P. 1
Método de Kani

Método de Kani

|Views: 9.414|Likes:
Publicado porIvan Saul Huaman
contiene formas de diseño
contiene formas de diseño

More info:

Categories:Types, Resumes & CVs
Published by: Ivan Saul Huaman on Jun 21, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

01/17/2014

pdf

text

original

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

Pinto Mindiola, Lácides García 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 formará, de manera que, todos los nodos rotarán un ángulo 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 M´ik y M´ki 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 parámetros físicos- estructurales, para su entrenamiento, a través de un algoritmo no- supervisado. El modelo es evaluado con el uso del método de las aproximaciones sucesivas para el análisis estructural desarrollado por el Dr. Ing. G. Kani. En general, el nuevo enfoque da mejores resultados comparado con los métodos tradicionalmente utilizados para el análisis estructural. La comparación con el metodo de Kani muestra que el modelo ANN ejecuta mejor los resultados. Palabras clave: Red Neuronal Artificial/ Modelo/Análisis 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 τI. 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 Kanis’method shows that the ANN model performs best the results. Keywords: Artificial Neural Network/Model/Structural Analysis/Algorithm.

I. INTRODUCCIÓN En las pasadas décadas de los años treinta y cincuenta, se logró un gran avance en el entendimiento del análisis estructural de pórticos para edificios de varios pisos. En la evolución de la ciencia de las estructuras, el mayor trabajo realizado se ha dado en el análisis de las diferentes clases de estructuras. La importancia de este tópico se origina en la tremenda influencia que ha tenido sobre la

ingeniería la necesidad de desarrollar grandes y complejas estructuras. En mayo de 1930 se publicó un artículo titulado “Distribución de Momentos en los Extremos Fijos de las Estructuras Continuas”, un método totalmente nuevo para el análisis de estructuras. Cross fue aclamado como un hombre que resolvió uno de los problemas más espinosos en la ingeniería estructural. Su enfoque fue extremadamente práctico [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. Lácides Rafael Pinto Mindiola es Coordinador del Dpto. de Postgrado en la Universidad Nacional Experimental Politécnica “Antonio José de Sucre” (UNEXPO), Vicerrectorado Puerto Ordaz, telf. 0286 8085512 correo electrónico lacidesrafael@yahoo.com. El Dr. Alfonso García Cerezo es catedrático de la Universidad de Málaga Director del Departamento de Ingeniería de Sistemas y Automática, telf. (00) (34) 952132775, (00) (34) 670949495, correo electrónico gcerezo@ctima.uma.es.

