Espacio reservado para el Comit Editorial del Congreso Chileno de Ingeniera Mecnica

Identificacin de dao estructural utilizando redes

neuronales artificiales y frecuencias de anti-resonancia
V. Meruane*, J. Mahu
Departamento de Ingeniera Mecnica, Universidad de Chile, Beauchef 850,
*E-mail Autor: vmeruane@ing.uchile.cl

Resumen

Los algoritmos ms exitosos de identificacin de dao, son algoritmos basados en ajustes de modelos. Sin embargo, estos
algoritmos son muy lentos y la evaluacin de daos se logra a travs de un proceso inverso que requiere mucho tiempo. Esto
es un problema para aplicaciones de monitoreo en tiempo real. Las Redes Neuronales Artificiales (RNA) se han introducido
recientemente como una alternativa a estos mtodos. Una vez que una red neuronal ha sido debidamente entrenada, puede
potencialmente detectar, localizar y cuantificar daos estructurales con precisin en tiempo real. La principal contribucin de
esta investigacin es el desarrollo de un algoritmo de evaluacin de daos en tiempo real utilizando redes neuronales
artificiales y frecuencias de anti-resonancia. A diferencia de los mtodos clsicos, en donde se usan los modos de vibracin y
las frecuencias naturales, en este trabajo se propone utilizar las frecuencias de anti-resonancia como entrada a la red neuronal.
Las frecuencias de anti-resonancia se pueden identificar ms fcilmente y con mayor precisin que los modos de vibracin.
Adems, estas frecuencias son ms sensibles a cambios estructurales. El algoritmo de deteccin de daos se valid con datos
experimentales de una viga libre con mltiples daos.
Keywords: Identificacin de dao, redes neuronales artificiales, frecuencias de anti-resonancia.

1. Introduccin
Esta investigacin aborda el problema de evaluacin de
dao en estructuras mediante el uso de vibraciones. El
propsito de la evaluacin de daos es detectar y
caracterizar un dao estructural en la etapa ms temprana
posible, y estimar cunto tiempo queda antes que se
requiera mantenimiento o se produzca una falla. La
evaluacin de dao conlleva beneficios econmicos y tiene
un alto potencial para la seguridad de los ciudadanos. Se
puede aplicar a estructuras de ingeniera civil, como
edificios o puentes; para vehculos de transporte, como
aviones, helicpteros, trenes
o barcos y equipos
industriales, como molinos, turbinas, bombas, calderas,
entre otros.

La evaluacin de dao estructural basada en las

vibraciones [1] ha tenido un desarrollo muy grande en los
ltimos aos. La idea bsica es que las vibraciones
caractersticas (frecuencias naturales, formas modales,
factores de amortiguacin, funciones de respuesta de
frecuencia, etc.) son funciones de las propiedades fsicas de
la estructura. Por lo tanto, cambios en el material o en las
propiedades geomtricas de una estructura debido a dao,
se ven reflejados en cambios detectables en sus
caractersticas de vibracin. Muchos estudios han
demostrado que las vibraciones de una estructura son
indicadores suficientemente sensibles para detectar daos
pequeos, incluso si estos se encuentran en zonas ocultas
[2].
La principal dificultad en la evaluacin de daos es
determinar la presencia, localizacin y severidad del dao
estructural dada la respuesta dinmica de la estructura. Los
algoritmos ms exitosos de evaluacin de dao, son

