Вы находитесь на странице: 1из 9

ANÁLISIS DE CUALQUIER TIPO CONVENCIONAL DE

ESTRUCTURAS PARA EDIFICIOS CON NODOS


INDESPLAZABLES UTILIZANDO UN MODELO DE RED
NEURONAL ARTIFICIAL
Pinto Mindiola, Lácides García Cerezo, Alfonso

Resumen: Un modelo de red neuronal artificial es utilizado para calcular los momentos rotacionales extremos
y definitivos en una estructura para edificios de varios pisos con nodos indesplazables. Esto se logra con el
entrenamiento no- supervisado de la red. La estructura se formará, de manera que, todos los nodos rotarán
un ángulo y asumiendo que el efecto de las fuerzas axiales sobre las barras de la estructura es nulo. Los
momentos extremos finales Mik y Mki se determinan calculando las diferentes componentes M´ik y M´ki
separadamente, esto se logra utilizando un algoritmo auto – supervisado. Se elige un modelo de red neuronal
apropiado para la estructura proporcionando a la red los parámetros físicos- estructurales, para su
entrenamiento, a través de un algoritmo no- supervisado. El modelo es evaluado con el uso del método de
las aproximaciones sucesivas para el análisis estructural desarrollado por el Dr. Ing. G. Kani. En general, el
nuevo enfoque da mejores resultados comparado con los métodos tradicionalmente utilizados para el análisis
estructural. La comparación con el metodo de Kani muestra que el modelo ANN ejecuta mejor los resultados.

Palabras clave: Red Neuronal Artificial/ Modelo/Análisis Estructural/Algoritmo.

STRUCTURAL ANALYSIS OF ANY TYPE OF


CONVENTIONAL BUILDING FRAME WITH FIXED
JOINTS USING ARTIFICIAL NEURAL NETWORK MODEL
Abstract: An artificial neural network model is used to calculate the rotational end moment and fixed end
moment induced at the ends an artificial neural network model is used for the analysis of any type
conventional building frame of several level with fixed joints under the action of the given loading in terms
of the end moments for any member, the frame will deform so that any node i rotates through an angle τI. At
the same time, no lateral sway will be produced. The final end moments Mik and Mki are determined by
finding out the different components M`ik and M`ki separately it is achieved using a self-supervised
algorithm. Assuming the effect of axial lengths of the bars of the structure is not altered. Choosing an
appropriate neural network model and providing frame parameters to that network for training purpose are
addressed by using unsupervised algorithm. The model is evaluated by using the Kani`s method. In general,
the new approach gives better results compared to several commonly used methods of structural analysis. The
comparison with the Kanis’method shows that the ANN model performs best the results.

Keywords: Artificial Neural Network/Model/Structural Analysis/Algorithm.

I. INTRODUCCIÓN ingeniería la necesidad de desarrollar grandes y complejas


estructuras.
En las pasadas décadas de los años treinta y cincuenta, se
logró un gran avance en el entendimiento del análisis En mayo de 1930 se publicó un artículo titulado “Distribución
estructural de pórticos para edificios de varios pisos. En de Momentos en los Extremos Fijos de las Estructuras
la evolución de la ciencia de las estructuras, el mayor Continuas”, un método totalmente nuevo para el análisis de
trabajo realizado se ha dado en el análisis de las diferentes estructuras. Cross fue aclamado como un hombre que resolvió
clases de estructuras. La importancia de este tópico se uno de los problemas más espinosos en la ingeniería
origina en la tremenda influencia que ha tenido sobre la estructural. Su enfoque fue extremadamente práctico [1].

Manuscrito finalizado en Ciudad Guayana, Venezuela el 2007/05/17, recibido el 2007/06/19, en su forma final (aceptado) el 2007/07/15. El MSc. Lácides
Rafael Pinto Mindiola es Coordinador del Dpto. de Postgrado en la Universidad Nacional Experimental Politécnica “Antonio José de Sucre” (UNEXPO),
Vicerrectorado Puerto Ordaz, telf. 0286 8085512 correo electrónico lacidesrafael@yahoo.com. El Dr. Alfonso García Cerezo es catedrático de la Universidad
de Málaga Director del Departamento de Ingeniería de Sistemas y Automática, telf. (00) (34) 952132775, (00) (34) 670949495, correo electrónico
gcerezo@ctima.uma.es.

