos valores puede hacerse con facilidad extrema en cualquier elemento de procesamiento o nodo y en cualquier capa de neuronas, sin que para ello se requiera de los servicios de expertos en ingeniera estructural. El artculo presenta la definicin de redes neuronales, la arquitectura de la red, la fase de aprendizaje de la red, el entrenamiento de la red, la comparacin con el mtodo de Kani y la evaluacin del modelo II. DESARROLLO 1. Redes neuronales artificiales
Axioma los nodos de una estructura reticulada son inteligentes. En consecuencia, todo nodo es capaz de distribuir las influencias de las cargas actuantes directamente sobre l, en forma automtica, proporcionalmente a la rigidez de cada una de las barras que concurren en el mismo

procesos industriales, clasificacin de patrones, etc. La alimentacin hacia adelante, es una caracterstica muy especial de las redes neuronales multi-capa, cuyas conexiones alimentan exclusivamente las entradas desde las capas ms bajas hasta las capas ms altas. En otras palabras, las conexiones de los pesos ponderados y de las tendencias alimentan las actividades desde la capa de entrada hasta la capa de salida con sentido hacia delante. El aprendizaje de las redes neuronales artificiales comprende el ajuste de los pesos y tendencias de las conexiones. El xito de una aplicacin de entrenamiento auto- supervisado de una red neuronal sobre cualquier problema, depende del entrenamiento adaptativo de la red neuronal con suficiente rango de los datos y el rango de las condiciones.

2. Arquitectura de la red Un modelo de red neuronal artificial es un sistema compuesto de muchos procesadores simples, cada uno de ellos contiene una memoria local. Los elementos de procesamiento estn conectados por conexiones unidimensionales, completamente conectados, parcialmente conectados, o localmente conectados, cuya funcin est determinada por la conexin topolgica y las fuerzas de conectividad. Cada capa tiene su propia matriz de los pesos W, su propio vector tendencia b, un vector 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 contiene las entradas a las neuronas de la capa de entrada L1 representando un conjunto de parmetros (x1, x2, x3)T. Las salidas de las neuronas en esa capa no estn normalizadas y tampoco escaladas. La capa de salida L4 tiene dos neuronas con un vector de salida (a1, a2,)T.

Una red neuronal artificial (ANN) es un sistema de procesamiento de informacin que opera sobre unas entradas para extraer informacin y produce salidas correspondientes a la informacin extrada. Las redes tambin son conocidas como modelos conexionistas, modelos de procesamiento distribuidos en paralelo, sistema neuromrfico, cuyos diseos son anlogos a las neuronas biolgicas, base de su inspiracin. Las redes son bien conocidas como enfoques de aplicaciones para la prediccin, procesamiento de base de datos, control de

Fig. 2. Modelo de red multi-capa alimentada hacia adelante

143

Volumen 11, N 44, septiembre 2007 pp 141-149

Las salidas de los elementos de procesamiento (neuronas) de una capa son transferidas a las neuronas en la siguiente capa a travs de las conexiones que amplifican o inhiben tales salidas a travs de los factores de ponderacin. Con excepcin de los elementos de la capa de entrada, la entrada a cada uno de los elementos de procesamiento es la suma de la salida ponderada del nodo correspondiente de la capa que precede y su tendencia. Todos los elementos de procesamiento en una capa pueden variar, todos los elementos de procesamiento en una capa tienen la misma funcin de transferencia. El modelo de red neuronal artificial lineal propuesto, tiene cuatro capas de neuronas. Cada una de las capas se nombra as, la primera es la capa de entrada L1, que consta de tres neuronas, una segunda capa L2 (capa oculta) que contiene tres, nodos (neuronas), una tercera capa L3 (capa oculta), que posee tres elementos de procesamiento, y una cuarta capa llamada de salida L4 que tiene dos unidades (neuronas). Cada elemento de procesamiento es activado en conformidad con su umbral y el argumento de su funcin de transferencia (entrada neta). Neural network object: Arquitectura: Numinputs: 1 Numlayers: 4 Bias Connect: [1; 1; 1; 1] Input Connect: [1; 0; 0; 0] Layer Connect: [4x4 Boolean] Output Connect: [0 0 1 1] Target Connect: [0 0 0 0] La Fig. 3 muestra una neurona que simula un elemento de procesamiento tpico de la red neuronal artificial. La neurona ejecuta el clculo de una suma de productos, utilizando la entrada, el escalar peso de conexin y el umbral de la neurona multiplicado por uno, limitada por la funcin de activacin. La entrada neta y la salida hasta y desde la i- sima neurona de la L-sima capa son:

