Redes neuronales artificiales para estimar propiedades en estado fresco y endurecido, para hormigones reforzados con fibras metálicas
Artificial neural networks to estimate fresh and hardened state properties, for metal fiber reinforced concrete
Barra lateral del artículo
PDF
FLIP
XML
Cómo citar
González Salcedo, L. O., Guerrero Zúñiga, A. P., Delvasto Arjona, S., & Ernesto Will, A. L. (2021). Redes neuronales artificiales para estimar propiedades en estado fresco y endurecido, para hormigones reforzados con fibras metálicas. Cuaderno Activa, 9(9), 95–107. https://doi.org/10.53995/20278101.423
Número
Sección
Artículos de investigación
Términos de Licencia (VER)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Cuaderno Activa provee acceso libre inmediato a su contenido bajo el principio de hacer disponible gratuitamente la producción investigativa al ´´público, fomentando un mayor intercambio de conocimiento científico.
Creative-Commons Atribución - No comercial – Compartir igual. CC BY-NC-SA.
Contenido principal del artículo
Resumen
El hormigón se elabora con cemento, agua, agregados, aditivos y adiciones minerales. Una de sus propiedades en estado fresco, es el asentamiento. Por su parte, en estado endurecido, sus propiedades mecánicas se alcanzan a una edad de 28 días, después del mezclado de las materias primas. Como material frágil, requiere de la incorporación de fibra para adquirir ductilidad. Tanto sin fibra como con fibras, se ha extendido el uso de redes neuronales artificiales (RNA) para predecir principalmente la resistencia a la compresión, lo cual hace interesante aplicarlo también para otras propiedades mecánicas, así como para el asentamiento. En el presente artículo se reporta la elaboración de RNA, entrenadas con los algoritmos de Levenberg-Maquardt y Gradiente Conjugado Escalonado, usando el software MATLAB, para predecir el asentamiento y las resistencias de diseño a la compresión, a la tensión, a la cortante, y a la flexión, así como la tenacidad flexural en hormigones reforzados con fibras de acero. Los resultados de correlación entre los valores obtenidos y reales, muestran que la herramienta computacional elaborada es confiable para su uso predictivo.
Palabras Clave: Asentamiento del hormigón, Hormigón reforzado con fibra, Inteligencia Artificial, Propiedades mecánicas del hormigón, Redes Neuronales Artificiales.
Descargas
Los datos de descargas todavía no están disponibles.
Detalles del artículo
Referencias (VER)
Agrawal, V. & Sharma, A. (2010). Prediction of slump in concrete using artificial neural networks. World academy of science, engineering and technology, (69),
25-32.
Aschen, C. (1982). Interpreting and using regression. Sage University Paper. (029),
89p.
Ascombe, T. (1973). Graphs in statistical analysis. The american statistician. A direction of conjugate gradients. Numerical Methods for Nonlinear Optimization, ( 27),
17-21.
Benavides, C. y González, S. (2012). Fibras de acero para reforzamiento de matrices cementicias: Una recopilación sobre fibras comercialmente disponibles. Universidad Nacional de Colombia Sede Palmira, 73.
Bertona, L. (2005). Entrenamiento de redes neuronales basado en algoritmos evolutivos. Tesis (Ingeniería Informática). Universidad de Buenos Aires, Buenos Aires, 256.
Bishop, C. (2006). Pattern recognition and machine learning. Springer, 805.
Buckley, A. (1978). A combined conjugate gradient Quasi-Newton minimization algorithm. Mathematical Programming, No. 15, pp. 200-210.
Buckley, A. G. & Lenir, A. (1983). QN-like variable storage conjugate gradient. Mathematical Programming, (27),
190-212.
Ceballos, F., Muñoz, L. y Moreno C. (2011). Selección de perceptrones multicapa usando aprendizaje bayesiano. Scientia et Technica, 16 (49),
110-115.
Chan, Y. Solís, C. y Moreno, E. (2003). Influencia de los agregados pétreos en las características del concreto. Ingeniería, 7 (2),
39-46.
Chen, C. & Su, S. (March 2010). Resilient back-propagation neural network for approximation 2-D GDOP. Proceedings of the international multiconference of engineers and computer scientists. Hong Kong.
Chopra, P., Sharma, R. & Kumar, M. (2015). Artificial neural networks for the prediction of compressive strength of concrete. International journal of applied science and engineering, 13 (3),
187-204.