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


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

El enfoque de Kani (1930s) está basado en los métodos de las relativamente avanzado en el área de las matemáticas.
aproximaciones sucesivas y en la distribución de momentos
para expresar el efecto de las rotaciones y desplazamientos En la Fig. 1 se muestra un pórtico de tres niveles que permitirá
nodales. El método iterativo de análisis de estructuras ilustrar acerca de la capacidad del modelo de red neuronal
desarrollado por G. Kani, viene a ser extremadamente propuesto en este trabajo.
satisfactorio para el análisis de cualquier estructura
convencional para edificios de varios pisos bajo cualquier
condición de cargas dada. Kani propuso extender este método
a las estructuras con columnas continuas a través de varios
pisos con sólo ligeras modificaciones [Structural Engineering
Archive].

Los enfoques de Cross y Kani (1930s) basados en los métodos


de las “aproximaciones sucesivas” y la “distribución de
momentos”, descartan las complejas relaciones matemáticas y
por el contrario se apoyan en simplicidades aritméticas.

Es erróneo suponer que un método de aproximaciones


sucesivas sea un método aproximado. Esencialmente,
un método aproximado, es aquel que proporciona como
su nombre lo indica, valores aproximados, mientras que
los métodos de aproximaciones sucesivas arrojan
resultados con la precisión deseada por el calculista Fig. 1 Problema Estructural Propuesto
[2].

Del enfoque matricial, existe la creencia que en los comienzos Una red neuronal artificial es un dispositivo de procesamiento
de los 1930s, una persona que trabajaba en la industria de las de un algoritmo, o de un hardware efectivo, cuyo diseño fue
avionetas de Gran Bretaña o Alemania fue la primera que inspirado en el sistema biológico del cerebro de los humanos
formuló la matriz de rigidez o de flexibilidad. y sus componentes. Existe una variedad de modelos de redes
neuronales y procedimientos de aprendizaje. El aprendizaje
El enfoque del análisis estructural con la aplicación de de las redes neuronales incluye el ajuste de los pesos y
matrices tuvo las más grandes contribuciones de cuatro tendencias de las conexiones. El éxito de las aplicaciones de
protagonistas: Collar, Duncan, Argyris y Turner. Entre 1934 y las redes neuronales no- supervisadas en la solución de
1938 los dos primeros publicaron los primeros artículos con la cualquier problema, depende fundamentalmente del
representación y terminología para los sistemas matriciales entrenamiento de la red y de la eficiencia del algoritmo de
que son utilizados hoy. En el año 1930 Collar y Duncan aprendizaje. En este artículo utiliza un algoritmo, que está
formularon la aeroelasticidad discreta en forma matricial. Los asociado de tal manera al modelo de red que ambos
primeros dos artículos y el primer libro sobre el tópico constituyen un todo esencial para el éxito del proceso.
apareció en el mundo estructural entre 1934 y 1938. El
segundo avance que se realizó en el análisis estructural Este artículo evalúa un enfoque de las redes neuronales en el
matricial apareció en los años 1954 y 1955 cuando el profesor análisis de estructuras reticuladas de varios pisos utilizando un
Argyris sistematizó una unificación formal de los Métodos de algoritmo auto- supervisado que se apoya en los parámetros físicos
las Fuerzas y de los Desplazamientos utilizando los teoremas de la estructura propuesta. El objeto del estudio es calcular los
de energía dual. Este trabajo sistematizó el concepto de momentos rotacionales extremos y definitivos en una estructura
ensamblaje del sistema de ecuaciones estructurales a partir de reticulada de varios pisos con nodos indesplazables. Varias pruebas
sus componentes elementales [3]. fueron hechas, para diseñar la arquitectura conveniente del modelo
de red. El modelo fue entrenado con los factores de distribución
M. Turner propuso en el año 1959 el Método Directo de las de momentos seleccionados sobre las bases de las consideraciones
Rigideces para el Análisis Estructural, y logró los cambios teóricas del equilibrio estático de la estructura. El modelo de red
más dramáticos: un método bastante general y muy eficiente neuronal artificial, ofrece una flexibilidad extrema ya que permite
de la implementación computacional del entonces incipiente, la variación de los tipos de cargas, el desplazamiento horizontal de
Método de los Elementos Finitos [3]. los nodos, cambio de las secciones de los miembros y en
consecuencia, tolera igualmente las modificaciones de los
La teoría de la elasticidad es una teoría que ha estado momentos de inercia de las barras. Para ello, no es necesario
disponible para todos los diferentes enfoques requeridos del modificar el modelo, sino volver al entrenamiento de la red
análisis estructural, pero requiere de un conocimiento neuronal, previo ajuste de algunos parámetros del algoritmo.

142
Pinto, L., García A. Análisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables

El enfoque neuronal es tolerante a fallas, por ser correctivo, esto procesos industriales, clasificación de patrones, etc. La
permite calificarlo como un “método con eliminación automática alimentación hacia adelante, es una característica muy
de errores” a medida que la red aprende. La comprobación de los especial de las redes neuronales multi-capa, cuyas
resultados que se obtienen después de realizar los productos y conexiones alimentan exclusivamente las entradas desde
sumas de unos pocos valores puede hacerse con facilidad extrema las capas más bajas hasta las capas más altas. En otras
en cualquier elemento de procesamiento o nodo y en cualquier palabras, las conexiones de los pesos ponderados y de las
capa de neuronas, sin que para ello se requiera de los servicios de tendencias alimentan las actividades desde la capa de
expertos en ingeniería estructural. entrada hasta la capa de salida con sentido hacia delante. El
aprendizaje de las redes neuronales artificiales comprende
El artículo presenta la definición de redes neuronales, la el ajuste de los pesos y tendencias de las conexiones. El
arquitectura de la red, la fase de aprendizaje de la red, el éxito de una aplicación de entrenamiento auto- supervisado
entrenamiento de la red, la comparación con el método de de una red neuronal sobre cualquier problema, depende del
Kani y la evaluación del modelo entrenamiento adaptativo de la red neuronal con suficiente
rango de los datos y el rango de las condiciones.
II. DESARROLLO

1. Redes neuronales artificiales 2. Arquitectura de la red

Axioma Un modelo de red neuronal artificial es un sistema compuesto


“los nodos de una estructura reticulada son inteligentes. En de muchos procesadores simples, cada uno de ellos contiene
consecuencia, todo nodo es capaz de distribuir las influencias de las una memoria local. Los elementos de procesamiento están
cargas actuantes directamente sobre él, en forma automática, conectados por conexiones unidimensionales, “completamente
proporcionalmente a la rigidez de cada una de las barras que conectados”, “parcialmente conectados”, o “localmente
concurren en el mismo” conectados”, cuya función está determinada por la conexión
topológica y las fuerzas de conectividad. Cada capa tiene su
Una red neuronal artificial (ANN) es un sistema de propia matriz de los pesos W, su propio vector tendencia b, un
procesamiento de información que opera sobre unas vector de entrada neta n y un vector de salida a.
entradas para extraer información y produce salidas
correspondientes a la información extraída. Las redes La Fig. 2 muestra la red multi-capa alimentada hacia adelante,
también son conocidas como “modelos conexionistas”, incluyendo las capas ocultas. El vector de entrada x contiene
“modelos de procesamiento distribuidos en paralelo”, las entradas a las neuronas de la capa de entrada L1
“sistema neuromórfico”, cuyos diseños son análogos a las representando un conjunto de parámetros (x1, x2, x3)T. Las
neuronas biológicas, base de su inspiración. Las redes son salidas de las neuronas en esa capa no están normalizadas y
bien conocidas como enfoques de aplicaciones para la tampoco escaladas. La capa de salida L4 tiene dos neuronas
predicción, procesamiento de base de datos, control de con un vector de salida (a1, a2,)T.