de umbral, en la cual un nivel de umbral es logrado. La entrada neta y la salida de las j-sima neurona es igualmente tratada como en las ecuaciones (1) y (2). 3. Fase de aprendizaje En la fase de aprendizaje de la red, se representa un vector x cuyas componentes son los factores de distribucin de la capa de nodos de la entrada que se presenta a la red como vector de entrada. Los pesos y tendencias del sistema son ajustados para minimizar el error. Una vez que este ajuste ha sido conseguido, se somete la red a otro proceso de iteracin, y as sucesivamente. Finalmente, la red aprende. La salida actual at no ser el valor deseado, si: (3) y el error, (4) La salida de la i-sima neurona de la L-sima capa en la k-sima iteracin, es:

(5) La salida de la i-sima neurona de la L-sima capa en la (r+1)-sima iteracin es:

(6) Particularmente, est representada por una funcin lineal

(7) pero es la entrada xj a la isima neurona y el peso, por lo tanto, ,y en consecuencia, es

(8)

siendo la variacin de la salida en dos iteraciones continuas y donde sirve como un valor de umbral. Fig. 3 Un elemento de procesamiento ajustable 4. Conexin sinptica entre neuronas (1) (2) La conectividad del modelo de red neuronal permite que cada uno de los procesadores de un nivel se comunique con su respectiva neurona del prximo nivel. En otras palabras, cada elemento de procesamiento de una capa determinada est conectado a su neurona correspondiente en la siguiente capa con peso excitatorio y una tendencia. Esto es, de topologa localmente conectado, resultando para cada capa una matriz de los pesos diagonal.

Donde fi= funcin de activacin (funcin de transferencia lineal). Esta funcin de transferencia representa una funcin

144

Pinto, L., Garca A. Anlisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables

Las conexiones sinpticas en el modelo ANN estn reforzadas por medio de un entrenamiento auto- supervisado, esto es, aprendizaje sin un supervisor del proceso. Durante el proceso de entrenamiento, a la red se le presenta un vector en la capa de entrada. En el modelo de red neuronal, el algoritmo para el reforzamiento de la sinapsis est determinado haciendo uso directo de los parmetros fsicos del modelo estructural. El algoritmo est esencialmente soportado con el criterio de la obtencin del mejor desempeo que otros enfoques del anlisis estructural. El reforzamiento de las conexiones sinpticas es ejecutado desde las capas ms superficiales hasta las ms profundas, siempre alimentadas hacia adelante. Por ejemplo, el reforzamiento de la entrada sinptica de la Lsima capa es ejecutada despus de completar el reforzamiento de la (L-1)-sima capa.

fijacin ( y ) respectivamente en las juntas i y k bajo la accin de las cargas externas suponiendo que los extremos permanecen completamente fijos. El momento en el i-simo nodo debido a la rotacin del nodo es llamado el momento rotacional en el i-simo extremo debido a la rotacin (en radianes) del extremo i, es en forma similar llamado el momento rotacional en el isimo extremo debido a la rotacin (en radianes) del extremo k, adems distribucin para el miembro i-k donde miembro i-k y es el factor de es la rigidez del

