You are on page 1of 11

VI Congreso Internacional de Ingeniera Estructural, Ssmica y Puentes

EMPLEO DE REDES NEURONALES EN EL DISEO DE ELEMENTOS DE


CONCRETO Y ACERO
Leonardo Flores Gonzlez
Profesor Asociado de la FIC UNI
Vctor Rojas Yupanqui
Profesor de la FIC UNI

RESUMEN- En la presente investigacin se expone el empleo de Redes Neuronales Artificiales


NNA- en el diseo de secciones de acero y en la prediccin del esfuerzo de corte ltimo de vigas
de gran peralte, el lenguaje de programacin empleado para el desarrollo de los algoritmos de
redes neuronales es MATLAB. El artculo comienza con una breve exposicin conceptual de las
redes neuronales, luego se comprueba la calidad de los algoritmos de redes neuronales de
MATLAB mediante el entrenamiento de una red de retropropagacin con un test de desempeo
Benchmark-; finalmente se expone la solucin de dos ejemplos relativos a la ingeniera civil
mediante red de retropropagacin BP-.
Palabras Clave- Redes Neuronales, retropropagacin, Benchmark.
ABSTRACT- In this research is exposed the use of Artificial Neural Networks NNA- in the
design of steel sections and in the prediction of ultimate shear strength of reinforced concrete deep
beams, the programming language used for developing the neural network algorithms is
MATLAB. The article begins with a brief conceptual exposure of neural networks, then the
quality of the neural network algorithms is verified by MATLAB training a backpropagation
network with test performance - Benchmark-; finally the solution of two examples related to civil
engineering are exposed through backpropagation network BP-.
Keywords-Neural Networks, backpropagation, Benchmark.

1. INTRODUCCIN
Las Redes Neuronales Artificiales se componen de neuronas artificiales interconectadas y
procesan informacin en forma paralela y a veces en serie para formar una red neuronal artificial,
para el desarrollo operativo del presente trabajo se emplearn NNA con el llamado Neural
Network Toolbox de MATLAB.
Para comenzar el desarrollo del mismo adoptaremos la definicin:
Una red neuronal artificial es un procesador distribuido en paralelo de forma masiva que tiene
una tendencia natural para almacenar conocimiento de forma experimental y lo hace disponible
para su uso.
Los modelos de redes neuronales son conexionistas, las conexiones sirven para transmitir las
salidas de unos nodos a las entradas de otros. El funcionamiento de un nodo es similar al de las
neuronas biolgicas presentes en el cerebro. De igual forma se dice que las redes neuronales tiene
la capacidad de aprender mediante el ajuste de las conexiones de los nodos, estas conexiones
tienen un valor numrico asociado denominado peso.

VI Congreso Internacional de Ingeniera Estructural,


Ssmica y Puentes

VI Congreso Internacional de Ingeniera Estructural, Ssmica y Puentes

Figura 1. Descripcin de una red de neuronas Biolgicas

2. FUNDAMENTO TERICO
El modelo matemtico de una neurona se explica en [3], en l se expone de manera lgica una
propiedad fundamental de un ser humano, que cuando ste realiza una actividad no todas las
neuronas tienen el mismo estado de alerta si no que priorizan la alerta de acuerdo a las actividades
que realizan, esto se evidencia con los pesos los que ponderan las informaciones que ingresan
por las dendritas . El procesamiento de la informacin + es a travs de la funcin de
transferencia vectorial : , tal que las salidas de la ( + ); las funcin vectorial
de transferencia se desarrolla a travs de funciones : , descritas en [3] como Hardlim,
Hardlims, Poslin, Purelin, Satlin, Satlins, Logsig, Tansig y Compet. Como se indica en la primera
parte del trabajo la arquitectura de una red backpropagation consta de tres capas (entrada, oculta,
salida), la capa oculta puede estar constituida por varias capas en serie, este proceso puede ser
simplificado de la siguiente manera:

1 = 1 ( 1 + 1 ) 2 = 2 ( 2 1 + 2 ) = ( 1 + )

Figura 2. Neurona Artificial [3]

VI Congreso Internacional de Ingeniera Estructural,


Ssmica y Puentes

VI Congreso Internacional de Ingeniera Estructural, Ssmica y Puentes

Principalmente las redes neuronales se clasifican en supervisadas y no supervisadas, el presente


trabajo emplea una red supervisada backpropagation, donde se conocen los valores esperados por
la red o Target, producido por una secuencia de datos de entrada. El aprendizaje de la red consiste
en hacer mnimo el error de la media cuadrtica entre los valores esperados y los producidos por
la red, las variables que minimizan dicha funcin son los pesos y ganancias de la red. La secuencia
de empleo de la red backpropagation con MATLAB se explica en [3], principalmente se emplea
el comando newff para crear la red, los parmetros de entrada de este comando son los rangos, el
nmero de neuronas de cada capa, las funciones de transferencia, funciones de aprendizaje y
desempeo o tolerancia de la red.
El fundamento matemtico generalmente est referido en la literatura como el lgebra para
minimizar la funcin de error cuadrtico, sin embargo los autores consideran que es ms
importante repasar las luces de esta teora, sobre todo la de backpropagation, es por esto que a
continuacin indicamos el Teorema de Aproximacin, que es el sucesor del Teorema de
Kolmogorov en lo referido a redes neuronales.
Teorema de Aproximacin Sea una funcin continua, montonamente creciente y acotada
en el hipercubo
Entonces,

0,1 . Sea C I : I
p

, , el espacio de funciones continuas en el hipercubo.

f C ( I p ) y 0

existe

M,N,

un

conjunto

de

constantes

( i , i , wij i, j N ) con ( i , i wi j R i , j N con i=1,.,m. j=1,,p tal que:

F(x1 ,, x p ) f x 1 ,, x p (x1 ,, x p ) I p

M
p

f(x1 , x p ) i w ij x j i
i 1
j1

Lo importante del teorema anterior es que se reproduce la formulacin del perceptrn para
representar cualquier funcin continua. A continuacin se presenta un diagrama de flujo del
proceso de solucin con redes neuronales artificiales.

Figura 3. Diagrama de Flujo del proceso de solucin

VI Congreso Internacional de Ingeniera Estructural,


Ssmica y Puentes

VI Congreso Internacional de Ingeniera Estructural, Ssmica y Puentes

3. APLICACIONES
En el presente artculo se presentan los siguientes ejemplos:
Con data Benchmark, verificar la predictibilidad del programa MATLAB.
Predecir el ltimo esfuerzo de corte en vigas de gran peralte de concreto armado, para este
ejemplo la base de datos se obtiene de [5]
Encontrar el momento nominal de una viga de acero sin emplear tablas del AISC, este ejemplo
produce un clculo engorroso, que se propone superar con redes neuronales backpropagation,
la data de entrenamiento es la base de datos del AISC.

PRUEBA DE DESEMPEO DE UN PROGRAMA DE REDES NEURONALES

En el presente ejemplo se comprueba la calidad del algoritmo de retropropagacin de MATLAB


con ayuda de una base de datos extrada de [5].
El algoritmo es elaborado tomando en cuenta la siguiente secuencia de pasos: Preparacin de la
matriz de datos de entrada a la red; normalizacin y depuracin de datos; preparacin de datos
para el entrenamiento validacin y test; creacin de la red; entrenamiento de NNA; simulacin de
NNA; conversin de la respuesta de simulacin a los valores originales; comparacin del valor
entregado por la red y el valor esperado.
Las correlaciones obtenidas por el programa se muestran en la Figura 4.

Figura 4. Correlaciones del programa en cada etapa de entrenamiento

VI Congreso Internacional de Ingeniera Estructural,


Ssmica y Puentes

VI Congreso Internacional de Ingeniera Estructural, Ssmica y Puentes

En este ejemplo se probaron diferentes arquitecturas de la red, las que se muestran en la tabla 1.