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

143
Volumen 11, Nº 44, septiembre 2007 pp 141-149

Las salidas de los elementos de procesamiento (neuronas) de de umbral, en la cual un nivel de umbral es logrado. La entrada
una capa son transferidas a las neuronas en la siguiente capa neta y la salida de las j-ésima neurona es igualmente tratada
a través de las conexiones que amplifican o inhiben tales como en las ecuaciones (1) y (2).
salidas a través de los factores de ponderación. Con excepción
de los elementos de la capa de entrada, la entrada a cada uno 3. Fase de aprendizaje
de los elementos de procesamiento es la suma de la salida
ponderada del nodo correspondiente de la capa que precede y En la fase de aprendizaje de la red, se representa un vector x cuyas
su tendencia. Todos los elementos de procesamiento en una componentes son los factores de distribución de la capa de nodos
capa pueden variar, todos los elementos de procesamiento en de la entrada que se presenta a la red como vector de entrada. Los
una capa tienen la misma función de transferencia. pesos y tendencias del sistema son ajustados para minimizar el
error. Una vez que este ajuste ha sido conseguido, se somete la red
El modelo de red neuronal artificial lineal propuesto, tiene cuatro a otro proceso de iteración, y así sucesivamente. Finalmente, la red
capas de neuronas. Cada una de las capas se nombra así, la aprende. La salida actual at no será el valor deseado, si:
primera es la capa de entrada L1, que consta de tres neuronas,
una segunda capa L2 (capa oculta) que contiene tres, nodos (3)
(neuronas), una tercera capa L3 (capa oculta), que posee tres y el error,
elementos de procesamiento, y una cuarta capa llamada de salida
L4 que tiene dos unidades (neuronas). Cada elemento de (4)
procesamiento es activado en conformidad con su umbral y el
argumento de su función de transferencia (entrada neta). La salida de la i-ésima neurona de la L-ésima capa en la
k-ésima iteración, es:
Neural network object:
Arquitectura:
Numinputs: 1 (5)
Numlayers: 4
Bias Connect: [1; 1; 1; 1] La salida de la i-ésima neurona de la L-ésima capa en la
Input Connect: [1; 0; 0; 0] (r+1)-ésima iteración es:
Layer Connect: [4x4 Boolean]
Output Connect: [0 0 1 1]
Target Connect: [0 0 0 0] (6)

La Fig. 3 muestra una neurona que simula un elemento de Particularmente, está representada por una función lineal
procesamiento típico de la red neuronal artificial. La neurona
ejecuta el cálculo de una suma de productos, utilizando la entrada,
el escalar peso de conexión y el umbral de la neurona multiplicado (7)
por uno, limitada por la función de activación. La entrada neta y la
salida hasta y desde la i- ésima neurona de la L-ésima capa son: pero es la entrada xj a la i–ésima neurona y es
el peso, por lo tanto, ,y
en consecuencia,

(8)

siendo la variación de la salida en dos iteraciones


continuas y donde sirve como un valor de umbral.

Fig. 3 Un elemento de procesamiento ajustable


4. Conexión sináptica entre neuronas

(1) La conectividad del modelo de red neuronal permite que cada uno
de los procesadores de un nivel se comunique con su respectiva
(2) neurona del próximo nivel. En otras palabras, cada elemento de
procesamiento de una capa determinada está conectado a su
neurona correspondiente en la siguiente capa con peso excitatorio
Donde fi= función de activación (función de transferencia y una tendencia. Esto es, de topología “localmente conectado”,
lineal). Esta función de transferencia representa una función resultando para cada capa una matriz de los pesos diagonal.

