Resumen.

En el mundo existen diferentes aplicaciones de redes neuronales artificiales,

efectivamente en el campo de control de calidad de productos intermedios, insumos, materias
primas y productos finales destinados para su uso inmediato no solo en esto sino tambin, en
la elaboracin o fabricacin de productos ya que constituyen un mtodo muy sofisticado que se
basa en modelamientos en los ltimos tiempos con la revolucin tecnolgica. Las redes
neuronales artificiales son unas estructuras matemticas con una gran capacidad de
modelizacin numrica, especialmente cuando las relaciones entre las variables implicadas en
el proceso son complejas o no obedecen a ecuaciones matemticas sencillas. Se pueden
considerar como conjunto complejo de funciones no lineales interconectadas entre s, capaces
de autoajustarse a partir de unas variables de entrada y salida conocidas.
Palabras clave. Red neuronal artificiales, concreto de altas prestaciones, resistencia a la
compresin, perceptron.
1.

INTRODUCCIN.

El Instituto Americano del Concreto (ACI) declara al concreto de alta resistencia cmo aquel
cuya resistencia a compresin es superior a 420 kg/cm 2 Su uso es relativamente reciente, ya
que no fue hasta 1968 cuando fue utilizado por primera vez en la construccin de las columnas
inferiores del edificio Lake Point Tower en Chicago, arrojando una resistencia a compresin de
520kg/cm2. Las principales mejoras respecto al concreto estndar radican en un aumento de
resistencia, tanto a compresin, a traccin, a flexin, o de comportamiento frente al impacto y
perforacin. Una de sus principales ventajas relacionadas con su aumento de la resistencia es
la reduccin de los tamaos de las muestras de los elementos de la muestra de los elementos
estructurales y, por consiguiente, el peso de la estructura y el precio de la misma. as mismo,
tambin consecuencia de su mayor fluidez, es posible bombearlo a mayores alturas o colocarlo
en zonas con alta densidad de acero.

REDES NEURONALES APLICADOS A CONTROL DE CALIDAD.

REDES NEORONALES ARTIFICIALES (RNA) Las redes neuronales artificiales (RNA) son
redes computacionales que buscan simular las redes de clulas nerviosas (neuronas) del
sistema nervioso central biolgico (humano o animal). Las RNA permiten usar operaciones
computacionales simples (sumar, restas, multiplicaciones o elementos de lgica) para resolver
problemas complejos, no lineales o estocsticos. Se inspiran en las redes neuronales
biolgicas, son capaces de aprender a partir de un aserie de ejemplos sin necesidad de
conocer a priori las relaciones que pudieran existir entre las variables implicadas en el proceso,
ajustando los pesos de las relaciones entre ellas para posteriormente predecir un resultado
coherente cuando se introducen nuevos desconocidos en la red.
En su sentido ms general
Una neurona dentro del concepto de (RNA) consiste en:

Conjunto de entradas.
Pesos sinpticos.
Una regla de propagacin que est definida a partir del conjunto de entradas y pesos
sinpticos de la neurona.
Y una funcin de activacin.

En su arquitectura la red neuronal artificial est compuesta por.

Una capa de entrada o capa sensorial.

Capa (s) oculta (s).
Y una capa de salida.

VENTAJAS DE LAS REDES NEURONALES ARTIFICIALES.

Aprendizaje: tienen la habilidad de aprender mediante una etapa de aprendizaje consistente
en proporcionar a la RNA datos como entrada a su vez que se le indica cul es la salida
(respuesta) esperada.
Auto organizacin: crea su propia representacin de la informacin en su interior. Sin
necesidad de una programacin explicita.
Tolerancia a fallos. Almacena la informacin de forma redundante, sta puede seguir
respondiendo aceptablemente an si se daa parcialmente.
Flexibilidad: puede manejar cambios no importantes en la informacin de entrada, como
seales con ruido u otros cambios en la entrada
Por ejemplo. Si la informacin de entrada es la imagen de un objeto, la respuesta
correspondiente es acertada incluso si la imagen tiene parmetros de luz ligeramente distintos
o el objeto cambia ligeramente de posicin
Tiempo real: es paralela, si se implementa con computadoras o en dispositivos electrnicos
que utilicen dicha paralizacin se pueden obtener respuestas en tiempo real, de la misma
manera que el cerebro es capaz de procesar cantidades ingentes de informacin en paralelo
sin un esfuerzo aparente.

Comprensin de imgenes
Comprensin de sonidos
Comprensin de parmetros tctiles, de calor y movimiento

MODELO DE RNA.
La forma que dos neuronas interactan no es totalmente conocida, En general, una neurona
enva su salida a otras por su axn.
Este proceso es a menudo modelado como la funcin de red. La neurona recoge las seales
por su sinapsis sumando todas las influencias excitadoras e inhibidoras.

Si las influencias excitadoras positivas dominan, entonces la neurona da una seal positiva y
manda este mensaje a otras neuronas por sus sinapsis de salida.

PERCEPTRON.
Los perceptrones se disearon para emular las caractersticas principales de las neuronas
biolgicas.
Su funcionamiento es el siguiente. Una serie de entradas se aplican al perceptron, luego esas
entradas son multiplicadas por un peso (tambin llamado factor), que representa la "fuerza" de
la conexin sinptica y todas las entradas multiplicadas por su peso se suman para determinar
el nivel de activacin del perceptron.
De aqu en adelante nos referiremos a este sumatorio con el trmino NET.

