Mishra2018 Article AntLionOptimisationAlgorithmFo

Machine Translated by Google
Vea discusiones, estadísticas y perfiles de autor para esta publicación en: https://www.researchgate.net/publication/329673374
Algoritmo de optimización de hormiga león para la detección de daños estructurales utilizando datos de vibración
Artículo en Journal of Civil Structural Health Monitoring ∙ Febrero 2019
DOI: 10.1007/s133490180318z
CITAS LEE
60 517
4 autores:
Mayank Mishra Swarup barman
Universidad de Minho Portugal Instituto Indio de Ciencia y Tecnología de la Ingeniería, Shibpur
38 PUBLICACIONES 543 CITAS 12 PUBLICACIONES 169 CITAS
VER EL PERFIL VER EL PERFIL
Maity damodar Dipak Kumar Maití
Instituto Indio de Tecnología Kharagpur Instituto Indio de Tecnología Kharagpur
118 PUBLICACIONES 2.539 CITAS 99 PUBLICACIONES 1.793 CITAS
VER EL PERFIL VER EL PERFIL
Algunos de los autores de esta publicación también están trabajando en estos proyectos relacionados:
Detección de daños en estructuras isotrópicas mediante algoritmos metaheurísticos Ver proyecto
DESARROLLO DE HORMIGÓN ESTRUCTURAL A PARTIR DE ÁRIDOS GRUESOS RECICLADOS Y SUS CARACTERÍSTICAS DE RENDIMIENTO Ver proyecto
Todo el contenido que sigue a esta página fue subido por Mayank Mishra el 02 de noviembre de 2020.
El usuario ha solicitado la mejora del archivo descargado.
Revista de Monitoreo de Salud Estructural Civil
https://doi.org/10.1007/s133490180318z
PAPEL ORIGINAL
Algoritmo de optimización de hormiga león para la detección de daños estructurales utilizando
datos de vibración
Mayank Mishra1 ∙ Swarup Kumar Barman2 ∙ Damodar Maity1 ∙ Dipak Kumar Maiti2
Recibido: 17 de agosto de 2018 / Aceptado: 4 de diciembre de
2018 © SpringerVerlag GmbH Alemania, parte de Springer Nature 2018
Abstracto
La evaluación de daños estructurales es crucial para el monitoreo de la salud estructural para evaluar la seguridad y la vida útil residual de la
estructura. Para resolver el problema de detección de daños estructurales, se han utilizado varias técnicas de optimización. Sin embargo, no
logran identificar el daño y son propensos a converger a los óptimos locales para un ajuste inadecuado de los parámetros específicos del
algoritmo, que son específicos del problema. En este estudio, el optimizador de hormiga león propuesto recientemente, que es un algoritmo de
búsqueda basado en la población, imitó el comportamiento de caza de las hormigas león y se utilizó para evaluar el daño estructural. La
función objetivo para la detección de daños se basó en datos de vibración, como frecuencias naturales y formas modales. La efectividad de
la técnica propuesta se evaluó frente a varios problemas de referencia con diferentes configuraciones de daños. Los resultados indican que el
algoritmo propuesto requirió menos parámetros que otros algoritmos metaheurísticos para identificar la ubicación y el alcance del daño.
Palabras clave Evaluación de daños ∙ Optimización de hormiga león ∙ Reducción de rigidez ∙ Frecuencia natural ∙ Problema inverso
1. Introducción indicadores de daño apropiados. La evaluación del daño estructural
utilizando los datos obtenidos del análisis de vibraciones empleando
La predicción de la vida útil residual requiere el conocimiento de los diferentes algoritmos metaheurísticos ha adquirido una atención
daños actuales en la estructura causados por la degradación del considerable en las últimas décadas [2].
material por envejecimiento, fenómenos naturales y factores Se utilizan diferentes indicadores para detectar presas estructurales
incipientes como los defectos de construcción. Se dispone de edad, como frecuencias naturales o formas de modo [3–12],
métodos cualitativos (inspección visual) y cuantitativos para evaluar funciones de respuesta de frecuencia [13, 14], energía de deformación
los daños estructurales. Las técnicas cualitativas no pueden detectar modal [15–20], desplazamiento basado en la flexibilidad [21–23] y
daños en la estructura que son invisibles a simple vista. El daño curvatura modal [24]. En las pruebas no destructivas, se utilizó la
estructural reduce la rigidez estructural [1] y puede causar una falla metaheurística basada en Bayesian para estimar la degradación del
estructural si no se detecta. Por lo tanto, se requiere una metodología material y, por lo tanto, detectar el daño en las estructuras
global capaz de cuantificar daños en regiones inaccesibles en etapas patrimoniales [25–27]. Los algoritmos metaheurísticos se pueden
tempranas por medio de utilizar para resolver el problema inverso de detección de daños
estructurales a partir de los cambios en los parámetros de vibración antes menciona
* Mayank Mishra
Estas técnicas minimizan la función objetivo, que se defne como la
mayank_mishra@outlook.in diferencia en los datos de vibración obtenidos
Swarup Kumar Barman
de estructura dañada y del modelo actualizado. El algoritmo busca
swarup.jadavpur@gmail.com cada combinación probable del escenario de daño para determinar
Damodar Maity
la ubicación del miembro estructural y su daño de manera repetitiva
dmaity@civil.iitkgp.ac.in actualizando el modelo estructural y empleando metaheurísticas para
Dipak Kumar Maiti
determinar la matriz de rigidez correcta de la estructura dañada. Por
dkmaiti@aero.iitkgp.ac.in lo tanto, el proceso es un problema de optimización del rendimiento
objetivo que proporciona funciones objetivo no convexas y
1
Departamento de Ingeniería Civil, Instituto Indio de
multimodales [28, 29]. Sin embargo, para resolver este problema,
Tecnología, Kharagpur 721302, India
numerosas técnicas convencionales se ajustan a los mínimos
2
Departamento de Ingeniería Aeroespacial, Instituto Indio de
locales [30–32].
Tecnología, Kharagpur 721302, India
123
Vol.:(0123456789)
Revista de monitoreo de salud estructural civil
Por lo tanto, se requiere una técnica de optimización global función. El uso de redes neuronales para la detección de daños
basada en el enfoque metaheurístico para obtener óptimos globales. tiene limitaciones porque son específicas del sitio [68], son
Se utilizan varias técnicas de optimización para resolver los difíciles de entrenar y quedan atrapadas en mínimos locales. La
problemas de detección de daños estructurales, como la Tabla 1 informa la lista de diferentes parámetros utilizados en
optimización de colonias de hormigas (ACO) [33], la optimización otras técnicas de optimización a la del algoritmo ALO. Por lo
de enjambres de partículas (PSO) [14, 34–37], la optimización de tanto, todas las técnicas de optimización requieren varios
colonias de abejas artificiales (ABC) [10, 38 ], algoritmos parámetros para la optimización y un ajuste cuidadoso de los
genéticos (GA) [6, 28, 31, 39–43], redes neuronales (NN) [44, 45], parámetros para lograr los resultados deseados. Por lo tanto, se
búsqueda de armonía (HS) [46], recocido simulado (SA) [47], requiere un algoritmo con una dependencia mínima en la selección
diferencial algoritmo de evolución (DEA) [48], optimizador de de parámetros y operadores y una capacidad para detectar mínimos globales sin
apareamiento de aves (BMO) [49], búsqueda de sistemas En este estudio, se aplicó un algoritmo optimizador de hormiga
cargados (CSS) [50], optimización mejorada del intercambio león (ALO) recientemente desarrollado, propuesto por Mirjalili [69]
térmico (ETEO) [51], optimización de enjambres de partículas de para la detección de daños, y los resultados se compararon con
objetivos múltiples (MOPSO) [ 52] y variaciones/combinaciones los de la optimización de enjambre de partículas unificadas
[52–62] de las técnicas antes mencionadas. Además de la (UPSO). UPSO es una versión refinada de PSO [70] y fue
aplicación de enfoques metaheurísticos en el laboratorio [33, 63], propuesta por primera vez por Parsopoulos y Vrahatis [71]. UPSO
la literatura proporciona alguna aplicación de estas técnicas en se ha utilizado con éxito en la detección de daños estructurales
el sitio, por ejemplo, el uso de la flexibilidad modal para la [34, 72–76]. ALO ya se ha aplicado en el diseño óptimo de
detección de daños [23, 64], cambios en el rigidez del cable [65], estructuras de truss y marcos [77], asignaciones y dimensionamiento
método del índice de daño [66] y factor de daño por curvatura [67] óptimos de generaciones distribuidas renovables [78], problema
en puentes. Sin embargo, varios problemas requieren mejoras de síntesis de conjuntos de antenas [79] y parámetros de
adicionales, particularmente el ajuste fino de los parámetros modelado de celdas solares [80]. Muchas investigaciones han
específicos del algoritmo, la tasa de convergencia y el tiempo de informado un mejor rendimiento de ALO que las técnicas
cálculo de estos enfoques metaheurísticos. Por ejemplo, las tradicionales, a saber, GA y PSO para resolver varios problemas
limitaciones de ACO incluyen la convergencia a cierto mínimo de ingeniería [69]. Los datos obtenidos de estudios previos se
local, lo que requiere un ajuste cuidadoso de los parámetros del utilizaron para validar el modelo. Además, se analizó el trabajo
algoritmo y tiene un tiempo de cálculo elevado. Además, GA experimental sobre vigas en voladizo de ejemplos de referencia y
requiere la selección de una combinación apropiada de tasas de cruce otras
y mutación
estructuras
para opbtener
ara evaluar
el valor
la eóficiencia
ptimo para
del
eml oétodo
bjetivo.
propuesto.
Tabla 1 Parámetros utilizados en el optimizador de hormiga león y otras técnicas de optimización para la detección de daños estructurales
Algoritmo general Parámetros de control
GA [6, 28, 31, 39–43] Tamaño de la población, probabilidad de cruce y mutación, posición de cruce, longitud cromosómica, número de generaciones
ABC [10, 38] Tamaño de colonia (CS), número máximo de ciclos, parámetro límite (l)
OSP [14, 34–37] Peso inercial, número de partículas en el enjambre, coeficiente de aceleración c1 y coeficiente de escalamiento social c2, máximo
número de iteraciones
COA [33] Número total de hormigas, número total de iteraciones, tamaño del archivo de solución k, límite C, últimas soluciones r, evaporación de feromonas
tasa ξ
NN [44, 45] Número de neuronas de capa oculta, número de neuronas en la capa de entrada y salida, tasa de aprendizaje, tiempo de entrenamiento
SA [46] Tamaño de memoria de armonía, índice de consideración de armonía, índice de ajuste de tono y mínimo, ancho de banda mínimo y máximo,
número máximo de iteraciones
SA [47] Temperatura inicial, factor de enfriamiento, tasa de aceptación, número máximo de ejecuciones
DEA [48] Tamaño de la población (np), factor de mutación (mf), factor de cruce (cf), número máximo de iteraciones
BMO [49] Escala de sociedad, número de parejas interesantes para cada ave polígama o poliándrica, factor de control de mutaciones (mcf y mcfp), factor
de ponderación w, número de generaciones
CSS [50] Matriz de partículas cargadas (CP), constantes c1 y c2 para controlar la explotación y exploración del algoritmo, tamaños de memoria cargada
(CM), número máximo de iteraciones
ETE [51] El número de objetos n, variables de control c1 para aleatoriedad, c2 para explotación, Pro, memoria térmica (TM), num
número de iteraciones
MOPSO [52] Tamaño de la población, factor de inercia, coeficientes de aceleración, número de hipercubos, número de individuos en el repositorio, número de
generaciones
UPSO_Scout [61] Peso inercial, tamaño del enjambre, coeficiente de aceleración c1 y coeficiente de escalamiento social c2, factor de constricción X, máximo
número de iteraciones, límite de abandono
ALO (este estudio) Número total de hormigas y hormigas león, número total de iteraciones
123
El resto de este documento está organizado de la siguiente Aquí, NM denota el número de modos considerados. f y
manera: Secc. 2 establece el modelo matemático del enfoque de representan la frecuencia natural y las formas de modo
identificación de daños estructurales. La Sección 3 presenta una correspondientes y MAC denota criterios de garantía modal (MAC).
visión general del ALO. La Sección 4 analiza la capacidad de Los superíndices c y m representan la respuesta calculada y la
detección de daños de ALO examinada utilizando los datos respuesta real de la estructura dañada, respectivamente. El vector
experimentales de diferentes estructuras dañadas disponibles en la R̃ r epresenta el estado del daño estructural y se da como:
literatura. Finalmente, las conclusiones se proporcionan en la Secc. 5.
T , r [0,1] y está dada por (1
R̃ = [r1r2r3 …rn] (6) donde i ) para
la reducción de la rigidez del iésimo elemento.
2 Enfoque de identificación de daños estructurales
En el caso de la segunda función objetivo, se incorporaron los
criterios de garantía modal (MAC) junto con la frecuencia natural, ya
El modelo analítico formulado para la estructura se puede utilizar para que usar solo frecuencias puede generar diferentes configuraciones
calcular los parámetros modales resolviendo la ecuación de valores de daño para frecuencias similares. Entonces, siendo el parámetro
propios: de vibración más básico además de las frecuencias naturales, también
se incluyó la forma del modo. De esta forma, se puede capturar un
( [K] − i 2 [M] ) { i } = (1) escenario de daño único mientras se resuelve el problema inverso de
0, donde K, M, i y i son la matriz de rigidez global de la la identificación del daño. MAC [82] se ha convertido en una de las
estructura, la matriz de masa global, la iésima frecuencia natural y la herramientas más valiosas en la actualización de modelos de
forma modal correspondiente a la iésima frecuencia natural elementos finitos, ya que es un parámetro simple exitoso y
frecuencia, respectivamente. El daño en un elemento está de acuerdo ampliamente aceptado para comparar formas de modo de vibración
con la mecánica continua y está representado por una variable escalar [83, 84]. El índice MAC expresa la proximidad del modo actualizado a
i [0 1] [81] denominada variable indicadora de daño, donde 1 un modo medido a través de un solo valor numérico. Por lo tanto,
y 0 indican daño completo y sin daño. aunque puede ser una herramienta muy útil para la actualización de
La matriz de rigidez estructural global de la estructura dañada [Kd] modelos en el caso de estructuras simples, puede no dar buenos
se puede representar como la suma acumulativa de todas las matrices resultados en el caso de estructuras grandes y complicadas [85]. En
de elementos (nel) del sistema como: el presente estudio se utiliza MAC, ya que todas las estructuras
consideradas para la detección de daños son de naturaleza simple.
nel
El daño estructural es causado por variaciones en las propiedades
[K d] = ∑ (1 − i )[kei ], (2)
mecánicas, lo que varía las frecuencias de vibración y sus formas
yo=1
modales correspondientes. Además, en el modelo matemático, la
donde nel y kei son el número total de elementos finitos que denotan masa de la estructura se considera constante durante el daño. Las
la matriz de rigidez del iésimo elemento, respectivamente. funciones objetivo dadas por las Ecs. (3) y (4) se resuelven usando el
Dos funciones objetivo basadas en la frecuencia natural y algoritmo ALO. La matriz de daño R̃ s e actualiza hasta que la
En el estudio se utilizan formas modales. Son los siguientes: diferencia entre la respuesta calculada y la respuesta real ha llegado
por debajo de un valor de tolerancia especificado. Las frecuencias
1. Función objetivo basada en frecuencia natural naturales y las formas modales de estas estructuras dañadas y no
dañadas se calcularon utilizando un programa de elementos finitos
Nuevo Méjico
escrito en un entorno MAT LAB [86]. En el análisis hemos considerado
g(R̃) = ∑ (f im − f ci )2, (3) posible una reducción en todos los elementos de la estructura y, por
Nuevo Méjico
√√√√ 1 yo=1
tanto, el número de variables y elementos son iguales.
2. Objetivo basado en formas de modo y frecuencia natural
El enfoque metaheurístico evalúa la reducción de la rigidez del
función
elemento para el cual se optimiza la respuesta de la estructura dañada.
1 Nuevo Méjico Nuevo Méjico
g(R̃) = ∑ (f im f ci )2 + ∑ (1 MACii) (4)