algoritmos basados en ajustes de modelos que utilizan

mtodos de optimizacin global [3,4,5,6,7]. Sin embargo,
estos algoritmos son muy lentos, y la evaluacin de daos
se logra a travs de un proceso inverso que requiere mucho
tiempo. Esto es un problema para aplicaciones de
monitoreo en tiempo real. Las Redes Neuronales
Artificiales (RNA) se han introducido recientemente como
una alternativa a los mtodos de ajuste de modelos. Una
vez que una red neuronal ha sido debidamente entrenada,
puede potencialmente detectar, localizar y cuantificar daos
estructurales con precisin, en tiempo real.
El uso de redes neuronales en la evaluacin de daos no
siempre es apreciado, debido a la necesidad de disponer de
un gran conjunto de datos para entrenar la red. Es muy
difcil y requiere de mucho tiempo producir un conjunto de
datos suficientemente grande a partir de experimentos. Una
alternativa para generar datos de entrenamiento es el uso de
un modelo numrico de la estructura. Castellini y Revel [8]
demostraron que es posible producir resultados correctos de
evaluacin de daos en una estructura experimental,
utilizando una red neuronal que fue entrenada con datos
generados por un modelo en elementos finitos de la
estructura.
Uno de los principales desafos en la evaluacin de dao
estructural es la seleccin de un indicador, a partir de la
respuesta del sistema, que sea lo suficientemente sensible a
daos pequeos. El hecho de que se han estudiado muchos
indicadores, y siguen siendo investigados, sin consenso en
cuanto al ptimo, es un testimonio de la dificultad del
problema. La idea de utilizar directamente las funciones de
respuesta de frecuencia (FRF) para entrenar las redes
neuronales ha atrado a muchos investigadores. Entre todas
las respuestas dinmicas, las FRF son una de las ms fciles
de obtener en tiempo real, dado que su medicin in situ es
directa. Sin embargo, la cantidad de informacin contenida
en las FRF es demasiado grande para aplicaciones de redes
neuronales. El uso directo de FRF dara lugar a redes con
un gran nmero de variables de entrada y de conexiones,
hacindolas poco prcticas. Para reducir el nmero de
variables de entrada, Zang y Imregun [9] utilizaron un
anlisis de componentes principales (ACP) a la informacin
de las FRF. La salida de la red neuronal es el estado actual
de la estructura; sin dao o con dao. El algoritmo fue
capaz de distinguir con buena precisin entre los casos sin
dao y con dao. Fang et al. [10] seleccionaron puntos del
espectro de frecuencias en sectores cercanos a la frecuencia
de resonancia. El valor de las FRF en estos puntos son las
entradas a una red neuronal, mientras que las salidas son
indicadores de dao para cada elemento de la estructura. El
algoritmo mostr una buena precisin en la identificacin
de daos de una viga en voladizo bajo diferentes escenarios
de daos, sin embargo solo fue evaluado con datos
numricos.

Se pueden reducir an ms los datos de entrada a una red

neuronal si se realiza un anlisis modal. De esta manera las
variables de entrada son las propiedades modales de la
estructura. Las frecuencias naturales y los modos de vibracin
son las propiedades ms frecuentemente utilizadas. Existe una
gran cantidad de literatura sobre el uso de las frecuencias
naturales en la deteccin de daos [11]. Sin embargo, las
frecuencias naturales no siempre entregan la informacin
espacial necesaria para localizar el dao, y es necesario utilizar
informacin adicional como los modos de vibracin. En
general, las frecuencias naturales detectan y cuantifican un
dao, mientras que los modos de vibracin lo localizan [12].
Zapico y Gonzlez [13] presentaron un algoritmo para
identificar dao en un modelo a escala de un edifico de dos
plantas. Ellos usaron frecuencias naturales como variables de
entrada y entrenaron una red neuronal con datos obtenidos a
travs de un modelo numrico de la estructura. La red neuronal
tiene dos salidas, cada salida representa el nivel de dao en
cada piso. La metodologa propuesta fue capaz de predecir el
dao con un error inferior al 8,6%. Yun et al. [14] utilizaron
las frecuencias naturales y los modos de vibracin como datos
de entrada a una red neuronal para detectar daos en las
uniones de estructuras formadas por vigas. Ellos entrenaron la
red con un algoritmo de aprendizaje con inyeccin de ruido.
Esto ltimo ayuda a reducir los efectos del ruido experimental.
Los autores encontraron que el algoritmo puede estimar los
daos con una exactitud razonable, pero esta depende en gran
medida el nivel de ruido experimental. Lee et al. [15] proponen
utilizar la relacin entre los modos antes y despus del dao
como entrada a la red neuronal. Ellos encontraron que al
utilizar los cambios en los modos de vibracin, en vez de su
valor absoluto, se reduce la sensibilidad del algoritmo a errores
en el modelo numrico.
Recientemente, se ha propuesto el uso de frecuencias de
anti-resonancia como una alternativa a los modos de vibracin
[16]. Las frecuencias de anti-resonancia son los ceros de las
FRF, y son una alternativa atractiva ya que se pueden
determinar ms fcilmente y con menos errores que los modos
de vibracin, y aun as entregan la misma informacin.
Meruane y Heylen [17] mostraron que las anti-resonancias
son una buena alternativa a los modos de vibracin en la
evaluacin de daos, pero es necesario mayor investigacin en
el proceso de identificacin de anti-resonancias
experimentales, y en el apareamiento de anti-resonancias
experimentales y numricas.
Las anti-resonancias son una buena alternativa a los modos
de vibracin como valores de entrada a una red neuronal, ya
que el nmero de variables de entrada es menor, estn menos
contaminadas por el ruido y siguen ofreciendo la misma
informacin que los modos de vibracin. Sin embargo, el uso
de las anti-resonancias todava est en fase de desarrollo y la
aplicacin de las antiresonancias a la deteccin de dao
estructural no ha sido investigada a fondo. Esto se debe
principalmente a que el problema de optimizacin inversa
utilizando anti-resonancias es muy difcil y es necesario
algoritmos de optimizacin muy robustos. Sin embargo, esto