Volumen 11, Nº 44, septiembre 2007. pp 141-149

141

Volumen 11, Nº 44, septiembre 2007 pp 141-149

El enfoque de Kani (1930s) está basado en los métodos de las aproximaciones sucesivas y en la distribución de momentos para expresar el efecto de las rotaciones y desplazamientos nodales. El método iterativo de análisis de estructuras desarrollado por G. Kani, viene a ser extremadamente satisfactorio para el análisis de cualquier estructura convencional para edificios de varios pisos bajo cualquier condición de cargas dada. Kani propuso extender este método a las estructuras con columnas continuas a través de varios pisos con sólo ligeras modificaciones [Structural Engineering Archive]. Los enfoques de Cross y Kani (1930s) basados en los métodos de las “aproximaciones sucesivas” y la “distribución de momentos”, descartan las complejas relaciones matemáticas y por el contrario se apoyan en simplicidades aritméticas. Es erróneo suponer que un método de aproximaciones sucesivas sea un método aproximado. Esencialmente, un método aproximado, es aquel que proporciona como su nombre lo indica, valores aproximados, mientras que los métodos de aproximaciones sucesivas arrojan resultados con la precisión 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 Bretaña o Alemania fue la primera que formuló la matriz de rigidez o de flexibilidad. El enfoque del análisis estructural con la aplicación de matrices tuvo las más grandes contribuciones de cuatro protagonistas: Collar, Duncan, Argyris y Turner. Entre 1934 y 1938 los dos primeros publicaron los primeros artículos con la representación y terminología para los sistemas matriciales que son utilizados hoy. En el año 1930 Collar y Duncan formularon la aeroelasticidad discreta en forma matricial. Los primeros dos artículos y el primer libro sobre el tópico apareció en el mundo estructural entre 1934 y 1938. El segundo avance que se realizó en el análisis estructural matricial apareció en los años 1954 y 1955 cuando el profesor Argyris sistematizó una unificación formal de los Métodos de las Fuerzas y de los Desplazamientos utilizando los teoremas de energía dual. Este trabajo sistematizó el concepto de ensamblaje del sistema de ecuaciones estructurales a partir de sus componentes elementales [3]. M. Turner propuso en el año 1959 el Método Directo de las Rigideces para el Análisis Estructural, y logró los cambios más dramáticos: un método bastante general y muy eficiente de la implementación computacional del entonces incipiente, Método de los Elementos Finitos [3]. La teoría de la elasticidad es una teoría que ha estado disponible para todos los diferentes enfoques requeridos del análisis estructural, pero requiere de un conocimiento

relativamente avanzado en el área de las matemáticas. En la Fig. 1 se muestra un pórtico de tres niveles que permitirá 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 diseño fue inspirado en el sistema biológico 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 éxito de las aplicaciones de las redes neuronales no- supervisadas en la solución de cualquier problema, depende fundamentalmente del entrenamiento de la red y de la eficiencia del algoritmo de aprendizaje. En este artículo utiliza un algoritmo, que está asociado de tal manera al modelo de red que ambos constituyen un todo esencial para el éxito del proceso. Este artículo evalúa un enfoque de las redes neuronales en el análisis de estructuras reticuladas de varios pisos utilizando un algoritmo auto- supervisado que se apoya en los parámetros físicos 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 diseñar la arquitectura conveniente del modelo de red. El modelo fue entrenado con los factores de distribución de momentos seleccionados sobre las bases de las consideraciones teóricas del equilibrio estático de la estructura. El modelo de red neuronal artificial, ofrece una flexibilidad extrema ya que permite la variación 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 parámetros del algoritmo.

142

Pinto, L., García A. Análisis 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 “método con eliminación automática de errores” a medida que la red aprende. La comprobación de los resultados que se obtienen después 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 ingeniería estructural. El artículo presenta la definición de redes neuronales, la arquitectura de la red, la fase de aprendizaje de la red, el entrenamiento de la red, la comparación con el método de Kani y la evaluación 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 él, en forma automática, proporcionalmente a la rigidez de cada una de las barras que concurren en el mismo”

procesos industriales, clasificación de patrones, etc. La alimentación hacia adelante, es una característica muy especial de las redes neuronales multi-capa, cuyas conexiones alimentan exclusivamente las entradas desde las capas más bajas hasta las capas más 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 éxito de una aplicación 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 están conectados por conexiones unidimensionales, “completamente conectados”, “parcialmente conectados”, o “localmente conectados”, cuya función está determinada por la conexión topológica 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 parámetros (x1, x2, x3)T. Las salidas de las neuronas en esa capa no están 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 información que opera sobre unas entradas para extraer información y produce salidas correspondientes a la información extraída. Las redes también son conocidas como “modelos conexionistas”, “modelos de procesamiento distribuidos en paralelo”, “sistema neuromórfico”, cuyos diseños son análogos a las neuronas biológicas, base de su inspiración. Las redes son bien conocidas como enfoques de aplicaciones para la predicción, procesamiento de base de datos, control de