144
Pinto, L., García A. Análisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables

Las conexiones sinápticas en el modelo ANN están reforzadas fijación ( y ) respectivamente en las
por medio de un entrenamiento auto- supervisado, esto es, juntas i y k bajo la acción de las cargas externas suponiendo
aprendizaje sin un supervisor del proceso. Durante el proceso que los extremos permanecen completamente fijos. El
de entrenamiento, a la red se le presenta un vector en la capa momento en el i-ésimo nodo debido a la rotación del nodo
de entrada. En el modelo de red neuronal, el algoritmo para el es llamado el momento rotacional en el i-ésimo
reforzamiento de la sinapsis está determinado haciendo uso extremo debido a la rotación (en radianes) del extremo i,
directo de los parámetros físicos del modelo estructural. El es en forma similar llamado el momento
algoritmo está esencialmente soportado con el criterio de la rotacional en el i–ésimo extremo debido a la rotación (en
obtención del mejor desempeño que otros enfoques del
análisis estructural. El reforzamiento de las conexiones radianes) del extremo k, además es el factor de
sinápticas es ejecutado desde las capas más superficiales hasta
las más profundas, siempre alimentadas hacia adelante. Por distribución para el miembro i-k donde es la rigidez del
ejemplo, el reforzamiento de la entrada sináptica de la L-
ésima capa es ejecutada después de completar el miembro i-k y la suma de las rigideces de todas las
reforzamiento de la (L-1)-ésima capa.
barras que acceden al i–ésimo nodo. Estos parámetros son
reprensados dimensionalmente en varios estudios previos. La
5. Algoritmo de la red Tabla I muestra un resumen de los parámetros dimensionales
frecuentemente utilizados, que generalmente, son usados en
Utilizando el procedimiento del algoritmo, la red calcula y las investigaciones de los problemas del análisis estructural.
en la red para el vector de entrada en cada iteración. Este Kani (1935) aplicó el concepto de “las aproximaciones
procedimiento se repite para todas las iteraciones durante el sucesivas” y a partir de este conocimiento, dedujo un grupo
entrenamiento, para todos y cada uno de los pesos ponderados de ecuaciones pragmáticas para dar solución a problemas
y las tendencias de esa iteración. Una vez que las correcciones estructurales de una alta hiperestaticidad, a partir del
a los pesos y tendencias son realizadas, las salidas son principio de superposición de efectos como se ilustra en la
nuevamente evaluadas del modo que lo requiere el modelo Fig. 4.
propuesto.

Las discrepancias entre las salidas actuales y los valores de Tabla I. Momentos extremos
las salidas esperadas resultan de la evaluación de los pesos y totales - variables relevantes
cambios en las tendencias. Después de complementar la
iteración durante el proceso de entrenamiento, un nuevo
conjunto de pesos ponderados y tendencias se obtiene y con
ellos otra vez, evaluadas nuevas salidas, como siempre con
alimentación hacia delante, hasta cuando se obtenga la
tolerancia de un error específico. El software para este artículo
fue escrito en el Toolbox para Redes Neuronales del Matlab y
aplicado en un PC convencional.

El algoritmo estudiado se puede enmarcar en cuatro descriptores:


1. Tipo de ecuación: cálculo algebraico simple, tales como
productos y sumas. 2. Conexión topológica: modelo de red
que se caracteriza por una topología localmente conectada con
matriz diagonal, para cada capa. 3. Esquema de
procesamiento: los nodos de la red se actualizan dependiendo
completamente de la iteración previa. 4. Modo de
transmisión sináptica: el modelo de cálculo general para la
red está en los valores neuronales multiplicados por los pesos
sinápticos y sumados a la tendencia.