Nuevo Méjico
√√√√ yo=1 yo=1
3 optimizador de hormiga león
El optimizador de hormiga león (ALO) introducido por Mirjalili [69] se
( icT mT
MAC II = yo )2 . (5) basa en el comportamiento de caza de las hormigas león. El
c ||2 || m ||2 ||
i i optimizador imita los mecanismos depredadores de las hormigas león para
123
búsqueda del óptimo global. El mecanismo depredador de las hormigas león 3.1 Inicialización
implica los siguientes pasos: primero, una hormiga león excava un arenero
en forma de embudo para atraer a las hormigas, como se muestra en la Fig. 1a. El algoritmo ALO modela dos poblaciones, a saber, hormigas y hormigas
La hormiga león luego se esconde debajo de este cajón de arena, como se león. Este enfoque es diferente de otros enfoques de optimización. Las
ilustra en la Fig. 1b, y espera que una hormiga entre en la trampa. Cuando la hormigas actúan como agentes de búsqueda en un espacio de búsqueda
hormiga entra en la trampa, la hormiga león comienza a arrojar arena, lo que finito, mientras que las hormigas león modelan las trampas ocultas en el
obliga a la hormiga a deslizarse hacia el arenero. Cuando la hormiga se espacio de búsqueda. La función objetivo de las hormigas león se correlaciona
desliza hacia el hoyo, la hormiga león la jala y la consume, como se muestra directamente con el tamaño de sus areneros, como se muestra en la Fig. 2.
en la Fig. 1c. La hormiga león luego abandona la hormiga sobrante y se Los areneros de mayor tamaño atraen más hormigas a la trampa.
prepara para la caza posterior. Todos los pasos antes mencionados se Las dos poblaciones se inicializan dentro de los límites de los límites inferior
modelan en un marco matemático para resolver problemas de optimización. y superior de cada variable de decisión, que representan una posición
Varios operadores se modelan dentro del marco matemático para particular. Para un problema con N variables de decisión (la dimensión de la
población), las posiciones de las hormigas y las hormigas león son las
equipar ALO con alta exploración y explotación y permitirle escapar de los variables de decisión. Las ubicaciones de estos
mínimos locales. La implementación matemática de este modelo se explica las variables de decisión se expresan como
a continuación.
Ubicación de Ant = [A1 , A2, …, Aj , …, AN], (7)
Fig. 1 a Hoyo de hormiga león en forma de embudo [69], b hormiga león escondida debajo del hoyo y c atrapamiento de hormiga
Fig. 2 Caminatas aleatorias de hormigas alrededor de una hormiga león seleccionada mediante la selección de la rueda de la ruleta y una hormiga león de élite en el késimo paso de iteración. El
radio de los círculos sólidos es el tamaño del arenero.
123
donde Aj es el valor de la jésima variable (dimensión) del Después de este paso, la hormiga león con el valor mínimo de la función objetivo
ubicación de la hormiga. se selecciona como una hormiga león de élite.
Ubicación de Antlion = [AL1 , AL2, …, ALj , …, ALN] (8)
3.2 Creando trampas
donde ALj es el valor de la jésima variable (dimensión) de la ubicación de la
hormiga león. La ubicación de la hormiga se refiere a la
Para modelar la capacidad de caza de una hormiga león, se emplea la selección
variables de decisión para una solución particular. La siguiente matriz MAnt se de la rueda de la ruleta para seleccionar una hormiga león para cada hormiga.
utiliza para guardar las posiciones de todas las hormigas: El mecanismo asegura que las hormigas león con areneros más grandes tengan
una mayor probabilidad de atraer hormigas, porque la selección de la rueda de
la ruleta se basa en los valores de la función objetivo. Por lo tanto, este método
de soluciones candidatas sesga el muestreo hacia soluciones de alta calidad.
3.3 Hormigas deslizándose hacia las hormigas león
Cuando la hormiga león se da cuenta de que la hormiga está en la trampa,
arroja arena lejos del centro del hoyo. Para modelar este comportamiento, el
(9)
radio de la caminata aleatoria de la hormiga en una hiperesfera se reduce
donde Ai,j representa el valor de la jésima variable de decisión
adaptativamente usando las siguientes ecuaciones:
de una iésima hormiga y m es el número total de hormigas y hormigas león.
La matriz MOAnt se usa para guardar la función objetivo de cada hormiga
ci (k)
calculada durante la optimización, y fobj es un objeto (k)
i = , (13)
función tiva. me adapto
di (k)
i (k) = , (14)
me adapto
(10)
donde i (k) y i (k) son vectores modificados que comprenden los límites
inferior y superior de la iésima variable de decisión, respectivamente. ci (k) y
di (k) son vectores que comprenden los límites inferior y superior de la iésima
variable de decisión, respectivamente. k es el índice de iteración actual. Iadapt
La siguiente matriz MAntlion, que es similar a MAnt, se utiliza para guardar los
es un factor adaptativo proporcional a w y la relación de k y el número máximo
escondites de las hormigas león:
de iteraciones M. Iadapt se puede dar de la siguiente manera:
w k
Me adapto = 10 , (15)
METRO
donde w es una constante basada en el índice de iteración actual k, con w = 2,
3, 4, 5 y 6 para k > 0,1, 0,5, 0,75, 0,9 M y 0,95 M, respectivamente. El valor de
Iadapt aumenta con un aumento en el número de iteraciones. Por lo tanto, los
valores de ci (k) y di (k) se reducen, asegurando la convergencia del algoritmo.
(11)
donde ALi,j indica el valor de la jésima variable de decisión de la iésima
hormiga león. MOAntlion es la matriz utilizada para guardar la función objetivo
de todas las hormigas león. Esta matriz se puede dar de la siguiente manera:
3.4 Atrapamiento en los pozos
Considerando que las caminatas aleatorias de las hormigas se ven afectadas
por las trampas, las siguientes ecuaciones modelan matemáticamente el
atrapamiento de hormigas en los fosos:
i m (k) = Hormigalionj (k) + i (k), (dieciséis)
metro