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

143

Volumen 11, Nº 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 través de las conexiones que amplifican o inhiben tales salidas a través de los factores de ponderación. Con excepción 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 función de transferencia. El modelo de red neuronal artificial lineal propuesto, tiene cuatro capas de neuronas. Cada una de las capas se nombra así, 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 función 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 típico de la red neuronal artificial. La neurona ejecuta el cálculo de una suma de productos, utilizando la entrada, el escalar peso de conexión y el umbral de la neurona multiplicado por uno, limitada por la función de activación. La entrada neta y la salida hasta y desde la i- ésima neurona de la L-ésima capa son:

de umbral, en la cual un nivel de umbral es logrado. La entrada neta y la salida de las j-ésima 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 distribución 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 iteración, y así sucesivamente. Finalmente, la red aprende. La salida actual at no será el valor deseado, si: (3) y el error, (4) La salida de la i-ésima neurona de la L-ésima capa en la k-ésima iteración, es:

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

(6) Particularmente, está representada por una función lineal

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

(8)

siendo la variación de la salida en dos iteraciones continuas y donde sirve como un valor de umbral. Fig. 3 Un elemento de procesamiento ajustable 4. Conexión sináptica 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 próximo nivel. En otras palabras, cada elemento de procesamiento de una capa determinada está conectado a su neurona correspondiente en la siguiente capa con peso excitatorio y una tendencia. Esto es, de topología “localmente conectado”, resultando para cada capa una matriz de los pesos diagonal.

Donde fi= función de activación (función de transferencia lineal). Esta función de transferencia representa una función

144

Pinto, L., García A. Análisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables

Las conexiones sinápticas en el modelo ANN están 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 está determinado haciendo uso directo de los parámetros físicos del modelo estructural. El algoritmo está esencialmente soportado con el criterio de la obtención del mejor desempeño que otros enfoques del análisis estructural. El reforzamiento de las conexiones sinápticas es ejecutado desde las capas más superficiales hasta las más profundas, siempre alimentadas hacia adelante. Por ejemplo, el reforzamiento de la entrada sináptica de la Lésima capa es ejecutada después de completar el reforzamiento de la (L-1)-ésima capa.

fijación ( y ) respectivamente en las juntas i y k bajo la acción de las cargas externas suponiendo que los extremos permanecen completamente fijos. El momento en el i-ésimo nodo debido a la rotación del nodo es llamado el momento rotacional en el i-ésimo extremo debido a la rotación (en radianes) del extremo i, es en forma similar llamado el momento rotacional en el i–ésimo extremo debido a la rotación (en radianes) del extremo k, además distribución 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 iteración. 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 iteración. 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 evaluación de los pesos y cambios en las tendencias. Después de complementar la iteración 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 alimentación hacia delante, hasta cuando se obtenga la tolerancia de un error específico. El software para este artículo 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 ecuación: cálculo algebraico simple, tales como productos y sumas. 2. Conexión topológica: modelo de red que se caracteriza por una topología localmente conectada con matriz diagonal, para cada capa. 3. Esquema de procesamiento: los nodos de la red se actualizan dependiendo completamente de la iteración previa. 4. Modo de transmisión sináptica: el modelo de cálculo general para la red está en los valores neuronales multiplicados por los pesos sinápticos y sumados a la tendencia.

barras que acceden al i–ésimo nodo. Estos parámetros son reprensados dimensionalmente en varios estudios previos. La Tabla I muestra un resumen de los parámetros dimensionales frecuentemente utilizados, que generalmente, son usados en las investigaciones de los problemas del análisis estructural. Kani (1935) aplicó el concepto de “las aproximaciones sucesivas” y a partir de este conocimiento, dedujo un grupo de ecuaciones pragmáticas para dar solución a problemas estructurales de una alta hiperestaticidad, a partir del principio de superposición de efectos como se ilustra en la Fig. 4.