no debera ser un problem

ma para los mtodos basadoss en redes
neuronaless.
El objeetivo de este trabajo es deesarrollar un algoritmo
a
capaz de detectar,
d
localizar y cuantifi
ficar dao en una viga
simple en tiempo real. Para ello se propone utilizzar redes
neuronaless artificiales, donde las frecuencias de antiresonancia son las entraadas a la red y las salidass son los
factores dee rigidez efectivva para cada elemento de la eestructura.

1.1

Figura 1 Funcciones de transfferencia: (a) Tanngente hiperbllica, (b)

Sigmoidea, (cc) Lineal, (d) L
Lineal saturada y (e) Lineal saturada
simtrica.

Reedes Neuron
nales Artifiiciales (RNA
A)

Una reed neuronal ess un algoritmoo de procesam

miento de
datos, quee trata de emuular el sistemaa de procesam
miento del
cerebro hhumano [18]. Est formaado por "nneuronas"
interconecctadas entre elllas para consttruir una red compleja.
c
El conocim
miento es adquuirido por un pproceso de aprrendizaje
y se almaccena en las inteerconexiones nneuronales.
Existenn distintos tippos de arquiteecturas para laas redes,
entre ellass la red perceeptrn multicaapa (MLP) ess la ms
usual. Unna MLP consiste en una capa de neurronas de
entrada, unna capa de neeuronas de saalida y un connjunto de
capas oculltas. Cada neuurona recibe unna suma pondderada de
las neuronnas de la capa anterior y enttrega una entrrada para
las neuronnas de la siguuiente capa. L
La activacin de cada
neurona esst dada por uuna funcin dde transferencia. En la
Figura 1 se ilustran aalgunas funciiones de transferencia
usuales.
La Figgura 2 ilustraa el principioo de identificaacin de
daos ussando redess neuronaless. Las vibbraciones
caracterstticas de la estructura son las entradas a la red,
mientras qque las salidaas son ndicees de dao para cada
elemento.
Las saalidas de una MLP con trees capas vieneen dadas
por,
NH

NI

y i f w ijj f v jk x k bvk bwi

(1)

k 1

j 1
Donde x={x1,x2,,xn} e y={y1,y2,
,yn} son los vectores
de entradda y salida, wij y vjk son
s
los pesoos entre
interconeccciones, b reepresenta el bias (o faactor de
correccinn), f(.) es la fu
funcin de trannsferencia, poor ltimo
NI y NH ccorresponden aal numero de neuronas
n
en laa capa de
entrada y ooculta.
Los vaalores de los peesos son deterrminados al enntrenar la
red neuronnal con datos de la estructtura. El entrennamiento
consiste en
e encontrar los pesos quue minimicen el error
medio, Es:

Es

Figuraa 2 Identificacin de daos por medio de RNA

A

1 NO
2
(y oi )
NO i 1 i

(2)

Donde oi son las saalidas deseadaas en el nodo i-esimo,

NO es el nnumero de neuuronas en la caapa de salida.

2. Definicin de laa Red Neu

uronal
1.2

Entrradas

Las entraadas a la red corresponden

c
a la variacin de las
frecuencias de anti-resonnancia con reespecto al caso sin
dao:
xi n

rD, i , n rU, i , n
rU, i , n

(3)

Los supeerndices D y U denotan coon dao y sinn dao

respectivameente, r,i,n es la i-esima ffrecuencia dee antiresonancia dee la n-esima F
FRF.

Para reducir los efectos del ruido experimental, se aade

ruido a los datos del modelo numerico, tal como fue
propuesto por Hjelmstad y Shin [19]:
r,i,n r,i,n 1
(4)
Donde es un numero aleatorio con un rango
especifico. La varianza de este numero debe coincidir con
la varianza del ruido experimental.