PERCEPTRON MULTICAPA.
El perceptron multicapa es una (RNA) formada por mltiples capas, esto le permite resolver
problemas que no son linealmente separables, lo cual es la principal limitacin del perceptron
simple. Lo podramos definir como un sistema computacional que imita las capacidades
computacionales de los sistemas biolgicos utilizando un gran nmero de elementos
interconectados.

Esquema de un perceptron multicapa

Las capas pueden clasificarse en tres tipos:

Capa de entrada: Constituida por aquellas neuronas que introducen los patrones de
entrada en la red es la que recibe las seales de las variables de entrada y las
distribuye a la siguiente capa, la capa oculta.
Capas ocultas: Formada por aquellas neuronas cuyas entradas provienen de capas
anteriores y las salidas pasan a neuronas de capas posteriores. Es la encargada de
realizar las operaciones matemticas destinadas a obtener una salida.
Capa de salida: Neuronas cuyos valores de salida se corresponden con las salidas de
toda la red. encargada de mostrar el resultado de las operaciones realizadas en la capa
oculta.

EL USO DE LAS REDES NEURONALES ARTIFICIALES EN CONTROL DE

CALIDAD DE LA EVOLUCION TEMPORAL DE LA RESISTENCIA DEL
CONCRETO DE ALTAS PRESTACIONES.
El concreto de altas prestaciones es un material relativamente reciente su empleo data de los
finales de la dcada del 60. Sus innumerables ventajas hacen que cada vez sea utilizado ms
en la construccin. Su fabricacin parte del concreto estndar al que se le aaden una serie de
aditivos como micro slice o cementantes, que le confieren un aumento de resistencia cercano
al 100%. En la actualidad no hay muchos estudios acerca de la influencia de los aditivos en la
resistencia, pero si se tiene bastante en cuenta la propiedad mecnica del concreto, resistencia
a compresin a los 28 das que es la ms utilizada para su control de calidad. En el estudio que
se han hecho en LEM de la FIC se va analizar la evolucin de dicha propiedad en funcin del
tiempo y de la cantidad de cemento por metro cubico mediante el uso de una red neuronal
artificial. El concreto de altas prestaciones es ideal para proyectos que soporten altas
demandas de carga como por ejemplo, muros de rigidez, vigas de edificios de gran altura.
Sin embargo no todo son ventajas, ya que exige de un control de calidad de las materias
primas muy riguroso y de un curado muy vigilado. En este aspecto el estudio que se est
haciendo es una primera aproximacin de la evolucin de la resistencia a compresin del
concreto mediante el uso de redes neuronales artificiales a partir de la cantidad de cemento
utilizado y del tiempo de curado. Es as que las redes neuronales han demostrado su alta
capacidad de modelizacin, en los ltimos aos han tenido un gran desarrollo en el control de
procesos industriales debido principalmente a su capacidad de modelar relaciones complejas
que los sistemas tradicionales no han sido capaces de hacer y predecir satisfactoriamente si
las caractersticas de un producto se adecuan o no a las especificaciones correspondientes.

MATERIALES Y MTODOS.
Para la realizacin de este estudio se han fabricado de acuerdo a la norma ASTM C 192, 296
probetas de concreto fabricados con distintos tipos y cantidades de cemento, arena,
cementante y microslice. Los ensayos de compresin se han realizado en el Laboratorio de
Ensayo de Materiales de la Universidad Nacional de Ingeniera, segn la norma ASTM C39 tras
diferentes periodos de curado. Los ensayos de compresin se realizaron en una maquina
TONI-THECNIC de 3000T y TINIUS-OLSEN de 1500T. De todas las probetas se tomaron datos
que actuaron como variables de entrada, de cantidad de cemento, cantidad de arena, cantidad
de cementante, cantidad de microslice, as como periodo de curado. Como variable de salida
se tom la resistencia a la compresin. La cantidad de agua, cantidad de piedra, los mdulos
de finura de arena y piedra, el tamao nominal mximo de la piedra y los pesos especficos de
la piedra y arena se mantuvieron constantes, los datos se muestran en la siguiente tabla.
Cemento de altas prestaciones
Agua
Mdulo de finura de la arena
Mdulo de finura de la piedra
TNM de la piedra
Peso especfico de la arena
Peso especfico de la piedra
Peso especfico de los agregados
Cementante
Microslice
Edad de ensayo

De acuerdo a la gua ACI 211

Se utiliz agua potable
2.87
6.5
El TNM de la piedra es 1
2.7 Ton/m3
2.7 Ton/m3
< 2.500-2.800> kg/m3
<1.6-2.5> %
<5-10> %
<7-56> das

Previo al desarrollo de la red neuronal se procedi a un anlisis de

componentes principales.
El diseo de perceptron multicapa es un proceso lento y complejo. El
nmero de neuronas de la capa de entrada est delimitado por la dimensin
de los vectores de entrada. De la misma forma, el nmero de neuronas de la
capa de salida est determinado por la dimensin del vector salida. Sin
embargo, no hay una regla definida para determinar si la capa oculta debe
tener una o varias subcapas, ni cuntas neuronas deben tener cada una. Por
lo que el nico mtodo para configurar la capa oculta es mediante prueba y
error. Por otra parte tambin hay que tener en cuenta que un nmero muy
pequeo de neuronas en las capas ocultas impide una buena generalizacin
por parte de la red y que excesivo nmero de neuronas en las capas
internas puede dificultar enormemente el proceso de aprendizaje sin
mejorar sustancialmente los resultados finales.