la suma de las rigideces de todas las

5. Algoritmo de la red Utilizando el procedimiento del algoritmo, la red calcula y en la red para el vector de entrada en cada iteracin. Este procedimiento se repite para todas las iteraciones durante el entrenamiento, para todos y cada uno de los pesos ponderados y las tendencias de esa iteracin. Una vez que las correcciones a los pesos y tendencias son realizadas, las salidas son nuevamente evaluadas del modo que lo requiere el modelo propuesto. Las discrepancias entre las salidas actuales y los valores de las salidas esperadas resultan de la evaluacin de los pesos y cambios en las tendencias. Despus de complementar la iteracin durante el proceso de entrenamiento, un nuevo conjunto de pesos ponderados y tendencias se obtiene y con ellos otra vez, evaluadas nuevas salidas, como siempre con alimentacin hacia delante, hasta cuando se obtenga la tolerancia de un error especfico. El software para este artculo fue escrito en el Toolbox para Redes Neuronales del Matlab y aplicado en un PC convencional. El algoritmo estudiado se puede enmarcar en cuatro descriptores: 1. Tipo de ecuacin: clculo algebraico simple, tales como productos y sumas. 2. Conexin topolgica: modelo de red que se caracteriza por una topologa localmente conectada con matriz diagonal, para cada capa. 3. Esquema de procesamiento: los nodos de la red se actualizan dependiendo completamente de la iteracin previa. 4. Modo de transmisin sinptica: el modelo de clculo general para la red est en los valores neuronales multiplicados por los pesos sinpticos y sumados a la tendencia.

barras que acceden al isimo nodo. Estos parmetros son reprensados dimensionalmente en varios estudios previos. La Tabla I muestra un resumen de los parmetros dimensionales frecuentemente utilizados, que generalmente, son usados en las investigaciones de los problemas del anlisis estructural. Kani (1935) aplic el concepto de las aproximaciones sucesivas y a partir de este conocimiento, dedujo un grupo de ecuaciones pragmticas para dar solucin a problemas estructurales de una alta hiperestaticidad, a partir del principio de superposicin de efectos como se ilustra en la Fig. 4.

Tabla I. Momentos extremos totales - variables relevantes

6. Seleccin de los parmetros estructurales Las variables ms pertinentes en el anlisis estructural son y que son respectivamente, los momentos de empotramiento perfecto en los nodos i, k y los momentos de

Fig. 4 Superposicin de efectos miembro i k

145

Volumen 11, N 44, septiembre 2007 pp 141-149

El examen de las ecuaciones convencionales presentadas del momento externo ayuda a seleccionar los parmetros para utilizar fundamentalmente los parmetros medibles para evitar de esta manera, el uso de cualquier frmula, lo cual puede afectar la precisin de los resultados. El desarrollo final de las expresiones para el momento total en el i- simo y k-simo extremos son: (9) (10) Donde los momentos Mik y Mki son los momentos extremos finales del miembro i- k dados por las ecuaciones de la pendiente de deflexin. En el anlisis estructural desarrollado en este modelo de red neuronal, los momentos extremos finales Mik y Mki son determinados encontrando las diferentes componentes Mik y Mki separadamente y sumando a ellos los trminos expresados segn el caso por las expresiones (9) y (10). Las componentes del momento extremo final sern consideradas positivas en el sentido de las manecillas del reloj. 7. Entrenamiento de la red y verificacin de los resultados El entrenamiento de la red fue procesado esencialmente teniendo en cuenta los cuatro parmetros que intervienen en las ecuaciones (9) y (10) y los factores de distribucin como las variables ms pertinentes. Los factores de distribucin correspondientes a las vigas entre la primera y segunda capas de

neuronas (nodos) de la estructura se corresponden con el vector de entrada a la red ( , , ), que son los factores de distribucin correspondientes a la primera capa de nodos. Los momentos rotacionales M11, M12 y M13 constituyen las componentes del vector de salida de la primera capa de la red. La capa de entrada contiene tres neuronas, mientras la capa de salida contiene dos. Entre las capas de entrada y de salida existen otras dos capas llamadas ocultas que contienen un nmero adecuado de elementos de procesamiento. La red fue entrenada con siete iteraciones, suficientes para obtener una salida cuya tolerancia de error satisface las expectativas planteadas. Los nmeros de unidades (neuronas) en las capas ocultas y los parmetros ajustables, pesos y tendencias fueron determinados con el nmero de nodos de la estructura, los factores de distribucin y los momentos rotacionales en los extremos. Los resultados fueron obtenidos como se dijo ms arriba despus de siete iteraciones del modelo ANN. Una comparacin entre el modelo ANN presentado y el mtodo de Kani fue ejecutado sobre 15 nodos de la estructura, incluyendo los nodos de empotramiento de las columnas entierra. Una relacin de discrepancia fue utilizada para la comparacin nodo a nodo donde CN es el valor de los momentos calculados por el modelo de red y Ck es el calculado con las aplicaciones del mtodo de las aproximaciones sucesivas del Doctor G. Kani. El valor de la media y la desviacin estndar son y respectivamente. El anlisis es mostrado en las Tablas II y III. Puede concluirse de las tablas que el modelo ANN propuesto arroja los mismos resultados que el mtodo del ingeniero G. Kani.

