Implementación Numérica de Redes Neuronales Artificiales para El Análisis de Grietas en Placas

INSTITUTO POLITÉCNICO NACIONAL
ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA

SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN
UNIDAD ZACATENCO
IMPLEMENTACIÓN NUMÉRICA DE REDES

NEURONALES ARTIFICIALES PARA EL
ANÁLISIS DE GRIETAS EN PLACAS
TESIS
QUE PARAOBTENER EL GRADO DE
MAESTRO EN CIENCIAS
EN INGENIERÍA MECÁNICA
PRESENTA:
ING. GERARDO HERNÁNDEZ HERNÁNDEZ
DIRECTORES:
DR. LUIS HÉCTOR HERNÁNDEZ GÓMEZ
DR. GUILLERMO URRIOLAGOITIA SOSA
MÉXICO, D.F. 2009.

INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA DE INVESTIGACIÓN Y POSGRADO
CARTA CESIÓN DE DERECHOS

En la Ciudad de México D.F. el día 25 del mes Junio del año 2009, el (la) que suscribe Ing. Gerardo
Hernández Hernández alumno (a) del Programa de Maestría en Ciencias en Ingeniería Mecánica
opción Diseño con número de registro A070218, adscrito a la Sección de Estudios de Posgrado e
Investigación de la ESIME unidad Zacatenco, manifiesta que es autor (a) intelectual del presente
trabajo de Tesis bajo la dirección de los Doctores Luis Héctor Hernández Gómez y Guillermo
Urriolagoitia Sosa y cede los derechos del trabajo intitulado Implementación Numérica de Redes
Neuronales Artificiales para el Análisis de Grietas en Placas, al Instituto Politécnico Nacional para
su difusión, con fines académicos y de investigación.
Los usuarios de la información no deben reproducir el contenido textual, gráficas o datos del trabajo sin
el permiso expreso del autor y/o director del trabajo. Este puede ser obtenido escribiendo a la siguiente
dirección ing_gerardo_hdez@hotmail.com. Si el permiso se otorga, el usuario deberá dar el
agradecimiento correspondiente y citar la fuente del mismo.
Ing. Gerardo Hernández Hernández

Nombre y firma
Agradecimientos.
A dios, por darme aliento en los momentos más difíciles, cuando he enfrentado depresión o
desánimo, ya que me ha dado la fuerza, inteligencia y entusiasmo, para ser tenaz y perseverante, y así,
ver los problemas como el ingrediente que le da diversión, emoción, y adrenalina a mi vida. También
le agradezco por los momentos felices que he tenido oportunidad de vivir junto con los seres que
quiero.
A mis padres, quienes me han apoyado incansablemente, procurando lo necesario para lograr
mis objetivos personales y procurar mi salud. Por tener la paciencia para criarme con cariño y
dedicación y por enseñarme que aun los sueños más locos se tornan realidad, con fe, entusiasmo por lo
que verdaderamente me gusta y trabajo arduo. También les agradezco por criarme, dejarme ser rebelde,
observador y jugar en la tierra, ya que es lo que me ha permitido a lo largo de mi vida tomar mis
propias decisiones y poder notar aun más allá del detalle en las cosas.
A mi hermano, por todo lo que hemos compartido durante la vida, por su apoyo en momentos de
presión y por tolerar mis constantes cambios de humor, recibiendo de él cariño y aceptación en todo
momento.
Al Dr. Luis Héctor Hernández Gómez, a quien tengo profunda admiración y respeto, por su
comprensión, su tiempo y dedicación para el desarrollo de este trabajo, ya que más allá de ser un tutor
académico, lo considero un padre académico, debido a su orientación en aspectos de mi vida personal
que me han permitido concluir el actual trabajo de tesis, considerándolo uno de los personajes que más
ha influido en mi desarrollo profesional.
Al Dr. Guillermo Urriolagoitia Sosa, de quien he adquirido enseñanza académica, personal y

apoyo en cada momento desde que lo he conocido, considerándolo un profesor ejemplar. Le agradezco
la motivación que me dió para extender mi curiosidad académica más allá de las aulas de clases y de
quien aprendí que la seguridad con la que se hacen las cosas, marca la diferencia.
Al Dr. Guillermo Urriolagoitia Calderón, quien me ha apoyado en cada momento de mi

estancia durante la maestría, ya que me ha orientado y procurado mi bienestar académico durante cada
momento, siendo para mí, un personaje de gran admiración, cariño y respeto profundo.
Al Dr. Carlos Torres Torres, quien me ha brindado su apoyo y me ha servido de ejemplo de lo

que considero un profesionista admirable.
Al Dr. Luis Flores, quien ha participado como miembro de mi comisión revisora, por lo cual le
agradezco profundamente.
A la M en C. Alla Kabatskaia, quien me apoyó, instruyó y además me enseñó, que el

compromiso con un alumno y con tus objetivos es de 24 horas. Le agradezco sus consejos y su
responsabilidad como profesora, en mi formación académica.
Al M. en C. Gabriel Villa y Rabasa, quien con su experiencia profesional su alegría y su
calidez humana, me incentivó y motivó durante mi formación profesional, siendo para mí un ejemplo
del profesionista al cual aspiro ser.
A los Profesores, Orlando Susarrey y Alcántara Montes, por su contribución hacia mi formación
profesional.
A mis compañeros y amigos, Arturo, José Luis, Leonardo, Iván, Guillermo, Edgar, Fabián
Leonov, David, Anaí, Esther, Karla, Betty, Cesar, Juan Pablo, Sergio, Carlos, Omar, Christopher, Ariel,
Arafat, Héctor, Saúl, Salomón, Samuel, Andrés, Erwin, Valentín, Rodolfo, Yadira, Sergio Viveros, J.J.
Arenas, J. Lira y Amara con quienes en algún momento he compartido diversas experiencias, dentro y
fuera de las aulas de clases, y han tolerado mis risas explosivas y mi comportamiento loco e infantil.
A Paty, Gina, Lilia, Sally, Nancy Jacqueline, Fernanda, Gaby Irma, Lilis y Celina con quienes
he compartido agradables momentos, me han dado ánimos para continuar en los lapsos más difíciles y
me han apoyado para la conclusión de mis estudios multidisciplinarios. A Kenia, quien me enseñó, que
en ocasiones hay que ser firmes, asertivos, rudos y muy fuertes en la vida, a Jessica y Benjamín,
quienes me dieron un ejemplo de esfuerzo y dedicación y a Rosalba, quien es un ejemplo de alegría y
sencillez.
A mis profesores del CENLEX Zacatenco y el CELEX Azcapotzalco, ya que complementaron mi

formación académica y al Instituto Politécnico Nacional, que es mi alma mater, a la cual, estoy
profundamente agradecido por brindarme un espacio en el cual dar rienda suelta a mi infantilismo,
curiosidad, creatividad e imaginación.
A todos aquellos que de alguna forma han contribuido directa o indirectamente al desarrollo de
este trabajo de tesis.
¡GRACIAS!
i
Resumen
Este trabajo se centra en la implementación de Redes Neuronales Artificiales (RNA) para evaluar el Factor
de Intensidad de Esfuerzos en placas agrietadas lateralmente, bajo el modo de carga tipo I. La base de
datos requerida se obtiene mediante el cálculo de los Factores de Intensidad de Esfuerzos “K” por el
método analítico y por medio del Método del Elemento Finito (MEF). Se modifican los valores de la
longitud de la grieta, el ancho de espécimen, el espesor, y la carga que se le aplica, cuyos rangos de
variación son de 1mm a 33 mm para el caso del tamaño de la grieta, de 100 a 200mm para el ancho del
espécimen, de 1mm a 100mm para el espesor y de10MPa a 20MPa en el caso de la carga. Los resultados
analíticos se comparan con los numéricos por medio del MEF y posteriormente se procede al
entrenamiento de la red con distintas arquitecturas y algoritmos de entrenamiento, determinando aquella
que proporciona el menor error cuadrático medio y menor tiempo en el cálculo.
Los algoritmos que se implementaron en la red de Retropropagación son: Levenberg-Marquardt,

BFGS Quasi-Newton, Retropropagación Elástica, Gradiente Conjugado, Fletcher-Reeves y la Secante de
un Paso, de los cuales, el menor error cuadrático medio encontrado para el análisis de este caso, fue el
Levenberg-Marquardt, el cual se fundamenta en los métodos numéricos del gradiente descendente y la
interpolación de Gauss-Newton, los cuales, permiten realizar análisis de funciones lineales y no lineales.
Finalmente, se desarrollo una función objetivo que mediante la aplicación de Algoritmos Genéticos,
permite obtener a partir del valor del Factor de Intensidad de Esfuerzos, las condiciones de inicio de
propagación de una grieta, determinadas por los parámetros a, w, t y P. El error que se toma de base para la
programación del Algoritmo Genético, es el obtenido del entrenamiento previo de la red de
Retropropagación Levenberg-Marquardt.
Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

ii
Abstract.
In this work, Artificial Neural Networks analysis is used in the evaluation of the Stress Intensity Factor of
cracked edge plates. They were loaded under mode I conditions. The required database was obtained with
the evaluation of Stress Intensity Factors. This was done with analytical solutions and with the Finite
Element Method.
In this analysis, crack propagation conditions are varied. Crack length from 1mm to 33mm, plate
width from 100mm to 200mm, plate thickness from 1mm to 100mm and applied stress from 10MPa to
20MPa. Once the numerical results are validated, diverse Artificial Neural Networks are trained. Different
architectures and training algorithms are used. Those networks, which produce the lower mean squared
error and required a reduced computing time, were selected.
The algorithms that were used with the Backpropagation Neural Network are: Levenberg-
Marquardt, BFGS Quasi-Newton, Resilient Retropropagación, Conjugated Gradient, Fletcher-Reeves and
One Step Secant. Best results were obtained with the Levenberg-Marquardt algorithm. This based on the
descendent gradient and Gauss-Newton interpolation which are appropriated to solve linear and non-linear
problems.
Finally an objective function was designed to get start crack propagation conditions from Stress
Intensity Factors values by means of Genetic Algorithms. Base error to make the evaluation was taken
from a previous Backpropagation Levenberg-Marquardt algorithm training.

iii
Índice General
Resumen.....………………………………………………................................................................... i
Abstract…....………………………………………………………………………………..…........... ii
Índice General…………………………………………………………………………………………iii
Índice de figuras ....……………………………………………….…………………………..……..v
Índice de tablas …..………………………………………………………………….………..……..vii
Nomenclatura …………………………………………………………………………………….... viii
Objetivo…....…………………………………………………………………………………............. ix
Justificación………………………………………………………………………………………….. x
Introducción………………………………………………………………………………………...... xii
Referencias……………………………………………………………………………………………..xiv
Capítulo 1. Conceptos y Características de las Redes

Neuronales Artificiales.
1.1. Orígenes de las Redes Neuronales Artificiales 2
1.2. Historia de las Redes Neuronales 4
1.3. Modelo biológico de las Redes Neuronales 7
1.4. Fundamentos de las Redes Neuronales Artificiales 9
1.4.1. Características de una Red Neuronal Artificial 9
1.4.2. Funciones de excitación 13
1.4.3. Aprendizaje 14
1.4.4. Esquema general del funcionamiento de una Red Neuronal Artificiales 15
1.4.5. Arquitectura de una RNA 16
1.5. Ventajas y limitaciones de las Redes Neuronales Artificiales 19
1.6. El Perceptrón 22
1.7. Algoritmos de entrenamiento 22
1.7.1. Algoritmos de entrenamiento comunes 22
1.7.2. El algoritmo de Retropropagación 24
1.8. Aplicaciones Generales de las Redes Neuronales Artificiales en la Mecánica 26
1.9. Algoritmos Genéticos 30
1.10. Planteamiento del problema 31
1.11. Sumario 32
1.12. Referencias 34

iv
Capítulo 2. Conceptos Teóricos de Mecánica de la Fractura.

2.1. La Mecánica de la Fractura 37
2.1.1. Aspectos generales 37
2.1.2 Antecedentes históricos de la Mecánica de la Fractura 38
2.2. Modos de carga y campo de esfuerzos resultante en la punta de la grieta 43
2.3. Teoría de falla de Griffith 45
2.4. Factor de Intensidad de Esfuerzos K 49
2.5. Tenacidad de la Fractura 53
2.6. Evaluación numérica del Factor de Intensidad de Esfuerzos por medio del Método del
Elemento Finito 55
2.7. Sumario 57
2.8. Referencias 59
Capítulo 3. Análisis y Descripción de los Casos de Estudio.

3.1. Evaluación analítica del Factor de Intensidad de Esfuerzos en placas agrietadas
sujetas al modo de carga I 63
3.2. Análisis numérico del Factor de Intensidad de Esfuerzos por medio del Método
del Elemento Finito 71
3.3. Implementación y metodología de diseño de la Red Neuronal Artificial 83
3.4. Procedimiento de análisis con Redes Neuronales en MATLAB 89
3.5. Sumario 93
3.6. Referencias 93
Capítulo 4. Análisis de Resultados.

4.1. Análisis de Resultados con diferentes algoritmos 95
4.1.1 Entrenamiento de una RNA mediante el uso del algoritmo de Levenberg-Marquardt 96
4.1.2. Entrenamiento de la RNA mediante el uso del algoritmo BFGS Quasi-Newton 98
4.1.3. Entrenamiento de la RNA mediante el uso del algoritmo Resilient Backpropagation
o de Retropropagación Elástica 101
4.1.4. Entrenamiento de la RNA por medio del algoritmo Scaled Conjugate Gradient o de
Gradiente Conjugado 102
4.1.5. Entrenamiento de la RNA mediante el uso del algoritmo de Fletcher-Reeves 105
4.1.6. Entrenamiento de la RNA mediante el algoritmo One Step Secant Algorithm o de Secante
de un Paso 106
4.2. Comparación de los resultados del entrenamiento de los diferentes algoritmos 108
4.3. Comparación del error del entrenamiento de una red Levenberg-Marquardt, contra
el Método del Elemento Finito y el cálculo analítico 110
4.4. Determinación de las condiciones de inicio de propagación de grietas mediante
Algoritmos Genéticos 113

v
4.5. Sumario 118

4.6. Referencias 118
Discusiones 119
Conclusiones 126
Recomendaciones para trabajo futuro 128
Anexo 1. Código para el cálculo de los Factores de Intensidad de Esfuerzos por medio del
Método del Elemento Finito 130
Anexo 2. Cálculo de K analítico de los Factores de Intensidad de Esfuerzos 132
Anexo 3. Cálculo de K por medio del Método del Elemento Finito 149
Anexo 4. Función objetivo 159
Anexo 5. Iteraciones para el cálculo inverso de los parámetros que definen a KIC, mediante
Algoritmos Genéticos 160
Índice de figuras
Figura. 1.1. Neurona biológica 7

Figura. 1.2. Unión sináptica de una neurona biológica 8
Figura. 1.3 Esquema de una Neurona Artificial 11
Figura. 1.4. Funciones de excitación o de transferencia (Hagan, Demuth et al, 1996) 13
Figura. 1.5. Red Unicapa 17
Figura. 1.6. Red Multicapa 18
Figura. 1.7. Representación de un Perceptrón 22
Figura. 2.1. Esquema de los experimentos de Leonardo da Vinci sobre la resistencia de
hilos o lianas 39
Figura. 2.2. Trazas de excavaciones en las rocas hechas por los antiguos egipcios 40
Figura. 2.3. Modo de ruptura bajo flexión en una viga. (Galileo, 1638. Pp.133) 41
Figura. 2.4. Barcos: a) Prestige fracturado y b) Flotilla de barcos Liberty 42
Figura. 2.5. Los tres modos básicos de aplicación de cargas: a) Modo I o de apertura
tensil, b) Modo II o de deslizamiento, c) Modo III o de desgarre 44
Figura. 2.6. Placa infinita con una discontinuidad elíptica en el
centro de dimensiones 2aX2b 45
Figura. 2.7. Energía del sistema en condiciones de tensión uniforme. Datos de
Griffith para el vidrio (Griffith, 1921). 48
Figura. 2.8. Condiciones bajo deformación plana (espesor grueso) 54
Figura. 2.9. Condiciones de esfuerzo plano (espesor delgado) 54
Figura. 3.1. Grieta lateral sujeta al modo de carga I en una placa de espesor t 64
Figura. 3.2. Dimensionamiento geberal del espécimen con espesor t 65
Figura. 3.3. Valores de K variando el tamaño de grieta “a” 67
Figura. 3.4. Valores de K variando el ancho del espécimen 68
Figura. 3.5. Valores de K variando el espesor del espécimen 69
Figura. 3.6. Valores de K variando el esfuerzo 70

vi
Figura. 3.7. Tipo de elemento PLANE185 utilizado para el análisis (Tutorial ANSYS) 73
Figura. 3.8. Condiciones de simetría del espécimen 74
Figura. 3.9. Cálculo de K por medio del MEF
para el caso de variación del tamaño de grieta 76
Figura. 3.10. Campo de esfuerzos en una placa con una grieta de 5mm 77
Figura. 3.11. Cálculo de K por medio del MEF variando el ancho del espécimen 78
Figura. 3.12. Campo de esfuerzos en una placa de 120mm de ancho 79
Figura. 3.13. Cálculo de K por medio del MEF variando el espesor 80
Figura. 3.14. Campo de esfuerzos en una placa de 10mm de espesor 81
Figura. 3.15. Cálculo de K por medio del MEF variando el esfuerzo 82
Figura. 3.16. Campo de esfuerzos en una placa con un esfuerzo de 19MPa 83
Figura. 3.17. Configuración de las entradas y salidas de la red 89
Figura. 4.1. Cuadro de entrenamiento de la RNA Levenberg-Marquardt con 2000 épocas 96
Figura. 4.2. Desempeño de la RNA Levenberg-Marquardt con 2000 épocas 97
Figura. 4.3. Estado del entrenamiento de la RNA Levenberg-Marquardt con 2000 épocas 98
Figura. 4.4. Entrenamiento de la Red Neuronal BFGS Quasi-Newton 99
Figura. 4.5. Desempeño de la Red Neuronal BFGS Quasi-Newton 100
Figura. 4.6. Estado del entrenamiento de la Red Neuronal BFGS Quasi-Newton 100
Figura. 4.7. Entrenamiento de la Red Neuronal de Retropropagación Elástica 101
Figura. 4.8. Desempeño la Red Neuronal de Retropropagación Elástica 102
Figura. 4.9. Entrenamiento de la Red Neuronal de Gradiente Conjugado 103
Figura. 4.10. Desempeño de la Red Neuronal de Gradiente Conjugado 103
Figura. 4.11. Estado del entrenamiento de la Red Neuronal de Gradiente Conjugado 104
Figura. 4.12. Entrenamiento de la Red Neuronal de Fletcher-Reeves 105
Figura. 4.13. Desempeño de la Red Neuronal de Fletcher-Reeves 106
Figura. 4.14. Entrenamiento de la Red Neuronal de Secante de un Paso 107
Figura. 4.15. Desempeño de la Red Neuronal de Secante de un Paso 107
Figura. 4.16. Tiempo de cálculo 109
Figura. 4.17. Error cuadrático medio 109
Figura. 4.18. Entrenamiento de la RNA Levenberg-Marquardt datos analíticos aleatorios 111
Figura. 4.19. Validación de la RNA Levenberg-Marquardt 111
Figura. 4.20. Datos de gradiente y validación de la RNA Levenberg-Marquardt 112
Figura. 4.21. Herramienta de optimización de Algoritmos Genéticos 114
Figura. 4.22. Comparación de los valores de los parámetros de origen y
los calculados mediante Algoritmos Genéticos 116
Figura. 4.23. Comparación de los valores de los parámetros de origen
y los calculados mediante Algoritmos Genéticos 117
Figura. d.1. Cálculo del Factor de Intensidad de Esfuerzos por diversos métodos 121
Figura. d.2. Valor del error promedio calculado para diferentes algoritmos 122
Figura. d.3. Desviación estándar del error de los algoritmos 123
Figura. d.4. Comparación del Factor de Intensidad de Esfuerzos para 10 valores aleatorios 124

vii
Índice de tablas
Tabla. 1.1. Los principales aspectos en el desarrollo de las Redes Neuronales Artificiales
la historia de las RNA. (Gori, 2003) 6
Tabla. 2.1. Describe las funciones geométricas para el modo de carga I
aplicado a distintas formas de grieta en placas (Rice, 1972) 52
Tabla. 2.2. Valores de KIC, Espesor y esfuerzo de cedencia para algunos materiales 55
Tabla. 3.1. Rangos de variación de los parámetros a, w, t y P 64
Tabla. 3.2. Cálculo del error analítico y numérico, para el caso de la variación
del tamaño de grieta 76
Tabla. 3.3. Cálculo del error analítico y numérico, para el caso de
la variación del ancho del espécimen 78
Tabla. 3.4. Cálculo del error analítico y numérico, para el caso de la variación del espesor 80
Tabla. 3.5. Cálculo del error analítico y numérico, para el caso de la variación del esfuerzo 82
Tabla. 3.6. Casos a evaluar con los diferentes algoritmos de entrenamiento 88
Tabla. 3.7. Arquitecturas de las redes con relación a los diferentes
algoritmos y parámetros de entrenamiento considerados 92
Tabla. 4.1. Desempeño de los algoritmos implementados en la red de Retropropagación 108
Tabla. 4.2. Condiciones de programación del Algoritmo Genético 115
Tabla. 4.3. Comparación entre los datos de origen y el cálculo inverso
por medio de Algoritmos Genéticos 116
Tabla. 4.4. Comparación entre los datos de origen y el cálculo inverso por medio
de Algoritmos Genéticos. 117
Tabla. d.1. Valor del Factor de Intensidad de Esfuerzos obtenido por diferentes métodos 122

viii
Nomenclatura
Glosario
Xi Entrada de la Red Neuronal
Yj Salida de la Red Neuronal
Wjn Peso sinápticos
σi(t) Estado de la neurona
Bpi Activación lineal de la neurona
Apn Conjunto de entradas
bpn Conjunto de salidas
AG Algoritmo Genético
RNA Red Neuronal Artificial
σloc Tensión en la punta de la grieta
UM Energía Mecánica
US Energía Superficial
Ua Energía Elástica Almacenada
ν Relación de Poisson
E Módulo de Elasticidad
ϒs Energía libre superficial por unidad de área
K Factor de Intensidad de Esfuerzos
KIC Tenacidad de Fractura
σ Esfuerzo remoto aplicado en el punto principal de la placa
a Longitud de la grieta
W Ancho del cuerpo
t, B Espesor
Α Factor de forma
σ0 Esfuerzo de fluencia
LM Levenberg-Marquardt
BFG BFGS Quasi- Newton
RP Resilient-Backpropagation
SCG Scaled Conjugated Gradient
CGF Fletcher-Reves
OSS One Steep Secant

ix
Objetivo
El objetivo de este trabajo es analizar el comportamiento de la propagación de grietas en materiales,

mediante la implementación de Redes Neuronales Artificiales para el cálculo de los Factores de Intensidad
de Esfuerzos y Algoritmos Genéticos para la determinación de las condiciones de inicio de propagación.
Para este efecto se modifican: las condiciones de carga, las dimensiones del espécimen que se analiza, el
tamaño de grieta inducido y se determinan los parámetros a, w, t y P por medio de un análisis inverso con
Algoritmos Genéticos.
Para poder concretar satisfactoriamente el objetivo general de esta tesis, se plantearon los siguientes
objetivos particulares, los cuales se presentan a continuación:
• Realizar el análisis numérico del comportamiento del inicio de propagación de una grieta en placas
por medio del Método del Elemento Finito (MEF) para la obtención del Factor de Intensidad de
Esfuerzos crítico.
• Conocer los aspectos de Mecánica de la Fractura aplicados al análisis de inicio de propagación de
una grieta, así como los diferentes enfoques teóricos.
• Entender y comprender el funcionamiento de Redes Neuronales Artificiales aplicadas al problema
de Mecánica de la Fractura.
• Comparar los datos de simulaciones numéricas mediante programas de diseño contra los obtenidos
mediante soluciones cerradas.
• Obtener una base de datos para el entrenamiento de Redes Neuronales Artificiales.
• Implementar las Redes Neuronales Artificiales para la determinación de los Factores de Intensidad
de Esfuerzos, mediante la aplicación de diferentes algoritmos y arquitecturas.
• Determinar las condiciones de inicio de propagación de grietas por medio de Algoritmos
Genéticos.

x
Justificación
En las Ciencias de la Ingeniería, así como en ciertas disciplinas de la Física, tal es el caso de la Mecánica,
se busca el empleo de diversos modelos teóricos que sirvan de apoyo para representar fenómenos de la
realidad. En esta búsqueda, se han desarrollado distintos modelos que en ocasiones se fundamentan en el
funcionamiento del cuerpo humano. Debido a la complejidad, perfección y buen desempeño que esto ha
mostrado para la realización de distintas tareas en comparación con sistemas estructurados ingenieriles
avanzados, el hecho de tratar de emular sus funciones ha tenido una creciente aceptación recientemente.
Los sistemas expertos, tal como se conocen, son una rama de la inteligencia artificial, de los cuales, se
destacan la Lógica Difusa y el modelo de Redes Neuronales Artificiales (RNA). Este último, se
fundamenta en una analogía del funcionamiento del sistema nervioso de algunas especies vivas tales como
los seres humanos, para la implementación en aplicaciones de Ingeniería.
Las Redes Neuronales Artificiales son un sistema de interconexiones neuronales que forman una
red, la cual, está compuesta de neuronas que proporcionan las entradas de datos. A través de las
interconexiones emiten una salida y esta a su vez, está determinada por tres funciones: una de propagación,
una de activación y una de transferencia. De esta forma, la red adquiere información y proporciona datos
a la salida, teniendo la posibilidad de crecer la red en cantidad de información, por lo que se describe
análogamente a los procesos humanos de aprendizaje. Debido a sus características, las RNA’s, se han
utilizado para intentar predecir el comportamiento de diversos sistemas. Algunos de estos son considerados
no lineales. En este caso, resulta de gran interés por sus implicaciones en diversas ramas de la Ingeniería y
la Industria y para la predicción del inicio de propagación de grietas con relación a distintas variables que
se introducen al modelo.
Por otra parte, la determinación de la integridad estructural de elementos mecánicos es de gran

interés. Si bien es cierto que existen análisis de fractura para determinar las condiciones de inicio de
propagación de grietas, estos se apoyan en análisis numéricos, como el Método del Elemento Finito, que
requiere del consumo de una gran cantidad de recursos de cómputo y tiempo. Se considera que mediante la
utilización de Redes Neuronales aplicadas a fractura, se puede analizar un número reducido de casos y en
función de esto, establecer una gama de soluciones para un amplio rango de casos.

xi
Lo anterior, muestra la importancia de la aplicación de la Inteligencia Artificial a problemas

mecánicos, lo cual implica el análisis de casos complicados y que pueden ser no lineales. Así mismo, se
pueden realizar análisis directos e inversos. Esto tiene como consecuencia el ampliar el espectro de
soluciones que se pueden obtener numéricamente.

xii
Introducción
Existen diversas metodologías para el análisis de las propiedades mecánicas de los materiales, ya sean
mediante métodos destructivos, como no destructivos. Dentro de los no destructivos, podemos considerar
el análisis numérico, que complementa las ecuaciones experimentales, iniciando determinaciones
cuantitativas. Lo anterior es debido a que en ocasiones, se requiere conocer el comportamiento de diversos
materiales, ante condiciones de falla críticas, ya que esto resulta de apoyo en el diseño de elementos
mecánicos, previniendo fallas catastróficas. No siempre es posible realizar el análisis por medio de técnicas
destructivas, ya que esto repercute en tiempo y costo, sin embargo, no todos los métodos numéricos,
resultan eficientes en cuanto a tiempo y precisión en el cálculo. En ocasiones son aplicables solo a
problemas con determinadas condiciones de frontera, por lo cual surge la necesidad de implementar nuevas
metodologías que apoyen a dicho análisis.
En la actualidad, se han desarrollado distintos procedimientos que permiten realizar análisis cada vez más
complicados con mayor grado de exactitud y en menor tiempo. Esto debido a la gran cantidad de
aportaciones científicas y tecnológicas. Algunas técnicas son multidisciplinarias, lo cual, se ve reflejado en
los modelos biológicos que han inspirado a la creación de dichas metodologías. De la misma forma, ha
influido el desarrollo de ordenadores más eficientes y potentes.
La implementación de Redes Neuronales Artificiales, Algoritmos Genéticos o la utilización del Control

Difuso, por mencionar solo algunos, ha cobrado auge a partir de los años ochentas en el mundo entero, por
lo que ha sido aplicado a distintas disciplinas. Si bien, en un principio, las aplicaciones solo habían sido
consideradas para campos específicos de la ingeniería, actualmente se han extendido a varias áreas, de lo
cual, la Mecánica no es una excepción, debido a las ventajas que ofrecen en comparación de otros métodos
convencionales, por lo que se han desarrollado análisis en Mecánica de fluidos, Mecánica de la fractura,
entre otros.
En la SEPI-ESIME se han desarrollado trabajos al respecto. (Campos, 2009), realizó un trabajo de tesis
titulado “Análisis inverso computacional enfocado a la localización de defectos en materiales sólidos”,
así también, (Bautista, 2008) desarrolló en la Sección de Estudios de Posgrado del Instituto Politécnico

xiii
Nacional en México una tesis que lleva por nombre, “Implementación Numérica de una Red Neuronal para
el Modelo Constitutivo del Comportamiento de Materiales”. Otro ejemplo es la tesis de (Ponce, 2008)
cuyo título es “Desarrollo de un Sistema Neuro-Difuso para la Solución a la Cinemática Inversa de
Manipuladores Robóticos”, en la cual, se aplican técnicas de Control Difuso y Redes Neuronales
Artificiales. Mediante trabajos de publicación también se ha contribuido al respecto. Tal es el caso de
(Luna et al, 2008) quienes realizaron un trabajo en torno a la localización y clasificación de defectos con
redes neuronales y (Lugo et al, 2009) con un trabajo en torno a la optimización de un mecanismo, a través
del uso de Algoritmos Genéticos.
Lo anterior, constituye un esfuerzo por realizar desarrollos científicos en el área de Mecánica, por lo cual
surgió el interés en la aplicación de dichas técnicas, no destructivas mediante métodos directos
computacionales utilizando Redes Neuronales Artificiales para el análisis de grietas en placas. Si bien, ya
existen análisis por medio del Método del Elemento Finito mediante el apoyo de diversos paquetes
computacionales, en esta tesis se analizan las posibilidades y alcances de aplicar Redes Neuronales
Artificiales a dicho problema que puede presentar un comportamiento no lineal.
A continuación se describe brevemente el contenido de cada capítulo:
Capítulo 1. Se presentan de forma general los orígenes y los conceptos relacionados con Redes Neuronales
artificiales, tales como la descripción de una neurona biológica, su relación con el modelo de RNA`s, así
como también se describe el Algoritmo de Retropropagación empleado en esta tesis, el Perceptrón como
modelo básico, y una breve introducción a las características de los Algoritmos Genéticos. Al final del
capítulo, se describe el planteamiento del problema, en el cual se explica lo que se pretende realizar con
este trabajo de tesis.
Capítulo 2. Se realiza una breve descripción de los antecedentes históricos que dan pie al surgimiento de la
Mecánica de la Fractura, lo cual justifica la importancia de los estudios en este campo de la ingeniería.
Posteriormente se plantean los conceptos de Mecánica de la Fractura relacionados con el problema
planteado en el capítulo 1, tales como el Factor de Intensidad de Esfuerzos y la Tenacidad de Fractura entre
otros.

xiv
Capitulo 3. En este capítulo, se describe el procedimiento que se llevó a cabo para el análisis analítico,
numérico y para la implementación por medio de Redes Neuronales Artificiales para la solución del
problema. SE explican detalladamente los procedimientos de cálculo, así como el desarrollo de la
programación para el diseño de las RNA`s.
Capítulo 4. En este capítulo se plasma el análisis de los resultados, a fin de dar una conclusión y definir los
alcances del actual trabajo. Primero se muestran los resultados para el entrenamiento de cada unos de los
algoritmos propuestos para el análisis y posteriormente se comparan los resultados de estos. Finalmente se
muestran los resultados que conciernen al análisis de los parámetros de inicio de propagación de grietas,
obtenidos a través del cálculo por medio de Algoritmos Genéticos, lo cual complementa el análisis por
medio de Redes Neuronales.
Es importante señalar, que el actual trabajo de tesis, pertenece al proyecto CONACyT con número de
registro 25226 titulado “Determinación de la Integridad de Estructuras Sometidas a Cargas de Diseño
Severas con Enfoque a Sistemas y Componentes Relacionados con la Seguridad de Centrales Nucleares de
Agua en Ebullición” y al proyecto de Investigación financiado por el IPN “Aplicación de Redes
Neuronales en la solución de problemas de Biomecánica” SIP 20080663.
Referencias
Campos, L. J. (2009). Análisis Inverso Computacional Enfocado a la Localización de Defectos en
Materiales Sólidos. Tesis de Maestría. México, D.F. SEPI-ESIME IPN.
Bautista, C. G. (2008). Implementación Numérica de una Red Neuronal para el Modelo Constitutivo del
Comportamiento de Materiales. Tesis de Maestría. México, D.F. SEPI-ESIME IPN.
Ponce, R. R. (2008). Desarrollo de un Sistema Neuro-Difuso para la Solución de la Cinemática Inversa de

Manipuladores Robóticos. Tesis de Maestría. México, D.F. SEPI-ESIME IPN.
Lugo, G. E., Merchán, C. E. y Hernández, G. L. (2009). Synthesis Optimization of Planar Mechanism.