6. Selección de los parámetros estructurales

Las variables más pertinentes en el análisis estructural son


y que son respectivamente, los momentos de
empotramiento perfecto en los nodos i, k y los momentos de Fig. 4 Superposición de efectos miembro i – k

145
Volumen 11, Nº 44, septiembre 2007 pp 141-149

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

TABLA II: Momentos rotacionales en los extremos – nodos indesplazables

146
Pinto, L., García A. Análisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables

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

8. Procedimiento numérico son encontrados sumando los empotramientos perfectos de todas


las barras que actúan en el i-ésimo nodo. Habiendo completado
El procedimiento explicado arriba, es mejor ilustrado estos cálculos preliminares, puede darse comienzo al
resolviendo la estructura mostrada en la Fig. 1, que está entrenamiento. La red fue inicializada con tres parámetros
cargada en forma bastante compleja. Las rigideces Kik de los (factores de distribución de las vigas) como vector de entrada y
diferentes miembros están indicadas sobre el diagrama. los momentos rotacionales debido a la rotación del extremo
como la salida de la primera capa.
Los factores de distribución para los momentos
rotacionales son calculados con la ayuda de la ecuación Los cálculos comienzan en la capa de entrada y continuaron
de capa en capa en secuencia hasta la salida. Todos estos
cálculos son ejecutados en fracciones de segundos. Después
de 6 o 7 iteraciones ejecutadas como se explicó arriba, se
notará que existen pequeños o ningún cambio en los valores
de dos iteraciones consecutivas de cálculos en los respectivos
Los factores de distribución de los nodos 1, 2 y 3 son las nodos. Los cálculos se detienen y los valores de la última
componentes del vector de entrada a la red. iteración se toman como los correctos. Los valores previos de
las salidas pueden ser observados posteriormente para
Los momentos de empotramiento perfecto para los diferentes comprender mejor el proceso de aprendizaje del modelo de
miembros cargados como se muestra en la Fig. 1, son calculados red propuesto. Para una mejor claridad del proceso de cálculo,
con el uso de las fórmulas estándares disponibles en cualquier estos valores finales han sido indicados separadamente en la
manual de la ingeniería estructural. Los valores Tabla IV.
TABLA IV: Momentos extremos finales en miembros – nodos indesplazables

147
Volumen 11, Nº 44, septiembre 2007 pp 141-149

9. Comparación con el método de Kani

Una comparación entre el modelo ANN presentado y el


método de Kani fue ejecutado sobre los mismos resultados
y
nodo por nodo. Una relación de discrepancia

fue utilizada para la comparación, donde CN es el momento


rotacional en el extremo o salida de la red y CK es el resultado respectivamente. El análisis de las fórmulas de los momentos
obtenido a través del método de Kani. El valor de la media rotacionales se muestra en la Tabla III. Análogamente, sucede
de la discrepancia y la desviación estándar σ son con los momentos extremos finales mostrados en la Tabla V.

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

Puede concluirse después de un análisis sencillo de las Tablas II y III que los resultados obtenidos a través de ambos enfoques
prácticamente coinciden.

10. Evaluación del modelo La comparación con el otro método muestra que el modelo
ANN cálcula los mismos valores prácticamente para los 15
Un grupo de 15 nodos fueron utilizados para la verificación nodos de la estructura. Se supone que el modelo ANN produce
del modelo. Los nodos fueron seleccionados de los cálculos de una significativa economía de cálculo para diferentes nodos.
un pórtico de 3 niveles. Los momentos rotacionales M´ik y M´ki
fueron calculados utilizando las formulas derivadas del
método de las aproximaciones sucesivas de G. Kani. Los III. CONCLUSIONES
momentos finales en los extremos Mik y Mki son determinados
encontrando las componentes M´ik y M´ki separadamente y 1. Las redes neuronales artificiales pueden ser utilizadas con
adicionando las dos momentos de empotramiento perfecto ventajas, para extender el modelo ANN a la solución de
y según el caso. problemas más complejos y además pueden ser utilizadas
en la solución de vigas continuas sobre soportes elásticos.
Comparando los resultados nodo a nodo por el método
iterativo de aproximaciones sucesivas del Dr. Ingeniero Kani, 2. El modelo de ANN tiene la preferencia sobre el método
los resultados obtenidos en el presente estudio son de Kani, por las siguientes razones:
consistentes. Al realizar los cálculos a través del momento 2.1 Los modelos ANNs son más rápidos por su paralelismo
rotacional cercano al extremo i, M´ik para cualquier miembro masivo, aún operando sobre los PCs convencionales.
i – k expresado en términos del momento de empotramiento 2.2 El modelo ANN es construido con el solo uso del
perfecto y del momento rotacional extremo Mki como modelo estructural. En otras palabras, la arquitectura
sigue: de la red es sencillamente determinable.
2.3 Muchos ingenieros pueden calcular los momentos
rotacionales M´ik y M´ki utilizando el ANN sin
conocimiento exhaustivo de la teoría del análisis
Donde es la suma algebraica de todos los estructural, con tal que ellos conozcan los parámetros
momentos de empotramiento que actúan en el i – ésimo nodo físico- estructurales que intervienen en la operación
y es el factor de distribución correspondiente al miembro del modelo ANN.
i – k dado por la expresión: 2.4 Es un método exacto, auto-correctivo de

