DETECCIÓN DE DAÑO EN EDIFICIOS UTILIZANDO REDES NEURONALES

Tamaño: px

Comenzar la demostración a partir de la página:

Download "DETECCIÓN DE DAÑO EN EDIFICIOS UTILIZANDO REDES NEURONALES"

Manuela Carrizo Villalobos
hace 8 años
Vistas:

1 DETECCIÓN DE DAÑO EN EDIFICIOS UTILIZANDO REDES NEURONALES Pérez Flores, Tonatiuh Jaime 1, Rodríguez Rocha, Ramsés 2 y Gómez Ramírez, Eduardo 3 Instituto Politécnico Nacional Escuela Superior de Ingeniería y Arquitectura, SEPI-Estructuras Av. Juan de Dios Batiz s/n, edificio de Posgrado e Investigación CP , México D.F., México 1 pznefer@gmail.com, 2 rrodriguezr@ipn.mx Universidad La Salle Facultad de Ingeniería Benjamín Franklin 47, Colonia Hipódromo Condesa, CP , México D.F., México 3 eduardo.gomez@ulsa.mx Resumen En este trabajo se presenta una forma de determinar la localización de daño por sismo en edificios, utilizando una Red Neuronal Artificial Polinomial (RNAP), para esto se considerará daño de un elemento solamente como la pérdida de rigidez. Con base en la ecuación dinámica se realizarán múltiples simulaciones del edificio sujeto a carga sísmica debida a sismos pasados para obtener el comportamiento de los elementos del edificio idealizado o de cortante (fig.1) sin daño y después obtener el comportamiento de los elementos cuando alguno de ellos está dañado. De los resultados se realiza una comparación y se determinará una relación que indicará después del aprendizaje de la red neuronal cual es la ubicación del daño. fig. 1 Edificio de Cortante Palabras Clave: Daño, Redes Neuronales, Edificios de Cortante, Parámetros Modales.

mx Universidad La Salle Facultad de Ingeniería Benjamín Franklin 47, Colonia Hipódromo Condesa, CP. 06140, México D.F., México 3 eduardo.gomez@ulsa.

2 Introducción La detección de daño a partir de datos entre modos de vibrar (fig.2) corresponde al proceso de inversión que se basa en la relación entre los parámetros de los modos de vibrar y las propiedades estructurales. Si hay cambios en las propiedades de la estructura, los parámetros de los modos de vibrar cambiarán en consecuencia. Así la ubicación y niveles de gravedad del daño pueden ser determinados por el análisis de los cambios en los parámetros modales. Esta relación permite la aplicación rigurosa de algoritmos matemáticos para llevar a cabo el análisis inverso. La mayoría de los enfoques actuales de uso convencional de algoritmos matemáticos están basados en reglas, como la optimización y lógica difusa. Sin embargo, los convencionales basados en normas, son métodos que consumen mucho tiempo y pueden requerir algunas decisiones arbitrarias por parte del usuario. fig.2 Modo Fundamental de Vibración La idea básica del uso de RNAP para la detección de daños es construir un modelo para proporcionar una relación entre parámetros de modos de vibrar y los parámetros estructurales a través de un proceso de aprendizaje. Una vez que la relación se establece, entonces el modelo de RNAP (fig.3) es capaz de detectar los daños causados por datos de los modos de vibrar. fig. 3 Reconocimiento de los Parámetros Modales

Si hay cambios en las propiedades de la estructura, los parámetros de los modos de vibrar cambiarán en consecuencia.

3 Problema Las revisiones que se hacen a los edificios después de un evento sísmico de gran importancia, están basadas principalmente en técnicas no destructivas de observación visual y otras (fig.4,5,6,7), como técnicas basadas en aspectos tensiónales, técnicas acústicas, técnicas electromagnéticas, y por tanto la revisión de los componentes estructurales de un edificio es difícil ya que en ocasiones los daños no son visibles a primera vista e incluso, en ocasiones existen elementos dañados que no presentan alguna degradación visual y por tanto existe una incertidumbre de si el dictamen entregado fue adecuado o no, además del costo que tienen llevar a cabo otro tipo de técnicas de detección de daño. fig. 4 Emisión Acústica fig. 5 Ultrasonido fig. 6 Rayos X fig. 7 Termografía Infrarroja

ocasiones los daños no son visibles a primera vista e incluso, en ocasiones existen elementos dañados que no presentan alguna degradación visual y por tanto existe una incertidumbre de si el