Applied Mechanics and Materials, vol. 15, pp. 55-60.

xv
Luna, A. A., Hernández, G. L., Durodola, J. F., Urriolagoitia, C. G. y Urriolagoitia, S. G. (2008). Locating
and Classifying Defects with Artifitial Neural Networks. Applied Mechanics and Materials.Vols. 13-14,
pp. 117-123.

1
Conceptos y
Características de las
Redes Neuronales
Artificiales
Capítulo 1 2
CAPÍTULO 1
Conceptos y Características de las Redes
Neuronales Artificiales.
1.1. Orígenes de las Redes Neuronales Artificiales.
El estudio mediante Redes Neuronales, ha cobrado importancia a través de los años debido
a su diversa gama de aplicaciones y las ventajas que este paradigma teórico aporta con
relación a otros métodos y técnicas en la resolución de algunos problemas en distintas
disciplinas del conocimiento. El modelo de Redes Neuronales Artificiales (RNA) es
análogo al funcionamiento del sistema nervioso de algunos organismos, asociándose
principalmente al de los seres humanos. Este, al igual que distintos sistemas y modos de
funcionamiento de los organismos vivos, ha servido de ejemplar para la formación de
nuevos conceptos, teorías y paradigmas aplicables a distintas áreas, con la finalidad de
desarrollar nuevas tecnologías. Lo anterior, es debido a la eficacia de los sistemas
biológicos en la resolución de algunas tareas. Este hecho no es fortuito, ya que, los
diversos organismos que conocemos son producto de la evolución de millones de años.
El modelo de Redes Neuronales parte de una corriente filosófica llamada

Conexionismo. A su vez, las RNA surgen de los estudios con relación a la anatomía y
funcionamiento del cerebro y el análisis explicativo de la conducta de los organismos, por
tal motivo, tienen gran parte de sus orígenes dentro de la Psicología Cognitiva y la
Biología. A diferencia de otras perspectivas que intentan explicar la conducta tales como el
Funcionalismo, el Conexionismo contempla el ambiente biológico, por lo cual, se
Implementación Numérica de Redes Neuronales Artificiales para el Análisis de Grietas en Placas

Capítulo 1 3
introducen desde esta perspectiva de las Redes Neuronales, conceptos biológicos tales
como neurona, sinapsis y axón, entre otros. Campanario (2004) argumenta que este enfoque
es multidisciplinario y que con base al uso de Redes Neuronales, se mantiene relación con
campos tan aparentemente ajenos a la didáctica de las ciencias como son las Matemáticas,
la Inteligencia Artificial, la Epistemología, la Lingüística, la Informática y la
Neurobiología, entre otros.
A través de los años, el hombre ha intentado crear máquinas y procesos que imiten
las funciones del cuerpo humano, así, las primeras explicaciones en torno al
funcionamiento del cerebro fueron dadas por filósofos griegos tales como Platón, y en la
actualidad se equiparan con el modelo de Von Newman. Es de aquí, que se introducen en la
Psicología Cognitiva conceptos como almacenamiento y procesamiento de información
propia de dicho modelo, los cuales, posteriormente son retomados para aplicaciones de
Ingeniería.
Desde el punto de vista de las Ciencias de la Ingeniería, así como de las distintas
disciplinas, el modelo de Redes Neuronales es utilizado para predecir no sólo
comportamientos de organismos biológicos, sino también, de diversos sistemas que abarcan
una gran gama de áreas del conocimiento. Es por ello, que esta perspectiva traída de la
Biología y la Psicología, resulta tan atractiva como modelo teórico; por sus características y
aplicaciones.
El interés en torno a la exploración del funcionamiento del cerebro surge desde

épocas ancestrales, siendo la génesis de las investigaciones en torno a esta área, las
realizadas por los antiguos griegos. Los anteriores estudios por parte de dicha cultura, son
la base para el establecimiento de diversos campos de investigación en torno a disciplinas
neurocientíficas, psicológicas y de la Ingeniería en la actualidad. Diversos modelos de
análisis del cerebro, tales como los conexionistas mediante Redes Neuronales Artificiales,
han permitido el análisis del comportamiento de diversos sistemas, no sólo en torno al
funcionamiento del sistema nervioso de los organismos, sino también aplicando la metáfora
de la computadora, fundamentada en el modelo de Von Newman. Se extrapola esto al
análisis del funcionamiento de una gran variedad de sistemas en diversas áreas del
conocimiento que van desde la Economía, las Ciencias de la Ingeniería en distintas áreas y
Capítulo 1 4
la Medicina, entre otras. En el ámbito de la Ingeniería, las RNA`s, surgen como una
propuesta para la resolución de distintos problemas con la intención de desempeñar un sin
fin de tareas que comúnmente realiza el ser humano y requieren de lo que ordinariamente
llamamos inteligencia. Este interés por crear máquinas, aparatos y sistemas capaces de
suplir y facilitar algunos trabajos realizados por el ser humano, se observa fehacientemente
con la invención de la cuña, la palanca, la polea, la rueda y posteriormente la creación de
los motores de vapor, los telares, entre otros más sofisticados en la actualidad. De lo
anterior, se explica el profundo interés en la investigación aplicada en torno a las RNA´s, y
se justifica la importancia de la indagación de sus orígenes.
1.2. Historia de las Redes Neuronales.
Las primeras explicaciones teóricas sobre el cerebro y el pensamiento ya fueron dadas por
algunos antiguos filósofos griegos, como Platón (427-347 a.C.) y Aristóteles (422-384 a.
C.). Las mismas ideas sobre el pensamiento mental también las mantuvo Descartes
(1596-1650). La clase de las llamadas máquinas cibernéticas, a la cual, pertenece la
Computación Neuronal, tiene más historia de lo que generalmente se cree. Herón, el
Alejandrino, construyó un autómata hidráulico sobre el 100 a.C. (Hilera y Martínez, 2000).
Lo anterior, específicamente la creación del autómata, al cual, se hace referencia, resulta
relevante debido a que aquí se observan los primeros intentos por reproducir acciones que
comúnmente realiza el ser humano.
Posteriormente, se sabe de los estudios del cerebro realizados por Alan Turing en
1936, los cuales, conforman las primeras representaciones del funcionamiento del cerebro
con una perspectiva computacional. Sin embargo, son el neurofisiólogo McCulloch y el
matemático Walter Pitts, quienes describen en 1943 los principales fundamentos de lo que
se conoce como Computación Neuronal (op cit). Por otra parte, Donald Hebb en 1949,
escribe “la Organización del Comportamiento” con lo cual, establece una conexión entre
la Fisiología y la Psicología (Hebb, 1949). En el cuarto capítulo de su libro; se da, por
primera vez, una metodología para la modificación de las sinapsis, es decir, una regla de
aprendizaje fisiológica. Además, propone que la conectividad del cerebro cambia

Capítulo 1 5
continuamente conforme un organismo aprende cosas nuevas, creándose asociaciones

neuronales con estos cambios (Soria y Blanco, 2001).
En 1957, Frank Rosenblatt desarrolla lo que se conoce como Perceptrón y se

considera la base más simple de las Redes Neuronales, siendo usado hoy en día para el
reconocimiento de patrones. La característica de este modelo, es que es capaz de reconocer
modelos similares a los cuales ha sido entrenado previamente, sin embargo, es de conocerse
su incapacidad para resolver el problema de la función OR-exclusiva y su limitación en
general para clasificar clases no separables linealmente.
Son bastos los estudios que se reportan en la literatura en torno a las Redes
Neuronales Artificiales, sin embargo, resulta importante destacar el desarrollo del modelo
adeline en 1959 por parte de Bernard Widrow y Marcial Hoff, ya que de aquí se conforma
la primera Red Neuronal aplicada a un problema real, siendo usado de forma comercial por
décadas (Widrow en Hilera y Martínez, 2001).
En el año de 1954, Minsky escribió su tesis doctoral en la Universidad de Princeton

titulada “Teoría de los Sistemas Analógicos-Neurales de Reforzamiento y sus Aplicaciones
al Problema del Modelo Cerebral”. Posteriormente, en 1961, publicó el artículo “Pasos
hacia la Inteligencia Artificial” y más tarde, el libro titulado “Perceptrones” de Misnky y
Papert lo que, generó controversia, ya que, ellos realizaban un crítica en torno al
funcionamiento y la aplicabilidad de los perceptrones. Este hecho limitó de forma drástica
el avance de las investigaciones en el campo de las Redes Neuronales Artificiales (RNA),
desde 1969 hasta 1982. En esta última época con los trabajos de J. Hopfield, se desarrolla la
idea del uso de una función de energía para comprender la dinámica de una Red Neuronal
recurrente con uniones sinápticas simétricas. En su primer trabajo, Hopfield sólo permite
salidas bipolares (0 ó 1), (Soria y Blanco, 2001). No obstante lo anterior, autores como
Kohenen, Anderson y Stephen Grossberg continuaron realizando investigaciones en torno a
las RNA`s en el periodo posterior a la publicación de Minsky y Papert, siendo Grossberg,
quien estableció el principio de la auto-organización aplicado a las Redes Neuronales y de

Capítulo 1 6
esta forma surgió la Teoría de la Resonancia Adaptativa (TRA) o mejor conocida por sus
siglas en ingles ART (Adaptative Resonance Theory).
En años recientes, el impacto de las Redes Neuronales, se ha manifestado en la gran

variedad de aplicaciones debido a su versatilidad y eficacia en la resolución de problemas.
No obstante, la investigación está en auge y se continúa con el desarrollo de nuevos
modelos que permitan mejorar el paradigma neuronal. Actualmente, se realiza
investigación por medio de la implementación de Algoritmos Genéticos, así como el uso de
los modelos de Control Difuso, Algoritmos Evolutivos y Redes Estocásticas, entre otros, en
la resolución de problemas en conjunto con las RNA. En la tabla 1.1, se resumen los
avances en este campo.
I ERA EVENTOS SIGNIFICATIVOS
1943 McCulloch y Pitts, Formalización de la neurona artificial.
1949 D. Hebb y el aprendizaje por auto-organización.
1956 "Proyecto de investigación Darmouth Sommer de IA" (Minsky, McCarty,
Rochester, Shannon).
1960 Widrow: ADALINE.
1962 El perceptrón de Rosenbatt.
1969 Perceptrones. Minsky & Papert.
Los asociadores de Anderson, modelos para el aprendizaje sin supervisión de
70's Kohonen, Estudios de Grossberg.
II ERA
1982 Redes de Hopfield: Memoria asociativa y solución de problemas.
1986 PDP Y difusión de la Retropropagación.
1987 La primera conferencia significativa de la IEEE en San Diego.
Los Chips neurales se introducen en el mercado: Sistemas Neurales Análogos
1989 VLSI (Very Large Scale Integrated) por sus siglas en inglés.
1990 J. Pollack y las Redes Neuronales que elaboran estructuras dadas.
1994 Primera conferencia mundial sobre Inteligencia Computacional (Orlando).
1994 Surgió el proyecto neuroCOLT (Teoría computacional de aprendizaje).
2001 La IEEE aprueba la creación de la "Sociedad de Redes Neuronales".
Tabla 1.1. Los principales aspectos en el desarrollo de las Redes Neuronales Artificiales
(Gori, 2003).

Capítulo 1 7
1.3 Modelo Biológico de las Redes Neuronales.
Las Redes Neuronales Artificiales son análogas a la fisiología neuronal del cuerpo humano,
es decir, se toma como modelo el funcionamiento de parte del Sistema Nervioso Central,
siendo su analogía el emularlo mediante técnicas computacionales y esto a su vez,
permite dar solución a una gran gama de problemas, con las ventajas y limitaciones que
estas implican.
Fig. 1.1. Neurona biológica.
En la figura 1.1, se observan los elementos que componen a una neurona biológica,
tales como el núcleo o cuerpo de la neurona, también llamado soma, y una serie de
terminales que parten de este, vistas como ramificaciones llamadas dendritas. Existe una
conexión entre las dendritas y el teledrón llamada axón. El axón está recubierto por una
vaina de mielina. Esta capa es interrumpida en varios puntos por los nodos de ranvier.
Las entradas exitatorias que llegan a la célula, reducen la diferencia de potencial

que existe entre los dos lados de la membrana celular. La despolarización resultante en el
montículo del axón, altera la permeabilidad de la membrana celular por efecto de los iones
de sodio positivos, que penetran la célula.

Capítulo 1 8
Las fibras nerviosas en si son malas conductoras de energía eléctrica, sin embargo,
la transmisión de potencial de acción a lo largo del axón es el resultado de una serie de
despolarizaciones que tiene lugar en los nodos de ranvier. Cuando uno de los nodos se
despolariza, se desencadena la despolarización del siguiente nodo. El potencial de acción
viaja a lo largo de la fibra en forma discontinua, de un nodo a otro. Una vez que el
potencial de acción ha pasado por un cierto punto, este no puede volver a ser excitado
durante un milisegundo aproximadamente, que es el tiempo que tarda en volver a su
potencial de reposo o estado basal. Este periodo refractario limita la frecuencia de
transmisión de los impulsos nerviosos a unos 1000Hz por segundo (Freeman y Skapura,
1993).
Fig. 1.2. Unión sináptica de una neurona biológica.
La sinapsis es la unión que se establece entre dos neuronas, y mediante una serie de
neurotransmisores, se realiza la conexión entre neuronas. Las sinapsis permiten que la
célula influya en la actividad que realizan otras neuronas. El dogma recibido de la teoría de
Redes Neuronales dice que las sinapsis varían en fuerza. Esto es lo que permite las
detalladas interacciones entre varias neuronas, y son la clave de la naturaleza de los

Capítulo 1 9
cómputos de las Redes Neuronales (Anderson, 2007). Una característica de estas es que se
toman como modelo para aplicaciones tecnológicas por su funcionamiento en paralelo, es
decir, que pueden existir series de neuronas interconectadas unas con otras y trabajando al
mismo tiempo. Esta característica, a pesar de las limitaciones que tienen en tiempo de
transmisión por la frecuencia ya descrita, se compensa por su capacidad de funcionamiento
en paralelo, por lo cual, frente a otras aplicaciones actuales por medio de métodos
numéricos, reducen el tiempo de cálculo.
De acuerdo a (Izarrueta y Saavedra, 2008), del modelo biológico de Redes

Neuronales, se hace hincapié en dos componentes de suma importancia:
1. El impulso que llega a la sinapsis y el que sale de ella, los cuales, no son iguales, y
al tipo de salida, que depende del número de neurotransmisores que se ve
modificado por medio del proceso de aprendizaje, así, se cambia este y la
información almacenada se refuerza o se debilita.
2. Las entradas de todas las dendritas se suman en el soma o cuerpo de la neurona,

ya que, si las entradas sobrepasan un umbral, un impulso se trasmitirá a lo largo del
axón. De lo contrario no se realiza esta operación.
1.4 Fundamentos de las Redes Neuronales Artificiales.
1.4.1. Características de una Red Neuronal Artificial.
Es conveniente comenzar definiendo lo que es una RNA, por lo que Haykin (1999) refiere
que esta es un procesador masivamente distribuido en paralelo, con la capacidad de
almacenar conocimiento experimental y mantenerlo disponible para su uso. Esto se
asemeja al cerebro humano en dos aspectos:
• El conocimiento de la red se adquiere mediante un proceso de aprendizaje.

Capítulo 1 10
• Las conexiones interneuronales, llamadas pesos sinápticos, son usadas para

almacenar información.
Por otra parte, Müller et. al (1995), definen un modelo de Redes Neuronales como
algoritmos para tareas cognitivas, tales como el aprendizaje y la optimización, las cuales,
en un sentido vago, se apoyan en conceptos derivados de la investigación en torno a la
naturaleza del cerebro. De lo anterior, se puede decir que existe una serie de características
de las Redes Neuronales Artificiales, que las colocan en ventaja en algunas aplicaciones
con relación a otros modelos teóricos. Es importante destacar que el modelo neuronal
biológico se toma como base para la creación de Redes Neuronales Artificiales, sin
embargo, no es el propósito reproducirlo de forma exacta, más bien, extraer las
características de mayor relevancia para su aplicación en la resolución de problemas.
Las Redes Neuronales Artificiales son sistemas computacionales dinámicos-no

lineales, que constan de un gran número de elementos interconectados y organizados por
niveles, entre ellos, los nodos o neuronas; capaces de procesar información recabada por
medio de entradas dinámicas externas. En la actualidad, existen varios modelos de RNA’s,
sin embargo, su aplicación se define en función del problema a resolver.
McCulloch y Pitts (1943) dieron a conocer un modelo simple de una neurona, el

cual, resulta el elemento básico del procesamiento de una Red Neuronal Artificial, así
también describieron el funcionamiento de estas por medio de compuertas lógicas.
En la Figura 1.3, Se muestra la analogía de una Red Neuronal Biológica con una
Red Neuronal Artificial, en donde X1, Xi, Xn y Yj son las neuronas y las líneas que unen
a X1,..Xn con Yj son las dendritas.

Capítulo 1 11
Fig. 1.3. Esquema de una Neurona Artificial.
Las neuronas X1, Xi hasta Xn, son señales de entrada, las cuales, envían
información con valores numéricos y a su vez, se encuentran interconectadas con la
neurona Yj, las cuales son representadas por el vector de señales entrada:
(1.1)
Cada señal de entrada Xi, es multiplicada por un valor Wji, conocido como peso
sináptico, el cual, define el grado de importancia o prioridad de la información transmitida
a las dendritas de Yj. El primer subíndice de W, denota hacia donde es dirigida la
información proveniente de la neurona Xi, y a su vez, el segundo subíndice hace referencia
al origen de la información. Los pesos sinápticos Wji pueden ser excitatorios (positivos) o
inhibitorios (negativos) de acuerdo a su valor y son representados por el siguiente vector:

Capítulo 1 12
(1.2)
Al multiplicar las entradas por sus respectivos pesos y tomando en cuenta al igual
que en una neurona biológica, las entradas se suman en el soma o cuerpo de la neurona.
Loa totales de la suma de las neuronas Yj (in) quedan representados de la siguiente forma:
(1.3)
En la cual, el subíndice (in) representa (input) o entrada. Para que la neurona se

active, es necesario que supere un umbral de activación “V” y a su vez, sea excitada
mediante la aplicación de una función de activación, la cual, será aplicada sobre Yj(in).
Este puede ser por ejemplo una señal sigmoidea, escalón, hiperbólica, tangente, entre
muchas otras, por lo que la señal de salida resultante es:
(1.4)
Asimismo, las funciones de activación pueden ser lineales o no lineales, adoptando

de esta forma las neuronas, de acuerdo a su función de activación, el nombre de neuronas
lineales o no lineales, en donde comúnmente, las funciones se representan con un cuadrado
y las neuronas con un círculo. Esta simbología, es aplicada para reconocerlas en diagramas,
tal como se observa en la figura 1.3, que representa esquemáticamente una Red Neuronal
Artificial.

Capítulo 1 13
1.4.2. Funciones de excitación.
Como se mencionó, se requiere de una función de activación para habilitar la Red

Neuronal. Esta puede ser lineal o no lineal y la elección del tipo de función depende del
caso a resolver y del tipo de red. En la figura 1.4, se muestran algunas funciones de
activación comúnmente utilizadas.
Fig. 1.4. Funciones de excitación o de transferencia (Hagan, Demuth et al, 1996).

Capítulo 1 14
1.4.3. Aprendizaje.
Castillo et al (1999) mencionan que una de las principales características de las RNA´s es
su potencial de aprendizaje a partir de unos datos, y de esta forma, una vez que se ha
definido la arquitectura de la red, los pesos de las conexiones son ajustados para codificar
la información obtenida de un conjunto de datos de entrenamiento. De esta forma, los
diferentes métodos de aprendizaje se pueden clasificar en dos categorías dependiendo del
tipo de información disponible (op cit):
• Aprendizaje supervisado, en el cual los patrones de aprendizaje son formados por

parejas de datos {(Ap;Bp), p=1,….n}, esta consta de un vector de entrada Ap y sus
correspondientes salidas Bp. En este tipo de redes, el error se reduce mediante los
datos a la salida calculados por otra red y de esta forma se redefinen los pesos. En
este tipo de aprendizaje, el patrón de salida es un dato conocido, con lo cual, se
verifica constantemente la respuesta a la salida.
• Aprendizaje no supervisado, en este caso, la red debe descubrir por si misma

patrones y categorías, ya que los datos son presentados a la red sin información
externa. Es considerado dentro de las técnicas autorganizativas o automáticas con la
finalidad de descubrir las estructuras de datos. La red debe ser capaz de reajustar sus
pesos, de manera que se encuentre alguna configuración presente o resultado
coherente al problema. Esto mediante una serie de ciclos de entrenamiento llamados
épocas. Algunos ejemplos de este tipo de aprendizaje son:
• Aprendizaje hebbiano, consiste en la modificación de los valores de los pesos de la

red, de acuerdo a algún criterio de correlación entre las actividades de las neuronas.
• Aprendizaje competitivo, en donde las neuronas son conectadas con pesos

inhibitorios o negativos a fin de ganar un mayor valor en la actividad neuronal.

Capítulo 1 15
• Representación de características, usualmente conocido como (Feature Mapping),

el cual, consiste en la ordenación geométrica del peso de los vectores.
Otra característica de los datos de aprendizaje no supervisado, es que puede

contener valores de entrada y salida, sin conocer la correspondencia entre las salidas y los
datos entrantes.
Lo anterior, es la descripción de una Neurona Artificial. Existen muchas

modificaciones al modelo neuronal básico, del cual, se plantea al Perceptrón como base.
Este se describe más adelante. También, es importante señalar que para el modelo neuronal
se requiere de un entrenamiento a través de diversos procesos como el aprendizaje
supervisado, la regla de Hebbs o los procedimientos de aprendizaje, entre otros.
La regla de aprendizaje de Hebbs, consiste en la elección de los pesos sinápticos

Wji. Se elijen en función de un patrón memorizado σi y cada patrón memorizado conforma
una configuración estable.
1.4.4. Esquema general del funcionamiento de una Red Neuronal

Artificial.
De acuerdo a Pistolesi (1999), las Redes Neuronales consisten en un sistema de n neuronas,

cuya información es o no trascendente mediante la prioridad definida por los pesos
sinápticos. La dinámica general consta de las siguientes fases:
Una señal de activación, la cual, actualiza los estados de las neuronas y permite de
esta forma el cálculo. Dado un estado de una neurona i y la entrada de estimulación
de la neurona , el estado siguiente resultante es:
(1.5)
Donde F representa una determinada función de transferencia.

Capítulo 1 16
Una regla de aprendizaje, la cual, modifica los pesos de las conexiones y así
permite llevar a cabo el cálculo. Dado el peso sináptico Wji que se reforzará o inhibirá,
resulta lo siguiente:
(1.6)
1.4.5. Arquitectura de una RNA.
Una Red Neuronal Artificial puede concebirse desde un punto de vista matemático como
un grafo dirigido y ponderado, donde los nodos representan las neuronas y las líneas que las
unen entre sí, son las conexiones sinápticas. Las arquitecturas pueden definirse por el
número de capas:
• Redes monocapas. Son las de configuración más sencilla, ya que están formadas
únicamente por una capa de neuronas que proporcionan las entradas a la red y una
capa de neuronas que generan los datos a la salida. Debido a que la capa de entrada
no realiza ningún cálculo, más bien sólo alimenta a la red con la señales de entrada,
esta capa no se cuenta. Es por ello que el nombre es redes monocapa. Este tipo de
red es conveniente cuando se trabaja con una gran cantidad de datos, ya que surge la
necesidad de agruparlos de acuerdo a sus similitudes de comportamiento. Cada capa
constituye un vector de neuronas, cuyas salidas pueden ser lineales o no lineales.
En la figura 1.5, se muestra un esquema de una Red Neuronal monocapa.

Capítulo 1 17
Fig. 1.5. Red Unicapa.
• Las Redes Neuronales multicapa. Tienen un mayor número de datos de entrada y

de neuronas. Tienen capas ocultas intermedias entre las entradas y las salidas y son
mayormente utilizadas para la resolución de problemas complejos. En este tipo de
redes, las capas ocultas contienen datos lineales o no lineales. Lo anterior se
demuestra mediante la construcción de una red multicapa con capas ocultas lineales,
que sería equivalente a una red unicapa. Esta característica ha sido aprovechada
para el diseño de microcomponentes de silicio paralelos con la tecnología (Very

Capítulo 1 18
Large Scale Integrated) VLSI, por sus siglas en inglés. En la figura 1.6, se muestra
un ejemplo de una red multicapa.
Fig. 1.6. Red Multicapa.
Por su tipo de conexión y su arquitectura se clasifican como:
• Redes no recurrentes, en las cuales la señal se produce únicamente en un sentido.

Estas estructuras no tienen memoria y puesto que solo reciben información
unidireccional, no es posible realimentarlas. Esto hace referencia a un sistema de
control de lazo abierto en el cual no existe señal de retroalimentación.
• Redes neuronales recurrentes, las cuales, tienen lazos de retroalimentación. Lo

anterior, es análogo a un sistema de control de lazo cerrado, en el cual, la señal de

Capítulo 1 19
salida proporciona una retroalimentación al sistema. Los lazos pueden ser entre
neuronas de diferentes capas o entre una misma neurona. Este tipo de configuración
las hace adecuadas para estudios no lineales.
Por su tipo de conexión, su arquitectura se define como:
• Redes Neuronales totalmente conectadas. Cada una de las neuronas de una capa se
encuentran conectadas con las neuronas de la capa siguiente (redes no recurrentes) o
con las de la capa anterior (redes recurrentes).
• Redes parcialmente conectadas. Estas conexiones pueden ser en diferentes

configuraciones, siendo en paralelo o jerárquicas. En estas últimas, se define la
importancia de las neuronas formando redes subordinadas o subredes.
1.5. Ventajas y limitaciones de las Redes Neuronales Artificiales.
Si bien, las Redes Neuronales son una buena alternativa para la solución de muchos
problemas, también tienen sus limitaciones. No obstante lo anterior, se ha buscado la
forma de perfeccionarlas a través de diferentes modelos y adaptaciones. Se observan
actualmente trabajos mediante Redes Neuronales Artificiales en diversos campos,
combinadas con Algoritmos Genéticos o Algoritmos Evolutivos, tales como los descritos
por (Martinez y Goddart, 2001), en donde se usan Redes Neuronales para tareas de
clasificación por medio de un programa evolutivo, y (Parisi y cols, 2006), quienes aplican
Redes Neuronales en conjunto con Algoritmos Genéticos para la predicción de índices
bursátiles, solo por mencionar algunos trabajos.
Dependiendo del tipo de aplicación, se determina la viabilidad de la implementación

de las RNA`s, seleccionando el tipo de red a utilizar y la arquitectura apropiada. De lo
anterior, se destacan a continuación algunas de las ventajas de trabajar con Redes
Neuronales:

Capítulo 1 20
• Alta tolerancia al ruido. Significa que resultan muy flexibles con relación a datos
complejos, y faltantes.
• Capacidad de trabajo en paralelo. Las dota de mayor rapidez en la resolución de

una gran gama de problemas con relación a métodos computacionales
convencionales.
• Tolerancia al error. Permite que por medio de una retroalimentación de la Red

Neuronal, se realicen procedimientos iterativos que actualizan las secuencias y los
pesos de esta, posibilitándola de un aprendizaje en tiempo real. También cabe
destacar que la red puede seguir respondiendo de forma relativamente aceptable,
incluso si existen datos faltantes o si ha sido dañada.
• Adaptabilidad. Debido a que la Red Neuronal tiene la capacidad de modificar y

corregir algunos de sus parámetros tales como sus entradas o autoajustarse en
presencia de ruido, se considera adaptable, sin embargo, es necesario destacar que
esta capacidad no debe ser exagerada, ya que esto crearía un sistema inestable, el
cual respondería a pequeños cambios o perturbaciones con resultados cuyo
porcentaje de error sea muy alto.
• Posibilidad de trabajo en tiempo real. Mediante lo cual, se emulan actividades de

los sistemas biológicos a través de programación o el uso de componentes de
silicio.
Por otra parte, Muñoz (1996) describe algunas de las características por las que las
RNA´s suelen ser útiles:
• No linealidad. Las neuronas generalmente son elementos de procesos no lineales,

quedando esta propiedad de no linealidad distribuida a lo largo de toda la red. Lo
anterior resulta útil para la resolución de problemas no lineales tales como el
reconocimiento de patrones de voz, sin embargo también complica el análisis por
medio de métodos lineales ya establecidos.

