Please use this identifier to cite or link to this item: https://publicaciones.fctunca.edu.py/jspui/handle/123456789/101
Title: Perspectivas de uso de la Inteligencia Artificial en el cálculo de estructuras de hormigón
Authors: Ramírez Villanueva, Fredy Gabriel
Keywords: vigas de hormigón
aprendizaje automático
machine learning
inteligencia artificial
ingeniería civil
cálculo de estructuras
Redes Neuronales
Issue Date: Oct-2019
Publisher: FCyT UNCA
Series/Report no.: II Workshop Ing. Civil;2019
Abstract: Se utilizaron cuatro técnicas de aprendizaje automático, a saber, Regresión Lineal (LR), Vector Soporte Automático (SVM), Redes Neuronales Artificiales (ANN) y Aprendizaje de Máquina Extremo (ELM) para el análisis de la aplicabilidad de estas técnicas al estudio de vigas rectangulares de hormigón armado sometidas a flexión. Previamente se desarrollaron dos algoritmos, el primero para el cálculo del momento último resistente de una sección rectangular de hormigón armado y el segundo, para el cálculo de flechas utilizando el diagrama de momento - curvatura, ambos por el método de los estados límite de conformidad a los lineamientos del Eurocódigo Nº 2. Con los citados algoritmos se generó una base de datos para el análisis de secciones, que considera la resistencia característica del acero fyk, la del hormigón fck, la base b y la altura h de la sección transversal, el armado longitudinal de tracción Ast y el de compresión Asc, así como también el momento último resistente de la sección Mu. Esta base de datos se sometió al análisis de componentes principales o PCA, con el cual se determinó el desacoplamiento entre variables que definen la geometría de los elementos de la sección transversal y las variables que definen la resistencia de los materiales, llegándose a un gráfico que permite la verificación de secciones transversales de vigas de hormigón armado. Posteriormente se utilizaron las técnicas de aprendizaje automático, citadas más arriba, para la predicción del momento último resistente de una sección dada. Se siguió el mismo procedimiento para el análisis de flechas, generándose una base de datos con sendos valores de fyk, fck, b, h, longitud L, Ast, Asc, carga uniformemente distribuida q en toda la longitud de la viga y la flecha f, esta última calculada con el diagrama momento-curvatura, suponiendo la viga simplemente apoyada. Luego de los estudios, se rechazó el uso de LR por las predicciones poco fiables en el presente caso, encontrándose que las demás técnicas predicen bastante bien los resultados esperados, en especial el método de ANN. Se resalta el uso de ELM por su simplicidad matemática, eficiencia en las predicciones y bajo costo computacional. Finalmente se utilizó ANN para predecir la resistencia característica del hormigón a partir de la flecha. Se concluye que las técnicas de aprendizaje automático son potentes herramientas para el análisis de vigas y podrían utilizarse en estructuras en general.
Four machine learning techniques were used: Linear Regression (LR), Support Vector Machine (SVM), Artificial Neural Networks (ANN) and Extreme Learning Machine (ELM) for the applicability analysis of these techniques to the study of rectangular reinforced concrete beams subjected to bending moments. Two algorithms were previously developed, the first one in order to obtain the ultimate bending moment of a reinforced concrete beam with rectangular cross-section, and the second one, to obtain beam deflections using the moment curvature relationship, both by limit state method following the guidelines of the Eurocode No. 2. Using the aforementioned algorithms, a database for beam sectional analysis was generated, which considers the characteristic strength of steel fyk, and concrete fck, base b and height h of the cross section, the area of longitudinal tensile reinforcement Ast, the compression reinforcement Asc, as well as the ultimate bending moment Mu. This database was subjected to the Principal Components Analysis or PCA, in which the decoupling between variables that define the geometry of elements of the beam cross section and the variables that define the resistance of materials was determined, arriving at a graph that allows the verification of reinforced concrete beams cross sections. Subsequently, machine learning techniques, mentioned above, were used for predictions of ultimate moment bendings of given sections. The same procedure was performed for the analysis of deflections, generating a database with values of fyk, fck, b, h, length L, Ast, Asc, uniformly distributed load q over the entire length of the beam and deflection f, the latter calculated using the moment - curvature relationship assuming a simply supported beam. After the studies, the use of LR was rejected due to the unreliable predictions in the present case, finding that the other techniques predict the expected results quite well, especially the ANN method. The use of ELM is highlighted by its mathematical simplicity, efficiency in predictions and low computational cost. Finally ANN was used to predict the characteristic strength of concrete from the beam’s deflection. It is concluded that machine learning techniques are powerful tools for beam analysis and could be used in structures in general.
Description: Presentación del trabajo (en proceso) de tesis de Maestría en Ing. Civil realizada en el Workshop Civil 2019 llevada a cabo en octubre de 2019
URI: https://publicaciones.fctunca.edu.py/jspui/handle/123456789/101
Appears in Collections:Workshop Civil 2019

Files in This Item:
File Description SizeFormat 
Presentación WSIC2019_compressed.pdfFRamirez 2019 WSIC20191,22 MBAdobe PDFView/Open
Tesis Maestría - Fredy Ramírez_compressed.pdfBorrador Tesis FRamirez 20191,61 MBAdobe PDFView/Open


Licencia de Creative Commons
Todos los trabajos están bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional