Spot Segmentation

Anteriormente ya se han aplicado análisis de fractura para la determinación de las condiciones de inicio y propagación de grietas en distintos especímenes con distintas piedades mecánicas y geométricas. Si bien lo anterior algunos de estos métodos se basan en análisis numéricos que consumen muchos recursos de computo y mucho tiempo, al igual que se considera la exactitud de los resultados que estos métodos proporcionan.

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. Para lo anterior, El espécimen a analizar es una placa metálica con coeficiente de Poison “υ” de 0.27 y un modulo de elasticidad “E” de “200MPa cuyo modo de carga es el tipo I y posee una grita lateral. Se determinan los factores de intensidad de esfuerzos variando la geometría y carga aplicada al espécimen. Primeramente por el método analítico y posteriormente por medio del Método del Elemento Finito mediante el apoyo del paquete computacional Ansys. Posteriormente, se desarrolla el análisis mediante una red 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, en los 3 casos, 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 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 implementando 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.

1.10. Sumario.

En el actual capitulo, 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 desarrollo una descripción detallada del algoritmo de entrenamiento de retro propagación 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 este análisis, se pretende contribuir con técnicas para el análisis mediante inteligencia artificial en dicha área. Con lo anterior también se plantean las bases teóricas del algoritmo de retro propagación 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 la descripción del problema planteado en este trabajo de tesis.

REFERENCIAS

Anderson A. J. (2007). Redes Neurales. Alfaomega. México

Bautista C. G.V. (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.M. (1999) Introducción a las redes funcionales con

aplicaciones. Un nuevo paradigma neuronal. Paraninfo, Madrid España.

Freeman A. James y Skapura M. David, (1993). Redes neuronales. Algoritomos,

aplicaciones y técnicas de propagación. Addison- Wesley/Diaz de Santos. Mexico. Gori, M. (2003). Introduzione alle Reti Neuronali Artificiali. Mondo digitale. Numero 4. Hagan, M. T., H. B. Demuth y M. Beale (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 Wiley

Hilera, R. José y Martínez, J. Víctor. (2000). Redes neuronales artificiales. Fundamentos, modelos y aplicaciones. Ed. Alfaomega. México. Pp. 2-7.

Izarrueta, F., Saavedra, C. (2008) Redes Neuronales artificiales. Departamento de física Universidad concepción. Concepción Chile. Recuperadoel 6 Septiembre del 2008 de http://dis.unal.edu.co/profesores/lucas/RedNeu/LiRna003.pdf

McCulloch and Pitts W. (1943). A logical Calculus of ideas immanent in nervous activity. Bulletin of Mathematical Biophysics.

Minsky, M. y S. Papert, Eds. (1969). Perceptrons. Cambridge MA, MIT Press.

Müller B., Reinhardt J., Strickland M.T. (1995). Physics of neural networks. Neural

Netwoks, an introduction. Second Edition. Springer.

Muñoz San Roque A. (1996). Aplicación de técnicas de redes neuronales artificiales al

diagnistico de procesos industriales. Tesis doctoral. Universidad pontificia Comillas. Madrid.

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 1.

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.

CAPÍTULO

2