Capítulo 1 21
• Respuesta evidencial. La red puede otorgar información sobre la fiabilidad de una

estimación. De esta forma, se pueden rechazar o aceptar valores de entrada
completando el proceso de estimación.
• Tolerancia frente a fallos. La red puede seguir respondiendo en el caso de que

parte de su estructura esté dañada. Esto por el tratamiento distribuido de la
información, y la redundancia implícita de la red.
• Realización en VLSI. Permite construir estructuras altamente complejas mediante

la utilización de tecnología (Very Large Scale Integration), o de integración a gran
escala. Esto se logra por las características de procesamiento en paralelo de una Red
Neuronal, lo cual, permite la resolución de problemas complejos.
Algunas de las desventajas que se refieren al uso de las Redes Neuronales son las
siguientes de acuerdo a Bautista (2008) son:
• Es difícil conocer el contenido de las capas ocultas, por lo cual, la información es

una caja negra para el diseñador. De esta forma no existen algoritmos que describan
el comportamiento de la red.
• La extrapolación de las soluciones que se encuentran fuera del dominio de la red, no

es posible.
• Si el problema a resolver es altamente complejo, el diseñador debe realizar una

delimitación muy precisa del problema, lo cual puede resultar en una gran tarea.
Adicionalmente a lo anterior, cabe destacar que debe delimitarse el problema con

precisión, así como también, el número de épocas o ciclos de entrenamiento, para no
realizar un sobre-entrenamiento y obtener resultados vagos e imprecisos.

Capítulo 1 22
1.6. El Perceptrón.
Hagan y cols. (1996), refieren que Frank Rosemblatt, en 1950, junto con otros
investigadores, desarrollaron una clase de Redes Neuronales llamadas Perceptrones, cuyas
neuronas eran similares a las de McCulloch y Pitts. El aspecto trascendente con el que
contribuyó Rosemblatt fue al introducir la regla de entrenamiento del Perceptrón para los
problemas de reconocimiento de patrones, observando que esta regla siempre converge
hacia los valores de los pesos correctos, la cual aprende de los errores.
El Perceptrón es un modelo neuronal básico. Está determinado principalmente por

tres funciones, las cuales son, activación, propagación y transferencia. Estas regulan la
forma de operación de la red y mediante la función de transferencia se da una
retroalimentación, la cual posibilita el aprendizaje mediante entrenamiento.
Fig. 1.7. Representación de un Perceptrón.
1.7. Algoritmos de entrenamiento.
1.7.1. Algoritmos de entrenamiento comunes.
Los Perceptrones generalmente se organizan en diferentes capas, de esta forma, cada

neurona de una capa es capaz de recibir una entrada de aquellas previas. Como ya se ha
descrito, los Perceptrones son las estructuras más simples y de una sola capa.
Algunos de los algoritmos de aprendizaje más comunes se describen a continuación:
• Aprendizaje hebbiano: los pesos sinápticos son elegidos de forma aleatoria,

utilizando los patrones uno a uno y de esta forma se modifican los pesos de acuerdo
a la correlación entre los valores de entrada y de salida.
Capítulo 1 23
(1.7)
El parámetro “n” representa el índice de aprendizaje que indica el cambio de los

pesos sinápticos.
• Método del descenso de gradiente, en el cual también se eligen los pesos sinápticos
de forma aleatoria. Sin embargo, la finalidad de este método es minimizar la suma
de los cuadrados de los errores por medio de la variación de los pesos. De esta
forma el error se encuentra determinado por la siguiente expresión:
(1.8)
Este algoritmo puede ser optimizado mediante el método de descenso de gradiente

lo cual resulta en:
(1.9)
En donde Bpi, es la activación lineal de la neurona bpi es decir, bpi=f(Bpi). “n”

Representa el índice de aprendizaje.
Si se describe un caso lineal de la forma f(x)=x, la fórmula de aprendizaje anterior

se modifica y se reduce:
(1.10)

Capítulo 1 24
1.7.2 El algoritmo de Retropropagación.
Castillo et al (1999) realizan una descripción de la red de Retropropagación, en donde,

suponiendo conjuntos de entrada {ap1,…apn}, con las salidas correspondientes a estos de
la forma {bp1,….bpn}, donde p=1 como patrones de entrenamiento de un Perceptrón
simple, se tiene la función que describe el error total:
(1.11)
Este algoritmo de Retropropagación se apoya en la idea del descenso del gradiente

por medio del uso de la regla delta:
(1.12)
Donde “n” es el parámetro de aprendizaje relacionado con el índice de pesos

modificables. El algoritmo de Retropropagación de Rumelhart et al (1986) permite dar
solución a la problemática de actualizar iterativamente los pesos, ya que, no resulta igual de
simple que en el caso del Perceptrón.
Primeramente, el patrón “ap”, el cual, conforma el vector de entrada, se propaga

hacia adelante mediante la obtención de los valores de las capas ocultas y las salidas bp. De

Capítulo 1 25
esta forma, los valores obtenidos son utilizados para actualizar los pesos sinápticos Wik y
así propagar hacia atrás los errores anteriores:
(1.13)
Bpi=f(Bpi), es la enésima salida de la red obtenida mediante la Retropropagación

hacia adelante de la entrada (api,…..apn) por lo que se tiene:
(1.14)
Ya que los pesos han sido actualizados, el valor resultante junto con el valor a la
entrada y los de las neuronas de las capas ocultas, se utilizan para modificar los pesos de la
capa oculta:
(1.15)
De los primeros términos, se sustituye en las derivadas parciales resultando lo

siguiente:

Capítulo 1 26
(1.16)
Finalmente, se obtiene una expresión reducida de los pesos actualizados mediante la

Retropropagación:
Donde:
1.8. Aplicaciones Generales de las Redes Neuronales Artificiales

en la Mecánica.
Las aplicaciones de las Redes Neuronales, son muy amplias. Lo anterior, es debido a su
versatilidad y sus características, tales como: el entrenamiento no supervisado y su
procesamiento en paralelo. Esto, las ponen en ventaja con relación a otras herramientas.
De forma general, sus aplicaciones principales pueden destacarse en diferentes

áreas, tales como: la Biología, el ámbito empresarial, Medio Ambiente, Economía,
Finanzas, Manufactura, Medicina, la Milicia, y un sinfín de aplicaciones ingenieriles. Las
de interés para el desarrollo de esta tesis, son aquellas que están relacionadas con el área de
la Ingeniería Mecánica y en específico, con la inspección de materiales.
El análisis de grietas y la detección de defectos es importante para garantizar la

integridad estructural de diversos materiales, los cuales, son utilizados en estructuras de

Capítulo 1 27
plantas en operación. También resulta importante para la determinación de esfuerzos

residuales y para la evaluación del tiempo de vida útil de los elementos que componen
una estructura. Para lo anterior, se ha recurrido a una serie de métodos y técnicas de
evaluación no destructivas (NDE) por sus siglas en inglés, mediante procedimientos
experimentales como rayos X, ondas de ultrasonido, por medio del uso de electroscopios o
análisis mediante la generación de campos magnéticos. En la mayoría de los casos, las
técnicas mencionadas únicamente son útiles para detectar la existencia de grietas o
defectos, por lo cual, las técnicas de evaluación cuantitativa no destructivas (QNDE) por
sus siglas en inglés, son una buena opción para evaluar parámetros asociados tales como
el tamaño de grietas, su forma y su localización. Esto forma una adecuada determinación
de la integridad estructural.
De acuerdo a la forma del tratamiento de los datos del problema, este puede ser
resuelto por medio de un análisis directo o inverso. En el caso de no contar con los
parámetros de defectos tales como el tamaño de grieta y la localización de defectos. Estos
pueden determinarse a partir de la respuesta dinámica de un sólido medido en diferentes
puntos de su superficie. Lo anterior es un análisis inverso del problema. Por otra parte, si
se conocen los parámetros del defecto, la respuesta dinámica de un sólido se puede obtener
a partir de análisis computacionales, por medio de simulaciones mediante métodos
numéricos tales como: el Método del Elemento Finito, entre otros. Esto es lo que se conoce
como un análisis directo del problema.
El análisis inverso, comprende el uso de Redes Neuronales Artificiales, las cuales

pueden ser utilizadas para la localización de defectos, grietas y determinación del tamaño
de grietas. Al respecto, las Redes Neuronales Artificiales han sido aplicadas no solo al
campo de la Ingeniería Mecánica, sino también resultan flexibles para realizar análisis en
otros campos de la ingeniería. Mediante este tipo de análisis y por medio de Redes
Neuronales Artificiales, se ha trabajado en la detección de defectos y determinación de
tamaño de grietas. Lo anterior, tiene como ventajas y desventajas, que esta metodología es
buena para realizar una evaluación cuantitativa. Para este efecto, se requiere un número
determinado de simulaciones computacionales en la aplicación de los procesos de

Capítulo 1 28
identificación y es inevitable en la optimización de métodos convencionales. La

metodología es la siguiente:
1. Se simulan mediante análisis por medio del Método del Elemento Finito,
generándose con esto, una base de datos sintética.
2. Identificar parámetros para la determinación de defectos o detección de grietas.
3. Se entrena y valida la Red Neuronal con pares de datos recabados de la fase

anterior. Este es uno de los puntos de interés de este trabajo de tesis.
En el ámbito mecánico, Okuda, Miyazaki y Yagawa (1995), reportan una serie de

recientes aplicaciones de las Redes Neuronales, principalmente en el ámbito del análisis
cuantitativo no destructivo, las cuales, se mencionan a continuación:
• Detección de defectos por medio de potencial eléctrico. En este método, los

parámetros tales como el tamaño y la localización de la grieta se determinan por
medio de mediciones de valores de potencial eléctrico en diferentes puntos del
espécimen a analizar. Lo anterior, es lo que se conoce como un análisis inverso. Por
el contrario, si se conocen los parámetros de grieta, una distribución del potencial
eléctrico puede ser fácil y el procedimiento para realizar el anterior análisis es el
siguiente:
1. El muestreo de datos de los parámetros de grieta tales como: el tamaño, la

localización y el ángulo de rotación, contra los valores del potencial eléctrico.
Mediante patrones de entrenamiento, se realizan simulaciones para una gran gama
de combinaciones con los parámetros de grieta. Con esto, se desarrollan criterios de
evaluación.
2. Se entrena de una Red Neuronal Artificial de Retropropagación, la cual, se utiliza

en determinado número de patrones.
3. La red entrenada es capaz de identificar parámetros de grieta provenientes de la
medición de los valores del potencial eléctrico.

Capítulo 1 29
• Identificación de defectos con el método ultrasónico. En este análisis se plantea

una placa con un defecto en su superficie. Una onda ultrasónica se propaga sobre
esta, a fin de identificar la ubicación vertical y horizontal de la punta del defecto.
Esto mediante la onda reflejada y se monitorea la respuesta dinámica de los
desplazamientos en 7 puntos. Para el análisis, se usa una Red Neuronal con el
algoritmo Retropropagación del error, por sus siglas en inglés, (EBP) combinado, o
del error combinado, estimando el error del entrenamiento. Se cuenta con el número
de puntos de monitoreo, el número de unidades ocultas y los factores de
aprendizaje. El análisis proporciona menor tiempo y con mayor exactitud por medio
de la implementación de la RNA (Yoshimura y cols, 1993).
• Análisis con el modelo de Redes Neuronales para el comportamiento de

materiales viscoplásticos. Este análisis cobra importancia debido a que en la
industria, algunos materiales estructurales son sometidas a condiciones de carga
severas, como ciclos de carga variable, condiciones de irradiación o a altas
presiones y temperaturas. Las ecuaciones viscoplásticas constitutivas, relacionan
varios parámetros necesarios para determinar el comportamiento de los materiales.
Ya se ha trabajado con respecto a esto mediante el uso de RNA, con la finalidad de
optimizar los múltiples parámetros de las ecuaciones constitutivas viscoplásticas.
(Yoshimura y cols, 1992).
Estos son solo algunos de los muchos ejemplos de las aplicaciones de las Redes
Neuronales Artificiales en Ingeniería Mecánica. Actualmente, en la Sección de Estudios de
Posgrado e Investigación de ESIME-IPN se ha trabajado con la detección de defectos y su
implementación al modelo constitutivo del comportamiento de materiales, así también se ha
modelado mediante la implementación de Control Difuso y Redes Neuronales para la
resolución de problemas en mecánica. También, trabajos con Algoritmos Genéticos se han
realizado. Un ejemplo es el titulado “diseño de mecanismos utilizando Algoritmos
Genéticos con aplicaciones en prótesis para miembro inferior, a cargo de las M. en C.
Esther Lugo González, en donde describe la metodología para su implementación.

Capítulo 1 30
1.9. Algoritmos Genéticos.
Los Algoritmos Genéticos, (AG) son una herramienta de optimización, aplicable a una
gran gama de problemas. Estos se basan en la selección natural de los procesos de
evolución biológica. Debido a esta característica, el AG modifica constantemente la
población de los individuos. En cada paso, se seleccionan los datos de una población al
azar, para ser padres y así formar hijos para la siguiente generación. Hacia las nuevas
generaciones, se propone una gran variedad de soluciones óptimas al caso a resolver. Una
característica importante, es que estos tienen la capacidad de resolver problemas mediante
una función objetivo, discontinua, no diferenciable, estocástica o altamente no lineal.
Los Algoritmos Genéticos funcionan bajo una función objetivo, que describe el
comportamiento del problema y debe programarse previamente. Se usan una gran gama de
reglas en cada paso para la creación de generaciones, las cuales son:
Reglas de selección. Se eligen a los individuos llamados parientes, los cuales

contribuyen a formar la población de la nueva generación.
Reglas de cruce. Sirven para hacer combinaciones entre parientes para formar hijos
de las siguientes generaciones.
Reglas de mutación. Se aplican al azar para crear cambios en los padres para la
formación de hijos.
Algunos criterios que se pueden modificar en la programación de los algoritmos

genéticos son los siguientes:
Tamaño de la población. Especifica cuantos individuos hay en cada generación.

Esta se define mediante vectores de tamaño mayor a 1, a fin de crear subpoblaciones.
La selección de funciones. Se seleccionan parientes para las próximas

generaciones, con base a los valores de las funciones de escalamiento idóneo.
Reproducción. Se determina cuántos hijos se crean en cada generación.

Capítulo 1 31
Los Algoritmos Genéticos se pueden modelar mediante el uso de MATLAB. Con el

comando “gatool”, se despliega la herramienta de optimización de los AG.
1.10. Planteamiento del problema.
Anteriormente, ya se han aplicado análisis de fractura para la determinación de las

condiciones de inicio y propagación de grietas en distintos especímenes con diversas
propiedades mecánicas y geométricas. Algunos de estos métodos, se apoyan en análisis
numéricos que consumen muchos recursos de cómputo y mucho tiempo, al igual que se
considera la exactitud de los resultados que estos métodos proporcionan.
La pregunta es, si existe algún otro método que pueda dar solución a la evaluación
del problema de inicio de propagación de una grieta. Así es que, existe la necesidad de
generar criterios de evaluación y a la vez, se debe tomar en cuenta el carácter no lineal del
problema. Esto es, la relación parabólica entre el Factor de Intensidad de Esfuerzos y el
tamaño de la grieta. En este sentido, se ha establecido, que los análisis por medio de Redes
Neuronales Artificiales y Algoritmos Genéticos son una buena propuesta.
Debido a lo anterior, el actual análisis consiste en la implementación de una Red

neuronal de Retropropagación para el análisis de las condiciones de fractura en placas
metálicas. Esto, mediante la obtención de los Factores de Intensidad de Esfuerzos por
medio de Redes Neuronales, el Método del Elemento Finito y analíticamente, y
posteriormente se determinan de la condiciones de inicio de propagación de grietas, por
medio de Algoritmos Genéticos. Por lo cual, el espécimen a analizar es una placa metálica
con una relación de Poison “υ” de 0.27 y un módulo de elasticidad “E” de “200 GPa,
correspondientes a los aceros, cuyo modo de carga es el tipo I y posee una grieta lateral, tal
como se muestra en la figura 3.2.
Se determinan los Factores de Intensidad de Esfuerzos variando la geometría y la

carga aplicada al espécimen. Primeramente, por el método analítico y luego por medio del
Método del Elemento Finito, mediante el apoyo del paquete computacional ANSYS.
Posteriormente, se genera una base de datos sintética, se desarrolla el análisis con una Red

Capítulo 1 32
Neuronal Artificial de Retropropagación y se verifican los resultados al aplicar seis

distintos algoritmos a este modelo de RNA. Se propone un análisis directo, por lo que se
cuenta con las variables a, w, t, P (tamaño de grieta, ancho del espécimen, espesor y carga)
para la determinación de los Factores de Intensidad de Esfuerzos.
Considerando lo anterior, se modifican las variables descritas, a fin de modificar la

geometría y las condiciones de carga para entrenar la red. Se genera una base de datos con
los valores del cálculo analítico de K, posteriormente se verifican los resultados con el
modelado mediante el MEF del cual, también se forma una base de datos. Los valores de K
obtenidos de este último análisis son ordenados aleatoriamente y son utilizados para el
entrenamiento de la RNA de Retropropagación, con los algoritmos Levenberg-Marquardt,
BFGS Quasi-Newton, Retropropagación Elástica, Gradiente conjugado, Fletcher-Reeves y
la Secante de un Paso. De lo anterior, se identifica el algoritmo que implementado a una red
de Retropropagación, proporcionan los mejores resultados considerando como criterios el
tiempo de cálculo y el menor error cuadrático medio. El algoritmo con mejores resultados
en el entrenamiento, se compara con los resultados de la base de datos analíticos y
numéricos por medio del MEF. Los datos son analizados generando las conclusiones que se
describen en el actual trabajo de tesis.
Finalmente, se propone un análisis inverso para la determinación de las condiciones

de inicio y propagación de grietas, a través de la obtención de los parámetros a, w, t y P, a
partir de los valores del Factor de Intensidad de Esfuerzos, mediante el uso de Algoritmos
Genéticos.
1.11. Sumario.
En este capítulo, se expusieron los conceptos básicos en torno a las Redes Neuronales
Artificiales, haciendo un breve recorrido por la historia, sus orígenes y sus principios
básicos, así como sus aplicaciones en el área de interés de esta tesis. Se desarrolló una
descripción detallada del algoritmo de entrenamiento de Retropropagación, ya que este es
el que se propone para llevar a cabo el análisis de grietas en placas. En la Sección de
Estudios de Posgrado e Investigación de la ESIME-IPN, ya se ha trabajado con el uso
Redes Neuronales Artificiales aplicadas a otros problemas de Ingeniería Mecánica y con

Capítulo 1 33
este análisis, se pretende contribuir con técnicas para el análisis mediante las RNA’s, en
específico se trata el caso de inicio de propagación de grietas en placas agrietadas sujetas al
modo de carga I. Con lo anterior, también se plantean las bases teóricas del algoritmo de
Retropropagación cuyas ecuaciones serán utilizadas para el análisis mediante la
implementación y comparación de los seis distintos algoritmos antes mencionados.
En el siguiente capítulo, se describen brevemente los conceptos básicos en torno a

Mecánica de la Fractura, necesarios para el planteamiento del problema planteado de este
trabajo de tesis.

Capítulo 1 34
1.12. Referencias.
Anderson, A. J. (2007). Redes Neurales. Alfaomega. México
Bautista, C. G. (2008). Implementación numérica de una red neuronal para el modelo

constitutivo del comportamiento de materiales. Tesis de maestría. SEPI-ESIME Zacatenco
México D. F.
Campanario, J. M. (2004). El enfoque conexionista en psicología cognitiva y algunas

aplicaciones sencillas en didáctica de las ciencias. Enseñanza de las ciencias, 22(1), 93-104
Castillo, E., Cobo, A., Gutiérrez, J. (1999). Introducción a las redes funcionales con
aplicaciones. Un nuevo paradigma neuronal. Paraninfo, Madrid España.
Freeman, A. J. y Skapura, M. D. (1993). Redes neuronales. Algoritmos, aplicaciones y

técnicas de propagación. Addison- Wesley/Diaz de Santos. México.
Gori, M. (2003). Introduzione alle Reti Neuronali Artificiali. Mondo digitale. Número 4.
Hagan, M. T., Demuth, H. B. y Beale, M. (1996). "Neural network design", Thomson

Learnig PWS Publishing Company, Pp 4-2.
Haykin, S. (1999). "Neural networks a comprehensive foundation", Prentice Hall, 2da

Edición.
Hebb, D. (1949). The Organization of Behaviour. Ed. Wiley
Hilera, R. J. y Martínez, J. V. (2000). Redes neuronales artificiales. Fundamentos, modelos

y aplicaciones. Ed. Alfaomega. México. Pp. 2-7.
Izarrueta, F. y Saavedra, C. (2008). Redes Neuronales artificiales. Departamento de Física

Universidad Concepción. Concepción Chile. Recuperado el 6 Septiembre del 2008 de
http://dis.unal.edu.co/profesores/lucas/RedNeu/LiRna003.pdf
Martínez, L. A., Goddart, C. J. (2001). Definición de una Red Neuronal para clasificación
por medio de un programa evolutivo. Revista Mexicana de Ingeniería Biomédica. Vol.
XXII, Num. 1. Pp. 4-11.

Capítulo 1 35
McCulloch, W. y Pitts W. (1943). A logical Calculus of ideas immanent in nervous

activity. Bulletin of Mathematical Biophysics.
Minsky, M. y Papert, S. Eds. (1969). Perceptrons. Cambridge MA, MIT Press.
Müller, B., Reinhardt, J. y Strickland, M.T. (1995). Physics of neural networks. Neural
Netwoks, an introduction. Second Edition. Springer.
Muñoz, San R. A. (1996). Aplicación de técnicas de redes neuronales artificiales al

diagnóstico de procesos industriales. Tesis doctoral. Universidad Pontificia Comillas.
Madrid.
Okuda, H., Miyazaki, H. y Yagawa, G. (1995). "Model of inelastic response using neural
networks." Transactions of the Japan Society of Mechanical Engineers. A 62(597):
1284-1290.
Parisi, A., Parisi, F. y Diaz, D. (2006). Modelos de algoritmos genéticos y redes neuronales
en la predicción de índices bursátiles Asiáticos. Cuadernos de economía Vol. 43.
Universidad de Chile. Pp. 251-284.
Pistolesi G, (1999). Il ritorno delle reti neuralli Parte I: La física della mente. Gennaio
1999, Byte Italia pp. 57-61
Rumelhart, D. E., G. E. Hinton y J. L. McClelland (1986). "A general framework for

parallel distributed processing." Parallel distributed processing.
Soria, E. y Blanco, A. (2001). Redes Neuronales Artificiales. ACTA. Pp 25-26. Recuperado

el 10 de Julio de 2008 de http://www.acta.es/articulos_mf/19023.pdf
Yoshimura, S., Hishida, H. y Yagawa, G. (1992). “ Parameter optimization of viscoplastic

Constitutive equation using neural network”, VII International congress of experimental
mechanics, 1 pp. 296-301.
Yoshimura, S., Yagawa, G., Oishi, A y Yamada, K. (1993). “Quantitative Defect

identification by means of neural netwok and computacional mechanics”, 3rd Japan
International SAMPE simposium, pp. 2263-2268.

2
Conceptos Teóricos
de Mecánica de la
Fractura
Capítulo 2 37
CAPÍTULO 2
Conceptos Teóricos de Mecánica de la Fractura.
2.1. La Mecánica de la Fractura.
2.1.1. Aspectos generales.
El análisis de elementos mecánicos sometidos a distintos esfuerzos y en condiciones de

falla, ha sido trascendente a lo largo de la historia. La problemática que se han reportado
en la literatura abierta, debido a fallas de distintos elementos, ha costado vidas humanas y
pérdidas materiales cuantiosas. Sin embargo, no siempre estas condiciones de falla han sido
una problemática. En épocas ancestrales, el debilitamiento de un material y a su vez la
generación de grietas, servían para la creación de utensilios de corte y de guerra. La
elaboración de estos, consistía en la ruptura a través del impacto con materiales o
superficies más duras que el material a trabajar. Las fallas mecánicas se dan principalmente
a causa de grietas, fisuras o imperfecciones y desde los inicios de la humanidad, así como
en el presente, su estudio ha sido de gran interés. El hombre ha sido capaz de aplicarla con
gran éxito en el desarrollo de sus herramientas de caza o construcción (Timmins, 1994).
El fenómeno de fractura es relativamente común para los seres humanos, ya que lo

observamos constantemente a lo largo de nuestra vida. Lo anterior, al romperse un vidrio,
una hoja o incluso se percibe mediante la ruptura de huesos y articulaciones del ser
humano. Si bien, algunas de las características de fractura de materiales son aplicadas
actualmente en distintos procesos ingenieriles, otro aspecto muy importante, que justifica

Capítulo 2 38
enormemente los esfuerzos de generar distintos métodos de análisis de materiales

sometidos a condiciones de falla, es cuando están implicadas directamente pérdidas
humanas y materiales debidas a la fractura de elementos mecánicos. No en todos los casos,
es posible, por factores económicos o de seguridad, el desarrollar métodos de análisis
experimentales o de campo, para lo cual, han surgido métodos analíticos y numéricos tales
como los análisis por medio del Método del Elemento Finito o métodos directos, que
permiten simular fallas en elementos mecánicos de forma relativamente rápida y eficiente
en comparación con otros, aunque existe la posibilidad de emplear métodos numéricos
inversos, en donde las Redes Neuronales Artificiales (RNA), tienen un alto potencial.
Estas técnicas son utilizadas, ya que, en general, los factores de los cuales depende
el fenómeno de fractura son las dimensiones del defecto, el estado de tensión al cual está
sometido el elemento, las características del material, la geometría del elemento en la
vecindad del defecto y la temperatura, por mencionar los más relevantes. Alternativamente,
los métodos indirectos, como la utilización de RNA`s, son adecuados por cuestión de costo
y tiempo. Un aspecto de interés en Mecánica de la Fractura es el conocer el estudio de la
propagación de grietas y la detección de defectos en materiales, ya que estos son los
orígenes más comunes de la ruptura de materiales. Para estos estudios, una forma es
considerar los elementos o especímenes a analizar como continuos, con base en teorías
elásticas lineales y elastoplásticas, las cuales, permiten un criterio de análisis macroscópico.
2.1.2 Antecedentes históricos de la Mecánica de la Fractura.
Se considera que los primeros estudios en torno a Mecánica de la Fractura, se llevaron a

cabo en el siglo XIX. Sin embargo, el interés por estudiar formalmente estos fenómenos se
remontan hacia épocas anteriores.
Timoshenko, (1983) refiere que los primeros estudios sobre la Mecánica de la

Fractura fueron realizados por Leonardo Da Vinci, con el objetivo de determinar la
resistencia de cuerdas o lianas, enunciando que dicha resistencia dependía de la longitud de
las mismas. Actualmente, se sabe que los estudios con relación a la Mecánica de la Fractura

Capítulo 2 39
pudieran ser más antiguos. Al revisar su trabajo, con base en los conocimientos actuales,
es claro que la resistencia del material no depende de su longitud. Da Vinci llegó a esta
conclusión ya que la cantidad de material sí está en función de su longitud, por lo que al
haber más material, aumenta la probabilidad de que se presente algún defecto en la cuerda y
esto provoque su fractura. (Urriolagoitia-Sosa, 1996).
Fig. 2.1. Esquema de los experimentos de Leonardo da Vinci sobre la resistencia de hilos o lianas.
Ejemplos previos sobre la ruptura de piedras para la creación de estatuas por parte
de los antiguos egipcios, dan cuenta de la observación de los fenómenos de fractura. En la
figura 2.2, se observan las trazas de las excavaciones llevadas a cabo en Egipto a fin de
debilitar las piedras provocando una tensión crítica y a su vez fracturando la piedra.
(Pluvinage, 2009).
El hecho de llevar a cabo la creación de grietas como un procedimiento para

facilitar el corte de las mismas que posteriormente utilizarían para la construcción de
pirámides, esfinges u otro tipo de estructuras o figuras de ornamentación, constituyó uno de
los primeros acercamientos al aprovechamiento de los procesos de fractura en la
manufactura de distintos objetos.

Capítulo 2 40
Fig.2.2.Trazas de excavación en las rocas hechas por los antiguos egipcios.
Lo anterior, denota que las primeras fallas registradas en un material, consideradas

como proceso industrial, fueron en la obtención de materia prima de las canteras, la cual, se
ocupaba para la construcción de casas y templos en algunas civilizaciones, así como el
tallado de piedra para la construcción de estatuas (Urriolagoitia-Sosa, 1996).
Posterior a los estudios de Da Vinci, se reportan en la literatura los de Galileo

Galilei, considerado padre de la Física. En sus análisis con vigas, él observaba diferencias
en cuanto a la aplicación de la carga en lo que ahora conocemos como pruebas de tracción
y de flexión, encontrando que la carga de ruptura, es inversamente proporcional a la
longitud de la trabe y directamente proporcional al cubo del radio de su sección. Esto a
pesar de que no tenía una clara comprensión de los modos de carga. (Colombo y Firrao,
2007).

Capítulo 2 41
Fig.2.3. Modo de ruptura bajo flexión en una viga. (Galileo, 1638. Pp.133)
En 1776 se reporta que Coulomb fue un pionero en la investigación de la fractura de

piedras a compresión y actualmente su criterio es aún utilizado. (Coulomb, 1776 en
Ceriolo y Di tomasso, 1998).
Posteriormente, Griffith (1921), quien es considerado el padre de la Mecánica de la

Fractura, propuso una explicación del fenómeno de agrietamiento. Esta consideraba la
energía requerida para la propagación de la grieta. Él comenzó su análisis con materiales de
comportamiento frágil tales como el vidrio. Manejaba el concepto de propagación e
incremento de la grita, si la energía en el sistema era suficiente para propagarla. Con los
conocimientos en torno al análisis matemático, tanto energético por parte de Griffith y de
análisis de esfuerzos de Inglis, (1913) se crearon las bases para dar un tratamiento formal y
cuantitativo de los fenómenos de fractura frágil en sólidos.
En este momento, el interés por el análisis del fenómeno de fractura cobra gran
importancia y Weibüll (1939), desde un punto de vista estadístico, aplica los conocimientos
en torno a la fractura que ya se reportaban a la fecha. Por otra parte, Pierce (1926) realiza
estudios probabilísticos para evaluar la tensión en fibras. Posterior a esto, el gran impulso
en esta área fue durante la Segunda Guerra Mundial debido a los problemas de fractura en
algunos elementos de barcos y buques de ataque y mercantes. Debido a esto se realiza un
reporte en torno al funcionamiento de los barcos “Liberty”, lo cual, dio lugar al
entendimiento en torno a algunos fenómenos de falla repentinos.

