Detección de daño en vigas utilizando redes neuronales artificiales y parámetros dinámicos

Autores/as

  • Jesús D. Villalva Universidad de São Paulo
  • Ivan D. Gomez Universidad Industrial de Santander
  • José E. Laier Universidad de São Paulo

DOI:

https://doi.org/10.17533/udea.redin.12493

Palabras clave:

redes neuronales, parámetros dinámicos, detección de daños

Resumen

En este trabajo se presenta una red neuronal perceptron multicapa combinada con el método Nelder-Mead Simplex para detectar daño en vigas. Los parámetros de entrada a la red se basan en frecuencias naturales y flexibilidad modal. Se considera que solo una cantidad específica de modos fueron identificados y que se dispone de mediciones en grados de libertad verticales. La confiabilidad de la metodología propuesta se evalúa a partir de escenarios de daño aleatorios y de la definición de 3 tipos de error que la red puede cometer durante el proceso de detección del daño. Los resultados muestran que la metodología puede determinar confiablemente los escenarios de daño buscados. Sin embargo, su aplicación a vigas de gran tamaño puede verse limitada por el elevado costo computacional asociado al entrenamiento de la red.
|Resumen
= 105 veces | PDF
= 52 veces|

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Jesús D. Villalva, Universidad de São Paulo

Departamento de Ingeniería de Estructuras. Escuela de Ingeniería de São Carlos.

Ivan D. Gomez, Universidad Industrial de Santander

Escuela de Ingeniería Civil.

José E. Laier, Universidad de São Paulo

Departamento de Ingeniería de Estructuras. Escuela de Ingeniería de São Carlos.

Citas

S. Doebling, C. Farrar, M. Prime. “A Summary Review of Vibration-Based Damage Identification Methods”. The shock and vibration digest. Vol. 30. 1998. pp. 91- 105. DOI: https://doi.org/10.1177/058310249803000201

C. Chang, T. Chang, Y. Xu, M. Wang. “Structural Damage Detection Using an Iterative Neural Network” J. of Intelligent Material Systems and Structures. Vol. 11. 2000. pp. 32-42. DOI: https://doi.org/10.1106/XU88-UW1T-A6AM-X7EA

Y. Ni, B. Wang, J. Ko. “Constructing Input Vectors to Neural Networks for Structural Damage Identification”. Smart Materials and Structures. Vol. 11. 2002. pp. 825-833. DOI: https://doi.org/10.1088/0964-1726/11/6/301

X. Fang, H. Luo, J. Tang. “Structural Damage Detection using neural network with learning rate improvement”. Computers and Structures. Vol. 83. 2005. pp. 2150-2161. DOI: https://doi.org/10.1016/j.compstruc.2005.02.029

J. Lee, S. Kim. “Structural Damage Detection in the Frequency Domain using Neural Networks”. J. of Intelligent Material Systems and Structures. Vol. 18. 2007. pp. 785-792. DOI: https://doi.org/10.1177/1045389X06073640

G. Cybenko. “Approximation by superposition of a Sigmoidal Function”. Mathematics of Control, Signals and Systems. Vol. 2. 1989. pp. 303-314. DOI: https://doi.org/10.1007/BF02551274

B. Koh, S. Dyke. “Structural health monitoring for flexible bridge structures using correlation and sensitivity of modal data”. Computers and Structures. Vol. 85. 2007. pp. 117-130. DOI: https://doi.org/10.1016/j.compstruc.2006.09.005

O. Begambre. Algoritmo Híbrido para a Avaliação da Integridade Estrutural: Uma Abordagem Heurística. Tesis Doctoral. Universidad de São Paulo. São Paulo (Brasil). 2007. pp 152.

Descargas

Publicado

2012-08-01

Cómo citar

Villalva, J. D., Gomez, I. D., & Laier, J. E. (2012). Detección de daño en vigas utilizando redes neuronales artificiales y parámetros dinámicos. Revista Facultad De Ingeniería Universidad De Antioquia, (63), 141–153. https://doi.org/10.17533/udea.redin.12493