4 Objetivo Detectar daño estructural por sismo en edificios utilizando una Red Neuronal Artificial Polinomial (RNAP) determinando localización y degradación de rigidez por entrepiso (fig.8). Fig. 8 red neuronal para determinar el daño en un edificio Justificación Con base en la experiencia mexicana en materia de sismos, convencionalmente se realizan evaluaciones a los edificios para conocer su estado de integridad y qué tanto han sido afectados sus elementos estructurales después de un sismo. Por lo que, este trabajo es de utilidad para realizar dichas evaluaciones de forma no destructiva, ya que la RNAP puede determinar la ubicación y severidad de daño comparando Respuestas dinámicas pre y postdaño. La confiabilidad de resultados con este tipo de RNA ha sido demostrada en trabajos recientes como el de Rivero Ángeles (2005) y Gómez Ramírez (1998), para reconocer patrones dinámicos con certidumbre. Metodología 1) Modelar numéricamente edificios de cortante, sujetos a sismo, con la posibilidad de manipular la ubicación y magnitud de daño, reduciendo el porcentaje de rigidez en los elementos columna para simular el daño. Los modelos oscilan entre 4 a 9 niveles, ya que en la zona metropolitana existen muchos edificios habitacionales con esta característica. Generar la respuesta estructural (registro de aceleraciones) resolviendo la ecuación de movimiento para osciladores de múltiples grados de libertad por un análisis modal espectral. Aplicar numéricamente la carga sísmica al edificio en base al registro del sismo SCT de 1985, con el cual se obtuvo la respuesta de un Edificio instrumentado para que se puedan comparar los resultados (fig.9).

su estado de integridad y qué tanto han sido afectados sus elementos estructurales después de un sismo.

5 fig. 9 Obtención de la respuesta de un edificio 2) Definir una Red Neuronal Artificial Polinomial (RNAP) que reconozca patrones de respuesta dinámica sin y con daño. Tentativamente se han encontrado resultados favorables en cuanto el reconocimiento de patrones dinámicos utilizando una Polinomial de 2 Grado, (ver Rivero Ángeles, 2005, y Gómez Ramírez, 1998, fig.10). Esta RNAP se utilizará para que al introducir el registro de aceleraciones de cada nivel del edificio, obtenidos del análisis modal, se obtengan los pesos de la red que caracterizarán la dinámica del edificio. fig. 10 Diagrama de la Red Artificial Polinomial Obtenidos los polinomios para cada una de las respuestas por piso, se utilizará el método de Mínimos Cuadrados Recursivos para encontrar dichos pesos. Lo anterior permitirá analizar los cambios y evolución de los pesos con respecto al tiempo para determinar el momento donde existiera una diferencia abrupta o que su varianza se modifique para ver la correlación que existe con el daño generado en el modelo del edificio (fig.11). Se trabajarán con varios experimentos con la finalidad de proponer una métrica que caracterice el comportamiento mencionado.

10). Esta RNAP se utilizará para que al introducir el registro de aceleraciones de cada nivel del edificio, obtenidos del análisis modal, se obtengan los pesos de la red que caracterizarán la

6 fig. 11 Caracterización del Daño 3) Calibrar las respuestas simuladas con mediciones de instrumentación real de un edificio. Una vez realizadas las simulaciones, caracterizado el daño y obteniendo resultados, estos se compararán primeramente con la respuesta de los resultados de la instrumentación real de un edificio, después un edificio monitoreado por daño, y así se comprobará la certidumbre y veracidad de los resultados. Meta Contar una metodología general que permita de forma automática la detección de daño en edificios (fig.12). fig. 12 Esquema de la Metodología para encontrar el Daño

resultados de la instrumentación real de un edificio, después un edificio monitoreado por daño, y así se comprobará la certidumbre y veracidad de

7 Bibliografía 1) Chopra Anil K. (1995), Dynamics of Structures: Theory and applications to Earthquake Engineering, University of California at Berkeley, ISBN Englewood Cliffs, New Jersey 07632, Prentice Hall. 2) Fausett Laurene, (1993), Fundamentals of Neural Networks: Architectures, Algorithms, and applications. ISBN-13: Prentice Hall, 1st edition. 3) Galushkin Alexander I. (2007), Neuronal Networks Theory, ISBN Springer Berlin Heidelberg New York. 4) G. Ramírez, A. Poznyak, A. Gonzalez, & A. Alvarez, (1999), Adaptive Architecture of Polynomial Artificial Neural Network to Forecast Nonlinear Time Series, CEC99 Special Session on Time Series, Prediction, Washington DC, USA, July ) R. Lackes and D. Mack, in Collaboration with J. Ziola and K. Ahern. (1998), Neuronal Networks: Basics and Applications, CBT (Computer Based Training) Springer, Verlag Berlin Heidelberg. 6) Rivero Ángeles F. J. (2005), Identification of Civil Structures with Hysteresis, Thesis for the degree of Doctor of Science in Specialty Automatic Control, Centro de Investigación y de Estudios Avanzados del IPN, Departamento de Control Automático.

Prentice Hall, 1st edition. 3) Galushkin Alexander I. (2007), Neuronal Networks Theory, ISBN 978-3-540-481249 Springer Berlin Heidelberg New York. 4) G. Ramírez, A. Poznyak, A. Gonzalez, & A.

Documentos relacionados

Solución. Sistema Desarrollado por IMP, Solución para Detectar Fugas y Tomas Clandestinas en Ductos de Transporte de Gas y Líquidos.

Solución. Sistema Desarrollado por IMP, Solución para Detectar Fugas y Tomas Clandestinas en Ductos de Transporte de Gas y Líquidos. investigación Fuentes: Instituto Mexicano del Petróleo/ Elizabeth Martínez, PetroQuiMex. Solución Sistema Desarrollado por IMP, Solución para Detectar Fugas y Tomas Clandestinas en Ductos de Transporte