Capítulo 2 42
a) b)
Fig.2.4. Barcos: a) Prestige fracturado y b) Flotilla de barcos Liberty.
Estos barcos eran de origen británico, pero fueron adoptados por los
estadounidenses debido a su diseño económico y su rapidez. Posteriormente, se
modificaron y se adaptaron más al concepto estadounidense.
En 1956, Irwin publicó un artículo en donde mostró una modificación a las

ecuaciones de Griffith, demostrando que la amplitud del esfuerzo podía ser expresada
cuantitativamente en términos escalares, lo que actualmente se conoce como el Factor de
Intensidad de Esfuerzos “K”, explicándose así el inicio de propagación de una grieta en
términos del parámetro mencionado.
Balankin, (2000) refiere que en el periodo de 1955 a 1960 se analiza el problema de

fractura por medio de la utilización de variable compleja para derivar los campos de
esfuerzos bidimensionales en placas de tamaño finito e infinito. Los problemas a estudiar
fueron: una grieta en una placa de ancho finito, (Isida 1956 en Balankin 2000); grietas
radiales originadas en la frontera de un agujero circular, (Bowie 1956 en op. cit.); una
muesca en una placa semi–infinita, (Wigglesworth 1957 en op cit.); y un arreglo de grietas
colineales por (Koiter 1959 en op cit).
Rice (1968), realiza una aproximación energética para el análisis de grietas con base
en la integral “J” desarrollada previamente por Eshelby, (1951) para una singularidad en un
sólido, sin embargo, no pudo aplicarse cabalmente al análisis de grietas.

Capítulo 2 43
Elber, (1970,1971) demostró que las grietas por fatiga pueden permanecer cerradas
aun cuando están sujetas a cargas de tensión cíclicas. Pearson (1975) fue el primero en
registrar e identificar el problema de grieta corta, que afecta en cuestión de diseño a
componentes mecánicos largos. Al principio de la década de los ochenta, Ritchie (1980),
analiza las condiciones de fatiga en materiales y Surech, Zaminski y Ritchie (1981),
estudiaron el comportamiento de propagación de grietas bajo condiciones de fatiga,
categorizando los rasgos básicos de algunos tipos de agrietamientos cerrados.
En 1983, el actualmente Instituto Nacional para la Ciencia y la Tecnología de los

Estados Unidos, estimó los costos por fallas debidas a fracturas en 119 billones de dólares
por año para 1982. Lo cual, contemplaba los daños económicos y en pérdidas humanas
(Roylance, 2001).
A la fecha, existe un gran esfuerzo por seguir analizando el comportamiento de

estructuras agrietadas y con defectos por métodos no convencionales, tales como las Redes
Neuronales Artificiales y también mediante la implementación de técnicas de Control
Difuso, Algoritmos Genéticos, entre otras, tal como se mencionó en el capítulo 1.
2.2. Modos de carga y campo de esfuerzos resultante en la punta

de la grieta.
Es esencial para el análisis y determinación de los parámetros de fractura, el definir el tipo

de carga a la cual es sometida un elemento mecánico. De lo anterior se puede decir que
existen 3 tipos o modos básicos considerados para el análisis, siendo el modo I uno de los
más estudiados, debido a sus implicaciones en cuanto a diseño de elementos mecánicos. En
la figura 2.5, se muestran:

Capítulo 2 44
Figura 2.5. Los tres modos básicos de aplicación de cargas:

a) Modo I o de apertura tensil, b) Modo II o de deslizamiento, c) Modo III o de desgarre.
El modo I o de apertura tensil es de separación. Las cargas son aplicadas de forma

perpendicular a las superficies de la grieta, separándolas entre sí. Por la forma de aplicación
de las cargas, este es un modo crítico, que se presenta en muchos problemas de Ingeniería,
ya que, debido a esta situación, la propagación de la grieta es más fácil con relación a los
otros dos modos. Por lo anterior, el interés en su análisis ha tenido gran atención, así
también, son variados los métodos que se han propuesto a lo largo del tiempo.
El modo II o de deslizamiento, se refiere a la aplicación de una carga de corte,

provocando un desplazamiento en dirección perpendicular al borde de la grieta. La
aplicación de las cargas es paralela y en sentido contrario una de la otra. Es por ello, que es
llamado de deslizamiento, ya que, al aplicar las cargas de forma perpendicular y en sentido
contrario a las superficies, entran en contacto una con la otra, pudiendo provocarse fricción
entre estas.
El modo III o modo de desgarre, es un modo particular, ya que se aplican las cargas
paralelamente al frente de la grieta, pudiendo producirse desplazamiento y cizalladura de
los labios de la fisura. La peculiaridad del modo, se debe a que en el ámbito de la
Ingeniería, se presenta en pocas ocasiones en comparación del modo I.

Capítulo 2 45
2.3. Teoría de falla de Griffith.
En 1920, Griffith realizó estudios en sólidos elásticos analizando la fractura frágil,

empezando con el problema de la rotura de una placa de vidrio y observó que estas
fracturas se debían a pequeñas fisuras superficiales. Estas provocaban la concentración de
tensiones en los extremos de la misma, por lo que actuaban en esos puntos, esfuerzos muy
superiores a los aplicados. Por lo tanto, la fractura del material se producía cuando la
tensión superaba la resistencia del material.
La tensión en la punta de grieta estaba dada por (σloc):
σloc = 2σ(a/ρ)1/2 (2.1)
Donde ρ el radio de curvatura en la punta de la fisura.
Fig 2.6. Placa infinita con una discontinuidad elíptica en el centro de dimensiones 2aX2b.
En la figura 2.6, se observa una placa con una discontinuidad elíptica en su centro
de longitud 2a, la cual, es cargada en sus bordes. La anchura de la placa es superior a 2a y
el estado en la placa es de tensión bidimensional.

Capítulo 2 46
De acuerdo a las leyes de la termodinámica, cuando un sistema pasa de un estado de

no equilibrio a uno de equilibrio, disminuye la energía local, por consiguiente se formará una
fisura, o bien esta crecerá, siempre y cuando en este proceso, la energía se transforma, en el
límite y permanezca constante. Por lo anterior, la configuración crítica mínima para que se
produzca la rotura puede definirse como aquella en que la fisura crece bajo condiciones de
equilibrio.
La energía asociada con la formación de la grieta puede ser dividida en un término

de energía mecánica, UM, y otro de energía superficial, US. En la expresión "energía
mecánica" se incluye el cambio en la energía elástica del sistema y la disminución en la
energía potencial del sistema debido a los desplazamientos de los puntos en que se aplica la
carga. La energía mecánica, por consiguiente, está formada por dos términos:
(2.2)
Ue, es la energía elástica almacenada y UA es la energía del sistema exterior que introduce
la fuerza, la cual, puede expresarse como el valor negativo del trabajo asociado con los
desplazamientos de los puntos de aplicación de la carga. El término US, es la energía que se
consume en la creación de las nuevas superficies de la grieta, por lo tanto:
(2.3)
El equilibrio termodinámico se alcanza igualando los términos de energía mecánica

y de energía superficial en una extensión virtual de la grieta “da”.
Al crear nuevas superficies de grieta, la energía superficial del sistema aumenta, es decir:

Capítulo 2 47
Por el contrario, si imaginamos un crecimiento virtual de la longitud de la grieta, la energía

mecánica disminuye o, sea:
Es decir, el término mecánico favorece la extensión de la grieta mientras que el

superficial se opone.
El momento crítico para el comienzo de la extensión de la grieta se alcanzará cuando

se cumpla la condición de equilibrio, en que la energía total del sistema no cambia en una
extensión virtual de la longitud de la grieta. La condición de equilibrio viene dada por:
En el criterio de Griffith, se considera una grieta bajo tensión uniforme como la que
se observa en la figura 2.7. Para el cálculo de la energía mecánica de este sistema, se puede
utilizar un resultado de la teoría de elasticidad lineal, a saber, que para cualquier cuerpo
bajo carga constante durante la formación de la grieta:
(Carga constante) (2.7)
El término Ue, puede ser calculado a partir de las tensiones y las deformaciones
(2.8)
Donde “E”, es el módulo de elasticidad o de Young. El término de energía

superficial está determinado por la siguiente ecuación:

Capítulo 2 48
Donde ϒs, es la energía libre superficial por unidad de área. La energía total del sistema
por unidad de espesor de la placa es:
(2.10)
En la siguiente figura se observa la variación de la energía mecánica UM(a), la

energía superficial, Us (a), y la energía total U, en función de la longitud de la grieta.
Fig. 2.7. Energía del sistema en condiciones de tensión uniforme. Datos de Griffith para el vidrio.
(Griffith, 1921).
De esta manera, si se aplica la condición de equilibrio dU/da=0, es posible calcular

la condición crítica para la rotura, si la longitud inicial de la grieta es , el espesor es
delgado, en condiciones de esfuerzo plano, entonces, la rotura se da cuando ,
resultando:
(2.11)

Capítulo 2 49
El resultado anterior, es debido a que . La energía liberada por el

sistema se encuentra en su punto de equilibrio máximo, de manera que la configuración es
inestable.
El resultado para el caso de una grieta central que está bajo la deformación plana es
similar:
(2.12)
Donde a0 es la longitud de la grieta en la placa y la relación de Poisson está

determinada por v.
En el caso de una grieta elíptica como la de la figura 2.6, en una placa infinita
sometida a tensión perpendicular a la superficie de la grieta, la ecuación se resuelve de la
siguiente forma:
(2.13)
Puede decirse entonces, que el criterio de Griffith, es una condición necesaria para
los análisis de fractura y es adecuado si la punta de la grieta es un vértice donde se
interceptan las superficies de la grieta, así también, si las fisuras son ideales. Estas
condiciones no siempre se encuentran en los sólidos reales, ya que sus radios de la punta
de la grieta son finitos. (Anglada et al, 2002).
2.4. Factor de Intensidad de Esfuerzos “K”.
En un material isotrópico y linealmente elástico, bajo condiciones de esfuerzo plano o

deformación plana, los campos de esfuerzos y de deformaciones en la punta de la grieta
presentan una singularidad del orden de Tal expresión fue desarrollada por Irwin,
quien demostró que, en la vecindad de la punta de la grieta, el campo de esfuerzos elásticos
puede ser expresado de acuerdo a la siguiente expresión:

Capítulo 2 50
(2.14)
Es decir, el campo de esfuerzos en la punta de la grieta en el Modo I está dado por

las siguientes series:
(2.15)
Esfuerzo plano
Deformación plana (2.16)
El Factor de Intensidad de Esfuerzos “K” depende linealmente de la carga aplicada,

es una función de la longitud de la grieta y de otros parámetros geométricos característicos
del cuerpo.
Para los casos anteriores, el factor K está dado por:
(2.17)
En una placa sometida a tensión:
σ= (2.18)
Este factor “K”, entrega una medida del nivel de esfuerzos en la vecindad de la
grieta en una condición de pequeña fluencia para una amplia variedad de geometrías. Su
expresión genérica está dada por la siguiente ecuación equivalente a la anterior, pero con
otra notación.

Capítulo 2 51
Este factor es aplicable a los ejemplos del modo I descritos en la tabla 2.1
Siendo:
K = Factor de Intensidad de esfuerzos [MPa m1/2].

σ = Esfuerzo remoto aplicado en el plano principal de la placa [MPa].
a = Largo de la grieta [m].
α = Factor de forma de la placa [adimensional].
W = Ancho del cuerpo [m].
Existe una amplia gama de métodos para determinar los factores K, los cuales se
pueden dividir en Analíticos, Numéricos, Experimentales. (Ortuzar, 1999). Por otra por otra
parte, (Gonzalez, 2004) describe los procedimientos para la determinación de K como los
siguientes: solución analítica, solución por métodos numéricos; Método Elemento Finito,
Integral de Límite, entre otros, métodos experimentales; tales como la flexibilidad, la
fotoelasticidad, la extensometría, entre otros, métodos indirectos; como la propagación de
grietas por fatiga, el método fractográfico, por mencionar algunos. Dentro de este campo
de posibilidades, se consideran las Redes Neuronales Artificiales y distintos métodos tanto
directos como indirectos, mencionados en el capítulo 1. Aspectos importantes a considerar
al elegir el modo de análisis son: la exactitud que proporciona el método para la resolución
del problema, determinada mediante el valor del error cuadrático medio, el tiempo de
cálculo, el consumo de recursos computacionales, en el caso de los análisis numéricos y la
complejidad en la resolución del problema, entre otros. Dependiendo el tipo de análisis
experimental que se pretenda, este puede ser destructivo o no destructivo, teniendo lo
anterior repercusiones, en costo y tiempo.
Puede haber distintas soluciones de acuerdo al modo de carga que presente la

estructura, incluyendo los casos en que estas están combinadas. Estas, están en función de
la geometría de la placa agrietada. Para esto, Anderson (1995) describe los casos y las
soluciones de K. Los casos de análisis más comunes y de mayor interés se enfocan en el

Capítulo 2 52
modo de carga del tipo I. Estos se muestran a continuación en la tabla 2.1, donde la figura 3
describe el caso de análisis de esta tesis. Las soluciones para K están dadas por:
Tabla 2.1. Funciones geométricas para el modo de carga I aplicado a distintas formas de grieta en placas
(Rice, 1972)

Capítulo 2 53
2.5. Tenacidad de la Fractura.
La fractura de los materiales, es debida a la existencia de defectos que al aplicar una

fuerza, producen el agrietamiento. (Callister, 1996) define la Tenacidad de Fractura como
el valor critico del Factor de Intensidad de Esfuerzos al que se propaga una grieta.
Para medir la resistencia de un material a la fractura se determina el Factor de

Intensidad de esfuerzos, descrito en la sección anterior. El valor de K que provoca el
crecimiento de una grieta ante un defecto causando la fractura de un material, es conocido
como el Factor de Intensidad del Esfuerzo Crítico o Tenacidad a la Fractura, y se representa
por KIC. Esto ocurre en un estado de deformación plana.
Numéricamente, este valor está en función del espesor del espécimen, por lo cual, si
éste es analizado bajo condiciones de deformación plana, no se considera una propiedad
mecánica. A esto se llama, Tenacidad a la Fractura en deformación plana o KIC.

Capítulo 2 54
Fig. 2.8. Condiciones bajo deformación plana (Espesor grueso).
Fig. 2.9. Condiciones de esfuerzo plano (Espesor delgado).
Experimentalmente, el procedimiento para la determinación de KIC, es por medio de

una prueba que se realiza bajo la norma ASTM E-399 o la Británica BS7448. Esta consiste
en aplicar una carga, hasta fracturar la probeta, la cual, ha sido sometida a condiciones de
fatiga, a través de la entalla mecánica. El valor de KIC, se determina mediante el registro de
la carga contra el desplazamiento de la abertura de entalla, donde se obtiene el valor de la
carga máxima antes de la falla.
Para establecer condiciones de deformación plana, es necesario que el espécimen

cumpla con las siguientes condiciones:
B> 2.5 (KIC/σ0)2; B en pulgadas (2.19)
w>2B (2.20)
0.45< a/w<0.55; B en cm (2.21)

Capítulo 2 55
A pesar de lo anterior, existen diversas condiciones que pueden incrementar la

tenacidad a la fractura en un material, tales como la composición química, los tratamientos
térmicos aplicados al material, el tamaño de grano, temperatura de rolado, o la influencia de
esfuerzos residuales, entre otros.
La tabla 2.2, muestra los valores ideales para realizar la prueba y con base a esta determinar
KIC, válida para materiales de uso común.
Tabla 2.2. Valores de KIC, espesor y esfuerzo para algunos materiales (González, 2004).
En la tabla 2.2, se observan los valores propuestos para el acero de alta resistencia,
los cuales serán considerados para el análisis propuesto en el capítulo 3.
2.6. Evaluación numérica del Factor de Intensidad de Esfuerzos

por medio del Método del Elemento Finito.
El Método del Elemento Finito (MEF) es una aproximación numérica de los problemas
continuos. En algunos casos, el tratamiento puramente matemático de los problemas
dificulta su análisis en tiempo y en complejidad, por ello, se recurre en ocasiones al uso de
este tipo de métodos. Otra razón es debido a que no todos los problemas tienen solución por
métodos convencionales.
El planteamiento energético, permite establecer la solución a problemas

relacionados con la teoría de la elasticidad. En otras palabras, aplicando el principio de la
Capítulo 2 56
conservación de la energía, entre la energía potencial elástica y el trabajo realizado, se

establecen las ecuaciones de equilibrio que relacionan las cargas aplicadas y las
deformaciones, mediante la matriz de rigidez que involucra a las propiedades mecánicas del
material. Esto lleva al planteamiento de un sistema de ecuaciones lineales, el cual es
relativamente fácil de resolver.
El paquete computacional ANSYS, sigue esta filosofía. Está dotado con las
herramientas necesarias para hacer simulaciones y obtener resultados numéricos.
El MEF discretiza los valores del dominio reduciendo el problema a un número

finito de incógnitas, que son los desplazamientos en los puntos nodales, mediante la
división del dominio en elementos determinados físicamente, expresando al mismo tiempo,
las incógnitas en términos de funciones aproximadas para cada elemento (Domínguez,
,1992).
Las funciones de aproximación son comúnmente llamadas funciones de

interpolación, y están divididas en puntos nodales. Un punto nodal es aquel sobre el cual
pasan los límites para definir la geometría del Elemento Finito. En el campo de las
variables, los valores nodales constituyen una serie de incógnitas, las cuales al ser
resueltas, mediante las funciones de interpolación, definen el ensamble de los elementos.
Generalmente la exactitud, depende del número de nodos que se propongan en el

modelo, por lo cual, entre mayor sea, más exacta es la solución y el error disminuye, sin
embargo, esto tiene un límite. Las funciones de interpolación se eligen de forma que las
variables así como sus derivadas sean continuas.
Algunas de las ventajas del uso del paquete computacional son:
• Se pueden introducir geometrías irregulares, desatacando por ello su flexibilidad.
• Es relativamente sencillo hacer una red de elementos finitos.

Capítulo 2 57
• El programa proporciona información, en caso de error al realizar el modelado,

teniendo la posibilidad de corregirlo.
• Es capaz de considerar las propiedades de más de un material al momento de

análisis.
• Es adecuado para problemas de deformaciones pequeñas.
Algunas de las desventajas del programa son:
• Es necesario un equipo de cómputo robusto para un adecuado tratamiento de los

datos.
• En problemas que requieren un gran número de nodos, es común que el ordenador

requiera de una gran capacidad.
• Se necesita una gran capacidad de memoria en la computadora para un adecuado

funcionamiento.
• Los resultados son solo aproximaciones que, dependiendo del número de nodos,
pueden tener un mayor o menor valor de error.
Para el análisis que se propone en esta tesis, existen una gran variedad de métodos
computacionales que pueden cubrir la necesidad de simulación.
2.7. Sumario.
En este capítulo se describen los principales conceptos de Mecánica de la Fractura que se

utilizan para la realización de esta tesis. Se da un breve panorama histórico y
posteriormente se abordan conceptos tales como el Factor de Intensidad de Esfuerzos, el
planteamiento Energético, la Tenacidad de Fractura y los modos de carga para el análisis
en Mecánica de la Fractura.

Capítulo 2 58
En el siguiente capítulo se plantean una serie de casos de análisis. Los valores numéricos
obtenidos mediante el MEF con la ayuda del programa ANSYS 11.0, dotarán a la red
Neuronal Artificial de Retropropagación, propuesta para esta tesis, de los datos necesarios
para realizar el entrenamiento de la red, lográndose de esta forma la implementación RNA
de Retropropagación a través de 6 distintos tipos de algoritmos.

Capítulo 2 59
2.8. Referencias.
Anderson, T. L. (1995) Fracture Mechanics; Fundamentals and Applications, Edit. CRC

Press, Part II, Second Edition..
Anglada, M. J., Alcalá, L., Llanes, M., Mateo A. M. y , M. N. (2002). Fractura de

materiales. Barcelona: Edicions UPC. Pp. 53-56
Balankin, A. (2000). Mecánica de la fractura: Pasado, presente y futuro. Quinto Congreso

de Ingeniería Electromecánica y de Sistemas. Mexico.D.F.
Callister, W. D. (1996). Introducción a la ciencia e inenieria de los materiales Vol II.

Primera edición. Editorial Reverté. España. Pp. G-13.
Ceriolo, L. y Di Tomaso, A. (1998). Fracture mechanics of brittle nmaterials. A historical

point of view. 2nd Int. Phd. Symposium in CivilEngineering Budapest. Recuperado el 16 de
Febrero del 2009 de http://vbt.bme.hu/phdsymp/proceedings/ceriolo.pdf
Colombo, L. R. y Firrao, D. (2007). Sulla storia degli studi di frattura in Italia.

IGF 13. Recuperado el 15 de febrero del 2009 de
http://grupofrattura.it/ors/index.php/fis/article/view/17/14
Coulomb, C. A. (1776). Remarque sur la ruptura du corps. Memoires presentes par divers
savans a lácademie. Vol 7.
Domínguez, V. M. (1992). Estado del Arte del Análisis Experimental de Esfuerzos como
Base para Algunas Aplicaciones del Método del Elemento Finito, H. SEPI – ESIME – IPN,
1992.
Elber, W. (1971). The significance of fatigue crack closure. In damage tolerance in aircraft
structures, Special technical publication 486, Philadelphia American Society for Testing
and Materials. Pp.230-42
Elber, W. (1970). Fatigue Crack closure under cyclic tension. Engineering Fracture
Mechanics 2. 37-45.
Eshelby, J. D. (1951). On the Force on an ElasticSingularity, Proc. Royal Society. A.

Vol.244, Pp. 87-112.
Galileo, G. (1638). “Discorsi e dimostrazioni sopra due nuove scienze attenenti alla
mecanica& i movimenti locali”, Leida, Elsevirii
González, V, JL. (2004). Mecánica de fractura. Limusa, Segunda edición.

Capítulo 2 60
Griffith, A. A. (1921). The phenomenon of rupture and flows in solids. Philosophical

transactions of the royal society. London. Series A vol. 221, 1185-8.
Gonzalez, V. J. (2004). Mecánica de fractura. 2da. Edición. Ed. Limusa. Mexico. pP. 63-
78.
Inglis, C. E. (1913). Stress in plate due to presence of cracks and sharps corners.
Transaction of the institute of naval architects 55, Pp.219-41.
Irwin, G. R. (1957) Analysis of the stress and strain near the end of the crack traversing a
plate. Journal of applied mechanics. 24, 361-4.
Ortuzar, M. R. (1999). Mecánica de fractura en estructuras navales. Congreso

Panamericano de Ingeniería Naval, Transporte Marítimo e Ingeniería
Portuaria,“COPINAVAL’99. Cartagena de Indias, Colombia. Recueprado el 16 de febrero
del 2009 de http://www.revistamarina.cl/revistas/2000/ortuzar.pdf
Pierce, F, T. (1926). Theorems on the strength of long and of composite specimens. J.

Textile Industry, Vol. 17. Pp 355-368.
Pearson, S. (1975). Initiation of fatigue cracks in comertial aluminium alloys and the
subsequent propagation of very short cracks. Engineering fracture mechanics 7,235-5.
Pluvinage, G. (2009). Breve histoire de la mecanique de rupture. Laboraoire du fiabilité

mécanique. Université de metz ENIM. Recuperado el 15 de febrero del 2009 de
http://www.gruppofrattura.it/index.php/cigf/igf15/paper/view/238/172
Rice, J. R. (1972). Some remarks on elastics crack-tip stress fields, International Journal
of Solids and Structure, Vol. 8, pp 751-758.
Rice, J. R.(1972). Weight function theory for Three-dimensions elastic crack analysis,
International Journal of Solids and Structure, Vol. 8, pp 341-348.
Rice, J. R. (1968). A Path Independent Integral and the Approximate Analysis of Strain
Concentration by Notches and Cracks, J.Appl. Mech., Vol. 35, Pp. 379-386.
Ritchie, R. O., Surech S. y Moss C.M. (1980). Near-threshold fatigue crack growth in 2 ¼
Cr 1 Mo pressure vessel in air and hydrogen. Journal of Engineering Materials and
Technology 102, 293-318.
Roylance, D. (2001). Introduction to Fracture Mechanics. Massachusetts Institute of

Technology. Department of Materials Science and Engineering. Recuperado el 14 de marzo
de: http://ocw.mit.edu/NR/rdonlyres/Materials-Science-and-Engineering/3-11Mechanics-
of-MaterialsFall1999/Modules/frac.pdf

Capítulo 2 61
Surech, S., Zamiski G. F. y Ritchie R. O. (1981). Oxide-induced crack closure and

explanation por near-threshold corrosion fatigue crack growth behavior. Metallurgical
Transactions. 12A. 1435-43.
Timoshenko, S. P.(1983). History of Strength of Materials, Ed. Courier Dover Publications,

New York, pp 3.
Timmins, P. F., (1994). Fracture Mechanics and Failure Control for Inspectors and
Engineers: General Engineering. Ed. ASM International, pp 5.
Urriolagoitia-Sosa, G. (1996). Aplicación de la Mecánica de la Fractura al Caso de

Estructuras Agrietadas Sometidas a Cargas de Fatiga, Tesis de Maestría, México D.F. SEPI
ESIME IPN.
Viveros V. S. (2008). Evaluación analítico-numérica de las funciones geométricas-peso y

los intensificadores de esfuerzos. Tesis de maestría. SEPI-ESIME-IPN. México D.F.
Weibull W. (1939). A statical theory of the strength of materials. Proceeding 151.

Stockholm, Royal Swedish Academy of Engineering Sciences.

3
Análisis y Descripción
de los Casos de Estudio
Capítulo 3 63
CAPÍTULO 3
Análisis y Descripción de los Casos de Estudio.
En la presente tesis, se realiza una evaluación numérica del Factor de Intensidad de
Esfuerzos por medio de Redes Neuronales Artificiales. Para llevar a cabo esto, se realiza el
entrenamiento de la RNA con una base de datos del cálculo de “K” en placas agrietadas
sujetas al modo de carga tipo I. El cálculo de los Factores de Intensidad de Esfuerzos se
hace por medio del Método del Elemento Finito, con el apoyo del paquete computacional
ANSYS. Sin embargo, antes de entrenar la red, es necesario validar los datos numéricos,
comparándolos con los resultados analíticos. Lo anterior es una breve descripción de la
metodología del apartado 1.10 del capítulo 1 de esta tesis. A continuación se presentan lo
correspondiente al cálculo analítico, numérico y la implementación numérica de la Red
Neuronal Artificial para los casos antes mencionados.
3.1. Evaluación analítica del Factor de Intensidad de Esfuerzos en

placas agrietadas sujetas al modo de carga I.
El desarrollo analítico se realiza para una placa sujeta al modo I de carga en donde existe
una grieta lateral. El espécimen a analizar es una placa metálica de un material con una
relación de Poisson “ν” de 0.27 y un módulo de elasticidad de “E” de 200 GPa, Este
corresponde al acero estructural (ASTM-A36), de alta resistencia-aleación baja (ASTM-
A709 grado 345, ASTM-A913 grado 450, ASTM-A992 grado 345), y aceros de refuerzo de
resistencia media y alta, (Beer, Johnston y De Wolf, 2001). En los casos anteriores, se
procede en la obtención de los valores del Factor de Intensidad de Esfuerzos K,
modificando los valores de las variables a, w, t y P (Tamaño de grieta, ancho del

Capítulo 3 64
espécimen, espesor y carga respectivamente). En la tabla 3.1, se resumen los rangos de

variación de los parámetros mencionados.
Parámetro Valor mínimo valor máximo

a (tamaño de la grieta) 1mm 33mm
w (ancho del espécimen) 100mm 200mm
t (espesor del espécimen) 1mm 100mm
P (esfuerzo) 10MPa 20MPa
Tabla 3.1. Rangos de variación de los parámetros a, w, t y P.
Fig. 3.1. Grieta lateral sujeta al modo de carga I en una placa de espesor t.
Para este análisis, se considera una placa con las características de forma y
dimensiones tal como se muestran en la figura 3.1. Se varían los parámetros descritos, lo
cual, resulta en una base de datos con 380 Factores de Intensidad de Esfuerzos analíticos.
Para la obtención de los valores de K, y debido a que en este análisis resulta importante la
geometría del espécimen, se procede primeramente con el cálculo del factor geométrico
“α”:

Capítulo 3 65
2 3 4
a a a a
α = 1.12 − 0.23  + 10.55  − 21.71  + 30.38  (3.1)
 w  w  w  w
A partir de dicha ecuación, se calcula el factor geométrico para la grieta lateral en el

modo de carga tipo I. Posteriormente, se aplica la fórmula para el cálculo del factor de
intensidad de esfuerzos, tomando en cuenta el valor de “α” que se determinó
anteriormente. Partiendo de la tabla 2.1, el cálculo del Factor de Intensidad de Esfuerzos
resulta de la siguiente forma:
  a   a 
2
 a 
3
 a 
4
 p 
K I = 1.12 − 0.23  + 10.55  − 21.71  + 30.38    πa (3.2)
  w  w  w  w   wt 

Donde:
P
σ =
wt (3.3)
Fig. 3.2. Dimensionamiento general del espécimen con espesor t.

Capítulo 3 66
En la figura 3.2, se muestran las características del espécimen de estudio con una
carga uniforme en los extremos “P”, de espesor “t” y cuyas dimensiones se varían para el
caso de estudio que se plantea.
Para la obtención de la base de datos, los valores de los parámetros son

modificados. Primeramente se asignan diferentes valores para “a”, de acuerdo a la tabla 3.1,
manteniendo constantes los parámetros de las 3 variables restantes (w, t, P). Posteriormente
se varían a “w” manteniendo constantes (a, t, P). Después se repite el mismo procedimiento
para t y P sucesivamente. En el caso de “a”, los valores van desde 0.1cms a 3.3cms, o bien,
expresado en milímetros, de 1mm hasta 33mm. Cabe destacar que aquellos valores del
tamaño de la grieta que tiene caso analizar, son los que generan un resultado de “K” menor
al valor de la Tenacidad de Fractura del material KIC, lo cual, de acuerdo a la tabla 2.2,
sugiere valores en función del material. Para el objeto de este estudio, se toma como
referencia el valor KIC del acero de alta resistencia de 57 MPa m . K coincide con los
datos experimentales de dicha tabla propuestos para la prueba de obtención de la Tenacidad
de Fractura, de acuerdo a la norma ASTM 399.
Para el caso en el que se varía el valor de “w”, los valores están comprendidos entre
100mm y 200mm. Para “t” desde 1mm hasta 100mm y finalmente para el caso de P entre
10 y 20 MPa. De acuerdo a las consideraciones en la sección 2.5, referentes a la Tenacidad
de Fractura, y descritas por (González, 2004) para la obtención del coeficiente KIC, se hace
referencia a que no solo es necesario contar con espesor en el espécimen de estudio para un
análisis en condiciones de deformación plana. La pregunta giraría en torno a saber desde
que valor de espesor se consideraría un análisis en deformación plana, en vez de uno en
esfuerzo plano. Lo anterior se resuelve con las ecuaciones 2. 19, 2.20 y 2.21, dadas por
norma y utilizadas para la determinación de KIC mediante pruebas en condiciones de
deformación plana.
Posteriormente, con los resultados obtenidos del cálculo analítico se forma una base
de datos con 380 diferentes valores de K.