Cladera, B. (2002). Shear design of reinforced highstrength concrete beams. Doctoral Thesis. Universitat Politecnica de Catalunya, Barcelona.
Constantinescu, R., Lazarescu, V. & Tahboub, R. (2008). Geometrical form recognition using “One-Step-Secant” Algorithm in case of Neural Network. U.P.B. Scientific 70 (2),
15-28.
Díaz, W., Will, A. y González, S. (2011). Un método para estimación de calidad de datos en redes neuronales y su aplicación a problemas de hormigón de alto performance. Mecánica computacional, 30 (43),
3381-3381.
Fletcher, R. (1980). Unconstrained optimization. Wiley, 6, 609.
Fletcher, R. & Reeves, C. (1964). Function minimization by conjugate gradients. Computer Journal, (7),
149-154.
González, L., Guerrero A., Delvasto, S. & Will, A. (2012). Exploración con redes neuronales artificiales para estimar la resistencia a la compresión, en concretos fibroreforzados con acero. Ciencia e ingeniería neogranadina, 22 (1),
19-41.
González, L., Guerrero, A. y Delvasto, S. (2012). Aplicación de la inteligencia artificial en el diseño de mezclas de concreto. Estado del Arte. Cuaderno Activa, (4),
55-65.
González, L. (2014). Diseño de mezclas de concreto reforzado con fibras metálicas y de polipropileno, usando Inteligencia artificial. Tesis Doctoral (Ingeniería de Materiales). Universidad del Valle, Cali, Colombia.
González, L., Guerrero, A., Delvasto, S. & Will, A. (2014). Estimación del índice de tenacidad flexural I5 en concretos fibro-reforzados, usando redes neuronales artificiales. Revista Colombiana de Materiales, (5),
24-29.
Hinton, G. (1987). Connectionist learning procedure. Computer Science Department, Carnegie-Mellon University, Pittsburg, 58p.
Hinton, G. (1989). Connectionist learning procedures. Artificial Intelligence, 40 (1-3),
185-234.
Isasi, V. (2007). Redes de Neuronas. Universidad Carlos III de Madrid, Departamento de Informática. 59.
Jacobs, R. (1988). Increased Rates of Convergence Through Learning Rate Adaptation. Neural Networks, 1 (4),
295-307.
Karahan, O., Tanyildizi, H. & Atis, C. D. (2008). An artificial neural networks approach for prediction of long-term strength properties of steel fiber reinforced concrete containing fly ash. Journal of Zhejiang University SCIENCE A, 9 (11),
1514-1523.
Kişi, O. & Uncuoğlu, E. (2005). Comparison of three back-propagation training algorithms for two case studies. Indian Journal of Engineering & Materials Sciences, 12, 434-442.
Kurkova, V. (1992). Kolmogorov theorem and multilayer neural networks. Neural Networks, 5 (3),
501-506.
Leshno, M., Lin, V., Pinkus, A. & Schocken, S. (1992). Multilayer feedforward networks with nonpolynomial activation function can approximate any functions. Working Papers Series. New York University, 26.
Lourakis, M. (2005). A brief description of the levenberg-mardquardt algorithm implemented by Levmar. February. Institute of Computer Science, Heraklion, 7.
Martínez, R. (2005). Errores frecuentes en la interpretación del coeficiente de determinación lineal. Anuario Jurídico y Económico Escurialense, (38),
315-332.
Minai, A. & Williams, R. ( January 1990). Acceleration of back-propagation through learning rate and momentum adaptation. Proceedings of the International Joint Conference on Neural Networks. Caudill, M. (Editor).Washington, D. C.
Möller, M. (1993). Efficient training of feed-forward neural networks. Thesis Ph.D. (Computer Science),
Arhus University, Arhus, Denmark.
Moreira, M. & Fiesler, E. (1995). Neural networks with adaptive learning rate and momentum terms. Technical report. Institut Dalle Molle D´Intelligence Artificielle Perceptive, 30p.
Niño, J. (2010). Tecnología del concreto. Tomo 1 Materiales, propiedades y diseño de mezcla. Asociación Colombiana de Productores de Concreto, Asocreto. Bogotá, 227.
Nocedal, J. (1992). Updating Quasi-Newton metrics with limited storage. Mathematics of Computation, (35),
773-782.