(k) = Hormiga leónj (k) + i (k), (17)
(12) yo
123
donde m (k) y m (k) son vectores que comprenden el mínimo y

i i RA(k) + RE(k)
el máximo de todas las variables de decisión para la mésima hormiga en Hormiga (k) = , (21)
i 2
la késima iteración, respectivamente. Antlionj (k) es la posición del jth
antlion seleccionado en la kth iteración. Este mecanismo de atrapamiento donde RA(k) y RE(k) representan la caminata aleatoria de la iésima
brinda oportunidades para que las hormigas se muevan alrededor de la hormiga alrededor de la hormiga león seleccionada y la élite, respectivamente.
hormiga león en pequeños incrementos, proporcionando así una mejor Además, la Fig. 2 ilustra que la función objetivo de las hormigas león es
diversidad. directamente proporcional al tamaño del hoyo. Los hoyos con tamaños
más grandes atraen más hormigas a las trampas. La hormiga león
3.5 Paseo aleatorio de hormigas elitista modela la región de solución atrayendo el espacio de búsqueda, y
esta región se desplaza continuamente porque la hormiga león elitista es
Cuando la hormiga cae en el foso, la población de hormigas en busca reemplazada si se observa la función objetivo mínima en la otra región.
de alimento se inicializa mediante un paseo aleatorio, que se describe a Esto ayuda con la explotación del espacio de búsqueda donde existen
continuación: regiones de solución más prometedoras. La caminata aleatoria también
asegura que también haya algo de aleatoriedad involucrada en la
1 2 norte
solución, ya que la primera mitad del término se obtiene mediante la
(2yj − 1), ∑ (2yj − 1), …, ∑
Xi (k) = [ 0,∑j=1 j=1 j=1
(2yj − 1) ] selección de la rueda de la ruleta.
(18)
donde Xi (k) es la matriz transformada de orden [1, N] que comprende 3.7 Captura de presas y reconstrucción de trampas
vectores de posiciones de paseo aleatorio. ∑ calcula la suma acumulada.
Si la hormiga tiene más pies que su hormiga león correspondiente,
yj representa la jésima fila del vector aleatorio [N, 1] de la siguiente
manera: entonces la hormiga león cambia su posición a la última posición de la
hormiga cazada para aumentar la probabilidad de atrapar presas en las
yj = , (19)
iteraciones posteriores mediante el uso de la siguiente ecuación:
0
ppara
{ 1 ara
rrand
and >
≤
00,5
,5
Antlionj (k) = Anti (k) si fobj(Anti (k)) < fobj(Antlionj (k)), (22)
donde k y rand son el paso de la caminata aleatoria y un número aleatorio
generado con distribución uniforme en el intervalo 0–1, respectivamente. donde Antlionj (k) y Anti (k) indican las posiciones de la jésima
Para la inicialización, se emplean recorridos aleatorios para todas las hormiga león seleccionada y la iésima ant en la késima
variables de control de las hormigas en función de la ecuación. 18. Para iteración, respectivamente. Los cinco pasos básicos antes
mantener las caminatas aleatorias en el espacio de búsqueda, se mencionados de este fenómeno biológico se modelaron
normalizan usando la siguiente ecuación de normalización minmax: matemáticamente para evaluar el daño estructural hasta alcanzar
el número máximo de iteraciones. El diagrama de flujo del
(Xi (k) − i (k))( i (k) − i (k)) algoritmo ALO, como se muestra en la Fig. 3, resume los pasos
Xi (k)|norma = + i (k), ( i (k) − i (k)) (20) seguidos para la detección de daños estructurales.
donde Xi (k)|norma es la posición normalizada del paseo aleatorio de la i
ésima variable de decisión en la késima iteración. i (k) y i (k) 4 ejemplos numéricos
son los vectores límite mínimo y máximo de la iésima variable de decisión
correspondiente a Xi (k) de los N valores posibles. La evaluación de la capacidad de detección de daños de la técnica de
optimización basada en enjambre (ALO) se presenta en esta sección.
Para el presente estudio se consideran vigas isotrópicas, armaduras
3.6 Elitismo planas, armaduras espaciales y pórticos de cortante. El rendimiento de
ALO se comparó con el de un algoritmo bien establecido, UPSO. Para
Este paso está diseñado para que la metaheurística ALO escape de los cada caso de daño, se realizaron 20 experimentos numéricos.
óptimos locales. En este paso, los parámetros de la hormiga ith se
consideran como el promedio de la hormiga león seleccionada mediante
el mecanismo de la rueda de la ruleta y de las hormigas león elitistas obtenidas.4.1 Viga en voladizo
hasta este paso. Por lo tanto, después de cada paso de iteración, la
posición de la hormiga ith se actualiza en función de la hormiga león En esta sección, se evalúa la capacidad del enfoque basado en ALO para
seleccionada usando la rueda de la ruleta y la hormiga león élite obtenida la detección de daños en vigas isotrópicas en voladizo a partir de
hasta el paso de iteración actual k, como se ilustra en la Fig. 2. La posición respuestas de vibración numéricas y experimentales. Los resultados
actualizada puede ser proporcionado usando la siguiente ecuación: obtenidos se comparan con los resultados obtenidos del enfoque basado
en UPSO. El tamaño del enjambre de UPSO, el
123
Comenzar
Inicialice la posición de hormigas y
hormigas león, y calcule la aptitud
Encuentra la mejor forma física entre las
hormigas iniciales y las hormigas león
Comience la iteración, encuentre hormigas león de
élite para cavar trampas para cazar hormigas
Seleccione una hormiga león para cada hormiga usando la rueda de la ruleta
Actualice la posición de las hormigas usando
la caminata aleatoria dentro del espacio de búsqueda
basado en la hormiga león de élite y la rueda de la ruleta
Calcular la aptitud de todas las hormigas
Reemplace la posición
Sí
f(Antk i) > f(Antlionk )? j correspondiente de la
hormiga león con la posición de las hormigas
No
No
Terminación ?
Sí
Salida: Posición de élite de la hormiga
Detener león que proporciona la ubicación
y el alcance del daño en la estructura
Fig. 3 Diagrama de flujo del optimizador de hormiga león utilizado para la detección de daños en estructuras
número de hormigas y hormigas león para ALO, fue 50. El número 4.1.1 Viga en voladizo: validación numérica
máximo de iteraciones fue 2000 tanto para UPSO como para ALO.
Además de los parámetros antes mencionados, se seleccionaron Una viga de acero descrita en Majumdar et al. [88] con escenarios de
otros parámetros para UPSO, a saber, parámetros cognitivos y daño único y múltiple se consideró para demostrar numéricamente la
sociales (c1, c2), ambos de 2,05, con un coeficiente de constricción eficiencia del algoritmo ALO.
( ) de 0,729 y una relación de vecindad de 1, respectivamente [87 ]. En la Fig. 4 se muestra un esquema de la viga en voladizo.
El módulo de Young y la densidad fueron 2 × 1011 N/m2 y 7800 kg/
m3 , respectivamente. Se consideraron tres casos de daño como se
presenta en la Tabla 2. Los primeros seis daños naturales
123
Fig. 4 Discretización por elementos
finitos de una viga en voladizo
Tabla 2 Varios casos de daño para viga en voladizo (validación numérica)
Tabla 3 Detalles de los casos de ruido
caso de ruido Descripción
Caso de daños Descripción
E1 N5 0,5 % de ruido en
10% de daño en el elemento 5
frecuencia natural y 5
E2 E1 + 15% de daño en el elemento 9 % de ruido en formas
E3 E2 + 10 % de daño en el elemento modales
11 y 20 % de daño en el N10 1 % de ruido en
elemento 15
frecuencia natural
y 10 % de ruido en
formas modales
En este estudio se consideraron frecuencias y formas modales
calculadas usando el análisis de elementos finitos. La función
objetivo con formas combinadas de frecuencia y modo (ecuación
es decir, los resultados obtenidos en el caso de ruido N5 no son peores que
(4)) se utilizaron como indicadores de daño. El valor de la función
los resultados obtenidos en el caso de ruido N10. Además, la
objetivo inferior a 1 × 10−5 se consideró equivalente a cero. El
variación en la desviación estándar de la función objetivo fue
algoritmo se evaluó tanto en entornos ruidosos como libres de
mejor para ALO que para UPSO. UPSO quedó atrapada en
ruido. En teoría, se añadía hasta un 1 % y un 10 % de ruido a las
mínimos locales en algunos de los experimentos realizados.
frecuencias y formas de modo. Se consideraron dos casos de ruido
como se muestra en la Tabla 3. Además, ALO exhibió un desempeño consistente en todos los
experimentos para todos los casos de daño en un ambiente ruidoso
Los resultados obtenidos para los casos de daño E1, E2 y E3
y libre de ruido, lo que indica una mejor media y desviación
se muestran en las Figs. 5, 6 y 7, respectivamente. En cada caso,
estándar para ALO. Una representación estadística de todos los
la media del valor de la función objetivo para todos los
experimentos se muestra en la Tabla 4 y se compara con los
experimentos se trazó frente al número de evaluaciones de
resultados proporcionados en la literatura por Majumdar et al. [88].
función en las Figs. 5a, 6a y 7a, respectivamente. De manera
similar, las desviaciones estándar de todos los experimentos se
representaron frente al número de evaluaciones de funciones en
4.1.2 Viga en voladizo (Yang et al. [89])
las Figs. 5b, 6b y 7b, respectivamente. En las figuras que muestran
la desviación estándar, la curva se trazó para 6000 evaluaciones
Una viga isotrópica en voladizo considerada por Yang et al. [89]
de funciones en lugar de todo el rango, porque después de 6000
evaluaciones de funciones, la desviación estándar se vuelve más se ha adoptado aquí para demostrar la eficacia del algoritmo ALO
en la detección de daños a partir de la respuesta de vibración
pequeña que la de la porción inicial. Además, dicha representación
ayuda a comprender el comportamiento de la curva de desviación experimental. La longitud, el ancho y el espesor de la viga en
voladizo fueron 49,53 cm, 2,54 cm y 6,35 mm, respectivamente,
estándar para la porción inicial crucial. Los escenarios de detección
como se muestra en la Fig. 8a. La viga estaba hecha de aluminio
de daños se presentan en las Figs. 5c, 6c, 7c utilizando un
y tenía un módulo de Young y una densidad de 7,1 × 107 kPa y
diagrama de barras para obtener los mejores resultados en cada
2210 kg/m3 , respectivamente. El daño fue inducido en la viga por
caso de daño. Estas cifras indican que UPSO y ALO pudieron
un corte de sierra como se muestra en la Fig. 8b. Las primeras
detectar daños únicos y múltiples en la viga de acero. Sin embargo,
seis frecuencias naturales del haz dañado y no dañado obtenidas
en la mayoría de los casos, el desempeño de ALO en minimizar la
por Yang et al. [89] se enumeran en la Tabla 5. Las primeras seis
función objetivo fue superior al de UPSO. En ambiente ruidoso (N5
frecuencias naturales se utilizaron como indicador de daño. Para
y N10) para todos los casos de daño, ALO se desempeñó mejor
este propósito se utilizó la función objetivo basada en la frecuencia
que UPSO en la minimización de la función objetivo. Se puede
natural (Ec. 3) . Se comparó el desempeño de ALO con el desempeño de UPSO.
observar que a veces los resultados pronosticados por UPSO en
La viga se modeló numéricamente utilizando 20 elementos de
el caso de ruido N5 son peores que los resultados pronosticados
viga de EulerBer noulli. Las primeras seis frecuencias naturales
en el caso de ruido N10. Sin embargo, en el caso de ALO no se ha
del haz no dañado se obtuvieron utilizando el análisis propio y se
observado tal inconsistencia en el resultado,
enumeran en la columna 2 de la Tabla 6. Una discrepancia entre las
123
Fig. 5 Escenario de detección 1E+0
de daños para el caso de daños E1: ALO
a curva de convergencia para la UPSO
1E1 ALON5
función objetivo, b la desviación
estándar del valor de la función
UPSON5
objetivo para todos los experimentos 1E2 ALON10
UPSON10
numéricos, y c resultados de
detección de daños
1E3
función
objetivo
medio
Valor
de
la
1E4
1E5
0 20 40 60 80 100
Número de evaluación de funciones (x 1000)
(a)
0.14
ALO
0.12 UPSO
ALON5
0.1 UPSON5
ALON10
0.08 UPSON10
función
valor
de
la
0.06
Desviación
estándar
objetivo
del
0.04
0.02
0
012345 6
(b)
0.12
Actual
0.1 ALO
UPSO
0.08 ALON5
Gravedad
daño
del
UPSON5
0.06 ALON10
UPSON10
0.04
0.02
0
1568 9 11 15 dieciséis 20
número de elemento
(C)
las frecuencias naturales experimentales y numéricas se pueden se calcularon directamente aplicando los cambios de frecuencia
observar evidentemente para el haz no dañado. La discrepancia experimentales en las frecuencias no dañadas obtenidas
puede deberse a los ruidos experimentales, las incertidumbres numéricamente y enumeradas en la columna 3 de la Tabla 6.
geométricas y del material y las condiciones de soporte Se utilizó el algoritmo de detección de daños basado en UPSO
inadecuadas. Por lo tanto, la actualización modal debe realizarse y ALO para predecir la cantidad y la ubicación del daño con las
en el haz no dañado para reducir las discrepancias en las frecuencias de estado dañadas deseadas. Las frecuencias
respuestas experimentales y numéricas. Por lo tanto, el modelo actualizadas del haz dañado obtenidas a través de ALO y UPSO
FE se actualizó de modo que los cambios de frecuencia de los se enumeran en las columnas 5 y 7, respectivamente. Los
estados dañados y no dañados coincidieran con los cambios en cambios de frecuencia obtenidos fueron cercanos a los
la frecuencia obtenida experimentalmente. Por lo tanto, las frecuencias deseadas en los dañados
123
de daños para el caso de daños E2: ALO
a curva de convergencia para la
UPSO
1E1 ALON5
función objetivo, b desviación
UPSON5
ALON10
objetivo para todos los experimentos 1E2
UPSON10
numéricos, y c resultado de detección de daños
1E3
función
objetivo
medio
Valor
de
la
1E4
1E5
0 20 40 60 80 100
(a)
0.14
ALO
0.12 UPSO
ALON5
0.1 UPSON5
ALON10
0.08
función
valor
de
la
UPSON10
0.06
Desviación
estándar
objetivo
del
0.04
0.02
0
0123456
(b)
0.18
Actual
0,16 ALO
0,14 UPSO
0,12 ALON5
UPSON5
Gravedad
daño
del
0.1
ALON10
0.08 UPSON10
0.06
0.04
0.02
0
15689 11 15 dieciséis 20
número de elemento
(C)
cambios de frecuencia obtenidos experimentalmente. Los 4.1.3 Viga en voladizo (Dahak et al. [90])
resultados de la detección de daños se presentan en la Fig. 9.
Por lo tanto, los resultados indican que los dos métodos actuales Dahak et al. [90] realizaron detecciones de grietas simples y
han detectado con éxito el daño real. Ambos métodos han dobles en la viga isotrópica en voladizo a partir de la frecuencia
detectado una cantidad comparativamente pequeña de daño obtenida a través de un análisis modal experimental. La longitud,
falso en los elementos 2 (8–9 %), 8 (7–9 %) y 12 (22–25 %). Este el ancho y el espesor de la viga eran de 60 cm, 2,6 cm y 7,6 mm,
daño puede deberse a los ruidos de medición presentes en las como se muestra en la Fig. 10. El material de la viga se caracterizó
frecuencias naturales experimentales. Sin embargo, tanto UPSO utilizando un módulo de Young y una densidad de 72 × 109 N/
como ALO detectaron la ubicación y la cantidad de daño con una precisión
a2ceptable.
m2 y 810 kg/m3 , respectivamente. Tabla 7
123
de daños para el caso de daños E3:
ALO
a curva de convergencia para la
UPSO
1E1 ALON5
función objetivo, b la desviación
UPSON5
1E2 ALON10
objetivo para todos los experimentos
UPSON10
numéricos, y c resultado de detección de daños
1E3
función
objetivo
medio
Valor
de
la
1E4
1E5
0 20 40 60 80 100
(a)
0.25
ALO
UPSO
0.2 ALON5
UPSON5
ALON10
función
valor
de
la
0.15
UPSON10
Desviación
estándar
objetivo
del
0.1
0.05
0
012345 6
(b)
0.25
Actual
0.2 ALO
Gravedad
daño
del
UPSO
0.15 ALON5
UPSON5
0.1 ALON10
UPSON10
0.05
0
1568 9 11 15 dieciséis 20
número de elemento
(C)
presenta la frecuencia del haz no dañado. La viga se discretizó en 25 situado a una distancia de 5,7 cm del extremo fijo, es decir, en el
elementos. Inicialmente, las discrepancias en la medición se redujeron elemento 3;
realizando una actualización del modelo en la viga no dañada. Se ii) dos grietas ubicadas a distancias de 5,7 cm y 33 cm de
consideró como variables para la actualización del modelo el módulo el extremo fijo, es decir, en los elementos 3 y 14, respectivamente.
de Young y la densidad de cada elemento. A continuación, se usaron Todas las grietas exhibieron una profundidad igual, que era la mitad
los valores actualizados del módulo de Young y de la densidad para del ancho de la viga. Las frecuencias medidas experimentalmente de
determinar los valores actualizados de las frecuencias naturales del los haces dañados fueron presentadas por Dahak et al. [90] y se
haz no dañado. Este modelo actualizado se utilizó para llevar a cabo muestran en la Tabla 7. La detección de daños se realizó para estos
la detección de daños. Se modelaron los siguientes dos casos de casos de daños mediante el uso de algoritmos ALO y UPSO basados
daños: i) fisura única en las primeras siete frecuencias naturales al minimizar la función
objetivo basada en la frecuencia natural (Ec. 3). El
123
Tabla 4 Detección de daños en 15% @9 10% @11 20% @15