Capítulo 3 67
60
Factor de Intensidad de Esfuerzos "K"
50
40
(MPa√m)
30
K analítico
20
K numérico
10
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
Tamaño de grieta "a"
(mm)
Fig. 3.3. Valores de K variando el tamaño de grieta “a”.
En la figura 3.3 se muestran los valores analíticos y numéricos del cálculo de K

para el caso de las variaciones del tamaño de grieta “a”. Se observa un aumento en el valor
del Factor de Intensidad de Esfuerzos, cuando la grieta es más larga, lo cual, resulta lógico
en condiciones de Mecánica de la Fractura Lineal Elástica.
Valores de grieta mayores a 82 milímetros, ya no fueron posibles de modelar en

ANSYS, esto debido a que las condiciones del modelado lineal elástico, cambian al
incrementar el tamaño de la grieta, y además se sobrepasa por mucho el valor de la
Tenacidad de Fractura. Solo tiene sentido el realizar cálculos cuyos valores sean menores
a esta, es decir a 33 milímetros, que son los que se corroboran con el valor de KIC de 57
MPa m , para el material propuesto.

Capítulo 3 68
25
Factor de Intensidad de Esfuerzos "K"

20
15
(MPa√m)
10 K analítico
K numérico
5
0
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
Ancho del especimen "w"
(mm)
Fig. 3.4. Valores de K variando el ancho del espécimen.
En la figura 3.4 se observa la tendencia de los valores para el cálculo de K al

modificar el ancho del espécimen. Con respecto al caso anterior, se observa un decremento
del valor del Factor de Intensidad de Esfuerzos. Esto debido al incremento paulatino de las
dimensiones por la variación de los valores “w”. Con un ancho igual a 100mm se obtiene
un factor “K” de 20.982805 MPa m y de 10.0352006 MPa m cuando el valor de “w”
es de 200mm, para el cálculo analítico es de 19.84MPa m y 9.574MPa m

respectivamente, cuyas condiciones son de a=10mm, t=1mm y P=10MPa. Los valores de
cálculo son inferiores al valor de la Tenacidad de Fractura considerado para este análisis,
por lo que, los datos analíticos se corroboran con los numéricos teniendo un error medio de
0.652, del cálculo numérico con relación al cálculo analítico.
En este caso, se consideró un espesor delgado, por lo cual, el análisis de los datos,
variando el ancho del espécimen se consideran de esfuerzo plano. Si bien, los valores del
Factor de Intensidad de Esfuerzos podrían presentar otra tendencia al variar el ancho “w”,
si se modificara las variables a, t o P, el comportamiento descrito en la figura 3.4 , obedece
a una reducción de la magnitud de K en función del incremento de w.

Capítulo 3 69
25
Factor de Intensidad de Esfuerzos "K" 20
15
(MPa√m)
10 K analítico
K numérico
5
0
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
Espesor "t"
(mm)
Fig. 3.5. Valores de K variando el espesor del espécimen.
En la figura 3.5 se observa un decremento del valor del Factor de Intensidad de

Esfuerzos “K” en función del incremento del espesor “t”. Para este caso, cuando es de
1mm, el valor calculado analíticamente de K es de 20.982805 . Cuando “t” tiene
un valor de 100mm, el valor obtenido de K es de 0.20982805 , en el cálculo
analítico. Para estos mismos valores, los resultados numéricos son de 19.844 y
0.199 respectivamente. El error medio para esta serie de datos es de 0.52, lo cual
se refleja en la coincidencia de las curvas analítico-numérico de la figura. El decremento de
K es considerablemente mayor con pequeñas variaciones del espesor, con relación al que se
observa al modificar el ancho de la placa, siendo muy significativo hasta un espesor de
10mm para los valores de a, t, w y P, descritos anteriormente como constantes.
De acuerdo a (Hernández y Espejo, 2002) se ha establecido experimentalmente que

para que se tenga un estado primordialmente de deformación plana, el espesor debe ser tal
como se refiere en la ecuación 2.19:

Capítulo 3 70
B> 2.5 (KIC/σ0)2 2.19
En donde σ0 es el esfuerzo de fluencia del material, KIC, la Tenacidad de Fractura

del material y B el espesor. En la figura 3.5, se observa claramente el comportamiento de
deformación plana posterior a los 10 mm o un 1 cm como espesor unitario. En la tabla 2.2,
el valor de espesor que se conoce para el acero de alta resistencia es KIC de 57 , el
cual, es de 2.1 mm de espesor. Espesores mayores a este, aseguran condiciones de

deformación plana para este caso.
50
Factor de Intensidad de
40
Esfuersos "K"
30
(MPa√m)
20
K analítico
10
K numérico
0
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
101
1
6
Esfuerzo"P"
(MPa)
Fig. 3.6. Valores de K variando el esfuerzo.
En la figura 3.6, es posible apreciar un incremento lineal en el valor del Factor de

Intensidad de Esfuerzos, conforme se aplica un esfuerzo mayor. Este a su vez, fue
calculado con variaciones de 0.1 MPa. El valor inicial de esfuerzo para el cálculo de “K” es
de 10MPa, resultando un Factor de Intensidad de Esfuerzos de 20.982MPa m . En el

último caso se realizó el cálculo con un valor de 20MPa, por lo cual el valor de K fue de
41.96561MPa m . Los valores numéricos son de 19.844 MPa m y 41.965 MPa m

respectivamente. El error medio es de 1.438, y al igual que en los casos anteriores, las
demás variables (a, w, t) se mantuvieron constantes.

Capítulo 3 71
El análisis de las últimas cuatro gráficas, muestra la relación que existe entre los
parámetros mencionados con el Factor de Intensidad de Esfuerzos. En el caso del tamaño
de la grieta, la gráfica es parabólica como era de esperarse, y en los demás casos hay datos
tanto lineales como no lineales. Esto es importante, porque se muestra el grado de impacto
que tendrán que hacer los análisis con Redes Neuronales. De aquí la importancia de este
análisis.
El procedimiento anterior, en el cual se modifican los valores de una variable a la

vez, nos permite un orden en la formación de la bases de datos, de esta manera es posible
observar las tendencias de los mismos y verificar que los cálculos sean correctos. También
facilita el identificar datos repetidos, que incrementan el tiempo de cálculo de la Red
Neuronal de forma innecesaria. Este procedimiento se repite al obtener los datos mediante
el cálculo numérico, sin embargo, para el entrenamiento de la red, los datos son
normalizados y distribuidos de forma aleatoria.
3.2. Análisis numérico del Factor de Intensidad de Esfuerzos por

medio del Método del Elemento Finito.
En el capítulo anterior, se describieron las características del paquete computacional

ANSYS para el análisis numérico por medio del Método del Elemento Finito. Así mismo,
en esta sección, se describe el procedimiento para realizar el cálculo numérico por medio
del MEF, y de esta forma evaluar su grado de exactitud con respecto al método analítico.
Posteriormente, estos datos se compararan con los obtenidos mediante el entrenamiento de
Redes Neuronales Artificiales.
El Método del Elemento Finito, es una aproximación a un sistema continuo,

mediante conjuntos de elementos discretos, por lo cual, las ecuaciones diferenciales que
definen un medio continuo, se transforman en un conjunto de ecuaciones lineales relativas a
un número de variables finito. En este método, la continuidad se lleva a cabo mediante
una idealización estructural equivalente, compuesta por elementos finitos, que están
conectados a través de nodos. Si las condiciones de equilibrio son aplicables a cualquier

Capítulo 3 72
nodo de dicha estructura, entonces se puede formar un conjunto de ecuaciones algebraicas

en función de desplazamientos nodales, utilizados para determinar elementos internos. La
base de datos numéricos se obtuvo mediante la utilización del paquete computacional
ANSYS, cuyo modelado es por medio del Método del Elemento Finito, describiendo a
continuación el procedimiento que se llevó a cabo, de entre otros programas como
ABAQUS, con el cual también pudo haberse hecho el análisis.
Para la determinación de los valores numéricos, es necesario establecer una serie de

criterios de diseño. Las consideraciones son las que se muestran a continuación:
Tipo de análisis. Se plantea de tipo estructural, en un material lineal, elástico,

isotrópico, homogéneo y continúo, excepto en la grieta. “K” puede ser: estimando
directamente el Factor de Intensidad de Esfuerzos, o a partir del cálculo de la integral J. Sin
embargo, esta segunda opción, consume mayor cantidad de recursos de cómputo,
incrementando el tiempo de cálculo. Debido a lo anterior, la primera opción se considera
como la más viable, utilizando directamente el comando KCALC para la determinación de
los Factores de Intensidad de Esfuerzos y el comando KSCON para definir los puntos de
concentración de elementos en la red, en las puntas de grieta.
Tipos de elementos. Para el análisis de esfuerzos y deformaciones, comúnmente se

selecciona el elemento dependiendo del tipo de análisis, ya sea por deformación plana o
esfuerzo plano, así también se consideran las características generales del modelado. Los
elementos más comunes en el análisis por medio del MEF son los triángulos y los
cuadriláteros, aplicables tanto a deformación como a esfuerzo plano. Los elementos sólidos
como el tetraedro y el hexaedro, son regularmente utilizados para elementos en tres
dimensiones.
Con la finalidad de reducir el consumo de recursos de cómputo y agilizar el

cálculo, se llevó a cabo el análisis con el elemento PLANE183, para lo cual, se consideran
las condiciones de simetría, y es muy útil para el modelado en 2D. Por sus características
puede usarse para análisis de esfuerzo plano, deformación plana, deformación plana
generalizada o en elementos axisimétricos. En el análisis, se realizó el cálculo de “K” a
partir de una geometría plana. No hubo la necesidad de hacer un cálculo con un elemento

Capítulo 3 73
sólido como SOLID185 o SOLID186. Se verificó a partir de un cálculo en 2D con respecto

a los datos analíticos, la efectividad de llevar a cabo el cálculo en la variación de espesores
desde el análisis propuesto, simplificando el problema, reduciendo el consumo de recursos
y el tiempo de cálculo. El elemento anteriormente descrito, se define por 8 nodos o
triangular de 6 nodos, teniendo para cada nodo dos grados de libertad. Esto, hace posible
analizar plasticidad, hyperpalsticidad, viscoelasticidad, viscoplasticidad, elasticidad y
grandes deformaciones; pudiéndose precisar para el análisis en condiciones de presión,
temperatura y grados de libertad en X, Y. También permite definir las propiedades del
material de análisis. Debido a las condiciones del problema, es necesario adicionar un
grado de libertad en Z.
Fig. 3.7. Tipo de elemento PLANE185 utilizado para el análisis (Tutorial ANSYS).
Características del material. Para el caso de estudio que se describe, se define un

material con un módulo de elasticidad E=200GPa y con una relación de Poisson de υ=0.27.
Esto se mantiene constante para 380 casos que se plantean numéricamente. De acuerdo a
las características y el tipo de análisis, se simula mediante el MEF para materiales que
trabajan en la zona elástica.
Condiciones de frontera. Debido a las características geométricas, y de carga, es

posible llevar a cabo el análisis considerando la simetría del espécimen. Esto resulta útil, ya
que permite el ahorro de recursos; basta con definir la mitad del cuerpo y de esta forma el
cálculo se centra en una sección. Existe la posibilidad de llevar a cabo el cálculo a partir de

Capítulo 3 74
un diseño del espécimen completo, sin definir las condiciones de simetría, sin embargo,
esto repercutiría en el tiempo de cálculo que el programa de cómputo toma para
proporcionar los valores de K, así como del consumo de recursos computacionales.
Forma de aplicación de las cargas. En el caso de estudio se considera una carga

distribuida sobre las superficies de los extremos en una placa con una grieta lateral. El
procedimiento se describe a continuación a partir de la figura siguiente:
Fig. 3.8. Condiciones de simetría del espécimen.
Como se describió anteriormente, existen características que se consideran a fin de

aprovechar los recursos de cómputo y disminuir el tiempo de cálculo. Por lo tanto, el
procedimiento es el siguiente:
a. Se define el tipo de análisis, considerando las condiciones de linealidad,

continuidad, isotropía, elasticidad y homogeneidad.

Capítulo 3 75
b. Se selecciona el tipo de elemento con el cual, se llevará a cabo la simulación

numérica.
c. Se definen las características del material (Módulo de elasticidad E y la relación de

Poisson υ).
d. Se diseña la geometría del modelo de análisis de acuerdo con las condiciones de

simetría descritas. Para este caso se definen 5 keypoints, siendo el número dos el
que corresponde a la punta de la grieta.
e. Se crean las líneas que definirán la geometría de la placa.
f. Se establecen las condiciones de simetría del espécimen, tanto geométricas, como

de carga.
g. Se definen las restricciones en la placa, producto de las condiciones de simetría.
h. Se aplica una presión lineal sobre el elemento, equivalente al esfuerzo para el

modelo del caso de estudio.
i. Se determinan las divisiones de la malla en torno a la punta de la grieta,

determinada por el Keypoint 2.
j. Se propone la trayectoria de la grieta.
k. Se ejecuta el comando SOLVE y posteriormente KCALC, procediendo a la

obtención de los valores mediante el cuadro de texto que despliega el programa.

Capítulo 3 76
Fig. 3.9. Cálculo de K por medio del MEF para el caso de variación del tamaño de grieta.
El la Figura 3.9, se muestra el cálculo por medio de ANSYS para un tamaño de

grieta de 5mm. El resultado analítico de K para este valor es de 14.191MPa m .
Comparado con el obtenido numéricamente de 13.497MPa m , hay una diferencia entre
datos de 0.221MPa m .
a w t P K analítico K numérico
(cm) (cm) (cm) (MPa) (MPa√m) (MPa√m) Error
0.3 10 0.1 10 10.89284599 10.382 0.510845989
0.4 10 0.1 10 12.62656922 12.042 0.584569224
0.5 10 0.1 10 14.19191673 13.479 0.712916735
5 10 0.1 10 112.0630793 113.27 1.206920653
5.1 10 0.1 10 116.9675735 118.6 1.632426503
5.2 10 0.1 10 122.1351814 124.26 2.124818647
6.9 10 0.1 10 267.1760733 317.02 49.8439267
7 10 0.1 10 280.2526068 339.33 59.07739319
7.1 10 0.1 10 293.9867993 363.99 70.00320065
Tabla. 3.2. Cálculo del error analítico y numérico, para el caso de la variación del tamaño de grieta.
En la tabla 3.2, se muestran algunos valores del cálculo de K y el error cuadrático

medio expresado en valor absoluto, variando el tamaño de la grieta y manteniendo

Capítulo 3 77
constantes las demás variables. Se observa que a partir del 5.2 cm en adelante, el error se
incrementa, siendo con un espesor de 6.9, de 49.84 con relación al cálculo analítico.
El valor de la Tenacidad de Fractura KIC considerado es de 57 MPa m , por lo

cual, no tiene sentido realizar el análisis con tamaños de grieta asociados a “K” mayores a
KIC, como anteriormente se mencionó, ya que al incrementar el tamaño de “a” con los
valores w, t y P, el Factor de Intensidad de Esfuerzos aumenta drásticamente, y las
condiciones del análisis cambian. También se observa un incremento gradual del error en
el cálculo numérico con relación al analítico, cuando se modela con valores de grietas
mayores a KIC. Esto es debido a que el análisis se realiza en condiciones de Mecánica de la
Fractura Lineal-Elástica (MFLE), y con el aumento del tamaño de la grieta, el espécimen
tiende a un comportamiento mayormente plástico.
Fig. 3.10. Campo de esfuerzos en una placa con una grieta de 5mm.

Capítulo 3 78
Fig. 3.11. Cálculo de K por medio del MEF variando el ancho del espécimen.
En la figura 3.11, se muestra el valor obtenido mediante el cálculo numérico para

un valor de w=120mm. El resultado obtenido mediante el cálculo analítico es de 17.178
MPa m . La diferencia con relación al numérico es de 0.796MPa m .
1 10.3 0.1 10 20.30484017 19.352 0.952840165
1 10.4 0.1 10 20.08875471 19.47 0.618754712
1 10.5 0.1 10 19.87734921 18.946 0.931349208
1 14 0.1 10 14.56294887 13.893 0.669948868
1 14.1 0.1 10 14.45338871 13.789 0.664388712
1 14.2 0.1 10 14.34550239 13.686 0.659502388
1 19.8 0.1 10 10.13964634 9.6739 0.465746338
1 19.9 0.1 10 10.08714893 9.6238 0.463348928
1 20 0.1 10 10.03520056 9.5742 0.461000561
Tabla. 3.3. Cálculo del error analítico y numérico, para el caso de la variación del ancho del espécimen.
En la tabla 3.3, se muestra el error para algunos valores de “K” variando en ancho
del espécimen. El error entre el cálculo analítico y numérico, incrementa en función de la
disminución de “w”, sin embargo no es tan grande como en el caso del análisis con
incrementos en la grieta. En la evaluación numérica, esto puede deberse a la disminución
del valor de “K”, por lo cual, la tendencia en el comportamiento del espécimen es
mayormente elástico, ajustándose a las propiedades del modelado de linealidad, elasticidad,

Capítulo 3 79
homogeneidad y continuidad. También debe considerarse que debido al espesor, el análisis

está dentro de los parámetros de esfuerzo plano.
Es pertinente mencionar que en la sección 2.5 del capítulo 2 perteneciente a

Mecánica de la Fractura, se mencionan una serie de relaciones matemáticas, que
experimentalmente, se utilizan para determinar, si una probeta reúne las características de
deformación plana. Una de estas, relaciona el ancho del espécimen con el tamaño de la
grieta, (deformación plana).
Fig. 3.12. Campo de esfuerzos en una placa de 120mm de ancho.
En la figura 3.12 se muestra el campo de los esfuerzos en una placa de 120mm de

ancho con un tamaño de grieta de 10mm una carga aplicada de 10MPa y un espesor de
1mm.

Capítulo 3 80
Fig. 3.13. Cálculo de K por medio del MEF variando el espesor.
En la figura 3.13 se muestra el valor de K para un espécimen de 10mm de espesor.
Resultando un Factor de Intensidad de Esfuerzos de 1.993MPa m . Con relación al
cálculo analítico de 2.098MPa m , la diferencia entre ambos es de 0.104MPa m . Esto,

al llevar acabo variaciones del espesor, implica limitar el problema a esfuerzo plano y
deformación plana, en función del espesor “t”.
1 10 0.1 10 20.98280498 19.844 1.138804975
1 10 0.2 10 10.49140249 9.9977 0.493702488
1 10 0.3 10 6.994268325 6.6652 0.329068325
1 10 4.8 10 0.43714177 0.41657 0.02057177
1 10 4.9 10 0.42822051 0.40807 0.02015051
1 10 5 10 0.4196561 0.39991 0.0197461
1 10 9.8 10 0.214110255 0.20404 0.010070255
1 10 9.9 10 0.211947525 0.20197 0.009977525
1 10 10 10 0.20982805 0.19995 0.00987805
Tabla. 3.4. Cálculo del error analítico y numérico, para el caso de la variación del espesor.

Capítulo 3 81
En la tabla 3.4, se muestra el cálculo del error para algunos valores de “K”, al
modificar el espesor. El tamaño de grieta, ancho del espécimen y la carga se mantienen
constantes. Se observa un incremento en el error, cuando los valores de K son mayores.
Esto debido a las condiciones del análisis numérico.
Fig. 3.14. Campo de esfuerzos en una placa de 10mm de espesor.

Capítulo 3 82
Fig. 3.15. Cálculo de K por medio del MEF variando el esfuerzo.
En la figura 3.15, se observan los resultados obtenidos por medio del cálculo
analítico y con el MEF. En la figura se aprecia el resultado de K=37.873MPa m .
Comparado con el valor analítico de K=39.8673295MPa m , la diferencia entre datos es
de 1.9943MPa m , representando el 4.9%.
1 10 0.1 10.2 21.40246107 20.395 1.007461075
1 10 0.1 10.3 21.61228912 20.595 1.017289125
1 10 0.1 10.4 21.82211717 20.795 1.027117174
1 10 0.1 14.8 31.05455136 29.593 1.461551364
1 10 0.1 14.9 31.26437941 29.793 1.471379413
1 10 0.1 15 31.47420746 29.993 1.481207463
1 10 0.1 19.8 41.54595385 39.791 1.754953851
1 10 0.1 19.9 41.7557819 39.991 1.764781901
1 10 0.1 20 41.96560995 40.191 1.774609951
Tabla. 3.5. Cálculo del error analítico y numérico, para el caso de la variación del esfuerzo.
En la tabla 3.5, se observan algunos resultados del error, en el caso de la variación

del esfuerzo, manteniendo los valores de a, w y t constantes.

Capítulo 3 83
Fig. 3.16. Campo de esfuerzos en una placa con un esfuerzo de 19MPa.
Al igual que en el cálculo analítico, la base de datos se formó mediante la variación

de los parámetros descritos, manteniendo las demás variables constantes, por las mismas
razones que se describieron para el cálculo analítico. Para el entrenamiento de la RNA, se
utilizan 380 valores de “K”, con sus respectivas entradas, siendo los pares de datos que
conforman la base, ordenados previamente para el entrenamiento de forma aleatoria, lo
cual, se describe en la siguiente sección.
3.3. Implementación y metodología de diseño de la Red Neuronal

Artificial.
Para el diseño de la Red Neuronal, existen una serie de parámetros que deben definirse,
tales como el algoritmo de entrenamiento, la determinación de la base de datos, los

Capítulo 3 84
parámetros de entrenamiento, número de épocas, asignación de pesos, modelo de Red

Neuronal, función de transferencia, entre otros. A continuación se describe la metodología:
Determinación de la base de datos de entrenamiento. Para el entrenamiento de la

red, se requiere de una base de datos. Estos se obtuvieron de los cálculos numéricos por
medio del Método del Elemento Finito y fueron validados por medio del cálculo analítico,
tal como se mostró en el apartado anterior. La verificación numérico-analítica resulta
importante, ya que sirve para comprobar los resultados de los cálculos por ambos métodos
y saber que son correctos, además, proporcionan un mayor grado de exactitud al llevar a
cabo el entrenamiento de la RNA, si el tamaño de la base de datos es adecuado.
Selección del algoritmo de entrenamiento. Está en función de las características de

los datos y de los valores que se desean obtener, así mismo del tipo de aplicación de la
RNA. Por lo anterior, se puede decir que el tipo de algoritmo depende del caso de estudio.
Una característica importante al llevar a cabo el entrenamiento, es la obtención del menor
error cuadrático medio posible, motivo por el cual, a los modelos más comunes de RNA se
les han implementado constantemente nuevos algoritmos con la finalidad de reducir el
error de cálculo.
Diseño de la RNA. Para el entrenamiento de la red, es necesario definir sus

características. Aquí se establecen el número de entradas a la Red Neuronal, así como
también el número de salidas. Con relación a la estructura de la red, también es necesario
especificar el número de capas ocultas y neuronas por capa oculta que proporcionen mayor
exactitud en los resultados del entrenamiento de la red y el número de épocas o ciclos de
entrenamiento, así como el error máximo esperado, la función de trasferencia y el tipo de
red, si es supervisada o no supervisada. Existen muchos más parámetros que se pueden
variar al programar una RNA, los cuales inclusive utilizando el mismo modelo o el mismo
algoritmo, proporciona resultados diferentes, en cuanto a error y tiempo de entrenamiento.
En el caso del diseño de las redes que se proponen para este estudio, los parámetros
mencionados anteriormente, son los que se consideran.
Determinación de los datos de validación. En esta fase, es importante especificar la

cantidad de datos que la red ocupará para el entrenamiento, y la cantidad de datos que

Capítulo 3 85
utilizará el programa para validar la Red Neuronal. El proceso de normalización de los

datos resulta importante, y dependiendo su naturaleza, el tipo de entrenamiento, y la
aplicación que se desea dar, En la versión 2008 de MATLAB, al ejecutar el comando
“newff” para la programación de la RNA, la normalización de los datos se realiza de forma
predeterminada por el programa, eficientando el proceso de cálculo.
Parámetros de entrenamiento. Para entrenar la red, existen varios paquetes de

cómputo que permiten llevar a cabo dicha tarea. Algunos dan la oportunidad de programar
la red, sin embargo resulta más complicado y tardado el llevar a cabo este proceso, debido a
las características específicas de cada uno y la aplicación. Algunos programas son
MATHLAB, MATHCAD, entre otros, que permiten desarrollar este proceso mediante
herramientas diseñadas para aplicaciones de Redes Neuronales. Otros programas de libre
adquisición como OCTAVE pueden considerarse para realizar esta tarea, sin embargo,
cada una implica familiarizarse con las herramientas y en ocasiones conseguir o crear las
bibliotecas necesarias para la aplicación. Para el caso del análisis de esta tesis, se seleccionó
MATHLAB 2008a mediante la aplicación de Redes Neuronales Toolbox 6.0.
Análisis de los resultados del entrenamiento de la RNA. El motivo de esta fase es

para evaluar si la red fue capaz de aprender mediante la fase de entrenamiento y a través de
los datos con que esto se llevó a cabo. Así también se verifica el error que arrojó la red
neural y el tiempo de cálculo necesario.
Evaluación del desempeño de la RNA. Esta es una fase de verificación, en la cual,

los datos obtenidos de la red se comparan con los datos descritos en las secciones
anteriores, tanto analíticas, como numéricas. En el caso en que la RNA no presente la
eficiencia deseada, verificable por medio de un bajo porcentaje de error, se procede a
modificar parámetros tales como el algoritmo de entrenamiento o el diseño de la red. En el
actual estudio se evaluó y analizó el comportamiento de la RNA mediante el entrenamiento
de 6 diferentes algoritmos aplicados a la red de Retropropagación.

Capítulo 3 86
Conclusiones y alcances del modelo neuronal. En esta sección se describen las

potencialidades de la red, lo que se puede mejorar, e incluso las deficiencias con las que
esta cuenta, de la misma manera se comparan los datos por medio del Método del Elemento
Finito y del entrenamiento de la RNA.
Para el diseño de la Red Neuronal propuesta, las variables que se establecen como datos de
entrada son a, w t y P, que respectivamente son el tamaño de grieta, el ancho del
espécimen, el espesor y el esfuerzo aplicado a este. La base de datos del entrenamiento fue
obtenida mediante los cálculos por medio del Método del Elemento Finito, con los cuales
se entrenaron 6 Redes Neuronales Artificiales con diferentes algoritmos, cuyos resultados,
se comparan en el capítulo 4 de resultados.
Algunos de los parámetros que se pueden modificar para el entrenamiento de una

Red Neuronal son: las funciones de inicialización de las capas ocultas, las funciones de
aprendizaje, las funciones de entrenamiento, las funciones de trasferencia, las funciones de
peso, así como el modelo de análisis. A continuación se describen las características de los
parámetros de las redes que se programaron:
Datos de entrenamiento. La Red Neuronal se entrenó con 380 datos del cálculo de
“K”, los cuales formaron el conjunto de salidas y 380 datos del conjunto de entradas
correspondientes a las variables a, w, t, P, de los cuales el 70 % forman parte del conjunto
de entrenamiento, el 15% son para el conjunto de validación y el 15% restante son parte del
conjunto de prueba en todos los casos de programación.
Función de transferencia. Para el actual análisis se propone la aplicación de las

funciones tangente hiperbólica sigmoidea debido a que es útil cuando se requiere
velocidad de cálculo en la RNA, Sin embargo, los resultados de esta varían en función del
algoritmo de entrenamiento, número de épocas y datos en la capa ocultas, entre otros, que
se especifican para cada algoritmo de entrenamiento, de acuerdo a varios ensayos a fin de
obtener los mejores resultados. Cabe destacar que en la literatura, no se registra aún una
metodología concreta, con un adecuado grado de validez y confiabilidad que permita
definir la arquitectura de la red para cada problema específico, datos como el número de
capas ocultas, épocas, neuronas, entre otros, deben variarse hasta definir los mejores

Capítulo 3 87
valores de entrenamiento, por lo cual, debido a que es un procedimiento heurístico, para

cada aplicación, la forma de verificación es a través de varios ensayos a prueba y error,
hasta obtener la convergencia.
Número de épocas. Se define para cada algoritmo, el número de épocas para el

entrenamiento de los distintos algoritmos a verificar, cabe destacar, que si la Red Neuronal
converge antes de que se cumpla el número de épocas especificadas, el entrenamiento se
detiene, comprobándose así que la RNA aprende. Si bien es cierto lo anterior, el grado de
error puede variar al utilizar los diferentes algoritmos.
Criterios para determinar el fin de la fase de entrenamiento. Esta termina cuando

se cumple el número de épocas, aún si la red no converge al menor valor de error
especificado, o cuando, por medio de los datos de verificación se comprueba que la red
converge, deteniéndose aún si no se han cumplido el número de épocas especificadas en la
programación.
Valor del mínimo gradiente. Se propone 1.0 e-6 en los casos a evaluar.
Capa oculta. Se programó de acuerdo a las condiciones del algoritmo. En algunos

casos se verificó mediante varios ensayos que el número de neuronas en la capa oculta no
afectaba considerablemente los resultados, sin embargo el tiempo de cálculo se veía
notablemente incrementado.
Con los anteriores datos se plantea entrenar una red de Retropropagación

considerando diferentes algoritmos aplicados a esta red, a fin de identificar el mejor
entrenamiento. Los algoritmos de entrenamiento, así como el código de entrenamiento con
la aplicación del comando “newff”, se muestran en la tabla 3.6, enlistándolos por algoritmo.

Capítulo 3 88
Algoritmo de entrenamiento Código Acrónimo
Levenberg-Marquardt trainlm LM
BFGS Quasi-Newton trainbfg BFG
Resilient Backpropagation trainrp RP
Scaled Conjugate Gradient trainscg SCG
Fletcher-reves Conjugate Gradient Traincgf CGF
One Step Secant Trainoss OSS
Tabla 3.6.Casos a evaluar con los diferentes algoritmos de entrenamiento.
Los datos se compararán y se elegirá la Red Neuronal que proporcione el menor

error cuadrático medio y el menor tiempo de cálculo para llevar a cabo un entrenamiento
con los datos obtenidos analíticamente y así poder comparar los resultados de la base de
datos obtenida por medio del Método del elemento Finito y los obtenidos con la RNA.
Para el entrenamiento de la red, se utiliza la herramienta de Redes Neuronales

Neural Networks Tool box 6.0 de MATHLAB 2008a. Se propuso primeramente una red
neuronal Backpropagation o de Retropropagación, debido a que en la literatura se ha
reportado su gran eficacia para la resolución de una gran gama de problemas ingenieriles,
así también por su gran capacidad de interpolación.