Tabla 1. Arquitecturas y correlacin encontrada

Otra interpretacin de la correlacin de los resultados de la simulacin para la Red corre01 se


muestra en la siguiente figura.
29
24
Prediccin

19

Targets

14
9
4
-1

200

400

600

800

1000

1200

1400

Figura 5. Resultados esperados versus resultados predichos

Los resultados encontrados tienen un nivel de correlacin alto.

PREDICCIN DEL ESFUERZO DE CORTE LTIMO DE VIGAS DE CONCRETO ARMADO


DE GRAN PERALTE

A continuacin se presenta de manera esquemtica el comportamiento de vigas de concreto


armado de gran peralte.

Figura 6. Comportamiento de una viga de gran peralte

VI Congreso Internacional de Ingeniera Estructural,


Ssmica y Puentes

VI Congreso Internacional de Ingeniera Estructural, Ssmica y Puentes

Figura 7. Parmetros empleados en viga de gran peralte

Los parmetros empleados son:


(b) Ancho de la viga.
(a) Longitud libre de la viga (distancia entre apoyo y carga).
(a/h) Razn de Longitud entre altura de la viga.
(fc) Resistencia de compresin axial del concreto.
(fyh) Esfuerzo de fluencia del acero horizontal de una viga.
(fyv) Esfuerzo de fluencia del acero vertical de una viga.

Los resultados se seleccionan con los mismos pasos del ejemplo anterior. Como el objetivo de
este ejemplo es predecir la resistencia al corte de vigas de gran altura, los resultados de las vigas
de gran altura fallidos bajo esfuerzo de corte se mantienen; para el entrenamiento de la red, la
base de datos y las ideas para su programacin siguen la secuencia de propuesta en [5], la base de
154 datos es recopilada de la referencia bibliogrfica antes mencionada. El error medio cuadrtico
decrece a medida que el nmero de iteraciones aumenta.

Figura 8. Error medio cuadrtico

VI Congreso Internacional de Ingeniera Estructural,


Ssmica y Puentes

VI Congreso Internacional de Ingeniera Estructural, Ssmica y Puentes

La red ha sido entrenada con 3 capas de neuronas: 5 neuronas en la capa de entrada, 5 neuronas
en la capa intermedia y 1 neurona en la capa de salida. Se usaron las funciones de transferencia
'logsig' para las capas de entrada e intermedia y 'purelin' para la capa de salida. Para el
entrenamiento se us la funcin 'trainb' y para el aprendizaje la funcin 'learngdm'. El error se
mide con el mnimo cuadrtico de la muestra: 'sse'.

Figura 9. Resultados Predichos versus Esperados

Con la red se logra un 95.27% de correlacin alta- con los pesos mostrados a continuacin, los
mismos que se pueden emplear en predicciones futuras.

net.IW{1,1}
0.1230 -0.8033 -0.7543 -0.7803 0.1432 0.7264 1.6298
-0.7905 1.0939 0.9263 0.0636 -0.9632 1.0756 -3.0216
-1.0867 -0.4344 1.2811 0.7007 -0.0256 -0.0150 -1.4877
1.4239 2.3039 -0.2535 0.9882 2.6217 0.2388 -2.8096
0.4072 1.5746 0.2592 0.6603 0.3501 -0.8978 -2.6387

VI Congreso Internacional de Ingeniera Estructural,


Ssmica y Puentes

VI Congreso Internacional de Ingeniera Estructural, Ssmica y Puentes

Esperados

1
2
3
4
5
20
21
22
23
24
56
57
58
59
60
64
65
66
67
68
73
74
75
76
77
80
81
82
83
84
132
133
134
135
136
150
151
152
153
154

Ref.