Caso de daño 10% @5
viga en voladizo a partir de
frecuencias analíticas Estándar medio desarrollo Estándar medio desarrollo Estándar medio desarrollo Estándar medio desarrollo
Datos libres de ruido—ACO [88]
E1 10,00 5,5 × 10−6 NA NA 10,00 NA NA NA NA
E2 1,1 × 10−5 15,00 0,0000 NA NA NA NA
E3 10,00 1,1 × 10−5 15,00 4,5 × 10−5 10,00 2,3 × 10−5 20,00 0,00
Caso de ruido N5—ACO [88]
E1 9.14 5,5 × 10−5 NA NA NA NA NA NA
E2 9.73 7,3 × 10−4 15,20 2,9 × 10−4 NA NA 1,9 × 10−4 NA NA
E3 8.46 14,41 2,3 × 10−4 9.40 4,1 × 10−5 19,47 6,7 × 10−4
Caso de ruido N10—ACO [88]
E1 11,10 4,9 × 10−5 NA NA NA NA NA NA
E2 11,87 4,5 × 10−5 14,07 1,3 × 10−4 NA NA NA NA
E3 13,66 0,00 13,81 1,1 × 10−4 10,30 8,1 × 10−5 20,43 5,5 × 10−6
Datos libres de ruido—UPSO
E1 10,00 2 × 10−4 NA NA NA NA NA NA
E2 10,00 2,5 × 10−4 14,95 7,6 × 10−4 NA NA NA NA
E3 9.79 5,4 × 10−3 14,55 5,4 × 10−3 9.81 2,9 × 10−3 19,74 4,8 × 10−3
Caso de ruido N5—UPSO
E1 10,10 6,3 × 10−3 NA NA NA NA NA NA
E2 11,11 7,5 × 10−3 16,04 1,3 × 10−2 NA NA NA NA
E3 7.72 NA 11.19 ND 8.94 NA 17.87 NA
Caso de ruido N10—UPSO
E1 10,00 4,0 × 10−3 NA NA NA NA NA NA
E2 9.08 6,9 × 10−3 13,40 5,7 × 10−3 NA NA NA NA
E3 9.95 8,2 × 10−3 15,15 1,01 × 10−2 9,92 6,1 × 10−3 20,31 6,3 × 10−3
Datos libres de ruido—ALO
E1 9.96 3,5 × 10−4 NA NA NA NA NA NA
E2 9.92 2,7 × 10−3 14,44 2,6 × 10−3 NA NA NA NA
E3 8.82 6,8 × 10−3 12,71 9,5 × 10−3 9.05 7,7 × 10−3 18,75 5,9 × 10−3
Caso de ruido N5—ALO
E1 9.56 5,1 × 10−3 NA NA NA NA NA NA
E2 9.84 3,3 × 10−3 14,15 6,2 × 10−3 NA NA NA NA
E3 10,14 8,5 × 10−3 13,36 1,1 × 10−2 9.45 1,2 × 10−2 19,86 7,3 × 10−3
Caso de ruido N10—ALO
E1 10,85 1,2 × 10−2 NA NA NA NA NA NA
E2 9.69 7,8 × 10−3 14,61 6,8 × 10−3 NA NA NA NA
E3 9.87 1,1 × 10−2 13,92 1,5 × 10−2 9.86 1,0 × 10−2 19,95 6,8 × 10−3
El experimento de simulación con el valor más bajo de la función 4.2 Armadura plana
objetivo se consideró como el escenario de daño detectado.
Los resultados de la evaluación de daños se presentan en la Fig. 11. Para la segunda tipología del sistema estructural, se seleccionó una
Las cifras indican que tanto UPSO como ALO detectaron de manera armadura plana de nueve barras considerada por Kwon y Bang [91] .
muy evidente la ubicación de los daños en los elementos deseados. Todos los miembros de la armadura tenían un módulo de Young (E),
Aunque se detectaron algunos daños falsos en algunos otros densidad ( ) y área de sección transversal (A) de 200 GPa, 7850
elementos, fueron menos del 12%. Así, el daño real se distingue kg/m3 y 0,0025 m2, respectivamente. El daño se modela como una
considerablemente del falso. reducción de la rigidez axial en el miembro dañado en particular.
Se consideraron tres escenarios de daño para validar el
123
La Tabla 8 muestra las frecuencias para las armaduras no dañadas y
dañadas (para los tres casos) junto con los resultados obtenidos por
Kwon y Bang [91] para las armaduras no dañadas. La comparación
indicó que los valores de frecuencia calculados utilizando el código de
(a)
elementos finitos desarrollado coincidían estrechamente con los valores
informados por Kwon y Bang [91]. La función objetivo basada en formas
combinadas de frecuencia natural y modo (Ec. 4) se utiliza como indicador
de daño.
Los parámetros de control esenciales en el algoritmo ALO son el
número de hormigas y hormigas y el número máximo de iteraciones
requeridas para terminar el programa. El número de hormigas y hormigas
león varió de 10 a 50 para 100 iteraciones tanto para ALO como para
UPSO. Para UPSO, se seleccionaron parámetros cognitivos y sociales
(c1, c2) , similar a la Secc. 4.1, para ser 2.05. Además, el coeficiente de
constricción y la relación de vecindad para UPSO fueron 0,729 y 1,
respectivamente. Se realizaron 20 experimentos numéricos para cada
(b)
caso.
Fig. 8 Viga en voladizo de aluminio (Yang et al. [89]) La Tabla 9 presenta el estudio de convergencia realizado para los tres
casos de daño con diferentes tamaños de enjambre para resolver este
Tabla 5 Frecuencias experimentales de la viga en voladizo de aluminio (Hz) (Yang problema en particular. Los resultados indican que el escenario de daño
et al. [89]) pronosticado por ALO/UPSO varió con el número de hormigas y hormigas
león/tamaño del enjambre. Para un tamaño de enjambre de 50, con 100
Modo Estado intacto Estado dañado Relación de cambio (%)
iteraciones, todos los casos identificaron mínimos globales, mientras que
1 19.53 19.00 – 2.71
para tamaños de enjambre pequeños, la predicción de daños no fue precisa.
2 112.05 115.85 – 5.08 Los resultados indican que con un aumento en el número de iteraciones,
3 339.26 332.36 – 2.03
las hormigas quedaron atrapadas en el arenero creado por la hormiga
4 661.73 649.91 – 2.24
león óptima encontrada hasta ese punto, lo que garantizó la convergencia
5 1058.22 1037.46 – 4.40
del algoritmo. Incluso con diez hormigas y hormigas león, el algoritmo
6 1594.59 1591.36 – 0,77
predijo miembros dañados con una precisión satisfactoria. Por otro lado,
UPSO a veces no pudo predecir las ubicaciones correctas de los daños
cuando el tamaño del enjambre era diez. La figura 13 muestra la variación
efcacia del enfoque actual, y los resultados se compararon con los de la media de la función objetivo con el número de evaluaciones de función
UPSO. para el algoritmo ALO. Por lo tanto, se encontró que ALO se desempeñaba
La Figura 12 muestra la numeración de la armadura y los miembros mejor en comparación con UPSO incluso para tamaños de enjambre
de la armadura donde se simuló el daño. Para el daño de un solo pequeños.
elemento, se consideró una reducción de la rigidez del 50 % en el Para simular el experimento numérico de una manera más realista,
elemento 2, mientras que para el daño de dos elementos, se consideró se agregó un 1% y un 10% de ruido aleatorio en formas de frecuencia y
una reducción del 50 % y el 25 % en los elementos 2 y 9, respectivamente. modo, respectivamente (Hong y Youg [31] ).
Para el daño de cuatro elementos, se consideró una reducción del 30%, La Tabla 10 presenta los resultados calculados para los casos
25%, 20% y 20% en los elementos 2, 9, 6 y 7, respectivamente. mencionados. La consideración de más número de iteraciones.
Tabla 6 Frecuencias de la viga en voladizo (Hz) consideradas por Yang et al. [89] del modelo FE
Modo Estado inicial Reducción% Estado deseado UPSO ALO