TABLA II: Momentos rotacionales en los extremos nodos indesplazables

146

Pinto, L., Garca A. Anlisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables

TABLA III. Precisin de las frmulas para los momentos rotacionales extremos en CADA NODO

8. Procedimiento numrico El procedimiento explicado arriba, es mejor ilustrado resolviendo la estructura mostrada en la Fig. 1, que est cargada en forma bastante compleja. Las rigideces Kik de los diferentes miembros estn indicadas sobre el diagrama. Los factores de distribucin para los momentos rotacionales son calculados con la ayuda de la ecuacin

son encontrados sumando los empotramientos perfectos de todas las barras que actan en el i-simo nodo. Habiendo completado estos clculos preliminares, puede darse comienzo al entrenamiento. La red fue inicializada con tres parmetros (factores de distribucin de las vigas) como vector de entrada y los momentos rotacionales debido a la rotacin del extremo como la salida de la primera capa. Los clculos comienzan en la capa de entrada y continuaron de capa en capa en secuencia hasta la salida. Todos estos clculos son ejecutados en fracciones de segundos. Despus de 6 o 7 iteraciones ejecutadas como se explic arriba, se notar que existen pequeos o ningn cambio en los valores de dos iteraciones consecutivas de clculos en los respectivos nodos. Los clculos se detienen y los valores de la ltima iteracin se toman como los correctos. Los valores previos de las salidas pueden ser observados posteriormente para comprender mejor el proceso de aprendizaje del modelo de red propuesto. Para una mejor claridad del proceso de clculo, estos valores finales han sido indicados separadamente en la Tabla IV.

Los factores de distribucin de los nodos 1, 2 y 3 son las componentes del vector de entrada a la red. Los momentos de empotramiento perfecto para los diferentes miembros cargados como se muestra en la Fig. 1, son calculados con el uso de las frmulas estndares disponibles en cualquier manual de la ingeniera estructural. Los valores

TABLA IV: Momentos extremos finales en miembros nodos indesplazables

147

Volumen 11, N 44, septiembre 2007 pp 141-149

9. Comparacin con el mtodo de Kani Una comparacin entre el modelo ANN presentado y el mtodo de Kani fue ejecutado sobre los mismos resultados y nodo por nodo. Una relacin de discrepancia fue utilizada para la comparacin, donde CN es el momento rotacional en el extremo o salida de la red y CK es el resultado obtenido a travs del mtodo de Kani. El valor de la media de la discrepancia y la desviacin estndar son

respectivamente. El anlisis de las frmulas de los momentos rotacionales se muestra en la Tabla III. Anlogamente, sucede con los momentos extremos finales mostrados en la Tabla V.

TABLA V. Precisin de las frmulas para los momentos totales extremos en cada nodo

Puede concluirse despus de un anlisis sencillo de las Tablas II y III que los resultados obtenidos a travs de ambos enfoques prcticamente coinciden. 10. Evaluacin del modelo Un grupo de 15 nodos fueron utilizados para la verificacin del modelo. Los nodos fueron seleccionados de los clculos de un prtico de 3 niveles. Los momentos rotacionales Mik y Mki fueron calculados utilizando las formulas derivadas del mtodo de las aproximaciones sucesivas de G. Kani. Los momentos finales en los extremos Mik y Mki son determinados encontrando las componentes Mik y Mki separadamente y adicionando las dos momentos de empotramiento perfecto y segn el caso. Comparando los resultados nodo a nodo por el mtodo iterativo de aproximaciones sucesivas del Dr. Ingeniero Kani, los resultados obtenidos en el presente estudio son consistentes. Al realizar los clculos a travs del momento rotacional cercano al extremo i, Mik para cualquier miembro i k expresado en trminos del momento de empotramiento perfecto y del momento rotacional extremo Mki como sigue: La comparacin con el otro mtodo muestra que el modelo ANN clcula los mismos valores prcticamente para los 15 nodos de la estructura. Se supone que el modelo ANN produce una significativa economa de clculo para diferentes nodos.