Tabla I. Momentos extremos totales - variables relevantes

6. Selección de los parámetros estructurales Las variables más pertinentes en el análisis estructural son y que son respectivamente, los momentos de empotramiento perfecto en los nodos i, k y los momentos de

Fig. 4 Superposición de efectos miembro i – k

145

Volumen 11, Nº 44, septiembre 2007 pp 141-149

El examen de las ecuaciones convencionales presentadas del momento externo ayuda a seleccionar los parámetros para utilizar fundamentalmente los parámetros medibles para evitar de esta manera, el uso de cualquier fórmula, lo cual puede afectar la precisión de los resultados. El desarrollo final de las expresiones para el momento total en el i- ésimo y k-ésimo 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 deflexión. En el análisis estructural desarrollado en este modelo de red neuronal, los momentos extremos finales Mik y Mki son determinados encontrando las diferentes componentes M´ik y M´ki separadamente y sumando a ellos los términos expresados según el caso por las expresiones (9) y (10). Las componentes del momento extremo final serán consideradas positivas en el sentido de las manecillas del reloj. 7. Entrenamiento de la red y verificación de los resultados El entrenamiento de la red fue procesado esencialmente teniendo en cuenta los cuatro parámetros que intervienen en las ecuaciones (9) y (10) y los factores de distribución como las variables más pertinentes. Los factores de distribución 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 distribución correspondientes a la primera capa de nodos. Los momentos rotacionales M´11, M´12 y M´13 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 número 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 números de unidades (neuronas) en las capas ocultas y los parámetros ajustables, pesos y tendencias fueron determinados con el número de nodos de la estructura, los factores de distribución y los momentos rotacionales en los extremos. Los resultados fueron obtenidos como se dijo más arriba después de siete iteraciones del modelo ANN. Una comparación entre el modelo ANN presentado y el método de Kani fue ejecutado sobre 15 nodos de la estructura, incluyendo los nodos de empotramiento de las columnas entierra. Una relación de discrepancia fue utilizada para la comparación 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 método de las aproximaciones sucesivas del Doctor G. Kani. El valor de la media y la desviación estándar σ son y respectivamente. El análisis es mostrado en las Tablas II y III. Puede concluirse de las tablas que el modelo ANN propuesto arroja los mismos resultados que el método del ingeniero G. Kani.

TABLA II: Momentos rotacionales en los extremos – nodos indesplazables

146

Pinto, L., García A. Análisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables

TABLA III. Precisión de las fórmulas para los momentos rotacionales extremos en CADA NODO

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

son encontrados sumando los empotramientos perfectos de todas las barras que actúan en el i-ésimo nodo. Habiendo completado estos cálculos preliminares, puede darse comienzo al entrenamiento. La red fue inicializada con tres parámetros (factores de distribución de las vigas) como vector de entrada y los momentos rotacionales debido a la rotación del extremo como la salida de la primera capa. Los cálculos comienzan en la capa de entrada y continuaron de capa en capa en secuencia hasta la salida. Todos estos cálculos son ejecutados en fracciones de segundos. Después de 6 o 7 iteraciones ejecutadas como se explicó arriba, se notará que existen pequeños o ningún cambio en los valores de dos iteraciones consecutivas de cálculos en los respectivos nodos. Los cálculos se detienen y los valores de la última iteración 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 cálculo, estos valores finales han sido indicados separadamente en la Tabla IV.

Los factores de distribución 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 fórmulas estándares disponibles en cualquier manual de la ingeniería estructural. Los valores

TABLA IV: Momentos extremos finales en miembros – nodos indesplazables

147

Volumen 11, Nº 44, septiembre 2007 pp 141-149

9. Comparación con el método de Kani Una comparación entre el modelo ANN presentado y el método de Kani fue ejecutado sobre los mismos resultados y nodo por nodo. Una relación de discrepancia fue utilizada para la comparación, donde CN es el momento rotacional en el extremo o salida de la red y CK es el resultado obtenido a través del método de Kani. El valor de la media de la discrepancia y la desviación estándar σ son

respectivamente. El análisis de las fórmulas de los momentos rotacionales se muestra en la Tabla III. Análogamente, sucede con los momentos extremos finales mostrados en la Tabla V.