Beam

De-Paiva
De-Paiva
De-Paiva
De-Paiva
De-Paiva
Kong(1970)
Kong(1970)
Kong(1970)
Kong(1970)
Kong(1970)
Manueletal
Manueletal
Manueletal
Manueletal
Manueletal
Ram
Ram
Ram
Ram
Ram
Rogowsky
Rogowsky
Rogowsky
Rogowsky
Rogowsky
Smith&Vantsiotis
Smith&Vantsiotis
Smith&Vantsiotis
Smith&Vantsiotis
Smith&Vantsiotis
Subedietal
Subedietal
Subedietal
Subedietal
Subedietal
Tan&Lu
Tan&Lu
Tan&Lu
Tan&Lu
Tan&Lu

G23S-11
G23S-21
G24S-11
G24S-21
G33S-11
1-30.
1-25.
1-20.
1-15.
1-10.
Beam5
Beam6
Beam7
Beam8
Beam9
A1
B1
B2
B3
B4
BM1-1
BM2-1
BM1A-1
BM1-15
BM2-15
0A0-44
0A0-48
1A1-10
1A3-11
1A4-12
1A1
1A2
1B1
1B2
1C1
1-500-050
1-500-075
1-500-1
2-1000-050
2-1000-075

a*

f'c

fyv

fyh

mm
50.8
50.8
50.8
50.8
76.2
76.2
76.2
76.2
76.2
76.2
101.6
101.6
101.6
101.6
101.6
76.2
76.2
76.2
78.7
78.7
200
200
200
200
200
101.6
101.6
101.6
101.6
101.6
100
100
100
100
100
140
140
140
140
140

mm
330.2
330.2
330.2
330.2
228.6
762
635
508
381
254
460
460
460
460
460
381
381
508
572
762
1000
1000
1000
600
600
355.6
355.6
355.6
355.6
355.6
500
500
500
500
900
500
500
500
1000
1000

mm
203.2
203.2
203.2
203.2
203.2
254
254
254
254
254
266.5
266.5
266.5
266.5
410
216
216
216
216
216
1000
1000
1000
1000
1000
304.8
304.8
304.8
304.8
304.8
190
190
690
690
390
250
375
500
500
740

N/mm2
24.55
23.58
38.61
36.13
23.31
22.13
24.55
21.24
21.24
21.65
34.26815
37.43985
31.9928
38.8878
37.6467
0
0
0
0
0
26.1
26.8
26.4
42.4
42.4
20.48
20.93
18.69
18.03
16.07
26
29.6
24.8
29.6
24.8
49.1
42.5
37.4
31.2
32.7

KN
179.7
106.75
181.48
100.52
170.8
477.72
448.36
378.97
328.26
178.81
569.344
538.208
600.48
560.448
378.08
0
0
0
0
0
1204
1500
1200
606
696
279.07
272.22
322.48
296.68
282.45
479
750
156
299
585
1700
1400
1140
1750
1300

N/mm2
0
0
0
0
0
280
280
280
280
280
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
437.4
437.4
437.4
454
455
456
457
458
0
0
0
520
520

N/mm2
315.1015
354.403
315.1015
354.403
326.1335
286.83
286.83
286.83
286.83
286.83
409.563
409.563
409.563
409.563
409.563
320
320
320
320
320
381
381
368
452
452
437.4
437.4
437.4
437.4
437.4
382
493
382
493
326
520
520
520
520
520

Tabla 2. Muestra de datos empleados

VI Congreso Internacional de Ingeniera Estructural,


Ssmica y Puentes

VI Congreso Internacional de Ingeniera Estructural, Ssmica y Puentes

SECCIONES COMPUESTAS DE ACERO CONCRETO (MTODO AISC-LRFD)

La informacin bsica para la generacin de los resultados esperados se obtuvo de la Tabla de


Propiedades Geomtricas de Perfiles Laminados en Caliente del AISC (American Institute of
Steel Construction). Una muestra de la data empleada para el entrenamiento se indica en la tabla
3.

