Mostrar el registro sencillo del objeto digital
dc.contributor.author | GONZALEZ PEREZ, CARLOS ALBERTO | |
dc.contributor.author | VALDES GONZALEZ, JESUS | |
dc.creator | GONZALEZ PEREZ, CARLOS ALBERTO; 100196 | |
dc.creator | VALDES GONZALEZ, JESUS; 70010 | |
dc.date.accessioned | 2016-03-16T17:14:15Z | |
dc.date.available | 2016-03-16T17:14:15Z | |
dc.date.issued | 2008-03-10 | |
dc.identifier | http://www.redalyc.org/articulo.oa?id=10415209 | |
dc.identifier.uri | http://hdl.handle.net/20.500.11799/38166 | |
dc.description | En 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.description.abstract | En 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. | es |
dc.format | application/pdf | |
dc.language.iso | spa | es |
dc.publisher | Universidad Autónoma del Estado de México | |
dc.relation | http://www.redalyc.org/revista.oa?id=104 | |
dc.rights | openAccess | es |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | |
dc.source | Ciencia Ergo Sum (México) Num.2 Vol.15 | |
dc.subject | Multidisciplinarias (Ciencias Sociales) | |
dc.subject | Detección de daño | |
dc.subject | redes neuronales | |
dc.subject | elemento finito | |
dc.subject | puentes vehiculares | |
dc.subject.classification | CIENCIAS FÍSICO MATEMÁTICAS Y CIENCIAS DE LA TIERRA | |
dc.title | Aplicación de un modelo de redes neuronales en la identificación del daño estructural en un puente vehicular | |
dc.type | Artículo | es |
dc.provenance | Científica | |
dc.road | Dorada | |
dc.ambito | Internacional | es |
dc.audience | students | |
dc.audience | researchers | |
dc.type.conacyt | article | |
dc.identificator | 1 |