1. DSpace-CRIS UAEMEX
  2. Interoperabilidad Repositorio Nacional
  3. Producción
Please use this identifier to cite or link to this item: http://ri.uaemex.mx/handle20.500.11799/38166
DC FieldValueLanguage
dc.contributor.authorCARLOS ALBERTO GONZALEZ PEREZen_EU
dc.contributor.authorJESUS VALDES GONZALEZen_EU
dc.creatorCARLOS ALBERTO GONZALEZ PEREZ-
dc.creatorJESUS VALDES GONZALEZ-
dc.date2008-03-10-
dc.identifierhttp://hdl.handle.net/20.500.11799/38166-
dc.descriptionEn 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-
dc.descriptionEn este artículo se presenta el desarrollo y aplicación de un modelo de redes neuronales en la detección del daño estructural a Áexión 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 “artiÀciales”, respectivamente. En la generación de estos escenarios se modiÀcó aleatoriamente la rigidez a Áexión 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 Áexión 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 conÀable la localización y severidad del daño.-
dc.formatapplication/application/pdf-
dc.languagespa-
dc.publisherUniversidad Autónoma del Estado de México-
dc.relationhttp://www.redalyc.org/revista.oa?id=104-
dc.rightsinfo:eu-repo/semantics/openAccess-
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0-
dc.sourceCiencia Ergo Sum (México) Num.2 Vol.15-
dc.subjectMultidisciplinarias (Ciencias Sociales)-
dc.subjectDetección de daño-
dc.subjectredes neuronales-
dc.subjectelemento finito-
dc.subjectpuentes vehiculares-
dc.subjectinfo:eu-repo/classification/cti/1-
dc.titleAplicación de un modelo de redes neuronales en la identificación del daño estructural en un puente vehicular-
dc.typearticle-
dc.audiencestudents-
dc.audienceresearchers-
item.fulltextNo Fulltext-
item.grantfulltextnone-
Appears in Collections:Producción
Show simple item record

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.