(sin daños) (Cuadro 5) (dañado)
estado actualizado Relación de cambio (%) estado actualizado Relación de cambio (%)
1 23.70 – 2.71 23.06 23.07 – 2,66 23.08 – 2.62

2 148.53 – 5.08 140.98 140.95 – 5.10 140.96 – 5.10
3 415.88 – 2.03 407.44 406.98 – 2.14 407.09 – 2.11
4 814.99 – 2.24 796.73 795.74 – 2.36 795.45 – 2.39
5 1347.32 – 4.40 1288.04 1289.97 – 4.25 1290.04 – 4.25
6 2012,91 – 0,77 1997.41 1994.51 – 0,91 1994.45 – 0,92
123
0.5 considerablemente efciente para cuantificar los daños en los miembros
ALO
de la estructura del truss sin ningún ajuste de parámetros en comparación
0.4 UPSO
con UPSO.
0.3
Gravedad
daño
del
4.3 Marco de cortante
0.2
0.1 Se seleccionó un marco de cortante interconectado para el tercer
0 sistema estructural. El análisis de estructuras simples mediante el uso
12345678 9 10 11 12 13 14 18 19 20 de un modelo de barras de masa concentrada es rentable en comparación
número de elemento con un modelo de elementos finitos a escala real y puede proporcionar
información útil sobre la estructura que se va a analizar. La figura 14
Fig. 9 Comparación de los resultados de detección de daños entre ALO y muestra que el sistema tenía cuatro grados de libertad y se suponía que
UPSO para la viga considerada por Yang et al. [89] el diafragma del piso era rígido y podía moverse como una sola unidad
solo en un plano horizontal. Se observaron cuatro masas no estructurales
y todas las masas de piso se agruparon en sus respectivos niveles de
piso. Se supuso que el primer y segundo piso eran rígidos, mientras que
los pisos superiores de ambos marcos del edificio se supusieron flexibles.
En este estudio se consideraron dos escenarios de daños. Para el daño
de un solo elemento, se simuló un 15 % de daño en las columnas del
primer piso.
Para daño de elementos múltiples, reducción del 15% en la rigidez de un
Fig. 10 Viga considerada por Dahak et al. [90] nivel del suelo, que representa el primer grado de libertad, mientras que
reducción del 20% en el primer piso de un edificio izquierdo y daños del
10% en el segundo piso de un edificio derecho, que representa el cuarto
(número de evaluaciones de funciones objetivas) es esencial para la grado de libertad, fueron simulados.
evaluación de daños de elementos múltiples de estructuras con conjuntos Se supuso que los daños simulados eran los mismos para todas las
de datos ruidosos. columnas de cada piso. El número de parámetros de actualización fue
El tiempo de cómputo calculado considerando el tiempo promedio igual al número de elementos en un modelo FE, es decir, se consideraron
para diez cómputos se evaluó adicionalmente usando un procesador cuatro parámetros de actualización y grados de libertad en dirección
Intel(R) Core(TM) i57500 CPU 3.40 GHz con 64.00 GB de RAM. El horizontal. Las primeras seis frecuencias naturales fueron del análisis
tiempo promedio de computación fue de aproximadamente 0,9 s (10 modal para el modelo de barra. La identificación de daños se llevó a
hormigas/hormiga león), 2,9 s (25 hormigas/hormiga león) y 5,3 s (50 cabo minimizando la función objetivo basada en la frecuencia (Ec. 3).
hormigas/hormiga león) para el algoritmo ALO. De manera similar, para Para la detección de daños mediante ALO, se consideró que el número
el algoritmo UPSO, el tiempo de cálculo fue de 3,1 s (tamaño de enjambre de hormigas y hormigas león era 25, mientras que el número de
de 10), 5,5 s (tamaño de enjambre de 25) y 8,6 s (tamaño de enjambre iteraciones era 200. Los experimentos de simulación se repitieron 20
de 50). La precisión de la estimación del índice de daño aumentó con un veces y los resultados finales proporcionaron el rango de gravedad del
aumento en el número de agentes de búsqueda (número de hormigas y daño detectado para los escenarios de daño considerados. . La Tabla 11
hormigas león) e iteraciones con una compensación en el tiempo de presenta las ubicaciones de los daños y la gravedad de los daños para
cálculo, aumentando así el número de evaluaciones de función de todos los escenarios para obtener los resultados óptimos del algoritmo
función objetivo. ALO con y sin ruido. La tabla indica que los errores fueron insignificantes
Los resultados antes mencionados indican que el código ALO es y
Tabla 7 Frecuencias naturales Modo Haz intacto Viga dañada (ALO)