Capítulo 3 89
Fig. 3.17 Configuración de las entradas y salidas de la red.
En la figura 3.17, se muestran las variables de entrada para la programación de la red,

seguidas de la capa oculta y una neurona a la salida, que proporciona el valor del Factor de
Intensidad de Esfuerzos.
3.4. Procedimiento de análisis con Redes Neuronales en

MATHLAB.
Uno de los aspectos básicos, es establecer la arquitectura de la red, la cual, está dada por el
número de neuronas a la entrada, que son definidas por la base de datos con que se cuenta,
el número de neuronas a la salida, que en este caso es una, correspondiente al valor del
Factor de Intensidad de Esfuerzos, número de capas intermedias, para lo cual, la
arquitectura de la red se diseñó con una capa oculta, número de neuronas en la capa oculta,
número de épocas, valor del error, función de activación, que por las características de
rapidez en el entrenamiento en todos los casos fue la sigmoidea y porcentaje de datos de
entrenamiento, prueba y validación. Lo anterior, es que esa función de acuerdo al tutorial
de MATLAB se programa con los valores por defecto del programa por su rapidez en
cálculo.

Capítulo 3 90
Primeramente, se declaran las entradas y salidas de la red. Estos datos se pueden

importar de una base de datos de un documento de Excel a MATLAB. Se cuenta con dos
bases de datos, una con el conjunto de entradas y otra con los valores de las salidas,
correspondientes al Factor de Intensidad de Esfuerzos. A las entradas se les nombra “ent” y
a las salidas “sal”.
El comando que se utiliza para el entrenamiento es newff, declarando la relación

entre entradas y salidas de la siguiente forma:
p=ent';
t=sal';
net=newff(p,t,25);
net.trainParam.min_grad=1e-6;
net.trainParam.max_fail=100;
Con estas condiciones de entrenamiento, MATLAB automáticamente entrena una

RNA con el algoritmo Levenberg-Marquardt, utilizando una función sigmoidea, ya que
son los valores por default del programa.
Para el entrenamiento de la red BFGS Quasi Newton, la programación fue la

siguiente:
net = newff(p,t,3,{},'trainbfg');
net.trainParam.epochs=2000;
En las líneas de programación anteriores se muestran los valores que se modifican,

los cuales son el número de épocas que se define como 2000, y el número de neuronas en
la primera capa oculta que es de 3.
En el caso de la red Resilient Backpropagation o de retropropagación elástica se

tiene lo siguiente:
net = newff(p,t,20,{},'trainrp');

Capítulo 3 91
De lo anterior se observa que el número de épocas es de 2000 y el número de

neuronas en la primera de dos capas es de 20. La segunda se define al igual que en todos
los casos con una neurona por valores de default del programa.
En la programación con el algoritmo Scaled Conjugate Gradient que por su

traducción del inglés es Gradiente Conjugado Escalado, se tienen las siguientes líneas de
comandos, en la cual, se observa una capa oculta con 10 neuronas y un entrenamiento con
2000 épocas:
net = newff(p,t,10,{},'trainscg');
En el caso de la programación del algoritmo Fletcher- Reeves conjúgate Gradient o

gradiente conjugado Flecher-Reeves, se programó de la siguiente forma:
net = newff(p,t,10,{},'traincgf');
De lo cual, se observa que el número de épocas fue de 2000 con 10 neuronas en la

capa oculta. Finalmente la programación de la Secante de un Paso u One Step Secant fue la
siguiente:
net = newff(p,t,20,{},'trainoss');
Siendo una red de 2000 épocas y 20 neuronas en la capa oculta. Posteriormente se

determina el conjunto de datos para el entrenamiento, validación y prueba de la red
neuronal de retroporpagación. Lo anterior de la siguiente forma:
net.divideParam.trainRatio = 70/100; % conjunto de entrenamiento
net.divideParam.valRatio = 15/100; % conjunto de validacion
net.divideParam.testRatio = 15/100; % conjunto de prueba

Capítulo 3 92
Posteriormente se programa el entrenamiento con el comando “train”, haciendo

referencia en la programación a los datos de entrada y de salida en las condiciones descritas
para cada caso:
[net,tr] = train(net,p,t);
y= sim(net,p);
Finalmente, por medio del comando nntraintool, se despliega una ventana, la cual
posterior al entrenamiento, permite desplegar las gráficas correspondientes a este, a fin de
analizar los resultados.
Es importante mencionar que los datos obtenidos mediante una RNA, pueden diferir
entre entrenamientos, incluso manteniendo las mismas condiciones.
Porcentaje de datos usados

Algoritmo Entrenamiento Validación Prueba Error (x10-6) Épocas Neuronas
Levenberg-
Marquardt 75% 15% 15% 1 2000 4-25-1
BFGS Quasi-
Newton 75% 15% 15% 1 2000 4-3-1
Resilient
Backpropagation
75% 15% 15% 1 2000 4-20-1
Scaled
Conjugate
Gradient 75% 15% 15% 1 2000 4-10-1
Fletcher-Reves
Conjugate
Gradient 75% 15% 15% 1 2000 4-10-1
One Step
Secant 75% 15% 15% 1 2000 4-20-1
Tabla 3.7. Arquitecturas de las redes con relación a los diferentes algoritmos y parámetros de entrenamiento
considerados.
La tabla 3.7, muestra la arquitectura de entrenamiento de las Redes Neuronales entrenadas,

cuyos resultados se presentan en el capítulo 4.

Capítulo 3 93
3.5. Sumario.
En este capítulo se describieron los casos de estudio analítico, numérico y por medio de
Redes Neuronales Artificiales. Se describió el procedimiento en cada uno de los casos a fin
de entender cómo es que se desarrollaron los cálculos. Esto forma la base del análisis
propuesto.
Es conveniente mencionar, que las Redes Neuronales Artificiales, tienen la

capacidad de trabajar con parámetros lineales como no lineales, y debido a que los datos
que se expusieron, en las figuras 3.1, 3.2, 3.3 y 3.4 son tanto lineales, como no lineales, este
hecho, valida la implementación de las RNA´s a este caso de estudio.
En el capítulo siguiente se analizan y comparan los resultados, a fin de definir los

alcances y limitaciones de la implementación de Redes Neuronales Artificiales.
3.6 Referencias.
Beer, F. P., Johnston, E. R. y Dewolf, J. T. (2001). Mecánica de materiales. Tercera

edición. Mc Graw Hill. México. Pp. 747.
González, V. J. (2004). Mecánica de fractura. 2da. Edición. Ed. Limusa. México. pp. 63-
78.
Hernández, A. H. y Espejo, M. E. (2002). Mecánica de la fractura y análisis de falla. Ed.

Universidad Nacional de Colombia (Sede Bogotá) Pp. 17-19.
Tutorial de ayuda ANSYS 11.0.

4
Análisis de Resultados
Capítulo 4 95
CAPÍTULO 4
Análisis de Resultados.
En este capítulo se describen los resultados y la comparación de los alcances de las Redes
Neuronales, para las condiciones y parámetros descritos en el capítulo 3. Así mismo, se
cotejan los datos obtenidos mediante el entrenamiento de la RNA que arrojó menor error y
los obtenidos por medio del el Método del Elemento Finito contra los datos analíticos.
Finalmente se describen los resultados de la determinación de las condiciones de inicio de
propagación de grietas, a través del empleo de Algoritmos Genéticos, dando de esta forma
una propuesta complementaria para el caso descrito en el planteamiento del problema de la
sección 1.10 de este trabajo de tesis.
4.1. Análisis de resultados con diferentes algoritmos.
En esta sección se analizan los resultados obtenidos mediante el entrenamiento de una red
de Retropropagación, con 6 distintos algoritmos de entrenamiento. Los resultados se
comparan y se determina el mejor para entrenar la red, en el caso del cálculo de una grieta
lateral en una placa metálica descrita en el capítulo 3 en la figura 3.2. La tabla 3.6 en dicho
capítulo, muestra los algoritmos que se utilizaron.
Cabe señalar, que las características del equipo de computo utilizado para la
obtención de estos resultados son: Procesador AMD Turion 64 x2 a 1.9 GHz de velocidad,
2GB de memoria RAM, sistema Windows vista a 32 bits con Matlab 2008. Las
características del equipo, se ven reflejadas principalmente en el tiempo de cálculo y en la
precisión de las operaciones.

Capítulo 4 96
4.1.1. Entrenamiento de una RNA mediante el uso del algoritmo de

Levenberg-Marquardt.
Este es uno de los métodos más utilizados por su rapidez de cálculo y eficiencia, por lo
cual, se realizó un entrenamiento con 2000 épocas y 25 neuronas en la capa oculta, en el
cual se observa la condición de convergencia, mucho antes de cumplirse las 2000 épocas.
Una característica muy importante, es la selección de la tasa de aprendizaje de la

red, ya que si “η”, es demasiado grande, el tiempo que tarda la red en llevar a cabo el
entrenamiento es muy corto, sin embargo, puede caerse en la inestabilidad del sistema y
arrojar valores con alto margen de error.
Fig. 4. 1. Cuadro de entrenamiento de la RNA Levenberg-Marquardt con 2000 épocas.
En la figura 4.1. Se muestra de forma gráfica el desempeño del entrenamiento de la

Red Neuronal, mediante la ayuda gráfica de entrenamiento de la red que proporciona el

Capítulo 4 97
programa. Se observa el conjunto de validación, entrenamiento y prueba, así como el error

cuadrático medio por épocas de entrenamiento. El parámetro “performance” equivale al
desempeño de la red, “training”, al entrenamiento, “data division”, al tipo de división,
“epoch”, al número de épocas, “time”, al tiempo que toma la red en realizar el cálculo,
“gradient”, al gradiente y “validation check” al conjunto de datos de validación. Lo anterior
por sus siglas en inglés.
Fig. 4.2. Desempeño de la RNA Levenberg-Marquardt con 2000 épocas.
En las figura 4.1, también se observa el tiempo que tardó la red en llevar a cabo el
cálculo. Este fue de 51 segundos, así también se representa el error cuadrático medio o
“Mean Squared Error”, por sus siglas en inglés. En la figura 4.2, se observa convergencia a
las 226 épocas, así mismo el error cuadrático medio es de 0.0979. Con relación a los demás
algoritmos de entrenamiento, el error es el menor en este caso.

Capítulo 4 98
Fig. 4.3. Estado del entrenamiento de la RNA Levenberg-Marquardt con 2000 épocas.
En la figura 4.3, se ilustra la gráfica correspondiente a los datos de validación, los

cuales, después de las 226 épocas comienzan a divergir, motivo por el cual, el programa
detiene la Red Neuronal, a pesar de estar programada para 2000 épocas, ya que la
convergencia se dio en ese punto.
4.1.2. Entrenamiento de la RNA mediante el uso del Algoritmo BFGS

Quasi-Newton.
En este caso, el entrenamiento fue con 3 neuronas en la capa oculta. Esto debido a que este
algoritmo requiere de un tiempo mayor de cálculo en comparación al caso anterior, y un
parámetro que incrementa aún más el tiempo, es el número de neuronas en las capas
ocultas. Así mismo, el número de épocas para este caso fue de 2000. Aunque este algoritmo
consume menor cantidad de recursos de cómputo, generalmente converge más rápidamente,
no resultando así en este caso de estudio.

Capítulo 4 99
Fig. 4.4. Entrenamiento de la Red Neuronal BFGS Quasi-Newton.
En la figura 4.4, se observa el tipo de entrenamiento, así como el número de

épocas, el tiempo de entrenamiento, y el desempeño y el gradiente de la red. El valor del
gradiente es el que se definió para todos los casos, 1.00e-6, el cual es un criterio para la
convergencia de los datos.
En la Figura 4.5 se observa el entrenamiento de la red, en el cual, la red se detiene

hasta las 2000 épocas, teniendo un error cuadrático medio de 111.8226, el cual, es
demasiado grande para las condiciones de entrenamiento de la red. También se muestra que
la red se detiene hasta el cumplirse el criterio de número de épocas. Por la tendencia de los
datos, se observa que incluso aumentando el número de ciclos, el error se mantendría
constante y el tiempo de cálculo aumentaría, cayendo en una posible condición de sobre
entrenamiento de la red.

Capítulo 4 100
Fig. 4.5. Desempeño de la Red Neuronal BFGS Quasi-Newton.
En la figura 4.6, se observa que el gradiente es de 253.55 a la época 2000,

soportando la divergencia del cálculo de la RNA. Lo anterior la hace una red poco viable
para el análisis, debido al grado de error que se refleja en esta figura.
Fig. 4.6. Estado del entrenamiento de la Red Neuronal BFGS Quasi-Newton.

Capítulo 4 101
4.1.3. Entrenamiento de la RNA mediante el uso del algoritmo Resilient

Backpropagation o de Retropropagación Elástica.
Se entrenó con 2000 épocas, 20 neuronas en la capa oculta y de acuerdo a la tabla 3.6 que
muestra la arquitectura de la red. Este algoritmo trabaja más rápidamente que el anterior,
convergiendo en un menor número de épocas tal como lo muestra la figura 4.7. En la figura
4.8, se nota que el error sigue siendo demasiado grande, con relación al objetivo, sin
embargo el mejor entrenamiento logrado se dió a las 167 épocas con un error cuadrático
medio de 66.087, siendo a las 267 cuando el programa detiene la red. Por el valor del error,
queda muy lejos del objetivo, sin embargo, el entrenamiento de la Red Neuronal es
detenido en esa época, debido a que es el valor de convergencia en donde se obtienen los
mejores resultados para este tipo de red. La figura 4.7, muestra las condiciones de
entrenamiento, así como el tiempo que tardó en realizar los cálculos la RNA.
Fig. 4.7. Entrenamiento de la Red Neuronal de Retropropagación Elástica.

Capítulo 4 102
Fig. 4.8. Desempeño de la Red Neuronal de Retropropagación Elástica.
La figura 4.8, muestra la condición de convergencia a las 167 épocas, con un error
cuadrático medio de 66.087. Se observan diversas fluctuaciones en los valores de prueba de
la red, por lo cual esta se detiene mucho antes de las 200 épocas. Esto da pauta para
considerar poco viable este algoritmo en el entrenamiento de la RNA para el caso de
análisis.
4.1.4. Entrenamiento de la RNA por medio del algoritmo Scaled

Conjugated Gradient o de Gradiente Conjugado.
En la figura 4.9, se observa el entrenamiento de la red, la cual se detuvo a las 545

iteraciones y tuvo un tiempo de cálculo de 1,06 minutos.

Capítulo 4 103
Fig.4.9. Entrenamiento de la Red Neuronal de Gradiente Conjugado.
Fig. 4.10. Desempeño de la Red Neuronal de Gradiente Conjugado.

Capítulo 4 104
La figura 4.10 permite visualizar el error y el punto de convergencia, con un valor

de de 5.8509 a las 445 épocas, en donde convergió al mejor valor. Este entrenamiento es
mejor en tiempo y error con respecto al caso del algoritmo anterior, aunque no supera al
algoritmo de Levenverg-Marquardt en tiempo y disminución del error. El entrenamiento
mediante este algoritmo proporciona resultados más cercanos en magnitud, con relación a
otros algoritmos que aquí se presentan, lo cual, es verificable mediante el valor del error
cuadrático medio obtenido.
Fig. 4.11. Estado del entrenamiento de la Red Neuronal de Gradiente Conjugado.
En la figura 4. 11. Se muestra el error cuadrático medio conforme avanzan las

épocas. Es trascendente observar que este incrementa a partir de las época 350 hasta que
incrementa súbitamente, motivo por el cual se detiene el cálculo a las 545 épocas. En la
figura correspondiente a los datos de validación, se observan varias fluctuaciones. Estas son
crecientes hasta que el programa se detiene, después de que la red cumple la condición de
convergencia. Lo anterior significa que después de las 545 épocas se detiene la red porque
no se encontrarán mejores valores que reduzcan el error cuadrático medio.

Capítulo 4 105
4.1.5. Entrenamiento de la RNA mediante el uso del algoritmo de

Fletcher-Reeves.
Fig. 4.12. Entrenamiento de la Red Neuronal de Fletcher-Reeves.
En la figura 4.12, se ilustra que la Red Neuronal con el algoritmo Fletcher-Reeves

que se entrenó, con un tiempo de 26 segundos y una convergencia a las 331 épocas, lo cual,
la convierte en una red que cumple este criterio rápidamente, con relación a las demás. Sin
embargo, esta condición de rapidez no garantiza un valor del error cuadrático medio
adecuado para este análisis.

Capítulo 4 106
Fig. 4.13. Desempeño de la Red Neuronal de Fletcher-Reeves.
En las figura 4.13, se muestra el desempeño de la red mediante el algoritmo

Fletcher-Reeves, mostrando una ejecución en tiempo de 26 segundos con un error 18.87 en
su mejor entrenamiento, el cual se alcanzó en la época 367.
4.1.6. Entrenamiento de la RNA mediante el algoritmo One Step Secant

Algorithm o de Secante de un Paso.
La figura 4.14 muestra una red que tiene un tiempo de cálculo de 3 minutos 17 segundos,
sin embargo, el error que proporciona es de 0.772. La red se detiene a las 1963 épocas,
cerca del criterio establecido con 2000.

Capítulo 4 107
Fig. 4.14. Entrenamiento de la Red Neuronal de la Secante de un Paso.
Fig. 4.15. Desempeño de la Red Neuronal de la Secante de un Paso.

Capítulo 4 108
En la figura 4.15, se resume el entrenamiento de esta red neuronal se desarrolló en 3

minutos con 17 segundos, con un error de .77271 alcanzado en la época 1763. Este método
resulta más tardado que algunos de los anteriores, sin embargo, en cuanto a disminución del
error es la que muestra mejores resultados después del algoritmo de Levenberg-Marquardt.
El entrenamiento se detiene a las 1963 épocas, ya que la red, de acuerdo a la comparación
entre los datos de entrenamiento y los datos de validación, detecta que no se dará un mejor
entrenamiento.
4.2. Comparación de los resultados del entrenamiento de los

diferentes algoritmos.
Algoritmo Tiempo de Error cuadrático

cálculo (s) medio
Levenberg-Marquardt 51 0.979
BFGS Quasi-Newton 434 s 111.822
Resilient Backpropagation 20 66.087
Scaled Conjugate Gradient 66 s 5.85
Fletcher-Powell Conjugate
Gradient 26 s 18.87
One Step Secant 197 s 0.772
Tabla 4.1. Desempeño de los algoritmos implementados en la Red de Retropropagación.
En la tabla 4.1, se nota claramente que el algoritmo más rápido en cuanto a cálculo
fue el de Retropropacgacion Elástico o “Backpropagation Resilient” por sus siglas en
inglés, sin embargo su desempeño con un error cuadrático medio de 66.087 no fue el
óptimo para el caso de estudio. El algoritmo Levenberg-Marquard se aprecia con el menor
error cuadrático medio de 0.979, seguido del algoritmo de la Secante de un Paso con 0.772,
sin embargo, este último fue uno de los más tardados en cuanto a tiempo de cálculo.
Es importante señalar que el tiempo de cálculo y el valor del error cuadrático medio,
son los dos criterios que se toman en cuenta para determinar cuál de los seis algoritmos es
el que proporciona el mejor entrenamiento.

Capítulo 4 109
500
450
400
350
300
Tiempo
250
200
150
100
50
0
Típo de algorítmo
Fig. 4. 16. Tiempo de cálculo.
120
Error cuadráticoMedio
100
80
60
40
20
0
Tipo de Algoritmo
Fig. 4.17. Error cuadrático medio.

Capítulo 4 110
4.3. Comparación del error del entrenamiento de una red

Levenberg-Marquardt, contra el Método del Elemento Finito y el cálculo
analítico.
Para este análisis se entrenó una red Levenberg-Marquardt, ya que es la que se observó en
la sección anterior que presenta el menor error con relación a las demás algoritmos
probados, seguida por el método de la secante que también mostro un buen desempeño. El
entrenamiento de esta red se realizó con datos ordenados aleatoriamente, esta vez, del
cálculo analítico, los cuales, se compara con los obtenidos mediante el cálculo por medio
del método del elemento finito empleando el paquete computo ANSYS 11.0. Lo anterior se
hace, para evaluar los alcances de la implementación de RNA’s, a la resolución del
problema planteado en la sección 1.10.
Para el entrenamiento de esta red se definió una arquitectura (4-20-1) con 20

neuronas en la capa oculta, 1000 épocas, un valor de error de error de 1.00e-10 y una base
de datos aleatorios, obtenidos mediante el cálculo analítico. En comparación del cálculo
que ya se había hecho previamente mediante la implementación de este algoritmo en la
sección 4.1.2, en donde la base de datos de entrenamiento contenía valores del cálculo
numérico, en este caso, los datos de entrenamiento son los obtenidos analíticamente.
En la figura 4.18, se observa la información del entrenamiento de la red mediante el

algoritmo Fletcher-Reeves, de la cual el tiempo es de 28 segundos, considerándose rápido
con relación a cálculos previos. Cabe mencionar, que aún realizándose un entrenamiento
con la misma base de datos y la misma arquitectura, el tiempo y el valor de error, pueden
variar entre entrenamientos.

Capítulo 4 111
Fig. 4.18. Entrenamiento de la RNA Levenberg-Marquardt datos analíticos aleatorios.
Fig. 4.19. Validación de la RNA Levenberg-Marquardt

Capítulo 4 112
Fig. 4.20. Datos de gradiente y validación de la RNA Levenberg-Marquardt.
En la figura 4.20, se observa un incremento del error cuadrático medio posterior a

la época 400, por lo cual la red neuronal al verificar con los datos de validación, es detenida
a las 526 épocas.
Al comparar los datos de las figuras anteriores, observamos que el error, en el mejor
entrenamiento es de .0030906 a las 526 épocas, con un tiempo de cálculo de 28 segundos.
En comparación de Ansys, el error medio es de 6.6540. Considerando que las redes
neuronales tienen el potencial para trabajar con datos lineales y no lineales, las coloca en
ventaja de otros métodos para este tipo de análisis, aunado al hecho de que por las
características inherentes al diseño de una RNA, es capaz de proporcionar resultados, aun si
hay datos faltantes.

Capítulo 4 113
4.4. Determinación de las condiciones de inicio de propagación de

grietas mediante Algoritmos Genéticos.
En esta sección se realiza un análisis inverso, en el cual, a partir de los datos de “K” y el
valor del error cuadrático medio obtenido del entrenamiento con el algoritmo Levenberg-
Marquardt de la sección 4.1.1, se obtienen los mejores valores que el algoritmo propone
para a, w, t y P.
Para lograr lo anterior, se diseñó una función objetivo. Primero se declaran las 4
variables que definen el Factor de Intensidad de Esfuerzos, las cuales son a, w, t y P. Se
proponen como restricciones, los rangos que se pudieran ocupar dichas variables y que se
establecieron en la tabla 3.1. Posteriormente se introduce la condición de optimización con
base al valor del cálculo del error cuadrático medio obtenido de un entrenamiento previo
mediante Redes Neuronales Artificiales, utilizando del algoritmo Levenberg-Marquardt.
Con el error, se optimizó cada valor del Factor de Intensidad de Esfuerzos, a fin de obtener
los valores más adecuados de los parámetros a, w, t, P, creando un intervalo a través de la
función “Kd”, en el cual, el Algoritmo Genético, busca los mejores valores que cumplan las
condiciones.
El valor “Ke”, corresponde a cada valor obtenido en el entrenamiento con RNA’s,

por medio del Método del Elemento Finito, o analíticamente, con base al cual se desea
realizar el análisis inverso. Finalmente se introduce a la función objetivo, la relación
matemática que calcula el Factor de Intensidad de Esfuerzos. Este procedimiento se repite
para cada valor del cual se desean obtener resultados conservando el mismo valor del error
cuadrático medio.
Los datos de la función objetivo son los siguientes:
[ a w t p ] % variables que se usan en la ecuación
ke=20.9828; %Valor de referencia deseado (dato a modificar)
es=0.65253; %Valor del error para comparación (Dato a modificar)

Capítulo 4 114
kd=[(ke+es) (ke-es)]; % Valores máximo y mínimo de comparación
% Se asignan los posibles valores que tendrán las variables para obtener
el valor de factor de intensidad de esfuerzos
a=x(:,1);
w=x(:,2);
t=x(:,3);
p=x(:,4);
k1=(1.12-0.23*(a./w)+10.55*(a./w).^2-
21.71*(a./w).^3+30.38*(a./w).^4).*(p./(w.*t)).*sqrt(pi*a) % factor de
intensidad de esfuerzos
F=((kd(1)-k1)+(kd(2)-k1))/2 ; Promedio para obtener el valor del error
evalfit=1./F; Evaluación de la función objetivo
Cabe destacar, que los valores de Kd y es, se modifican, a de acuerdo al valor de K

del que se quieren conocer los parámetros, y del valor de error obtenido mediante el
entrenamiento por Redes Neuronales Artificiales.
Figura 4.21. Herramienta de optimización de Algoritmos Genéticos.

Capítulo 4 115
Para llevar a cabo lo anterior, se utilizó la herramienta gráfica de optimización de

Algoritmos Genéticos de MATLAB 2008, en la cual, se definieron los valores de la
población, la mutación, el tipo de cruce, los valores de migración y los criterios de paro.
Estos se muestran en la siguiente tabla:
Condiciones Valores
Población vector doble
Idoneidad Proporcional
Selección Ruleta
Reproducción 2
Mutación Uniforme
Cruce 2 puntos
Migración hacia adelante
criterio de paro 200
Tabla 4.2. Condiciones de programación del Algoritmo Genético.
En la tabla 4.2, se resumen algunos de los parámetros básicos que se establecieron

para la programación del Algoritmo Genético que se propone.
Cabe destacar, que al igual que en las Redes Neuronales, los parámetros que
definen los Algoritmos Genéticos, constituyen un proceso heurístico, por lo cual, no hay
una metodología concreta para determinarlos.
De lo anterior y con los datos encontrados, se concluye que este procedimiento es

una buena alternativa con un valor de error reducido, para realizar el análisis inverso de la
solución de las variables que definen a K.
En la tabla siguiente, se muestra la comparación del error del cálculo del Factor de
intensidad de Esfuerzos por cada valor de K de algunos datos aleatorios, entre los datos de
entrenamiento, es decir los calculados por medio del Método del Elemento Finito, los
resultados obtenidos mediante la utilización del algoritmo Levenberg–Marquardt y a través
de la optimización por medio de Algoritmos Genéticos.

Capítulo 4 116
a (cm) w (cm) t (cm) P (MPa) K (MPa√m) Error
datos de origen 0.3 10 0.1 10 10.8928
Algoritmos
genéticos 0.2988 10.8108 0.1123 10.8664 10.8928 0.00025
Tabla 4.3. Comparación entre datos de origen y cálculo inverso por medio de Algoritmos Genéticos.
En la tabla 4.3, se muestra una comparación de los datos de los parámetros, a, w, t y

P, obtenidos mediante Algoritmos Genéticos. Se hace énfasis en el hecho de que el error de
cálculo fue de 0.00025, el cual hace valido este procedimiento para la obtención de los
parámetros a partir únicamente del valor de K. Estos valores corresponden al caso, en el
cual se varía el tamaño de la grieta “a”.
12
11
10
9
Magnitud del Parámetro
8
7
6
5 Datos de origen
4
Algoritmos Genéticos
3
2
1
0
a (cm) w (cm) t (cm) P (MPa) K
(MPa√m)
Parámetros
Fig. 4.22. Comparación de los valores de los parámetros de origen y los calculados mediante

Capítulo 4 117
a (cm) w (cm) t (cm) P (Mpa) K (MPa√m) Error
Datos de origen 3.3 10 0.1 10 57.090
Algoritmos
Genéticos 3.2863 10.9126 0.5318 10.5502 57.090 .000094
Tabla 4.4. Comparación entre datos de origen y cálculo por medio de Algoritmos Genéticos.
En la tabla 4.4, se observan los resultados obtenidos del análisis inverso. Se aprecia
que aunque el programa calcula un error de 0.000094, existe una variación considerable en
el tamaño valor del tamaño de la grieta, con una diferencia de 0.4318. Cabe destacar que al
igual que las RNA’s, los resultados, pueden variar, en este caso, cada vez que se repite el
procedimiento, aún si la base de datos y la configuración es la misma.
60
50
Magnitud del Parámetro
40
30
Datos de origen
20 Algoritmos Genéticos
10
0
a (cm) w (cm) t (cm) P (MPa) K
(MPa√m)
Parámetros
Fig. 4.23. Comparación de los valores de los parámetros de origen y los calculados mediante

Capítulo 4 118
4.5. Sumario.
En este capítulo, se analizaron los resultados pertenecientes a los distintos algoritmos de

entrenamiento implementados en la red de Retropropagación, así también se compararon
los resultados entre estas, encontrando que la red Levenberg-Marquardt, es la que
proporciona los mejores resultados, ya que el error cuadrático medio fue el menor, con un
tiempo de cálculo mucho menor al que se requiere para obtener un solo valor de “K”, por
medio del método del Elemento Finito, a través del programa ANSYS. Con los resultados
de este entrenamiento, se implementó una función objetivo mediante algoritmos genéticos,
con la finalidad de reducir aún más el error que se obtuvo por medio del entrenamiento de
dicho algoritmo.
4.6. Referencias.
Neural Networks User’s Guide, (2008a). Matlab. The mathworks.