148
Pinto, L., García A. Análisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables

aproximaciones sucesivas. V. APÉNDICE


2.5 Tiene rápida convergencia
2.6 Permite comprender claramente el fenómeno físico – Notación
estructural
2.7 El modelo de diseño neuronal es fácil de recordar = son los momentos de empotramiento perfecto
2.8 Se requiere de un reducido número de operaciones inducidos en los extremos de los miembros bajo la acción de
por capa de neuronas con el uso de muy poco tiempo las cargas externas, suponiendo que los extremos están
de computación. completamente fijos en posición y dirección;

= es la suma algebraica de todos los momentos


IV. REFERENCIAS de empotramientos perfecto que actúan en el i – ésimo nodo;

(1) Eaton, L. K. “Hardy Cross and the Moment Distribution τi , τk = rotación en el extremo i y k respectivamente;
Method” Revista Journal, Vol. 3 nª 3 (summer 2001), May
2007. http://nexus journal.com, consultado May 2007 = es un factor de distribución para el miembro i - k;

(2) Kani,G. Konrad Wittwer Verlag, 5th ed. English M´ik = es el momento rotacional en el extremo i debido a la
Translation published by F. Ungar & Co., New York 1956. rotación τi ;

(3) A Historical outline of Matrix Structural Analysis; A Play M´ki = es el momento rotacional en el extremo k debido a la
in –three Acts, C.A. Felippa. www.colarado.edu/Felipa.d/F rotación τk;
consultado April 2007.
Mik , Mk = son los momentos extremos totales ejercidos sobre
(4) Freeman, J.A and Skapura, D. M. Neural Networks los extremos i y k respectivamente;
Algorithms, Applications, and Programming Techniques,
Addison – Wesley Publishing Company, Inc. 1992, p55. fi = función de activación correspondiente a la i–ésima
neurona.
(5) Published by AFCA INTERNACIONAL, DARPA
NEURAL NETWORK STUDY, USA, book of congress ai = variable que representa la salida de i- ésima neurona
cataloging in Publication Data, 1988, p. 131 – 133.
L1, L2, L3, L4 = nombres de las capas de la red,
(6) Thadani, B. N. “An Iteration Method of Frame analysis”, respectivamente
Indian Concrete Journal, May 1956. p8 -10
Wij = pesos ponderados de las conexiones de la red entre la j–
(7) Thadani, B. N., “Analysis of Continuous Beams on Elastic ésima neurona de la L–ésima y la i–ésima neurona de la
up ports”, Civil Engineering & Public Works Review, (L+1)–ésima capa.
December 1958, January 1959. p 4 – 5.
bi= valor de tendencia de i–ésima neurona
(8) Thadani, B. N. Solution of Complex Multi – Storeyed
Structure A. M. I. Struct. E, June 1959. Revista p25. xj= variable que representa la salida de la j–ésima neurona

(9) Wikipedia, the free encyclopedia. www.wikipedia.com Subíndices


consultado April 2007. i, j, k = sub-índices enteros y positivos

149