de vigas en voladizo dañadas
y no dañadas consideradas por experimentos [90] Numérico Actualizado Grieta única Doble grieta
Dahak et al. [90]
1 16.17 17.26 16.17 15.67 15.57
2 102.79 108.18 102.79 101.42 99.11
3 297.32 302.92 297.32 296.13 294.15
4 601.79 593.61 601.79 601.66 591.26
5 977.52 981.32 977.53 969.82 960.10
6 1443.10 1466.04 1443.12 1419.34 1407.14
7 1999.60 2047.91 1999.61 1971.11 1939.18
123
0.35 4.4 Armadura espacial
ALO
0.3
0.25 UPSO
Para el caso final, una armadura espacial de 25 barras considerada
todo
0.2 por Gao y Zhang [92] y Majumdar et al. [33], como se muestra en la
0.15 Fig. 15, fue seleccionado para evaluar la robustez del algoritmo ALO.
daños
se
0.1 Los resultados obtenidos de ALO se compararon con UPSO. De
0.05 acuerdo con las propiedades del material, el módulo elástico E, la
0 densidad y el área de la sección transversal de todos los miembros
1 2 3 4 5 9 10 12 13 14 16 17 23 24 25
fueron de 200 GPa, 7850 kg/m3 y 6,4165 mm2, respectivamente.
número de elemento
Las primeras seis frecuencias naturales y formas de modo se
(a)
consideraron para identificar el daño causado por la minimización de
0.4 la función objetivo combinada basada en formas de frecuencia y modo
ALO
0.35 (ecuación 4). La reducción de la rigidez axial se aplica para modelar
0.3 UPSO
los daños en la mayoría de los miembros sometidos a esfuerzos de la
0.25
armadura obtenidos mediante la aplicación de la fuerza unitaria en cada nodo.
0.2
Gravedad
daño
del
Se consideraron dos escenarios de daños, a saber, daños de uno o
0.15
varios elementos. Para el daño de un solo elemento, la rigidez del
0.1
0.05 miembro 7 se redujo en un 35 %. Para el daño de elementos
0 múltiples, la rigidez de los miembros 6, 7 y 9 se redujo al 10 %, 15 %
134 10 11 12 13 14 15 16 17 18 23 24 25
y 20 %, respectivamente. Se consideró que el número de hormigas y
número de elemento
hormigas león era 50 para el algoritmo ALO, y se seleccionó un
(b) tamaño de enjambre de 50 para UPSO. Otros parámetros algorítmicos
necesarios para UPSO se seleccionaron de forma similar a los
Fig. 11 Comparación de los resultados de detección de daños entre ALO y UPSO: a ejemplos anteriores. 20 Se realizaron experimentos numéricos en
detección de grietas simples yb detección de grietas dobles para la viga considerada por
cada caso de daño para ambos algoritmos.
Dahak et al. [90]
Además, los valores de la función objetivo inferiores a 10−5 se
consideraron cero. De 20 experimentos, se consideró que el
la diferencia entre los daños estimados y simulados fue muy pequeña. experimento con el valor mínimo de la función objetivo proporcionaba
Este caso validó que ALO puede emplearse fácil y exitosamente en el escenario de daño previsto.
edificios simples La Tabla 12 resume el desempeño de ALO y UPSO. Tanto UPSO
como ALO pudieron predecir el
Fig. 12 Una armadura de nueve barras con tres casos de daño
Tabla 8 Frecuencias (Hz) de modelo FE
Modo Estado inicial [91] Estado dañado Estado dañado Estado dañado
Modelos FE para truss de nueve barras
en buen estado en buen estado Caso 1 Caso 2 Caso 3
1 240.9 241.03 226.26 220.07 225.49
2 467.9 468.24 417.14 416.44 435.06
3 739.8 740.32 658.83 638.57 673.31
4 1243 1244.15 1220.27 1182.57 1167.73
5 1633 1634.49 1611.24 1608.32 1549.54
6 – 2103.50 2103.47 2103.35 1960.86
123
Tabla 9 Estudio de convergencia para tamaños de enjambre de ALO/UPSO para tres escenarios de daños en la armadura de nueve barras
Tamaño del enjambre iteraciones Ubicación real del daño UPSO predicho dañado ALO predicho dañado
10 100 2@50 2@48 + 9@10 2@40
25 100 2@50 2@50 2@50
50 100 2@50 2@50 2@50
10 100 2@50 + 9@25 2@50 + 4@12 + 8@10 + 9@22 2@50 + 9@20

25 100 2@50 + 9@25 2@50 + 9@25 2@50 + 9@20
50 100 2@50 + 9@25 2@50 + 9@25 2@50 + 9@25
10 100 2@30 + 6@20 + 7@20 + 9@25 2@30 + 6@19 + 7@20 + 9@24 2@32 + 6@18 + 7@21 + 9@11
25 100 2@30 + 6@20 + 7@20 + 9@25 2@30 + 6@20 + 7@20 + 9@25 2@30 + 6@18 + 7@19 + 9@23
50 100 2@30 + 6@20 + 7@20 + 9@25 2@30 + 6@20 + 7@20 + 9@25 2@30 + 6@20 + 7@20 + 9@25
1E+0 daños correctamente para ambos casos de daños. La curva de
Daño de un solo elemento
Daño de doble elemento convergencia promedio de los 20 experimentos se representa en la Fig. 16.
1E1
Daño de cuatro elementos Aunque las características de convergencia de UPSO fueron
1E2 superiores a las de ALO para el problema analizado, sin embargo, se
función
objetivo
medio
Valor
de
la
observó una compensación por el ajuste fino de los parámetros
1E3
requeridos para su funcionamiento. ALO identificó correctamente la
1E4 ubicación del daño y su gravedad sin depender de ningún parámetro
de ajuste. Además, se encontró que la tasa de éxito era mayor para
1E5
012345 ALO en caso de detección de daños de elementos múltiples en un
Número de evaluación de funciones (x 1000) entorno ruidoso. Por lo tanto, para el caso presente, un resultado más
consistente sin depender del parámetro algorítmico hace que el
Fig. 13 Curva de convergencia de la función objetivo para tres casos de daño en la algoritmo ALO sea superior al algoritmo UPSO.
armadura de nueve barras
Tabla 10 Detección de daño del algoritmo ALO con ruido para tres casos de daño en 5. Conclusiones
truss de 9 barras
ALO ALO ALO En este estudio se propone un algoritmo ALO para la detección de

Daño %
25 iteraciones 50 iteraciones 100 iteraciones daños en diferentes topologías estructurales. El código informático
basado en elementos finitos se desarrolla en el entorno MATLAB para
2@50 2@42 2@50 2@50
algoritmos inversos basados en ALO y UPSO. Las comparaciones
2@50 + 9@25 2@26 + 9@13 2@50 + 9@16 2@50 + 9@25
entre ALO y los algoritmos UPSO bien establecidos se demuestran
2@30 + 9@25 + 2@26 + 9@26 + 2@31 + 9@16 + 2@30 + 9@25 +
usando cuatro problemas estructurales (vigas en voladizo, armadura
6@20 + 6@13 + 6@18 + 6@20 +
plana, marco de corte y armadura espacial), considerando frecuencias
7@20 7@18 7@20 7@20
naturales y formas de modo como indicadores de daño. El algoritmo
ALO se probó mediante la prueba de laboratorio
Fig. 14 Dos pórticos de cortante
interconectados (h = 4 m y m =
4 toneladas)
123
Tabla 11 Soluciones óptimas para la detección de daños utilizando el algoritmo ALO datos y el modelo numérico con datos ruidosos. Los resultados
con y sin ruido para dos casos de daños en dos estructuras de cortante interconectadas indican que las soluciones obtenidas del enfoque ALO exhibieron
características de convergencia decentes y menos desviación
Daño % ALO (Posición de hormiga león elitista) estándar en los resultados, brindando resultados competitivos en
comparación con UPSO. Los resultados competitivos de ALO en la
Datos libres de ruido
detección de daños se atribuyen a la capacidad de exploración de
1@15 1@15
ALO a través de caminatas aleatorias y la selección de la rueda de la
1@15 + 2@20 + 4@10 1@(14.72–16.59) + 2@(19.21– 21.03)
+ 4@(9.83–11.68) ruleta, mientras que la explotación se debe al factor adaptativo
Con ruido (1%) Iadapt. Además, la estrategia de elitismo ayuda a ALO a preservar
1@15 1@14.99–16.95 las soluciones de buena calidad y dirigir las búsquedas futuras cerca de regiones pro
1@15 + 2@20 + 4@10 1@(14,48–16,26) + 2@(17,83– 20,38) En el caso de haces isotrópicos, ALO ha mostrado resultados
+ 4@(9,46–11,36) más consistentes que UPSO en términos de desviación media y
estándar del valor de la función objetivo, incluso en entornos ruidosos.
Fig. 15 Una armadura espacial de
25 barras (adoptada de Majumdat et
al. [33])
Tabla 12 Detección de daños de los UPSO Éxito ALO Éxito

% de caso de daños
algoritmos ALO y UPSO para truss
espacial de 25 barras 7@35 34.91–35.01 20/20 34,82–34,96 20/20
6@10 + 7@15 + 9@20 (9,62–10,09) + 20/20 (9,45–9,93) + 20/20

(14,74–14,97) + (14,46–14,81) +
(19,59–20,06) (19,67–20,05)
Con datos ruidosos
7@35 34.88–35.03 20/20 34,62–34,96 20/20
6@10 + 7@15 + 9@20 (9,74–10,07) + 16/20 (8,88–9,94) + 20/20