119
Discusiones
El estudio en torno a la Mecánica de la Fractura, es importante debido a las implicaciones

en costos y vidas humanas. Es por ello, que se justifica el gran interés por desarrollar
métodos que permitan realizar análisis de alta precisión y de costos reducidos. Algunas
evaluaciones experimentales, tiene la limitación de ser caras, ya que, requieren de la
utilización de cuantiosos recursos. A pesar de ello, en ocasiones son necesarias.
En el área de Mecánica de la Fractura, se han desarrollado análisis experimentales,

analíticos y numéricos. Con relación a estos últimos, la evaluación por medio del Método
del Elemento Finito ha sido una buena alternativa, sin embargo, algunos problemas
resueltos por este, requieren de mucho tiempo para realizar el modelado, así como de una
gran cantidad de recursos de cómputo.
Las Redes Neuronales Artificiales, ya han sido implementadas para la resolución de

una gran cantidad de problemas en diferentes áreas de la Ciencia y la Ingeniería, lo cual, se
reporta en la vasta literatura abierta en torno a sus aplicaciones. Esto, las pone en ventaja
con relación a otras alternativas de solución. Otro aspecto importante es que las Redes
Neuronales, por las características mismas del modelo teórico que las sustenta, tienen la
capacidad de resolver problemas lineales y no lineales, incluso si la base de datos está
incompleta, dañada, o presenta algunas ambigüedades en los datos. A pesar de lo anterior,
hay que destacar que, el proceso mediante Redes Neuronales Artificiales es heurístico, por
lo que se requiere de un gran número de entrenamientos en la red modificando los
parámetros de la arquitectura tales como pesos sinápticos, número de capas ocultas,
modelos y algoritmos de entrenamiento, entre otros. Así mismo, no existe un método
determinado para cada caso y aplicación. Pese a lo anterior, cuando se selecciona
adecuadamente un modelo y un algoritmo adecuado al problema que deseamos resolver,
las Redes Neuronales Artificiales son una gran alternativa, ya que pueden proporcionar
resultados de alta precisión, en poco tiempo, a bajo costo y sin la necesidad de realizar
evaluaciones que impliquen vidas humanas. De aquí se desprende la importancia y se

120
justifica el interés de proponer análisis por medio de este método, aunado a las
características descritas anteriormente.
Para el problema que se plantea en este trabajo de tesis, se formo una base de datos
con diferentes valores del Factor de Intensidad de Esfuerzos. Estos se obtuvieron de
acuerdo a diferentes condiciones de inicio de propagación de grietas determinadas por los
paramentos a, w, t y P y se verificaron analíticamente. Esto es necesario para validar la base
de datos. También se considero un orden en la variación de los parámetros. Lo anterior con
la finalidad de no repetirlos y acumular información innecesaria para el entrenamiento de la
red, lo cual consumiría recursos superfluos.
Ya que el procedimiento es heurístico como se menciono anteriormente, fue

necesario evaluar la implementación con diferentes arquitecturas y algoritmos aplicados a
la Red de Retropropagación. Esta se seleccionó por su grado de aplicabilidad, y ya que por
su simplicidad, es capaz de dar soluciones rápidas y precisas. Si bien, en algunas
aplicaciones pueden tener limitaciones en cuanto a la extrapolación de datos, estas se ven
compensadas con las modificaciones propuestas mediante algunos de los algoritmos que se
probaron en este trabajo de tesis. En los casos en que no se adquiere un entrenamiento
satisfactorio congruente con el error que se establece como objetivo, porque converge muy
rápido o porque muestra divergencia, alejando la solución del dato esperado e
incrementando el error, puede considerarse: modificar la topología, la arquitectura general
de la red, el orden del conjunto de datos de entrenamiento o aumentar el tamaño de la base
de datos, entre otras alternativas.
Debido a lo anterior, fue necesario evaluar los resultados de diferentes algoritmos

de entrenamiento aplicados a la red de Retroporpagación, así como diferentes arquitecturas.
Los criterios que se consideraron para determinar cuáles eran los algoritmos con mejores
resultados fueron principalmente la precisión de cálculo con relación a los datos de
entrenamiento, mediante la obtención del valor del error cuadrático medio y el menor
tiempo de cálculo.
En la figura d.1, se muestra un valor tomado al azar del Factor de Intensidad de

Esfuerzos, calculado, mediante el Método del Elemento Finito, analíticamente y a través de

121
los 6 algoritmos que se validaron. Las condiciones de inicio de propagación de una grieta
de este valor son: un tamaño de grieta de 10mm, un ancho del espécimen de 100mm, un
espesor de 59mm y una carga de 10MPa. El entrenamiento se realizó con los datos
obtenidos mediante el cálculo por medio del MEF, por lo tanto, los algoritmos con mejores
resultados, son aquellos cuyo valor de K tiene menor error con relación a dichos datos. Se
observa en la figura, que el algoritmo BFGS Quasi-Newton así como el Resilient
BAckpropagation o de Retropropagación elastica por su traducción al español, son los que
proporcionan mayor error, ya que el valor del Factor de Intensidad de Esfuerzos por medio
de esos algoritmos, diverge mucho del valor obtenido por medio del MEF, de cuyo calculo,
se determino la base de datos de entrenamiento.
12
10
MEF
8
Analítico
Factor de 6 BFGS Quasi-Newton
Intensidad de Fletcher-Reeves
Esfuerzos 4 Levenberg-Marquardt
One Step Secant
2
Resilient Backpropagation
0 Scaled Conjugate Gradient
-2
Valor de K
Métodos
Fig. d.1. Cálculo del Factor de Intensidad de Esfuerzos por diversos métodos.
En la tabla d.1, se observan los valores de K y se nota que con un valor de 0.3434 y 0.3603,
los algoritmos Levenberg-Marquardt y Sacaled Conjugated Gradient, son los que muestran
menor diferencia con relación al valor de entrenamiento de 0.3389, proporcionado por el
cálculo por medio del MEF.

122
Métodos Valor de K
MEF 0.33891
Analítico 0.35564
BFGS Quasi-Newton 5.3371
Fletcher-Reeves -0.7872
Levenberg-Marquardt 0.3434
One Step Secant -0.1192
Resilient Backpropagation 11.8323
Scaled Conjugate Gradient 0.3603
Tabla d.1. Valor del Factor de Intensidad de Esfuerzos obtenido por diferentes métodos.
1.6
1.4
BFGS Quasi-Newton
1.2
Fletcher-Reeves
Error Promedio
1
Levenberg-Marquardt
0.8
One Step Secant
0.6
Resilient Backpropagation
0.4 Scaled Conjugated

Gradient
0.2
0
Algoritmos
Fig. d.2. Valor del error promedio calculado para diferentes algoritmos.
En la figura d.2, se observa el error medio deferentes algoritmos, confirmando que los
algoritmos cuyos resaltados son más exactos son: Levenberg-Marquard, One Step Secant o
de Secante de un Paso y Fletcher–Reeves con un error de 0.0103, 0.0648 y 0.0864
respectivamente.

123
25
BFGS Quasi-Newton
20
Fletcher-Reeves
Desviación Estándar
15 Levenberg-Marquardt
One Step Secant

10
Resilient
Backpropagation
5 Scaled Conjugated
Gradient
0
1
Algoritmos
Fig. d.3. Desviación estándar del error de los algoritmos.
En la figura d.3, se muestran los valores de la desviación estándar, lo cual, refleja que los
algoritmos BFGS Qauasi-Newton y Resilient Backpropagation, son los que muestran
mayor dispersión del error con relación a la media, con una desviación estándar de 20.098 y
11.555 respectivamente. Por el contrario los algoritmos Levenberg-Marquardt y One Step
Secant tienen valores de desviación estándar más bajos con 0.313 para el primero y 1.958
para el segundo. Esto muestra que al haber menor grado de dispersión en el error de los
datos, hay mayor precisión de cálculo del Factor de Intensidad de Esfuerzos, por lo cual, el
algoritmo Levenberg-Marquard, seguido del One Step Secant, son los que generan los
mejores resultados.

124
14
12
Factor de Intensidad de Esfuerzos
10
8
Levenberg-Marquardt
MEF
6
0
1 2 3 4 5 6 7 8 9 10
Datos aleatorios
Fig. d.4. Comparación del Factor de Intensidad de Esfuerzos para 10 valores aleatorios.
Debido al análisis estadístico anterior, se determino que el algoritmo que proporciona

mejores resultados es el Levenberg-Marquardt, por lo cual en la figura d.4, se observa la
comparación de los valores obtenidos mediante el Método del Elemento Finito y dicho
algoritmo. No se observa una marcada divergencia entre ambos datos.
Lo anterior da validez a la aplicación de Redes Neuronales Artificiales como una

alternativa adecuada para la determinación de los Factores de Intensidad de Esfuerzos,
poniéndolo en ventaja de otros métodos convencionales, por la rapidez de cálculo debido a
las configuraciones en paralelo de las Redes Neuronales y a la precisión. Con relación a la
determinación de las condiciones del inicio de propagación de grietas, definidas mediante
los parámetros a, w, t y P, en las figuras 4,22 y 4,23 de la sección de análisis de resultados,
se muestra la comparación entre los datos de origen y los datos determinados por medio de
los Algoritmos Genéticos. Cabe destacar que aunque los resultados obtenidos generaron un
error de 0.000094 y 0.00025, existe mayor variabilidad en las soluciones que estos dan con
relación a las Redes neuronales, sin embargo, el error es considerablemente menor. Esto

125
debido a que las posibilidades de configuración son grandes, lo cual, también genera un
problema al determinar los mejores parámetros al programar el Algoritmo Genético.
En el actual estudio se considero realizar la evaluación con distintos casos de la posición

de la grieta en el espécimen, sin embargo, el análisis contempla la implementación de
Redes Neuronales, por lo cual, al adquirir la base de datos, el procedimiento de
programación sería similar para otras configuraciones de grieta. También se considera
necesario realizar el análisis con datos experimentales para corroborar los resultados
obtenidos en esta tesis, sin embargo, en el actual trabajo por la extensión de contenido solo
se contempla el análisis numérico, analítico, la implementación mediante Redes Neuronales
Artificiales, y la determinación de las condiciones de inicio de propagación de grietas por
medio de Algoritmos Genéticos.
Se concluye que la implementación de redes neuronales para la determinación de los

Factores de intensidad de Esfuerzos por medio del Algoritmo Levenberg-Marquardt, resulta
una buena propuesta, así como los Algoritmos Genéticos para la determinaron de las
condiciones de inicio y propagación de grietas, debido al reducido error que los resultados
obtenidos por medio de estas arrojan.
Con relación al procedimiento por medio de Algoritmos Genéticos, es conveniente

probar más combinaciones entre los parámetros de programación a fin de reducir aún más
el error. Esto podría realizarse prescindiendo de la herramienta “gatool” y mediante
programación directa por Matlab.

126
Conclusiones
En el capítulo 3, se muestra gráficamente la relación que existe entre los parámetros

analizados y el Factor de Intensidad de Esfuerzos. Dichas relaciones son lineales y no
lineales. Es conveniente hacer notar que las Redes Neuronales Artificiales pueden hacer
este tipo de relaciones a partir de un planteamiento físico. Esto es importante, porque
propone una alternativa para estudiar problemas físicos donde la no linealidad es parte del
problema.
La Red Neuronal Artificial implica un adecuado diseño de la arquitectura y puesto

que es un método heurístico requiere probar con distintos valores en la arquitectura y
múltiples ensayos a fin de obtener los mejores resultados.
Cada algoritmo de entrenamiento implementado a una Red Neuronal Artificial,

modifica los resultados en cuanto a tiempo de cálculo y valor del error cuadrático medio,
por lo que es necesario probar con distintos algoritmos a fin de encontrar la solución
óptima.
Se encontró poca modificación en el error cuadrático medio al variar el número de

neuronas en la capa oculta, sin embargo, el tiempo de cálculo se incrementa drásticamente
en algunos de los algoritmos, a pesar de que se implementan por su rapidez de cálculo.
El análisis por medio de redes neuronales por medio del método de Levenberg-
Marquardt, proporcionó los mejores resultados en el entrenamiento de la red para el análisis
de grietas en placas propuesto en esta tesis.
Se requiere de una base de datos experimental, para comparar los resultados

analíticos, experimentales y por medio del Método del Elemento Finito con los obtenidos
mediante las Redes Neuronales Artificiales, entrenado la red con los datos experimentales.
El cálculo de los Factores de Intensidad de Esfuerzos por medio del método del
elemento finito, con la ayuda de ANSYS para formar la base de datos, fue muy grande en
comparación con el tiempo que toma el entrenamiento de una red neuronal.

127
Los Algoritmos Genéticos son útiles para optimizar los datos obtenidos del
entrenamiento de una red neuronal, así también para realizar análisis inversos de alta
precisión. En este trabajo de tesis, se determinaron las condiciones de inicio de propagación
de una grieta, partiendo del valor del Factor de Intensidad de Esfuerzos y posibles
restricciones de los parámetros que lo definen.
Se concluye que para un óptimo entrenamiento de una Red Neuronal para el análisis
de grietas en placas, es necesario identificar y definir las características más apropiadas de
la arquitectura, a fin de reducir el error cuadrático medio y tiempo de cálculo, de la misma
forma se encontró que, mediante todos los algoritmos de redes probados, el tiempo fue
menor con respecto al análisis por medio del Método de Elemento Finito, sin embargo, no
en todos los casos el error cuadrático medio era adecuado por la divergencia con relación a
los datos de entrenamiento. También se obtuvieron resultados congruentes con los datos de
origen, al realizar el análisis por medio de Algoritmos Genéticos, lo cual complementa este
análisis y lo dota de ser una buena alternativa para la resolución de problemas no lineales.

128
Recomendaciones para trabajo futuro

• Se propone comparar los resultados de este trabajo contra una Red Neuronal
entrenada con datos experimentales, ya que estos, son los que más se apegan a las
condiciones reales, si la metodología experimental propuesta es adecuada y los
instrumentos y procedimientos de medición precisos.
• Se sugiere el entrenamiento mediante la implementación de ANFIS, a fin de
comparar los resultados obtenidos en este trabajo mediante la implementación de
Redes Neuronales Artificiales y Algoritmos genéticos
• Se propone realizar el análisis de grieta por medio del Método del Elemento Finito
comparando los resultados obtenidos mediante el empleo de distintos paquetes
computacionales, así como la implementación de la RNA por medio de otros
programas como MATHCAD u OCTAVE, ya que al ser este ultimo de libre
distribución, sería una buena alternativa.
• Se propone la modificación de alguno de los algoritmos de entrenamiento, en
especial el Levenberg-Marquardt, el cual presenta resultados óptimos, variando el
método de interpolación.
• Se propone realizar un análisis de acuerdo a la actual metodología, con diversos
casos de grieta, formas del espécimen, material con diversas propiedades mecánicas
y modos de carga.
• Se propone evaluar los efectos de la variación de la temperatura en placas metálicas
agrietadas sobre el valor del factor de intensidad de esfuerzos mediante la
implementación de Redes Neuronales Artificiales.
• Se propone la implementación de Redes Neuronales Artificiales para analizar los
efectos de de la variación del Factor de Intensidad de Esfuerzos en función de la
aplicación de cargas cíclicas.
• Se propone realizar un análisis inverso para la determinación del tamaño de la
grieta, mediante la optimización por descomposición de datos por series de Fourier
implementado a algún algoritmo de Redes Neuronales Artificiales.

129
• Se propone evaluar los efectos de la densidad de defectos cercanos a la vecindad de

una grieta, sobre el valor del Factor de Intensidad de Esfuerzos, por medio de la
Implementación de Redes Neuronales Artificiales y Algoritmos Genéticos.
• Realizar una optimización de los parámetros que definen la arquitectura de una Red
Neuronal Artificial por medio de Algoritmos Genéticos.

Anexos
130
Anexos
Anexo1
Código para el cálculo de los Factores de Intensidad de Esfuerzos por medio del
Método del Elemento Finito.
Las siguientes líneas de comandos, describen la programación para la determinación del Factor de
Intensidad de Esfuerzos por medio del Método del Elemento Finito, por medio del programa de
computo Ansys 11.0.
/FILNAME, Grieta lateral Modo I a=1.5,0
!*DEFINICION DE LA GEOMETRIA A, H, W, P, T, E, NU
a=5.5
h=20
w=h/2
P=10
t=1/10
E=200e3
nu=0.27
!* TIPO DE ELEMENTO Y KEYPOINTS
/PREP7
ET,1,PLANE183
KEYOPT,1,1,0
KEYOPT,1,3,3
KEYOPT,1,6,0
KEYOPT,1,10,0
R,1,t,
!* PROPIEDADES MECANICAS DEL MATERIAL PRXY, EX
KEYOPT,1,3,2

131
KEYOPT,1,5,0
KEYOPT,1,6,0
MPTEMP,,,,,,,,
MPTEMP,1,0
MPDATA,EX,1,,E
MPDATA,PRXY,1,,0.27
!* PUNTOS GEOMETRICOS DE LA PLACA
K,1,,
K,2,a,
K,3,w,
K,4,w,h/2
K,5,,h/2
!* CREACION DE LINEAS ENTRE KEYPOINTS
L,1,2
L,2,3
L,3,4
L,4,5
L,5,1
!* DEFINICION DE LAS DIVISIONES.
LESIZE,3, , ,51, , , , ,1
LESIZE,4, , ,51, , , , ,1
LESIZE,5, , ,63,.2, , , ,1
LESIZE,1, , ,25,4, , , ,1
LESIZE,2, , ,34,.2, , , ,1
KSCON,2,a/16,1,16, ,
!* PROPIEDADES DE SIMETRIASIMETRIA
Al,all
DL,2,1,SYMM

132
SFL,4,PRES,-(P/(w*t)),
AMESH,1
!* SOLUCION DEL PROBLEMA
/SOLU
solve
FINISH
!* DEFINICION DEL SENTIDO PARA EL CALCULO KI
/POST1
PATH,K1,3,28,20, DEFINICION DE LA TRAYECTORIA DE LA GRIETA
PPATH,1,2,
PPATH,2,48,
PPATH,3,1,
PATH,STAT
!* CALCULO DEL FACTOR DE INTENSIDAD DE ESFUERZOS KI
KCALC,0,1,0,0
Anexo 2.
Cálculo de K analítico de los Factores de Intensidad de Esfuerzos.
En las siguientes tablas, se plasman los resultados del cálculo analítico del Factor de
Intensidad de Esfuerzos, en donde “a” es el tamaño de la grieta, “W” es el ancho del
espécimen, “P” es la carga aplicada y “K” es el Factor de Intensidad de Esfuerzos.
a (mm) W (cm) t (cm) P(MPa) K1 (MPa√m)
1 12.3 0.1 10 16.7258418
1 12.2 0.1 10 16.8738265
1 12.1 0.1 10 17.0245243
1 12 0.1 10 17.178012

133
1 11.9 0.1 10 17.3343686
1 11.8 0.1 10 17.4936767
1 10 0.1 10 20.982805
1 10.1 0.1 10 20.7516949
1 10.2 0.1 10 20.5257647
1 10.3 0.1 10 20.3048402
1 10.4 0.1 10 20.0887547
1 11 0.1 10 18.8854143
1 11.1 0.1 10 18.6991088
1 11.2 0.1 10 18.5165436
1 11.4 0.1 10 18.1621868
1 11.3 0.1 10 18.3376058
1 10.9 0.1 10 19.0755779
1 10.8 0.1 10 19.2697223
1 10.7 0.1 10 19.4679756
1 19.1 0.1 10 10.5232703
1 18.8 0.1 10 10.696866
1 18.7 0.1 10 10.7560327
1 14.7 0.1 10 13.8298676
1 14.1 0.1 10 14.4533887
1 14 0.1 10 14.5629489
1 13.9 0.1 10 14.6742227
1 13.8 0.1 10 14.7872513

134
1 13.7 0.1 10 14.9020772
1 13.6 0.1 10 15.0187442
1 13.5 0.1 10 15.1372977
1 13.4 0.1 10 15.2577844
1 13.3 0.1 10 15.3802527
1 13.2 0.1 10 15.5047527
1 13.1 0.1 10 15.6313361
1 19 0.1 10 10.5804958
1 18.9 0.1 10 10.6383574
1 14.6 0.1 10 13.9299408
1 14.5 0.1 10 14.0315062
1 10.6 0.1 10 19.6704714
1 11.5 0.1 10 17.9901826
1 12.8 0.1 10 16.0241314
1 12.7 0.1 10 16.1596028
1 11.7 0.1 10 17.6560219
1 11.6 0.1 10 17.821493
1 12.6 0.1 10 16.2974446
1 12.5 0.1 10 16.4377206
1 12.4 0.1 10 16.5804969
1 12.9 0.1 10 15.8909691
1 13 0.1 10 15.7600565
1 10.5 0.1 10 19.8773492

135
1 14.2 0.1 10 14.3455024
1 14.3 0.1 10 14.2392513
1 19.5 0.1 10 10.3005223
1 19.4 0.1 10 10.3553064
1 19.3 0.1 10 10.4106858
1 19.2 0.1 10 10.4666704
1 14.4 0.1 10 14.134598
1 19.6 0.1 10 10.2463239
1 19.7 0.1 10 10.1927016
1 19.8 0.1 10 10.1396463
1 19.9 0.1 10 10.0871489
1 20 0.1 10 10.0352006
1 14.8 0.1 10 13.7312535
1 14.9 0.1 10 13.6340663
1 15 0.1 10 13.538275
1 15.1 0.1 10 13.4438492
1 15.2 0.1 10 13.3507596
1 15.3 0.1 10 13.2589775
1 15.4 0.1 10 13.1684752
1 15.5 0.1 10 13.0792259
1 15.8 0.1 10 12.8187368
1 15.9 0.1 10 12.7342442
1 16 0.1 10 12.6508806

136
1 16.4 0.1 10 12.3282691
1 15.7 0.1 10 12.9043818
1 15.6 0.1 10 12.9912032
1 16.7 0.1 10 12.0971072
1 17.6 0.1 10 11.4537264
1 17.8 0.1 10 11.320099
1 17.7 0.1 10 11.3865136
1 17.1 0.1 10 11.80229
1 17 0.1 10 11.8746133
1 16.9 0.1 10 11.9478455
1 16.8 0.1 10 12.0220042
1 16.6 0.1 10 12.173173
1 16.5 0.1 10 12.2502206
1 18.4 0.1 10 10.937595
1 18.3 0.1 10 10.9995095
1 18.2 0.1 10 11.0621412
1 18.1 0.1 10 11.1255028
1 18 0.1 10 11.1896074
1 17.9 0.1 10 11.2544682
1 16.3 0.1 10 12.4073387
1 16.2 0.1 10 12.4874497
1 16.1 0.1 10 12.5686231
1 17.2 0.1 10 11.7308587

137
1 18.6 0.1 10 10.8158686
1 17.3 0.1 10 11.6603027
1 18.5 0.1 10 10.8763855
1 17.4 0.1 10 11.5906057
1 17.5 0.1 10 11.5217521
3.5 10 0.1 10 61.5756276
3.4 10 0.1 10 59.2881918
3.3 10 0.1 10 57.0902036
1.9 10 0.1 10 32.9298168
1.8 10 0.1 10 31.5250739
1.7 10 0.1 10 30.1471291
1.6 10 0.1 10 28.7931914
1.5 10 0.1 10 27.4603121
3.2 10 0.1 10 54.9756018
2.7 10 0.1 10 45.4669233
2.6 10 0.1 10 43.7454678
3.1 10 0.1 10 52.9387049
3 10 0.1 10 50.9741956
2.9 10 0.1 10 49.0771038
2.5 10 0.1 10 42.0746548
2.4 10 0.1 10 40.4509622
2.3 10 0.1 10 38.8710889
2.2 10 0.1 10 37.3319263

138
2.1 10 0.1 10 35.8305268
1.4 10 0.1 10 26.1452885
1.3 10 0.1 10 24.8445409
1.2 10 0.1 10 23.5539555
1.1 10 0.1 10 22.2686739
4.6 10 0.1 10 94.7964854
4.5 10 0.1 10 91.0026805
2 10 0.1 10 34.3640689
1 10 0.1 10 20.982805
0.9 10 0.1 10 19.6890166
6.8 10 0.1 10 254.730268
5.5 10 0.1 10 139.369674
5.4 10 0.1 10 133.320336
5.3 10 0.1 10 127.580904
5.2 10 0.1 10 122.135181
0.8 10 0.1 10 18.3779304
0.7 10 0.1 10 17.0371846
0.6 10 0.1 10 15.6498925
0.5 10 0.1 10 14.1919167
0.4 10 0.1 10 12.6265692
4.4 10 0.1 10 87.3939333
4.3 10 0.1 10 83.9591367
4.2 10 0.1 10 80.6877005

139
10 10 0.1 10 1127.16373
9.9 10 0.1 10 1079.13328
8.7 10 0.1 10 628.076035
7.7 10 0.1 10 391.804287
7.6 10 0.1 10 373.516999
7.5 10 0.1 10 356.064613
6.7 10 0.1 10 242.888989
6.6 10 0.1 10 231.626753
6.5 10 0.1 10 220.918788
5.1 10 0.1 10 116.967573
5 10 0.1 10 112.063079
4.9 10 0.1 10 107.407282
4.8 10 0.1 10 102.986342
3.7 10 0.1 10 66.4450737
3.8 10 0.1 10 69.041236
3.9 10 0.1 10 71.7551767
4 10 0.1 10 74.5950674
4.1 10 0.1 10 77.5695404
4.7 10 0.1 10 98.786982
3.6 10 0.1 10 63.9589667
2.8 10 0.1 10 47.2427893
0.3 10 0.1 10 10.892846
6 10 0.1 10 174.875089

140
6.3 10 0.1 10 201.070119
7.3 10 0.1 10 323.539561
7.4 10 0.1 10 339.415691
6.4 10 0.1 10 210.741033
0.2 10 0.1 10 8.87350285
5.9 10 0.1 10 167.011588
5.8 10 0.1 10 159.54831
5.7 10 0.1 10 152.46592
6.1 10 0.1 10 183.158801
6.2 10 0.1 10 191.883372
8.6 10 0.1 10 599.536823
8.5 10 0.1 10 572.190605
8.4 10 0.1 10 545.9979
8.3 10 0.1 10 520.920062
8.2 10 0.1 10 496.919269
8.1 10 0.1 10 473.95852
8 10 0.1 10 452.001627
7.2 10 0.1 10 308.406316
7.1 10 0.1 10 293.986799
7 10 0.1 10 280.252607
6.9 10 0.1 10 267.176073
0.1 10 0.1 10 6.27049197
5.6 10 0.1 10 145.745726

141
7.8 10 0.1 10 410.958693
9.6 10 0.1 10 945.547645
9.7 10 0.1 10 988.37562
9.8 10 0.1 10 1032.88752
7.9 10 0.1 10 431.013211
8.8 10 0.1 10 657.848559
8.9 10 0.1 10 688.895557
9 10 0.1 10 721.259045
9.1 10 0.1 10 754.98189
9.2 10 0.1 10 790.107826
9.3 10 0.1 10 826.681454
9.4 10 0.1 10 864.748249
9.5 10 0.1 10 904.354566
1 10 9.5 10 0.22087163
1 10 9.2 10 0.22807397
1 10 9.4 10 0.22322133
1 10 9.1 10 0.23058027
1 10 9.3 10 0.22562156
1 10 4.5 10 0.46628456
1 10 4.6 10 0.45614793
1 10 4.7 10 0.44644266
1 10 5.2 10 0.40351548
1 10 5.3 10 0.39590198

142
1 10 5.4 10 0.38857046
1 10 9.8 10 0.21411025
1 10 10 10 0.20982805
1 10 9.7 10 0.21631758
1 10 5.5 10 0.38150555
1 10 9.6 10 0.21857089
1 10 5.6 10 0.37469295
1 10 5.8 10 0.3617725
1 10 5.7 10 0.36811939
1 10 9.9 10 0.21194753
1 10 9 10 0.23314228
1 10 5.1 10 0.41142755
1 10 5 10 0.4196561
1 10 4.9 10 0.42822051
1 10 4.4 10 0.47688193
1 10 4.8 10 0.43714177
1 10 3.9 10 0.53802064
1 10 3.7 10 0.56710284
1 10 3.8 10 0.55217908
1 10 4.2 10 0.49959059
1 10 4.1 10 0.51177573
1 10 3.6 10 0.58285569
1 10 4 10 0.52457012

143
1 10 4.3 10 0.48797221
1 10 3.5 10 0.59950871
1 10 3 10 0.69942683
1 10 3.4 10 0.61714132
1 10 2.9 10 0.723545
1 10 2.7 10 0.77714093
1 10 2.8 10 0.74938589
1 10 3.1 10 0.67686468
1 10 3.2 10 0.65571266
1 10 7.7 10 0.27250396
1 10 3.3 10 0.63584258
1 10 7.6 10 0.27608954
1 10 7.8 10 0.26901032
1 10 8 10 0.26228506
1 10 7.9 10 0.26560513
1 10 8.1 10 0.25904698
1 10 2.4 10 0.87428354
1 10 2.6 10 0.80703096
1 10 2 10 1.04914025
1 10 2.5 10 0.8393122
1 10 2.1 10 0.99918119
1 10 2.2 10 0.95376386
1 10 2.3 10 0.91229587

144
1 10 8.9 10 0.23576185
1 10 8.4 10 0.2497953
1 10 8.2 10 0.25588787
1 10 8.5 10 0.24685653
1 10 8.3 10 0.25280488
1 10 8.6 10 0.2439861
1 10 1.5 10 1.39885367
1 10 8.7 10 0.24118167
1 10 1.6 10 1.31142531
1 10 8.8 10 0.23844097
1 10 1.4 10 1.49877178
1 10 1.3 10 1.61406192
1 10 1.2 10 1.74856708
1 10 1.1 10 1.90752773
1 10 1.7 10 1.23428265
1 10 1.8 10 1.16571139
1 10 1.9 10 1.10435816
1 10 7 10 0.29975436
1 10 7.1 10 0.29553246
1 10 7.2 10 0.29142785
1 10 7.3 10 0.28743568
1 10 1 10 2.0982805
1 10 0.9 10 2.33142278

145
1 10 0.8 10 2.62285062
1 10 0.7 10 2.99754357
1 10 0.3 10 6.99426833
1 10 0.2 10 10.4914025
1 10 0.1 10 20.982805
1 10 6.9 10 0.30409862
1 10 6.8 10 0.30857066
1 10 6.7 10 0.31317619
1 10 6.6 10 0.31792129
1 10 6.5 10 0.32281238
1 10 0.6 10 3.49713416
1 10 0.5 10 4.196561
1 10 0.4 10 5.24570124
1 10 6.4 10 0.32785633
1 10 6.3 10 0.3330604
1 10 6.2 10 0.33843234
1 10 6.1 10 0.34398041
1 10 6 10 0.34971342
1 10 7.4 10 0.28355142
1 10 7.5 10 0.27977073
1 10 5.9 10 0.35564076
1 10 0.1 16.8 35.2511124
1 10 0.1 16.7 35.0412843

146
1 10 0.1 16.4 34.4118002
1 10 0.1 16.5 34.6216282
1 10 0.1 16.6 34.8314563
1 10 0.1 15.4 32.3135197
1 10 0.1 15.5 32.5233477
1 10 0.1 15.8 33.1528319
1 10 0.1 15.7 32.9430038
1 10 0.1 15.6 32.7331758
1 10 0.1 14.6 30.6348953
1 10 0.1 14.5 30.4250672
1 10 0.1 14.4 30.2152392
1 10 0.1 14.7 30.8447233
1 10 0.1 14.8 31.0545514
1 10 0.1 14.9 31.2643794
1 10 0.1 15 31.4742075
1 10 0.1 15.1 31.6840355
1 10 0.1 20 41.96561
1 10 0.1 16.3 34.2019721
1 10 0.1 16.2 33.9921441
1 10 0.1 16.1 33.782316
1 10 0.1 15.2 31.8938636
1 10 0.1 14.3 30.0054111
1 10 0.1 14.2 29.7955831

147
1 10 0.1 14.1 29.585755
1 10 0.1 14 29.375927
1 10 0.1 13.9 29.1660989
1 10 0.1 13.8 28.9562709
1 10 0.1 16 33.572488
1 10 0.1 15.9 33.3626599
1 10 0.1 15.3 32.1036916
1 10 0.1 13.7 28.7464428
1 10 0.1 13.6 28.5366148
1 10 0.1 13.5 28.3267867
1 10 0.1 13.4 28.1169587
1 10 0.1 13.3 27.9071306
1 10 0.1 13.2 27.6973026
1 10 0.1 13.1 27.4874745
1 10 0.1 19.9 41.7557819
1 10 0.1 19.8 41.5459539
1 10 0.1 19.7 41.3361258
1 10 0.1 10 20.982805
1 10 0.1 17 35.6707685
1 10 0.1 16.9 35.4609404
1 10 0.1 13 27.2776465
1 10 0.1 12.9 27.0678184
1 10 0.1 12.8 26.8579904

148
1 10 0.1 12.7 26.6481623
1 10 0.1 12.6 26.4383343
1 10 0.1 12.5 26.2285062
1 10 0.1 12.4 26.0186782
1 10 0.1 12.1 25.389194
1 10 0.1 11.9 24.9695379
1 10 0.1 11.8 24.7597099
1 10 0.1 11.7 24.5498818
1 10 0.1 11.3 23.7105696
1 10 0.1 10.3 21.6122891
1 10 0.1 10.2 21.4024611
1 10 0.1 17.4 36.5100807
1 10 0.1 17.3 36.3002526
1 10 0.1 10.1 21.192633
1 10 0.1 17.1 35.8805965
1 10 0.1 17.2 36.0904246
1 10 0.1 18 37.769049
1 10 0.1 17.9 37.5592209
1 10 0.1 17.6 36.9297368
1 10 0.1 17.5 36.7199087
1 10 0.1 17.8 37.3493929
1 10 0.1 17.7 37.1395648
1 10 0.1 18.1 37.978877

149
1 10 0.1 18.2 38.1887051
1 10 0.1 18.3 38.3985331
1 10 0.1 19.4 40.7066417
1 10 0.1 18.7 39.2378453
1 10 0.1 18.4 38.6083612
1 10 0.1 18.5 38.8181892
1 10 0.1 18.6 39.0280173
1 10 0.1 19.3 40.4968136
Anexo 3.
Cálculo de K por medio del Método del Elemento Finito.
En las siguientes tablas, se muestran los resultados del cálculo del Factor de Intensidad de
Esfuerzos, mediante el método numérico, con el apoyo del paquete computacional Ansys
11.0. Los parámetros que se muestran son: “a” que es el tamaño de la grieta, “W”, el ancho
del espécimen, “t” es el espesor, “P” es la carga y “K” es el Factor de Intensidad de
Esfuerzos.