Noguchi, T., Maruyama, I. & Kanematsu, M. (May 2003). Performance based design system for concrete mixture with multi-optimizing genetic algorithm. Proceedings of the 11th International Congress on the Chemistry of Cement “Cement´s Contribution to the Development in the 21st Century”, Durban, South Africa.
Polak, E. & Ribiére, G. (1969). Note sur la convergence de méthodes de directions conjuguées. Rev. Française Informát Recherche Opérationnelle, 3 (16),
35-43.
Powell, M. (1977). Restart procedures for the conjugated gradient method. Mathematical Programming, 12, 241-254.
Richardson, A. & Landless, S. (2009). Synthetic fibres and steel fibres en concrete with regard to bond strength and toughness. Nothumbria Built Environment Research Papers, 2, (2),
128-140.
Rumelhart, D., Hinton, G. & Williams, R. (1986). Learning internal representation by error propagation. Parallel Distributed Processing: Explorations in the Microstructures of Cognition, 1, 318-362.
Torres, L. (1994,1995). Redes neuronales y aproximación de funciones. Boletín de Matemáticas, 1, 2 (1,2),
35-58.
Unger, J. & Könke, C. (2011). An inverse parameter identification procedure assessing the quality of the estimates using Bayesians neural networks. Applied soft computing, 11 (4),
3357-3367.
25-32.
Aschen, C. (1982). Interpreting and using regression. Sage University Paper. (029),
89p.
Ascombe, T. (1973). Graphs in statistical analysis. The american statistician. A direction of conjugate gradients. Numerical Methods for Nonlinear Optimization, ( 27),
17-21.
Benavides, C. y González, S. (2012). Fibras de acero para reforzamiento de matrices cementicias: Una recopilación sobre fibras comercialmente disponibles. Universidad Nacional de Colombia Sede Palmira, 73.
Bertona, L. (2005). Entrenamiento de redes neuronales basado en algoritmos evolutivos. Tesis (Ingeniería Informática). Universidad de Buenos Aires, Buenos Aires, 256.
Bishop, C. (2006). Pattern recognition and machine learning. Springer, 805.
Buckley, A. (1978). A combined conjugate gradient Quasi-Newton minimization algorithm. Mathematical Programming, No. 15, pp. 200-210.
Buckley, A. G. & Lenir, A. (1983). QN-like variable storage conjugate gradient. Mathematical Programming, (27),
190-212.
Ceballos, F., Muñoz, L. y Moreno C. (2011). Selección de perceptrones multicapa usando aprendizaje bayesiano. Scientia et Technica, 16 (49),
110-115.
Chan, Y. Solís, C. y Moreno, E. (2003). Influencia de los agregados pétreos en las características del concreto. Ingeniería, 7 (2),
39-46.
Chen, C. & Su, S. (March 2010). Resilient back-propagation neural network for approximation 2-D GDOP. Proceedings of the international multiconference of engineers and computer scientists. Hong Kong.
Chopra, P., Sharma, R. & Kumar, M. (2015). Artificial neural networks for the prediction of compressive strength of concrete. International journal of applied science and engineering, 13 (3),
187-204.
Cladera, B. (2002). Shear design of reinforced highstrength concrete beams. Doctoral Thesis. Universitat Politecnica de Catalunya, Barcelona.
Constantinescu, R., Lazarescu, V. & Tahboub, R. (2008). Geometrical form recognition using “One-Step-Secant” Algorithm in case of Neural Network. U.P.B. Scientific 70 (2),
15-28.
Díaz, W., Will, A. y González, S. (2011). Un método para estimación de calidad de datos en redes neuronales y su aplicación a problemas de hormigón de alto performance. Mecánica computacional, 30 (43),
3381-3381.
Fletcher, R. (1980). Unconstrained optimization. Wiley, 6, 609.
Fletcher, R. & Reeves, C. (1964). Function minimization by conjugate gradients. Computer Journal, (7),
149-154.
González, L., Guerrero A., Delvasto, S. & Will, A. (2012). Exploración con redes neuronales artificiales para estimar la resistencia a la compresión, en concretos fibroreforzados con acero. Ciencia e ingeniería neogranadina, 22 (1),
19-41.
González, L., Guerrero, A. y Delvasto, S. (2012). Aplicación de la inteligencia artificial en el diseño de mezclas de concreto. Estado del Arte. Cuaderno Activa, (4),
55-65.