1.3

K d (1 y i )K i
(5)
i
El valor yi=0 indica que el elemento est intacto,
mientras que 0< yi 1 implica un dao parcial o completo.

Patrones para entrenar y validar

La distribucin de los patrones para entrenar la red es

un factor crucial en el exito de una red neuronal. Fang et al.
[10] recomiendan usar patrones con niveles de dao
distribuidos uniformente. Por otro lado, considerar daos
multiples puede aumentar mucho el numero de patrones
necesarios para entrenar la red, si el numero de patrones es
muy alto el entrenamiento se vuelve muy dificil.
Considerando lo anterior, los patrones se generaron
considerando hasta 2 daos simultaneos con 9 niveles de
dao distribuidos uniformemente entre 0 y 80% de dao. El
numero total de patrones viene dado por: 92C(N,2), donde
C(N,2) es el numero de combinaciones en N elementos
tomando sub-conjuntos de a 2.
Luego del entrenamiento los datos son validados con un
conjunto de patrones distinto. Los patrones de validacin
fueron creados considerando hasta 2 daos simultaneos
con 9 niveles de dao distribuidos uniformemente entre 5 y
85% de dao. Notar que los conjuntos de entrenamiento y
validacin no tienen patrones en comn.

1.5

Error medio de cuantificacin (Mean Sizing Error,

MSE): viene dado por,
1
(6)
MSE
y oi
NO i i

Falsos positivos: Cantidad de veces que la red detecta

daos en elementos sanos.
1
FP
iI , 0 FP 1
(7)
NT i

Salidas

Las salidas de la red corresponden a indicadores de

dao para cada elemento del modelo numerico.
El dao esta representado como una reduccin local de
rigidez. Por lo tanto, las salidas de la red son factores de
reduccin de rigidez. Estos factores representan la razn
entre la variacin de la rigidez y la rigidez inicial. La matriz
de rigidez de la estructura, Kd, viene dada por una suma de
matrices elementales multiplicadas por factores de rigidez:

1.4

Indicadores de desempeo

El desempeo de la red es medido por tres indicadores:

el error medio de cuantificacin, falsos positivos y falsos
negativos, tal como los defini Yun et al. [14]:

0 si el i-esimo elemento daado es detectado

1 en caso contrario
correctamente y

Falsos negativos: Indica la cantidad de veces que la red

no detecta daos en elementos con perdida de rigidez.

FN

1
NF

II
i ,

0 FN 1

(8)

0 si el i-esimo dao detectado es un dao real y

1 en caso contrario
En las salidas de la red se define que un elemento est
daado si el porcentaje de reduccin es mayor a una valor
dado. Este valor se defini igual al error medio cuadratico,
MSE, ya que corresponde al menor dao que puede ser
identificado por la red.

3. Aplicacin en una viga

La estructura consiste en una viga de seccin
rectangular. Las dimensiones son: largo 1m y seccin
2510mm2. Como se ilustra en la Figura 3, la viga est
suspendida por dos elsticos para simular una condicin de
borde libre-libre.
La viga es excitada por medio de un martillo modal en
cuatro puntos distribuidos sobre la viga y la respuesta se
mide en los mismos puntos por medio de un acelerometro.
Tanto la fuerza de excitacin como las respuestas se
encuentran en la direccin horizontal, en donde existe
mayor sensibilidad a daos. Se identifican cinco
antiresonancias en cada una de las cuatro FRFs.
El modelo numerico de construy en matlab con
elementos de viga bidimensionales. El modelo tiene 20
elementos y 40 grados de libertad, como se ilustra en la
Figura 4. Los elementos sombreados indican posibles
ubicaciones para el dao.
Los parmetros de modelo numrico fueron ajustados
para que los resultados numericos de la viga sin dao
coincidan con los experimentales. En la Tabla 1, se

Tabla 2 Escenarios
E
de daao introducidoos a la viga

muestran llas anti-resonaancias numeriicas y experim

mentales,
la diferenccia mxima es de un 1.98%.
La estrructura es som
metida a cuatrro escenarios de dao
distintos. En
E cada escennario la viga cuenta con unno o dos
grietas. Esstas grietas se introdujeron ppor medio de ccortes de
largo lc, coomo se muestrra en la Figura 5. La tabla 2 resume
los distintoos escenarios de
d dao introdducidos a la viiga.