4.8 10 0.1 10 103.49
4.7 10 0.1 10 99.197
4.6 10 0.1 10 94.971
4.5 10 0.1 10 90.662
4.4 10 0.1 10 86.843
4.3 10 0.1 10 83.219
4.2 10 0.1 10 79.775
4.1 10 0.1 10 76.5
4 10 0.1 10 73.382
3.9 10 0.1 10 70.411
7.5 10 0.1 10 494.02
7.4 10 0.1 10 455.81

150
7.3 10 0.1 10 421.78

7.2 10 0.1 10 391.33
3.8 10 0.1 10 67.577
3.7 10 0.1 10 64.872
3.6 10 0.1 10 62.288
1.9 10 0.1 10 31.104
2.3 10 0.1 10 36.846
2.4 10 0.1 10 38.398
2.5 10 0.1 10 39.997
2.6 10 0.1 10 41.655
2.7 10 0.1 10 43.373
2.8 10 0.1 10 45.156
2.9 10 0.1 10 47.006
3 10 0.1 10 48.93
3.1 10 0.1 10 50.931
3.2 10 0.1 10 53.015
3.5 10 0.1 10 59.817
3.4 10 0.1 10 57.452
3.3 10 0.1 10 55.187
2.2 10 0.1 10 35.346
2.1 10 0.1 10 33.891
2 10 0.1 10 32.479
7.6 10 0.1 10 537.12
7 10 0.1 10 339.33
7.1 10 0.1 10 363.99
7.7 10 0.1 10 578.44
7.8 10 0.1 10 633
7.9 10 0.1 10 695.55
8 10 0.1 10 767.75
8.1 10 0.1 10 851.67
8.2 10 0.1 10 950.01
6.9 10 0.1 10 317.02
6.8 10 0.1 10 296.77
6 10 0.1 10 185.12
6.1 10 0.1 10 195.4
6.2 10 0.1 10 206.5
6.3 10 0.1 10 218.49
6.4 10 0.1 10 231.49
6.5 10 0.1 10 245.6

151
6.6 10 0.1 10 260.97

6.7 10 0.1 10 278.32
5.9 10 0.1 10 175.57
0.1 10 0.1 10 5.8544
0.2 10 0.1 10 8.4462
0.3 10 0.1 10 10.382
0.4 10 0.1 10 12.042
0.5 10 0.1 10 13.54
0.6 10 0.1 10 14.932
0.7 10 0.1 10 16.254
1.4 10 0.1 10 24.685
1.5 10 0.1 10 25.921
1.6 10 0.1 10 27.177
1.7 10 0.1 10 28.457
1.8 10 0.1 10 29.765
5.3 10 0.1 10 130.25
5.4 10 0.1 10 136.52
5.5 10 0.1 10 143.54
5.6 10 0.1 10 150.66
5.7 10 0.1 10 158.39
5.8 10 0.1 10 166.68
0.8 10 0.1 10 17.528
1.1 10 0.1 10 21.05
1.2 10 0.1 10 22.255
1.3 10 0.1 10 23.465
0.9 10 0.1 10 18.771
1 10 0.1 10 19.844
5.2 10 0.1 10 124.26
5.1 10 0.1 10 118.6
5 10 0.1 10 113.27
4.9 10 0.1 10 108.24
1 12.3 0.1 10 15.952
1 12.4 0.1 10 15.814
1 12.5 0.1 10 15.678
1 11.1 0.1 10 17.828
1 15.6 0.1 10 12.395
1 15.5 0.1 10 12.479
1 15.4 0.1 10 12.564
1 11.7 0.1 10 16.836

152
1 11.3 0.1 10 17.484

1 11.6 0.1 10 16.994
1 11.4 0.1 10 17.317
1 11.5 0.1 10 17.154
1 11.2 0.1 10 17.654
1 11.8 0.1 10 16.682
1 11.9 0.1 10 16.531
1 12 0.1 10 16.382
1 12.8 0.1 10 15.284
1 12.9 0.1 10 15.158
1 13 0.1 10 15.033
1 12.1 0.1 10 16.236
1 12.2 0.1 10 16.093
1 12.6 0.1 10 15.544
1 12.7 0.1 10 15.413
1 13.1 0.1 10 14.91
1 13.2 0.1 10 14.79
1 13.3 0.1 10 14.671
1 15.3 0.1 10 12.651
1 11 0.1 10 18.005
1 10.9 0.1 10 18.185
1 15.8 0.1 10 12.231
1 10.8 0.1 10 18.369
1 15.7 0.1 10 12.312
1 10.7 0.1 10 18.558
1 10.6 0.1 10 18.75
1 15.9 0.1 10 12.15
1 16 0.1 10 12.071
1 16.1 0.1 10 11.992
1 14.1 0.1 10 13.789
1 14.2 0.1 10 13.686
1 15.2 0.1 10 12.738
1 16.2 0.1 10 11.915
1 16.3 0.1 10 11.838
1 14.3 0.1 10 13.585
1 14.4 0.1 10 13.485
1 14.5 0.1 10 13.387
1 14.6 0.1 10 13.29
1 14.7 0.1 10 13.195

153
1 14.8 0.1 10 13.101

1 14.9 0.1 10 13.008
1 15 0.1 10 12.917
1 15.1 0.1 10 12.827
1 14 0.1 10 13.893
1 13.5 0.1 10 14.44
1 10.3 0.1 10 19.352
1 13.4 0.1 10 14.555
1 10.5 0.1 10 18.946
1 13.6 0.1 10 14.327
1 13.7 0.1 10 14.216
1 13.9 0.1 10 13.999
1 13.8 0.1 10 14.107
1 10.4 0.1 10 19.47
1 10.2 0.1 10 19.562
1 20 0.1 10 9.5742
1 19.9 0.1 10 9.6238
1 19.8 0.1 10 9.6739
1 19.7 0.1 10 9.7246
1 19.6 0.1 10 9.7758
1 18.3 0.1 10 10.495
1 10.1 0.1 10 19.776
1 10 0.1 10 19.844
1 18.4 0.1 10 10.436
1 19.3 0.1 10 9.9327
1 18.5 0.1 10 10.377
1 19.4 0.1 10 9.8798
1 18.6 0.1 10 10.32
1 19.5 0.1 10 9.8275
1 18.7 0.1 10 10.262
1 18.8 0.1 10 10.206
1 18.9 0.1 10 10.15
1 19 0.1 10 10.095
1 19.2 0.1 10 9.9862
1 19.1 0.1 10 10.04
1 18.2 0.1 10 10.555
1 16.6 0.1 10 11.615
1 16.7 0.1 10 11.542
1 16.8 0.1 10 11.471

154
1 16.9 0.1 10 11.4

1 18 0.1 10 10.676
1 18.1 0.1 10 10.615
1 17 0.1 10 11.33
1 17.1 0.1 10 11.261
1 17.6 0.1 10 10.929
1 17.2 0.1 10 11.193
1 17.5 0.1 10 10.993
1 17.4 0.1 10 11.059
1 17.3 0.1 10 11.126
1 17.7 0.1 10 10.864
1 17.8 0.1 10 10.801
1 17.9 0.1 10 10.738
1 16.5 0.1 10 11.688
1 16.4 0.1 10 11.763
1 10 4.1 10 0.48769
1 10 4 10 0.49989
1 10 3.9 10 0.5127
1 10 1.9 10 1.0524
1 10 2 10 0.99977
1 10 2.1 10 0.95217
1 10 3.6 10 0.55543
1 10 3.7 10 0.54042
1 10 3.8 10 0.5262
1 10 2.2 10 0.90889
1 10 2.3 10 0.86937
1 10 2.7 10 0.74057
1 10 2.6 10 0.76906
1 10 2.5 10 0.79982
1 10 2.4 10 0.83314
1 10 0.5 10 3.9991
1 10 0.4 10 4.9989
1 10 0.3 10 6.6652
1 10 0.2 10 9.9977
1 10 0.1 10 19.844
1 10 0.6 10 3.3326
1 10 9.5 10 0.21048
1 10 9.6 10 0.20829
1 10 9.7 10 0.20614

155
1 10 9.4 10 0.21272
1 10 9.3 10 0.21501
1 10 9.2 10 0.21734
1 10 9.1 10 0.21973
1 10 0.8 10 2.4994
1 10 0.7 10 2.8565
1 10 9 10 0.22217
1 10 3.1 10 0.64502
1 10 8.3 10 0.24091
1 10 8.4 10 0.23804
1 10 8.5 10 0.23524
1 10 3.2 10 0.62486
1 10 7.8 10 0.25635
1 10 7.9 10 0.25311
1 10 8 10 0.24994
1 10 8.6 10 0.23251
1 10 8.7 10 0.22983
1 10 3.3 10 0.60592
1 10 3.4 10 0.5881
1 10 3.5 10 0.5713
1 10 8.1 10 0.24686
1 10 7.7 10 0.25968
1 10 4.2 10 0.47608
1 10 8.2 10 0.24385
1 10 8.8 10 0.22722
1 10 8.9 10 0.22467
1 10 3 10 0.66652
1 10 2.9 10 0.6895
1 10 2.8 10 0.71412
1 10 1.8 10 1.1109
1 10 10 10 0.19995
1 10 9.9 10 0.20197
1 10 9.8 10 0.20404
1 10 7.6 10 0.2631
1 10 7.5 10 0.26661
1 10 7.4 10 0.27021
1 10 6.7 10 0.29844
1 10 6.8 10 0.29405
1 10 6.9 10 0.28979

156
1 10 7 10 0.28565
1 10 7.1 10 0.28163
1 10 7.2 10 0.27771
1 10 7.3 10 0.27391
1 10 6.6 10 0.30296
1 10 1.2 10 1.6663
1 10 1.3 10 1.5381
1 10 6.5 10 0.30762
1 10 1.4 10 1.4282
1 10 1.5 10 1.333
1 10 6.4 10 0.31243
1 10 6.3 10 0.31739
1 10 6.2 10 0.32251
1 10 6.1 10 0.32779
1 10 1.7 10 1.1762
1 10 1.6 10 1.2497
1 10 6 10 0.33326
1 10 5.9 10 0.33891
1 10 5.6 10 0.35706
1 10 5.5 10 0.36355
1 10 5.4 10 0.37029
1 10 5.3 10 0.37727
1 10 4.7 10 0.42544
1 10 4.6 10 0.43468
1 10 1.1 10 1.8178
1 10 0.9 10 2.2217
1 10 1 10 1.9933
1 10 4.8 10 0.41657
1 10 4.9 10 0.40807
1 10 5 10 0.39991
1 10 5.2 10 0.38453
1 10 5.7 10 0.3508
1 10 5.8 10 0.34475
1 10 5.1 10 0.39207
1 10 4.5 10 0.44434
1 10 4.4 10 0.45444
1 10 4.3 10 0.46501
1 10 0.1 12.9 25.794
1 10 0.1 13 25.994

157
1 10 0.1 13.1 26.194

1 10 0.1 13.6 27.194
1 10 0.1 13.5 26.994
1 10 0.1 13.4 26.794
1 10 0.1 13.3 26.594
1 10 0.1 13.2 26.394
1 10 0.1 13.7 27.394
1 10 0.1 14.2 28.394
1 10 0.1 14.1 28.194
1 10 0.1 14 27.994
1 10 0.1 20 39.991
1 10 0.1 19.9 39.791
1 10 0.1 19.8 39.591
1 10 0.1 14.3 28.594
1 10 0.1 13.9 27.794
1 10 0.1 13.8 27.594
1 10 0.1 19.7 39.391
1 10 0.1 19.6 39.191
1 10 0.1 14.5 28.993
1 10 0.1 19.1 38.191
1 10 0.1 19 37.991
1 10 0.1 18.9 37.791
1 10 0.1 19.2 38.391
1 10 0.1 19.3 38.591
1 10 0.1 12.8 25.594
1 10 0.1 14.4 28.793
1 10 0.1 19.4 38.791
1 10 0.1 19.5 38.991
1 10 0.1 12.7 25.394
1 10 0.1 10.5 20.995
1 10 0.1 10.6 21.195
1 10 0.1 10.7 21.395
1 10 0.1 12.3 24.594
1 10 0.1 11.7 23.395
1 10 0.1 11.6 23.195
1 10 0.1 10.8 21.595
1 10 0.1 12.4 24.794
1 10 0.1 12.5 24.994
1 10 0.1 12.6 25.194

158
1 10 0.1 11.8 23.595

1 10 0.1 11.9 23.795
1 10 0.1 12 23.995
1 10 0.1 12.1 24.195
1 10 0.1 12.2 24.394
1 10 0.1 10.9 21.795
1 10 0.1 11 21.995
1 10 0.1 11.1 22.195
1 10 0.1 11.2 22.395
1 10 0.1 16.2 32.393
1 10 0.1 16.1 32.193
1 10 0.1 11.3 22.595
1 10 0.1 11.5 22.995
1 10 0.1 11.4 22.795
1 10 0.1 10.4 20.795
1 10 0.1 10.3 20.595
1 10 0.1 10.2 20.395
1 10 0.1 10.1 20.195
1 10 0.1 10 19.844
1 10 0.1 17.8 35.592
1 10 0.1 17.9 35.992
1 10 0.1 18 35.992
1 10 0.1 18.2 36.392
1 10 0.1 18.8 37.591
1 10 0.1 18.7 37.392
1 10 0.1 18.6 37.192
1 10 0.1 18.5 36.992
1 10 0.1 15.8 31.593
1 10 0.1 15.9 31.793
1 10 0.1 16 31.993
1 10 0.1 16.6 32.192
1 10 0.1 18.3 36.592
1 10 0.1 18.4 36.792
1 10 0.1 15.7 31.393
1 10 0.1 17.3 34.592
1 10 0.1 16.7 33.392
1 10 0.1 15.6 31.193
1 10 0.1 15.5 30.993
1 10 0.1 15.4 30.793

159
1 10 0.1 15.3 30.593

1 10 0.1 16.5 32.993
1 10 0.1 16.4 32.793
1 10 0.1 16.3 32.593
1 10 0.1 17.2 34.392
1 10 0.1 17.1 34.192
1 10 0.1 16.8 33.592
1 10 0.1 17 33.992
1 10 0.1 16.9 33.792
1 10 0.1 15.2 30.393
1 10 0.1 15.1 30.193
1 10 0.1 17.4 34.792
1 10 0.1 17.5 34.992
1 10 0.1 17.6 35.192
1 10 0.1 15 29.993
1 10 0.1 14.9 29.793
1 10 0.1 18.1 35.192
1 10 0.1 17.7 35.392
1 10 0.1 14.8 29.593
1 10 0.1 14.7 29.393
1 10 0.1 14.6 29.193
Anexo 4
Función objetivo.
Se muestra a continuación, el código de la función objetivo que se diseñó, a fin de

implementar un Algoritmo Genético para la obtención de los parámetros de inicio de
propagación de una grieta.
function [evalfit,F]=funcionobjetivo(x,kd)
%% [ a w t p ] % variables
ke=10.8928;
es=0.0979;
kd=[(ke+es) (ke-es)];
%kd=[16.7258 ];% Mejor valor de K para comparar, condiciones inicales
%
a=x(:,1);
w=x(:,2);
t=x(:,3);

160
p=x(:,4);
%alfa=1.12-0.23*(a/w)^2+10.55*(a/w)^3+30.38*(a/w)^4; %factor geometrico

para la grieta
%s=p./(w.*t);
k1=(1.12-0.23*(a./w)+10.55*(a./w).^2-
21.71*(a./w).^3+30.38*(a./w).^4).*(p./(w.*t)).*sqrt(pi*a); % factor de
intensidad de esfuerzos
F=((kd(1)-k1)+(kd(2)-k1))/2 ;
evalfit=1./F;
Anexo 5.
Iteraciones para el cálculo inverso de los parámetros que definen a KIC, mediante
En las siguientes tablas, se muestran los valores de las iteraciones que general el cálculo por
medio de Algoritmos Genéticos para lo obtención de los parámetros a, w, t y P, donde se
observa la disminución del error conforme aumenta el número de ciclos de cálculo. Estos
datos son los relativos al cálculo de dichas condiciones para el valor de KIC, o de Tenacidad
de Fractura.
a (Tamaño w t P
Iteración Error de grieta) (Ancho) (Espesor) (Esfuerzo) Tiempo
2 0.25871844 3.46911757 10.3608765 0.60380934 10.0033505 0.128781
3 0.25871844 3.46911757 10.3608765 0.60380934 10.0033505 0.135163
4 0.02775601 3.28237585 10.9126593 0.53185055 10.5344686 0.150743
5 0.027756 3.28237585 10.9126593 0.53185055 10.5344686 0.169243
6 0.027756 3.28237585 10.9126593 0.53185055 10.5344686 0.180098
7 0.027756 3.28237585 10.9126593 0.53185055 10.5344686 0.183563
8 0.027756 3.28237585 10.9126593 0.53185055 10.5344686 0.187838
9 0.027756 3.28237585 10.9126593 0.53185055 10.5344686 0.190523
10 0.02775281 3.28237681 10.9126593 0.53185055 10.5344686 0.193236
11 0.02775281 3.28237681 10.9126593 0.53185055 10.5344686 0.196952
12 0.02775281 3.28237681 10.9126593 0.53185055 10.5344686 0.199618
13 0.02775281 3.28237681 10.9126593 0.53185055 10.5344686 0.207105
14 0.02775281 3.28237681 10.9126593 0.53185055 10.5344686 0.210414
15 0.02775281 3.28237681 10.9126593 0.53185055 10.5344686 0.213023

161
a (Tamaño w t P
16 0.02775281 3.28237681 10.9126593 0.53185055 10.5344686 0.216239
17 0.02775281 3.28237681 10.9126593 0.53185055 10.5344686 0.218654
18 0.02775281 3.28237681 10.9126593 0.53185055 10.5344686 0.221325
19 0.02775281 3.28237681 10.9126593 0.53185055 10.5344686 0.226454
20 0.02775281 3.28237681 10.9126593 0.53185055 10.5344686 0.229525
21 0.02769344 3.28237585 10.9126593 0.53184712 10.5344686 0.232395
22 0.02769344 3.28237585 10.9126593 0.53184712 10.5344686 0.23653
23 0.02769344 3.28237585 10.9126593 0.53184712 10.5344686 0.240084
24 0.02769342 3.28237585 10.9126593 0.53184712 10.5344686 0.242644
25 0.02769342 3.28237585 10.9126593 0.53184712 10.5344686 0.245113
26 0.02769342 3.28237585 10.9126593 0.53184712 10.5344686 0.248979
27 0.02769342 3.28237585 10.9126593 0.53184712 10.5344686 0.262246
28 0.02769342 3.28237585 10.9126593 0.53184712 10.5344686 0.266437
29 0.02769342 3.28237585 10.9126593 0.53184712 10.5344686 0.269585
30 0.02769342 3.28237585 10.9126593 0.53184712 10.5344686 0.272276
31 0.02769342 3.28237585 10.9126593 0.53184712 10.5344686 0.275188
32 0.02769342 3.28237585 10.9126593 0.53184712 10.5344686 0.279417
33 0.02374944 3.28237585 10.9126593 0.53163083 10.5344686 0.282103
34 0.02374944 3.28237585 10.9126593 0.53163083 10.5344686 0.28459
35 0.02374944 3.28237585 10.9126593 0.53163083 10.5344686 0.28818
36 0.02374944 3.28237585 10.9126593 0.53163083 10.5344686 0.290983
37 0.02374944 3.28237585 10.9126593 0.53163083 10.5344686 0.293857
38 0.02374944 3.28237585 10.9126593 0.53163083 10.5344686 0.296607
39 0.02374944 3.28237585 10.9126593 0.53163083 10.5344686 0.300591
40 0.02374944 3.28237585 10.9126593 0.53163083 10.5344686 0.303365
41 0.02374944 3.28237585 10.9126593 0.53163083 10.5344686 0.306155
42 0.02374944 3.28237585 10.9126593 0.53163083 10.5344686 0.30955
43 0.02374944 3.28237585 10.9126593 0.53163083 10.5344686 0.312955
44 0.02374944 3.28237585 10.9126593 0.53163083 10.5344686 0.315557
45 0.0237494 3.28237585 10.9126593 0.53163083 10.5344686 0.321263
46 0.0237494 3.28237585 10.9126593 0.53163083 10.5344686 0.34075
47 0.0133777 3.28237585 10.9126593 0.53185055 10.5500936 0.343541
48 0.0133777 3.28237585 10.9126593 0.53185055 10.5500936 0.352456
49 0.0133777 3.28237585 10.9126593 0.53185055 10.5500936 0.355399
50 0.01337769 3.28237585 10.9126593 0.53185055 10.5500936 0.357969
51 0.01337769 3.28237585 10.9126593 0.53185055 10.5500936 0.361434
52 0.01337766 3.28237585 10.9126593 0.53185055 10.5500936 0.363982
53 0.01337766 3.28237585 10.9126593 0.53185055 10.5500936 0.366695
54 0.00936497 3.28237591 10.9126593 0.53163083 10.5500936 0.369408

162
a (Tamaño w t P
55 0.00936497 3.28237591 10.9126593 0.53163083 10.5500936 0.373339
56 0.00936497 3.28237591 10.9126593 0.53163083 10.5500936 0.376139
57 0.00936497 3.28237591 10.9126593 0.53163083 10.5500936 0.379179
58 0.00936497 3.28237591 10.9126593 0.53163083 10.5500936 0.386233
59 0.00936497 3.28237591 10.9126593 0.53163083 10.5500936 0.393776
60 0.00936497 3.28237591 10.9126593 0.53163083 10.5500936 0.397161
61 0.00936497 3.28237591 10.9126593 0.53163083 10.5500936 0.401613
62 0.00021472 3.2862821 10.9126593 0.53185055 10.5500936 0.413023
63 0.00021466 3.2862821 10.9126593 0.53185055 10.5500936 0.417373
64 0.00021466 3.2862821 10.9126593 0.53185055 10.5500936 0.420234
65 0.00021466 3.2862821 10.9126593 0.53185055 10.5500936 0.423192
66 0.00021466 3.2862821 10.9126593 0.53185055 10.5500936 0.425861
67 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.428755
68 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.432383
69 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.435128
70 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.437824
71 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.440708
72 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.443369
73 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.446489
74 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.449249
75 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.457019
76 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.459886
77 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.463658
78 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.466158
79 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.46882
80 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.471979
81 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.474522
82 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.47827
83 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.482176
84 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.485636
85 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.488288
86 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.492265
87 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.508716
88 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.511758
89 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.51563
90 0.00010224 3.2862821 10.9126593 0.53185055 10.5502156 0.518659
91 2.1625E-05 3.28631262 10.9126746 0.53185055 10.5502156 0.521856
92 2.1625E-05 3.28631262 10.9126746 0.53185055 10.5502156 0.524423
93 2.1625E-05 3.28631262 10.9126746 0.53185055 10.5502156 0.527497

163
a (Tamaño w t P
94 2.1625E-05 3.28631262 10.9126746 0.53185055 10.5502156 0.530386
95 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.533372
96 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.543667
97 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.551575
98 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.554326
99 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.557051
100 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.560518
101 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.564641
102 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.568003
103 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.571159
104 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.574665
105 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.577514
106 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.580478
107 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.583173
108 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.58616
109 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.589374
110 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.59205
111 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.595021
112 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.606972
113 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.610293
114 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.612982
115 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.615667
116 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.618945
117 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.621567
118 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.624252
119 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.627099
120 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.631705
121 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.635517
122 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.639325
123 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.642782
124 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.656403
125 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.659298
126 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.662539
127 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.66598
128 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.668901
129 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.671875
130 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.67456
131 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.677065
132 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.680209

164
a (Tamaño w t P
133 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.68377
134 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.68694
135 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.689818
136 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.692569
137 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.697562
138 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.700673
139 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.704309
140 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.706957
141 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.711318
142 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.714613
143 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.719116
144 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.721823
145 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.724492
146 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.727297
147 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.73293
148 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.736783
149 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.74011
150 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.743559
151 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.747039
152 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.752371
153 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.762935
154 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.766591
155 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.769323
156 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.772321
157 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.780972
158 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.783762
159 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.787181
160 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.802021
161 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.81265
162 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.815735
163 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.818432
164 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.831742
165 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.853111
166 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.857514
167 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.862657
168 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.866004
169 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.868483
170 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.871906
171 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.885215

165
a (Tamaño w t P
172 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.891798
173 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.894505
174 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.897079
175 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.899502
176 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.903005
177 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.920292
178 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.927514
179 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.930086
180 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.93359
181 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.946984
182 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.949967
183 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.952905
184 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.967839
185 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.970387
186 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.975707
187 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.978962
188 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.981974
189 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.98563
190 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 0.988875
191 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 1.00041
192 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 1.003028
193 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 1.005978
194 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 1.010931
195 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 1.013518
196 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 1.016282
197 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 1.019167
198 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 1.023056
199 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 1.026036
200 9.4205E-07 3.28631214 10.9126593 0.53185055 10.5502156 1.028826

Implementación Numérica de Redes Neuronales Artificiales para El Análisis de Grietas en Placas

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Implementación Numérica de Redes Neuronales Artificiales para El Análisis de Grietas en Placas

Загружено:

Авторское право:

Доступные форматы

INSTITUTO POLITÉCNICO NACIONAL

ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA

IMPLEMENTACIÓN NUMÉRICA DE REDES

ING. GERARDO HERNÁNDEZ HERNÁNDEZ

DR. LUIS HÉCTOR HERNÁNDEZ GÓMEZ

DR. GUILLERMO URRIOLAGOITIA SOSA

MÉXICO, D.F. 2009.

CARTA CESIÓN DE DERECHOS

Ing. Gerardo Hernández Hernández

Al Dr. Guillermo Urriolagoitia Sosa, de quien he adquirido enseñanza académica, personal y

Al Dr. Guillermo Urriolagoitia Calderón, quien me ha apoyado en cada momento de mi

Al Dr. Carlos Torres Torres, quien me ha brindado su apoyo y me ha servido de ejemplo de lo

A la M en C. Alla Kabatskaia, quien me apoyó, instruyó y además me enseñó, que el

A mis profesores del CENLEX Zacatenco y el CELEX Azcapotzalco, ya que complementaron mi

Los algoritmos que se implementaron en la red de Retropropagación son: Levenberg-Marquardt,

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

Capítulo 1. Conceptos y Características de las Redes

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

Capítulo 2. Conceptos Teóricos de Mecánica de la Fractura.

Capítulo 3. Análisis y Descripción de los Casos de Estudio.

Capítulo 4. Análisis de Resultados.

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

4.5. Sumario 118

Figura. 1.1. Neurona biológica 7

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

El objetivo de este trabajo es analizar el comportamiento de la propagación de grietas en materiales,

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

Por otra parte, la determinación de la integridad estructural de elementos mecánicos es de gran

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

Lo anterior, muestra la importancia de la aplicación de la Inteligencia Artificial a problemas

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

La implementación de Redes Neuronales Artificiales, Algoritmos Genéticos o la utilización del Control

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

A continuación se describe brevemente el contenido de cada capítulo:

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

Ponce, R. R. (2008). Desarrollo de un Sistema Neuro-Difuso para la Solución de la Cinemática Inversa de

Lugo, G. E., Merchán, C. E. y Hernández, G. L. (2009). Synthesis Optimization of Planar Mechanism.

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

Implementación Numérica de Redes Neuronales Artificiales para el análisis de Grietas en Placas

1.1. Orígenes de las Redes Neuronales Artificiales.

El modelo de Redes Neuronales parte de una corriente filosófica llamada

Implementación Numérica de Redes Neuronales Artificiales para el Análisis de Grietas en Placas

El interés en torno a la exploración del funcionamiento del cerebro surge desde

1.2. Historia de las Redes Neuronales.

Implementación Numérica de Redes Neuronales Artificiales para el Análisis de Grietas en Placas

continuamente conforme un organismo aprende cosas nuevas, creándose asociaciones

En 1957, Frank Rosenblatt desarrolla lo que se conoce como Perceptrón y se

En el año de 1954, Minsky escribió su tesis doctoral en la Universidad de Princeton

Implementación Numérica de Redes Neuronales Artificiales para el Análisis de Grietas en Placas

En años recientes, el impacto de las Redes Neuronales, se ha manifestado en la gran

Implementación Numérica de Redes Neuronales Artificiales para el Análisis de Grietas en Placas

1.3 Modelo Biológico de las Redes Neuronales.

Fig. 1.1. Neurona biológica.

Las entradas exitatorias que llegan a la célula, reducen la diferencia de potencial

Implementación Numérica de Redes Neuronales Artificiales para el Análisis de Grietas en Placas

Fig. 1.2. Unión sináptica de una neurona biológica.

Implementación Numérica de Redes Neuronales Artificiales para el Análisis de Grietas en Placas

De acuerdo a (Izarrueta y Saavedra, 2008), del modelo biológico de Redes

2. Las entradas de todas las dendritas se suman en el soma o cuerpo de la neurona,