Esperados

Tabla 3. Perfiles Laminados en Caliente del AISC

VI Congreso Internacional de Ingeniera Estructural,


Ssmica y Puentes

VI Congreso Internacional de Ingeniera Estructural, Ssmica y Puentes

La correlacin en las etapas de entrenamiento, validacin y test es buena, as tambin el


desempeo de la red en cada una de las mismas etapas, a continuacin se muestra el desempeo
de la red.

Figura 10. Desempeo de la red durante las etapas de entrenamiento, validacin y test

La red ha sido entrenada con 3 capas de neuronas: 5 neuronas en la capa de entrada, 5 neuronas
en la capa intermedia y 1 neurona en la capa de salida. Se usaron las funciones de transferencia
'logsig' para las capas de entrada e intermedia y 'purelin' para la capa de salida. Para el
entrenamiento se us la funcin 'trainb' y para el aprendizaje la funcin 'learngdm'. El error se
mide con el mnimo cuadrtico de la muestra: 'sse'. Se ha empleado la misma configuracin de la
red de la segunda aplicacin con la diferencia en las dentritas de entrada.
Se logra un 99.52% de correlacin que significara una herramienta para la determinacin de
Momentos de diseo en Vigas Compuestas por Perfiles Plegados de Acero Estructural y losas de
concreto armado. Los siguientes pesos son los que se emplearn en la determinacin de momentos
para diferentes perfiles:

net.IW{1,1}
-0.2347 -0.2821 -1.3160

2.2036 5.6702

-3.0414 1.4452 -1.0930 0.0299


0.9448 -1.7682

1.0462

0.2600 -3.1336

-0.4735 0.7717 -0.8862 2.5649


4.7820 -1.4750

5.2522

1.3653

1.4976 -1.2113 -8.5179

VI Congreso Internacional de Ingeniera Estructural,


Ssmica y Puentes

VI Congreso Internacional de Ingeniera Estructural, Ssmica y Puentes

4. CONCLUSIONES
Se obtuvieron buenos resultados en los tres ejemplos. Las correlaciones para las redes
planteadas estn por encima del 95%.
Se logran mejores resultados en el primer caso cuando la topologa de la red est constituida
por mayor cantidad de capas. Esto se observa en la primera aplicacin.
La red desarrollada con data experimental segunda aplicacin- tiene el mayor error mnimo
cuadrtico. Pero el nivel de correlacin es alto (95.27%).
Por el alto grado de correlacin de la tercera aplicacin, los pesos obtenidos por la red pueden
emplearse para el clculo de momento nominal de perfiles laminados en caliente de AISC.
5. BIBLIOGRAFA
[1] Calixto, R. Estado del arte del concreto para optimizar su eficiencia con el uso de
aditivos. Informe de suficiencia. Facultad de Ingeniera Civil. Universidad Nacional de
Ingeniera. 2013.
[2] De La Cruz, C. Reconocimiento de caracteres en campos de formularios usando redes
neuronales. Informe de suficiencia. Facultad de Ingeniera Civil. Universidad Nacional de
Ingeniera. 2012.
[3] Espinoza, P. Apuntes de clase del curso Programacin Matemtica. Curso de
Doctorado. Facultad de Ingeniera Industrial y Sistemas. Universidad Nacional de Ingeniera.
2013
[4] Haykin, S. Neural Network: A Comprehensive Foundation. NY: Maccmillan, p. 2.
1994.
[5] Haytham, M. Prediction of Ultimate Shear Strength of Reinforced Concrete Deep
Beams Using Artificial Neural Networks. Tesis de maestra Facultad de Ingeniera.
Departamento de Ingeniera Estructural. Universidad Islmica de Gaza. Abril 2005.
[6] Rojas, R. Neural Networks. Springer-Verlag. 1996.

VI Congreso Internacional de Ingeniera Estructural,


Ssmica y Puentes