González, L. (2014). Diseño de mezclas de concreto reforzado con fibras metálicas y de polipropileno, usando Inteligencia artificial. Tesis Doctoral (Ingeniería de Materiales). Universidad del Valle, Cali, Colombia.
González, L., Guerrero, A., Delvasto, S. & Will, A. (2014). Estimación del índice de tenacidad flexural I5 en concretos fibro-reforzados, usando redes neuronales artificiales. Revista Colombiana de Materiales, (5),
24-29.
Hinton, G. (1987). Connectionist learning procedure. Computer Science Department, Carnegie-Mellon University, Pittsburg, 58p.
Hinton, G. (1989). Connectionist learning procedures. Artificial Intelligence, 40 (1-3),
185-234.
Isasi, V. (2007). Redes de Neuronas. Universidad Carlos III de Madrid, Departamento de Informática. 59.
Jacobs, R. (1988). Increased Rates of Convergence Through Learning Rate Adaptation. Neural Networks, 1 (4),
295-307.
Karahan, O., Tanyildizi, H. & Atis, C. D. (2008). An artificial neural networks approach for prediction of long-term strength properties of steel fiber reinforced concrete containing fly ash. Journal of Zhejiang University SCIENCE A, 9 (11),
1514-1523.
Kişi, O. & Uncuoğlu, E. (2005). Comparison of three back-propagation training algorithms for two case studies. Indian Journal of Engineering & Materials Sciences, 12, 434-442.
Kurkova, V. (1992). Kolmogorov theorem and multilayer neural networks. Neural Networks, 5 (3),
501-506.
Leshno, M., Lin, V., Pinkus, A. & Schocken, S. (1992). Multilayer feedforward networks with nonpolynomial activation function can approximate any functions. Working Papers Series. New York University, 26.
Lourakis, M. (2005). A brief description of the levenberg-mardquardt algorithm implemented by Levmar. February. Institute of Computer Science, Heraklion, 7.
Martínez, R. (2005). Errores frecuentes en la interpretación del coeficiente de determinación lineal. Anuario Jurídico y Económico Escurialense, (38),
315-332.
Minai, A. & Williams, R. ( January 1990). Acceleration of back-propagation through learning rate and momentum adaptation. Proceedings of the International Joint Conference on Neural Networks. Caudill, M. (Editor).Washington, D. C.
Möller, M. (1993). Efficient training of feed-forward neural networks. Thesis Ph.D. (Computer Science),
Arhus University, Arhus, Denmark.
Moreira, M. & Fiesler, E. (1995). Neural networks with adaptive learning rate and momentum terms. Technical report. Institut Dalle Molle D´Intelligence Artificielle Perceptive, 30p.
Niño, J. (2010). Tecnología del concreto. Tomo 1 Materiales, propiedades y diseño de mezcla. Asociación Colombiana de Productores de Concreto, Asocreto. Bogotá, 227.
Nocedal, J. (1992). Updating Quasi-Newton metrics with limited storage. Mathematics of Computation, (35),
773-782.
Noguchi, T., Maruyama, I. & Kanematsu, M. (May 2003). Performance based design system for concrete mixture with multi-optimizing genetic algorithm. Proceedings of the 11th International Congress on the Chemistry of Cement “Cement´s Contribution to the Development in the 21st Century”, Durban, South Africa.
Polak, E. & Ribiére, G. (1969). Note sur la convergence de méthodes de directions conjuguées. Rev. Française Informát Recherche Opérationnelle, 3 (16),
35-43.
Powell, M. (1977). Restart procedures for the conjugated gradient method. Mathematical Programming, 12, 241-254.
Richardson, A. & Landless, S. (2009). Synthetic fibres and steel fibres en concrete with regard to bond strength and toughness. Nothumbria Built Environment Research Papers, 2, (2),
128-140.
Rumelhart, D., Hinton, G. & Williams, R. (1986). Learning internal representation by error propagation. Parallel Distributed Processing: Explorations in the Microstructures of Cognition, 1, 318-362.
Torres, L. (1994,1995). Redes neuronales y aproximación de funciones. Boletín de Matemáticas, 1, 2 (1,2),
35-58.
Unger, J. & Könke, C. (2011). An inverse parameter identification procedure assessing the quality of the estimates using Bayesians neural networks. Applied soft computing, 11 (4),
3357-3367.