(14,66–14,91) + (13,79–14,73) +
(19,44–20,11) (19,71–19,88)
123
1E+1 versión básica del algoritmo, a saber, el factor adaptativo Iadapt y los
ALO
1E+0 UPSO pesos durante el paso de elitismo. Otras funciones objetivas basadas
ALO Ruido en vibraciones basadas en parámetros de vibración tales como formas
1E1
UPSO Ruido de modo, flexibilidad, curvatura de formas de modo, función de respuesta
1E2
función
objetivo
medio
Valor
de
la
de frecuencia (FRF) y datos de dominio de tiempo pueden explorarse en
1E3 estudios futuros de problemas de detección de daños. Además, se
1E4 puede incorporar trabajo experimental para validar el algoritmo en
condiciones reales de campo.
1E5
0123 4
Número de evaluaciones de funciones (x 1000) Agradecimientos Este trabajo de investigación fue apoyado financieramente por la
célula IIT Kharagpur de la ISRO (Organización de Investigación Espacial de la India).
(a) Caso de daño 1
Los autores agradecen a ISRO cell por su apoyo financiero para llevar a cabo el
1E+1 trabajo de investigación en los Departamentos de Ingeniería Aeroespacial y Civil,
ALO IIT, Kharagpur.
1E+0 UPSO
ALO Ruido
1E1
UPSO Ruido
función
objetivo
medio
Valor
de
la
1E2 Referencias
1E3
1. Salawu OS (1997) Detección de daños estructurales a través de cambios en la
1E4 frecuencia: una revisión. Eng Struct 19(9):718–723 2. Das
S, Saha P, Patro SK (2016) Técnicas de detección de daños basadas en vibraciones
1E5
0123 4 utilizadas para el control del estado de las estructuras: una revisión. J Civil
Struct Health Monit 6(3):477–507 3. Adams RD,
Número de evaluaciones de funciones (x 1000)
Cawley P, Pye CJ, Stone BJ (1978) Una técnica de vibración para evaluar de
(b) Caso de daño 2 forma no destructiva la integridad de las estructuras. J Mech Eng Sci 20(2):93–
100 4. Hassiotis S, Jeong GD
(1995) Identificación de reducciones de rigidez usando frecuencias naturales. J
Fig. 16 Curva de convergencia del valor de la función objetivo con el número de
Eng Mech 121(10):1106–1113 5. Messina A, Williams EJ, Contursi T
evaluaciones de la función para daño de uno o varios elementos con y sin ruido para
(1998) Detección de daños estructurales mediante un método de sensibilidad y
una armadura espacial de 25 barras
basado en estadísticas. JSound Vib 216(5):791–808
Además, el rendimiento de ALO es satisfactorio para la detección de 6. Maity D, Tripathy RR (2005) Evaluación de daños de estructuras a partir de
cambios en las frecuencias naturales utilizando algoritmos genéticos.
daños experimentales de haces isotrópicos. El análisis de sensibilidad
Struct Eng Mech 19(1):21–42 7.
del número de hormigas/hormigas león y el tamaño del enjambre para la Beena P, Ganguli R (2011) Detección de daños estructurales utilizando mapas
estructura plana revela el desempeño superior de ALO en comparación cognitivos difusos y aprendizaje hebbiano. Appl Soft Comput 11(1):1014–1020
con UPSO para un pequeño número de hormigas/hormigas león. Una 8. VakilBaghmisheh
MT, Peimani M, HomayounSadeghi M, Ettef agh MM (2008) Detección de grietas
vez más, ALO ha demostrado un rendimiento satisfactorio en la
en estructuras similares a vigas usando algoritmos genéticos. Appl Soft
detección de daños en el marco de corte en un entorno ruidoso y sin Comput 8(2):1150–1160 9. Kao CY, Chen XZ, Jan JC (2016)
ruido. En el caso del truss espacial, aunque la convergencia de UPSO Localización de daños en estructuras mediante mediciones incompletas. J Civil
es mucho más rápida que ALO para datos sin ruido, la tasa de éxito es Struct Health Monit 6(5):817–838 10. Ding ZH, Huang M, Lu ZR (2016)
Detección de
mayor para ALO en el caso de un entorno ruidoso. Por lo tanto, los
daños estructurales usando un algoritmo de colonia de abejas artificiales con
resultados consistentes, la presencia de una menor cantidad de estrategia de búsqueda híbrida.
parámetros algorítmicos (solo tamaño de hormiga/antión león) y una Swarm Evol Comput 28:1–13 11.
menor dependencia de los parámetros algorítmicos hacen que el Gharechahi A, Ketabdari MJ (2017) Un método novedoso para seleccionar puntos
de medición en la actualización de modelos estructurales y detección de
algoritmo ALO sea más confiable y favorable para una fácil
daños. J Civil Struct Health Monit 7(4):471–482 12. Ercolani
implementación en el campo de la detección de daños en estructuras.
GD, Felix DH, Ortega NF (2018) Detección de fisuras en estructuras de hormigón
El estudio actual modela el daño como la reducción de la rigidez pretensado mediante la medición de sus frecuencias naturales. J Civil Struct
elemental a través del factor de reducción de la rigidez. Para trabajos Health Monit 8(4):661–671 13. Lee U, Shin J (2002) Un
método de identificación de daños estructurales basado en funciones de respuesta
futuros, el daño en los soportes puede incluirse alterando los coeficientes
de frecuencia. Comput Struct 80(2):117–132 14. Mohan SC, Maiti DK, Maity D
de resorte en los límites. La función objetivo formulada en este documento (2013) Evaluación de daños estructurales usando FRF empleando optimización de
se puede ampliar aún más en función de los datos en el dominio del enjambre de partículas. Cómputo matemático aplicado 219(20):10387–10400
tiempo. Además, el optimizador ALO se aplica para problemas de
15. Li H, Yang H, Hu SLJ (2006) Método de descomposición de energía de tensión
pequeña escala en el estudio actual; su aplicación para estructuras a
modal para la localización de daños en estructuras de marcos 3D. J Eng Mech
gran escala se puede explorar en estudios posteriores. Para resolver 132 (9): 941–951
estructuras a gran escala, ALO podría mejorarse haciendo algunas 16. Seyedpoor SM (2012) Un método de dos etapas para la detección de daños
modifcaciones en el estructurales utilizando un índice basado en energía de deformación modal y
optimización de enjambre de partículas. Int J No lineal Mech 47(1):1–8
123
17. Grande E, Imbimbo MJ (2014) Un procedimiento de fusión de datos de múltiples 40. Laier JE, Morales JDV (2009) Algoritmo genético mejorado para la detección de
etapas para la detección de daños en sistemas lineales basado en la energía de daños estructurales. En: Yuan Y, Cui J, Mang HA (eds) Ingeniería estructural
deformación modal. J Civil Struct Health Monit 4(2):107–118 computacional. Springer, Dordrecht, pp 833–839 41. Silva M, Santos A,
18. Li Y, Wang S, Zhang M, Zheng C (2016) Un método mejorado de energía de tensión Figueiredo E, Santos R, Sales C, Costa JCWA (2016) Un nuevo enfoque no supervisado
modal para la detección de daños en estructuras de plataformas costa afuera. basado en un algoritmo genético para la detección de daños estructurales en
JMSA 15(2):182–192 puentes. Eng Appl Artif Intell 52:168–180
19. Pal J, Banerjee S (2015) Una combinación de energía de deformación modal y
optimización de enjambre de partículas para el monitoreo de la salud de las estructuras. 42. Meruane V, Heylen W (2011) Un algoritmo genético real híbrido para detectar daño
J Civil Struct Health Monit 5(4):353–363 20. Ashory estructural usando propiedades modales. Proceso de señal Mech Syst 25 (5):
MR, GhasemiGhalebahman A, Kokabi MJ (2017) Una detección de daños basada en 1559–1573
energía de tensión modal eficiente para placas compuestas laminadas. Adv 43. Wang FL, Chan THT, Thambiratnam DP (2013) Diagnóstico de daños para puentes
Compos Mater 27(2):147–162 21. Stutz LT, Castello DA, Rochinha FA de armadura de acero complejos utilizando un algoritmo genético multicapa. J
(2005) Un enfoque de identificación de daños continuos basado en la flexibilidad. J Civil Struct Health Monit 3(2):117–127 44. Tsou P, Shen MHH
Sound Vib 279(3):641–667 22. Li J, Wu B, Zeng QC, Lim CW (2010) Un enfoque (1994) Detección e identificación de daños estructurales mediante redes neuronales.
basado en una AIAA J 32(1):176–183 45. Neves AC, González I, Leander J (2017)
matriz de fexibilidad generalizada para la detección de daños estructurales. J Sound Vib Monitoreo de la salud estructural de puentes: un enfoque basado en ANN sin modelo
329(22):4583–4587 23. ZareHosseinzadeh A, Ghodrati AG, Seyed Razzaghi SA, para la detección de daños. J Civil Struct Health Monit 7(5):689–702 46. Miguel
Koo KY, Sung SH (2016) LFF, Miguel LFF, Kaminski J, Riera JD (2012) Detección de daños
Detección de daños estructurales mediante la instalación de sensores dispersos bajo vibraciones ambientales mediante el algoritmo de búsqueda Harmony. Expert Syst
mediante un procedimiento de optimización basado en la matriz de flexibilidad Appl 39(10):9704–9714 47. Kourehli SS, Bagheri A, Amiri GG, GhaforyAshtiany
modal. J Sound Vib 381:65–82 24. Chandrashekhar M, Ganguli R (2009) Detección M (2013)
de daños estructurales mediante curvatura modal y lógica
difusa. Control de estado de estructura 8(4):267–282 Detección de daños estructurales utilizando datos modales incompletos y respuesta
estática incompleta KSCE. J Civil Eng 17(1):216–223 48. Seyedpoor SM,
Montazer M (2015) Un método de identifcación de daños para estructuras de armadura
25. Banerji P, Chikermane S (2012) Evaluación de la condición de un puente de arco utilizando un índice de probabilidad de daños basado en la flexibilidad y un
her itage utilizando una nueva técnica de actualización de modelos. J Vigilancia algoritmo de evolución diferencial. Inverse Probl Sci Eng 24 (8): 1303–1322
de la salud de la estructura civil 2(1):1–16
26. Mishra M (2013) Enfoque bayesiano para la fusión de datos NDT para St. 49. Zhu JJ, Huang M, Lu ZR (2017) Optimizador de apareamiento de aves para la
Torcato. Tesis de maestría Universidad de Minho, Portugal 27. detección de daños estructurales mediante una función de objetivo híbrida.
Ramos LF, Miranda T, Mishra M, Fernandes FM, Manning E (2015) A Bayesian approach Cómputo de evolución del enjambre 35:41–52
for NDT data fusion: the Saint Torcato church case study. Eng Struct 84:120–129 50. Kaveh A, Zolghadr (2015) Un CSS mejorado para la detección de daños en
28. Na C, Kim SP, Kwak HG (2011) Evaluación de daños estructuras de armaduras mediante cambios en las frecuencias naturales y las
estructurales mediante algoritmo genético. J Sound Vib 330(12):2772–2783 29. Mares formas modales. Adv Eng Softw 80(2015):93–100 51. Kaveh A, Dadras A
C, Surace C (1996) Una aplicación de algoritmos genéticos para identificar (2018) Identificación de daños estructurales mediante un algoritmo de optimización de
daños en estructuras elásticas. J Sound Vib 195(2):195–215 30. Sinha JK, Friswell MI, intercambio térmico mejorado.
Edwards S (2002) Modelos simplificados para la ubicación de grietas en estructuras Ingeniería óptima 50(3):430–451
de vigas usando 52. Alkayem NF, Cao M, Zhang Y, Bayat M, Su Z (2018) Detección de daños
datos de vibración medidos. JSound Vib 251(1):13–38 estructurales mediante la actualización del modelo de elementos finitosc con
algoritmos evolutivos: una encuesta. Neural Comput Appl 30(2):389–411 53.
Sahoo B, Maity D
31. Hong H, Yong X (2002) Detección de daños en estructuras basada en vibraciones (2007) Evaluación de daños de estructuras usando un algoritmo neurogenético híbrido.
mediante algoritmo genético. J Comput Civil Eng 16 (3): 222–229 Appl Soft Comput 7(1):89–104 54. Begambre O, Laier JE (2009) Un algoritmo
simplex de
32. Lee J (2009) Identificación de grietas múltiples en una viga utilizando frecuencias optimización de enjambre de partículas híbridas (PSOS) para la identificación de daños
naturales. J Sound Vib 320(3):482–490 33. Majumdar A, Maiti estructurales. Software de ingeniería avanzadaw 40(9):883–891
DK, Maity D (2012) Evaluación de daños de estructuras de armazón a partir de cambios
en las frecuencias naturales mediante la optimización de colonias de hormigas. 55. Nobahari M, Seyedpoor SM (2011) Detección de daños estructurales utilizando un
Appl Math Comput 218(19):9759–9772 34. Nanda B, Maity D, Maiti DK (2014) índice basado en correlación eficiente y un algoritmo genético modifcado. Math
Evaluación de grietas en estructuras de marco utilizando datos modales y técnica de Comput Model 53(9):1798–1809 56. VakilBaghmisheh MT,
optimización de enjambre de partículas unificadas. Adv Struct Eng 17(5):747–766 Peimani M, Sadeghi MH, Ettefagh MM, Tabrizi AF (2012) Un método híbrido de
35. Kang F, Li JJ, Xu Q (2012) Detección de daños basada optimización de enjambrenelderhidromiel de partículas para la detección de
en la optimización mejorada del enjambre de partículas utilizando datos de vibración. grietas en vigas en voladizo. Appl Soft Comput 12(8):2217–2226 57. Villalba JD,
Appl Soft Comput 12(8):2329–2335 36. Wei Z, Liu J, Lu Z (2018) Detección de Laier JE (2012) Localización y
daños estructurales cuantificación de daños mediante un algoritmo genético multicromosómico. Software
mediante optimización mejorada de enjambre de partículas. Inverse Probl Sci Eng de inglés avanzadow 50:150–157
26(6):792–810 37. Li J, Zhang X, Xing J (2015) Colocación óptima del sensor para
un puente 58. Kang F, Li J, Xu Q (2009) Análisis inverso estructural mediante algoritmos híbridos
atirantado de gran envergadura usando un novedoso algoritmo de optimización de de colonias de abejas artificiales simples. Comput Struct 87(13):861–870 59.
enjambre de partículas. J Civil Struct Health Monit 5(5):677–685 38. Ding Z, Lu Sandesh S, Shankar
Z, Huang M, Liu J (2017) Algoritmo de colonia artificial de abejas K (2010) Aplicación de un híbrido de enjambre de partículas y algoritmo genético para la
mejorado para la identifcación de grietas en el haz usando solo frecuencias naturales detección de daños estructurales.
Inversa. Probl Sci Eng 25(2):218–238 39. Chou JH, Ghaboussi J (2001) Algoritmo Inverse Probl Sci Eng 18(7):997–1021 60. Zhu
genético en la detección de daños estructurales. Estructura de cálculo JJ, Li H, Liu JK (2015) Un enfoque de dos pasos para la localización y cuantificación de
79(14):1335–1353 daños estructurales usando datos de respuesta estática y dinámica. Estructura
avanzada Inglés 9: 1415–1426
123
61. Barman SK, Maiti DK, Maity D (2017) Una nueva técnica de optimización de enjambre de mejoramiento. En: Actas de la conferencia internacional ICTACEM 2017 sobre mecánica
partículas unificadas híbridas para la evaluación de daños a partir de cambios en las teórica, aplicada, computacional y experimental, 28–30 de diciembre de 2017, IIT Kharagpur
respuestas de vibración. En: Conferencia internacional sobre mecánica teórica, aplicada, 77. Talatahari S (2016) Diseño óptimo de estructuras esqueléticas
computacional y experimental, IIT Kharagpur, 28–30 de diciembre de 2017 utilizando el optimizador de hormiga león. Int J Optim Civil Eng 6(1):13–25 78. Ali ES, Abd Elazim
SM, Abdelaziz AY (2016) Algoritmo de optimización de hormiga león para
62. Das S, Saha P (2018) Técnicas de monitoreo de salud estructural implementadas en el problema generaciones distribuidas renovables. Energy 116(1):445–458 79. Subhashini KR, Satapathy JK
de referencia IASCASCE: una revisión. J Civil Struct Health Monit 8(4):689718 63. Zapico (2017) Desarrollo de un algoritmo mejorado de optimización de hormiga león y su aplicación
JL, González MP, Friswell MI, Taylor CA, Crewe AJ en la síntesis de
(2003) Actualización del modelo de elementos finitos de un puente a pequeña escala. J Sound Vib conjuntos de antenas. Appl Soft Comput 59:153–173 80. Kanimozhi G, Kumar H (2018) Modelado
268(5):993–1012 64. Catbas FN, Brown DL, Aktan AE (2006) Uso de la flexibilidad modal de células solares en diferentes condiciones por Ant Lion Optimizer con función LambertW.
para la detección de daños y evaluación
del estado: estudios de casos y demostraciones en estructuras grandes. J Struct Eng 132 (11):
1699–1712
Appl Soft Comput 71:141–151 81. Perera R,
Ruiz A (2008) Un procedimiento de actualización de FE multietapa para la identificación de daños
65. Nazarian E, Ansari F, Azari H (2016) Método de optimización recursiva para monitorear la en estructuras a gran escala basado en la optimización evolutiva multiobjetivo. Mech Syst
pérdida de tensión en cables de puentes atirantados. J Intell Mater Syst Struct 27(15):2091– Señal Proceso 22(4):970–991
2101 66. Talebinejad I, Fischer C, Ansari F (2011) Evaluación numérica de
métodos basados en vibraciones para la evaluación de daños de puentes atirantados. Comput 82. Allemang RJ, Brown DL (1982) Un coeficiente de correlación para el análisis de vectores
Aided Civ Inf Eng 26:239–251 67. Abdel Wahab MM, De Roeck G (1999) Detección de daños modales. En: IMAC, vol.I, pp 110–116 83. Mottershead JE, Friswell MI
en puentes usando curvaturas modales: aplicación a un escenario (1993) Actualización de modelos en dinámica estructural: una encuesta. J Sound Vib 167(2):347–
de daño real. J Sound Vib 226(2):217–235 68. Wu X, Ghaboussi J, Garrett JH (1992) Uso de redes 375 84. Friswell MI, Mottershead JE (1995) Actualización del modelo
neuronales en la detección de daños estructurales. Comput Struct 42(4):649–659 69. Mirjalili de elementos finitos en dinámica estructural. Editorial académica Kluwer, Dordrecht
S (2015) El optimizador de la hormiga león. Software
de ingeniería avanzada
85. Wang W, Mottershead JE, Mares C (2009) Reconocimiento de forma de modo y actualización
del modelo de elementos finitos usando el descriptor de momento Zernike. Mech Syst Signal
83:80–98 Process 23:2088–2112 86. MATLAB. Versión 7.10.0 (R2010a) (2010)
70. Kennedy J, Eberhart R (1995) Optimización de enjambre de partículas. En: Neural Networks, Natick. The Math Works Inc., Massachusetts 87. Parsopoulos KE, Vrahatis MN (2010) Optimización
1995 Proceedings of the IEEE International Conference on Neural Networks, vol 4, pp 1942– e inteligencia de enjambres de
1948 71. Parsopoulos KE, Vrahatis MN (2005) Optimización de enjambre de partículas: avances y aplicaciones. Referencia en ciencia de la información (IGI Global), Hershey
partículas unificado para resolver problemas de optimización de ingeniería con restricciones. Adv
Nat Comput ICNC 3612Z:582–591 72. Nanda B, Maity D, Maiti DK (2014) Método inverso
basado en parámetros modales para la evaluación de daños en juntas 88. Majumdar A, Nanda B, Maiti DK, Maity D (2014) Detección de daños estructurales basada en
estructurales mediante optimización de enjambre de partículas unificado. Aplicación de cálculo parámetros modales mediante la optimización continua de colonias de hormigas. Adv Civil
matemático 242:407–422 Eng 174185(14):14 89. Yang JCS, Tsai T, Pavlin V, Chen J, Tsai WH (1985)
Detección de daños estructurales mediante la técnica de identificación del sistema. Shock Vib Bull
3:57–66 90. Dahak M, Touat N, Benseddiq N (2017) Sobre la clasificación de frecuencias
73. Nanda B, Maity D, Maiti DK (2014) Evaluación de daños a partir de la forma del modo de naturales normalizadas
curvatura utilizando la optimización de enjambre de partículas unificadas. para la detección de daños en vigas en voladizo. J Sound Vib 402:70–84
Ingeniería mecánica estructural 52(2):307–322
74. Jebieshia TR, Maity D, Maiti DK (2015) Características de vibración y detección de daño de
estructuras compuestas con daño anisotrópico utilizando la técnica de optimización de 91. Kyon YW, Bang H (2000) El método de elementos finitos usando mat lab. CRC Press, Boca
enjambre de partículas unificadas. En: Procedimientos de la sociedad estadounidense de Ratón
compuestos, 13.ª conferencia técnica, Universidad Estatal de Michigan, East Lansing, MI, 92. Gao W, Zhang N (2000) Control óptimo de vibraciones aleatorias activas para estructuras
28–30 de septiembre, 1569–1589 75. Jebieshia TR, Maity D, Maiti DK (2015) Evaluación de inteligentes basado en la confiabilidad. Prensa del MIT, Massachusetts
daños de estructuras compuestas
utilizando la optimización de enjambre de partículas. Int J Aerosp Syst Eng 2(2):24–28 76. Jebieshia Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en
TR, Maity D, Maiti DK (2015) Detección de daños de proyectiles compuestos laminados los mapas publicados y las afiliaciones institucionales.
utilizando un enjambre de partículas
unificadas
123
Ver estadísticas de publicación