III. CONCLUSIONES 1. Las redes neuronales artificiales pueden ser utilizadas con ventajas, para extender el modelo ANN a la solucin de problemas ms complejos y adems pueden ser utilizadas en la solucin de vigas continuas sobre soportes elsticos. 2. El modelo de ANN tiene la preferencia sobre el mtodo de Kani, por las siguientes razones: 2.1 Los modelos ANNs son ms rpidos por su paralelismo masivo, an operando sobre los PCs convencionales. 2.2 El modelo ANN es construido con el solo uso del modelo estructural. En otras palabras, la arquitectura de la red es sencillamente determinable. 2.3 Muchos ingenieros pueden calcular los momentos rotacionales Mik y Mki utilizando el ANN sin conocimiento exhaustivo de la teora del anlisis estructural, con tal que ellos conozcan los parmetros fsico- estructurales que intervienen en la operacin del modelo ANN. 2.4 Es un mtodo exacto, auto-correctivo de

Donde es la suma algebraica de todos los momentos de empotramiento que actan en el i simo nodo y es el factor de distribucin correspondiente al miembro i k dado por la expresin:

148

Pinto, L., Garca A. Anlisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables

aproximaciones sucesivas. 2.5 Tiene rpida convergencia 2.6 Permite comprender claramente el fenmeno fsico estructural 2.7 El modelo de diseo neuronal es fcil de recordar 2.8 Se requiere de un reducido nmero de operaciones por capa de neuronas con el uso de muy poco tiempo de computacin.

V. APNDICE Notacin = son los momentos de empotramiento perfecto inducidos en los extremos de los miembros bajo la accin de las cargas externas, suponiendo que los extremos estn completamente fijos en posicin y direccin; = es la suma algebraica de todos los momentos de empotramientos perfecto que actan en el i simo nodo; i , k = rotacin en el extremo i y k respectivamente; = es un factor de distribucin para el miembro i - k; Mik = es el momento rotacional en el extremo i debido a la rotacin i ; Mki = es el momento rotacional en el extremo k debido a la rotacin k; Mik , Mk = son los momentos extremos totales ejercidos sobre los extremos i y k respectivamente; fi = funcin de activacin correspondiente a la isima neurona. ai = variable que representa la salida de i- sima neurona L1, L2, L3, L4 = nombres de las capas de la red, respectivamente Wij = pesos ponderados de las conexiones de la red entre la j sima neurona de la Lsima y la isima neurona de la (L+1)sima capa. bi= valor de tendencia de isima neurona

IV. REFERENCIAS (1) Eaton, L. K. Hardy Cross and the Moment Distribution Method Revista Journal, Vol. 3 n 3 (summer 2001), May 2007. http://nexus journal.com, consultado May 2007 (2) Kani,G. Konrad Wittwer Verlag, 5th ed. English Translation published by F. Ungar & Co., New York 1956. (3) A Historical outline of Matrix Structural Analysis; A Play in three Acts, C.A. Felippa. www.colarado.edu/Felipa.d/F consultado April 2007. (4) Freeman, J.A and Skapura, D. M. Neural Networks Algorithms, Applications, and Programming Techniques, Addison Wesley Publishing Company, Inc. 1992, p55. (5) Published by AFCA INTERNACIONAL, DARPA NEURAL NETWORK STUDY, USA, book of congress cataloging in Publication Data, 1988, p. 131 133. (6) Thadani, B. N. An Iteration Method of Frame analysis, Indian Concrete Journal, May 1956. p8 -10 (7) Thadani, B. N., Analysis of Continuous Beams on Elastic up ports, Civil Engineering & Public Works Review, December 1958, January 1959. p 4 5. (8) Thadani, B. N. Solution of Complex Multi Storeyed Structure A. M. I. Struct. E, June 1959. Revista p25. (9) Wikipedia, the free encyclopedia. www.wikipedia.com consultado April 2007.

xj= variable que representa la salida de la jsima neurona Subndices i, j, k = sub-ndices enteros y positivos

149