Figuraa 4 Modelo en E
EF y enumeraciin de los elemeentos

FRF3

FRF2

FRF1

Tabla 1 Anti-resonanciaa numricas y eexperimentales

Diiferencia
(%)
1.10
1.35
0.40
0.00
1.51
0.69
1.00
0.56
1.26
1.70
0.69
0.66
0.34
1.17
1.98
1.10
1.35
0.40
0.00
1.51

D
Distancia desdee
exxtremo izquierddo
(mm)
315
635
303, 640
360, 810

Elemenntos

7
113
7, 13
8, 17

Largo del corte

mm)
(m
5
10
5, 10
5, 15

Validacin de la
l red

Los parm
metros de la rred fueron deefinidos luego de un
anlisis de ssensibilidad. S
Se estudi el efecto de diistintas
variables com
mo el nmeroo de nodos intternos, funcionnes de
transferenciaa y mtodos dee entrenamiennto. Se seleccioonaron
los que, al final del entrrenamiento, enntregaron el menor
error medio cuadrtico. L
Los parmetroos finales de la red
son los siguieentes:

Figura 5 Corte introducidoo a la viga

FRF4

1
2
3
4

1.6

Figura 3 Viga experim

mental

Frecuencias dde Anti-resonanccia

(H
Hz)
Experimental
Numeriica
89
90.3
293.4
289
606.3
604
1032.8
10333
15766
1552.8
128
128.8
260.9
258
583.1
586
1112.8
11277
1621.9
16500
128.8
128
260
258
584.4
586
1113.8
11277
1617.5
16500
90.3
89
292.9
289
606.1
604
1032.8
10333
1553.4
15766

Caso

c
Red: Muulticapa percepptron de tres capas
Nmero de nodos de eentrada: 20
Numero de nodos ocuultos: 80
Nmero de nodos de ssalida: 18
Funcin de transferencia en la capa oculta: Sigmooide
Funcin de transferenncia en la cappa de salida: lineal
simtricaa saturada
Mtodo de entrenamieento: Levenbeerg-Marquart

Luego deel entrenamiennto, la validez de la red se vverifica

con los paatrones de vvalidacin. El error meddio de
cuantificacin fue de un 3..37%, por lo taanto la red tienne una
precisin deel 97%. En la Figura 133 se muestraan los
resultados ppara los falsoos negativos y falsos positivos
divididos seggn la magnittud del dao. Los resultadoos para
los falsos negativos, indican que la deteeccin de daoos con
magnitudes bbajas es pobre. De hecho, 900% de los daos con
magnitudes menores a uun 10% no son detectadoos. El
algoritmo ppuede detectaar con connfianza daoss con
severidades mayores a un 40%. El grafico de falsos
positivos inddica que la maayora de los daos falsos tienen
magnitudes bajas. A meedida que aum
menta la maagnitud
disminuyen los falsos possitivos; Cercaa de un 99% de los
daos detectaados con magnnitudes mayorres a 40% sonn daos
reales.
muestran los resultados
r
obttenidos
En la Figgura 14 se m
para los cuaatro casos expperimentales. Las flechas en los
grficos inddican la posiccin real de los daos. E
En los
primeros tress casos el dao se identificaa de forma coorrecta.
Aunque se deetectan algunoos daos falsoos cerca de los daos
reales. En eel ltimo casso, no se deetecta el cortee ms

pequeo. Esto se debe a que los efectos del dao mayor

esconden los efectos del dao ms pequeo.

4. Conclusiones
El presente artculo entrega una nueva metodologa para
identificar dao estructural utilizando redes neuronales y
frecuencias de anti-resonancia. Se entren
una red
perceptron multicapa usando datos obtenidos de un modelo
en elementos finitos de una viga libre. La metodologa se
valid con datos experimentales de la viga bajo distintos
escenarios de dao.
El algoritmo es exitoso en la identificacin de los daos
experimentales. Los resultados indican que es posible
localizar y cuantificar dao estructural usando slo
informacin obtenida a partir de las frecuencias de antiresonancia. Por lo tanto, las frecuencias de anti-resonancia
son una alternativa atractiva a ser usada en identificacin de
dao.
Se muestra que es posible identificar dao experimental
en tiempo real y con precisin para el caso de una viga.
Entregando as la posibilidad de monitoreo continuo de la
condicin de una estructura. Sin embargo, de acuerdo a los
resultados existe un nivel mnimo de dao que puede ser
identificado con precisin, que en este caso, corresponde a
un 40%. Este nivel podra ser menor si se ocupase una base
de datos mayor para entrenar la red, pero significara
tiempos de entrenamiento mayores.