Mishra2018 Article AntLionOptimisationAlgorithmFo

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Mishra2018 Article AntLionOptimisationAlgorithmFo

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

g(R̃) = ∑ (f im ­ f ci )2 + ∑ (1 ­ MACii) (4)

√√√√ yo=1 yo=1

i m (k) = Hormigalionj (k) + i (k), (dieciséis)

donde m (k) y m (k) son vectores que comprenden el mínimo y

Tabla 4 Detección de daños en 15% @9 10% @11 20% @15

Modo Estado inicial Reducción% Estado deseado UPSO ALO

1 23.70 – 2.71 23.06 23.07 – 2,66 23.08 – 2.62

Tabla 7 Frecuencias naturales Modo Haz intacto Viga dañada (ALO)

1 240.9 241.03 226.26 220.07 225.49

2 467.9 468.24 417.14 416.44 435.06

3 739.8 740.32 658.83 638.57 673.31

4 1243 1244.15 1220.27 1182.57 1167.73

5 1633 1634.49 1611.24 1608.32 1549.54

6 – 2103.50 2103.47 2103.35 1960.86

Tamaño del enjambre iteraciones Ubicación real del daño UPSO predicho dañado ALO predicho dañado

10 100 2@50 2@48 + 9@10 2@40

25 100 2@50 2@50 2@50

50 100 2@50 2@50 2@50

10 100 2@50 + 9@25 2@50 + 4@12 + 8@10 + 9@22 2@50 + 9@20

ALO ALO ALO En este estudio se propone un algoritmo ALO para la detección de

Tabla 12 Detección de daños de los UPSO Éxito ALO Éxito

6@10 + 7@15 + 9@20 (9,62–10,09) + 20/20 (9,45–9,93) + 20/20

6@10 + 7@15 + 9@20 (9,74–10,07) + 16/20 (8,88–9,94) + 20/20

También podría gustarte

g(R̃) = ∑ (f im f ci )2 + ∑ (1 MACii) (4)