TABLA V. Precisión de las fórmulas para los momentos totales extremos en cada nodo

Puede concluirse después de un análisis sencillo de las Tablas II y III que los resultados obtenidos a través de ambos enfoques prácticamente coinciden. 10. Evaluación del modelo Un grupo de 15 nodos fueron utilizados para la verificación del modelo. Los nodos fueron seleccionados de los cálculos de un pórtico de 3 niveles. Los momentos rotacionales M´ik y M´ki fueron calculados utilizando las formulas derivadas del método de las aproximaciones sucesivas de G. Kani. Los momentos finales en los extremos Mik y Mki son determinados encontrando las componentes M´ik y M´ki separadamente y adicionando las dos momentos de empotramiento perfecto y según el caso. Comparando los resultados nodo a nodo por el método iterativo de aproximaciones sucesivas del Dr. Ingeniero Kani, los resultados obtenidos en el presente estudio son consistentes. Al realizar los cálculos a través del momento rotacional cercano al extremo i, M´ik para cualquier miembro i – k expresado en términos del momento de empotramiento perfecto y del momento rotacional extremo Mki como sigue: La comparación con el otro método muestra que el modelo ANN cálcula los mismos valores prácticamente para los 15 nodos de la estructura. Se supone que el modelo ANN produce una significativa economía de cálculo para diferentes nodos.

III. CONCLUSIONES 1. Las redes neuronales artificiales pueden ser utilizadas con ventajas, para extender el modelo ANN a la solución de problemas más complejos y además pueden ser utilizadas en la solución de vigas continuas sobre soportes elásticos. 2. El modelo de ANN tiene la preferencia sobre el método de Kani, por las siguientes razones: 2.1 Los modelos ANNs son más rápidos por su paralelismo masivo, aún 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 M´ik y M´ki utilizando el ANN sin conocimiento exhaustivo de la teoría del análisis estructural, con tal que ellos conozcan los parámetros físico- estructurales que intervienen en la operación del modelo ANN. 2.4 Es un método exacto, auto-correctivo de

Donde es la suma algebraica de todos los momentos de empotramiento que actúan en el i – ésimo nodo y es el factor de distribución correspondiente al miembro i – k dado por la expresión:

148

Pinto, L., García A. Análisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables

aproximaciones sucesivas. 2.5 Tiene rápida convergencia 2.6 Permite comprender claramente el fenómeno físico – estructural 2.7 El modelo de diseño neuronal es fácil de recordar 2.8 Se requiere de un reducido número de operaciones por capa de neuronas con el uso de muy poco tiempo de computación.

V. APÉNDICE Notación = son los momentos de empotramiento perfecto inducidos en los extremos de los miembros bajo la acción de las cargas externas, suponiendo que los extremos están completamente fijos en posición y dirección; = es la suma algebraica de todos los momentos de empotramientos perfecto que actúan en el i – ésimo nodo; τi , τk = rotación en el extremo i y k respectivamente; = es un factor de distribución para el miembro i - k; M´ik = es el momento rotacional en el extremo i debido a la rotación τi ; M´ki = es el momento rotacional en el extremo k debido a la rotación τk; Mik , Mk = son los momentos extremos totales ejercidos sobre los extremos i y k respectivamente; fi = función de activación correspondiente a la i–ésima neurona. ai = variable que representa la salida de i- ésima 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– ésima neurona de la L–ésima y la i–ésima neurona de la (L+1)–ésima capa. bi= valor de tendencia de i–ésima neurona

IV. REFERENCIAS (1) Eaton, L. K. “Hardy Cross and the Moment Distribution Method” Revista Journal, Vol. 3 nª 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 j–ésima neurona Subíndices i, j, k = sub-índices enteros y positivos

149

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->