Figura 7 Dao experimental detectado en cada caso

Agradecimientos
Los autores agradecen el apoyo de CONICYT en el proyecto
FONDECYT de iniciacin 11110046 y a la Universidad de Chile
en el proyecto de iniciacin U-INICIA VID 11/01.

Figura 6 Falsos negativos a) y falsos positivos b) para

distintos niveles de dao.

Referencias
[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

E.P. Carden and P. Fanning, "Vibration Based

Condition Monitoring: A Review", Structural
Health Monitoring, vol. 3, no. 4, pp. 355-377,
2004.
Y.J. Yan, L. Cheng, Z.Y. Wu, and L.H. Yam,
"Development in vibration-based structural
damage detection technique", Mechanical Systems
and Signal Processing, vol. 21, no. 5, pp. 21982211, 2007.
V. Meruane and W. Heylen, "An hybrid real
genetic algorithm to detect structural damage using
modal properties", Mechanical Systems and Signal
Processing, vol. 25, no. 5, pp. 1559-1573, 2011.
V. Meruane and W. Heylen, "Damage
detection with parallel genetic algorithms and
operational modes", Structural Health Monitoring,
vol. 9, no. 6, pp. 481-496, 2010.
R. Perera and R. Torres, "Structural damage
detection via modal data with genetic algorithms",
Journal of Structural Engineering, vol. 132, no. 9,
pp. 1491-1501, 2006.
B. Kouchmeshky, W. Aquino, J.C. Bongard,
and H. Lipson, "Co-evolutionary algorithm for
structural damage identification using minimal
physical testing", International Journal for
Numerical Methods in Engineering, vol. 69, no. 5,
pp. 1085-1107, 2007.
A. Teughels, G. De Roeck, and J.A.K.
Suykens, "Global optimization by coupled local
minimizers and its application to FE model
updating", Computers & Structures, vol. 81, no.
24-25, pp. 2337-2351, 2003.
P. Castellini, "An experimental technique for
structural diagnostic based on laser vibrometry and
neural networks", Shock and Vibration, vol. 7, no.
6, pp. 381-397, 2000.
C. Zang and M. Imregun, "Structural damage
detection using artificial neural networks and
measured FRF data reduced via principal
component projection", Journal of Sound and
Vibration, vol. 242, no. 5, pp. 813-827, 2001.
X. Fang, H. Luo, and J. Tang, "Structural
damage detection using neural networks based on
response-only data", Computer & Structures, vol.
83, no. 25-26, pp. 2150-2161, 2005.
O.S. Salawu, "Detection of structural damage
through changes in frequency: a review",
Engineering Structures, vol. 19, no. 9, pp. 718723, 1997.

[12]

A.H. Gandomi, M.G. Sahab, A. Rahaei, and

M.S. Gorji, "Development in Mode Shape-Based
Structural Fault Identification Technique", World
Applied Sciences Journal, vol. 5, no. 1, pp. 29-38,
2008.
[13]
JL Zapico, MP Gonzlez, and K. Worden,
"Damage assessment using neural networks",
Mechanical Systems and Signal Processing, vol.
17, no. 1, pp. 119-125, 2003.
[14]
C.B. Yun, J.H. Yi, and E.Y. Bahng, "Joint
damage assessment of framed structures using a
neural
networks
technique",
Engineering
structures, vol. 23, no. 5, pp. 425-435, 2001.
[15]
J.J. Lee, J.W. Lee, J.H. Yi, C.B. Yun, and H.Y.
Jung, "Neural networks-based damage detection
for bridges considering errors in baseline finite
element models", Journal of Sound and Vibration,
vol. 280, no. 3-5, pp. 555-578, 2005.
[16]
W. D'Ambrogio and A. Fregolent, "The use of
antiresonances for robust model updating",
Journal of Sound and Vibration, vol. 236, no. 2,
pp. 227-243, 2000.
[17]
V. Meruane and W. Heylen, "Structural
Damage Assessment with Antiresonances versus
Mode Shapes using Parallel Genetic Algorithms",
Structural Control & Health Monitoring, vol. 18,
no. 8, pp. 825-839, 2011.
[18]
M.A. Arbib, The handbook of brain theory and
neural networks.: Bradford Book, 2003.
[19]
K.D. Hjelmstad and S. Shin, "Damage
Detection and Assessment of Structures from
Static Response", Journal of Engineering
Mechanics, vol. 123, no. 6, pp. 568-576, 1997.