Curso :

Inteligencia Artificial
Tema :
Desarrollo de un modelo de redes neuronales
artificiales para predecir la resistencia a la
compresin y la resistividad elctrica del
concreto
Docente :

Ing. Loyaga Orbegoso Gavino
Alumnos :
Rafael Mendoza Leyli Victoria.
Piscoya Santisteban Luis.

-II

Universidad Nacional Pedro Ruiz Gallo


INTELIGENCIA ARTIFICIAL
INGENIERIA DE SISTEMAS PGINA 1
Desarrollo de un modelo de redes neuronales artificiales para
predecir la resistencia a la compresin y la resistividad
elctrica del concreto

El hombre se ha caracterizado siempre por su bsqueda constante de nuevas vas
para mejorar sus condiciones de vida. Estos esfuerzos le han servido para
reducir el trabajo en aquellas operaciones en las que la fuerza juega un papel
primordial. Los progresos obtenidos han permitido dirigir estos esfuerzos a otros
campos, como por ejemplo, a la construccin de mquinas calculadoras que
ayuden a resolver de forma automtica y rpida determinadas operaciones que
resultan tediosas cuando se realizan a mano.
Las redes neuronales no son ms que un modelo artificial y simplificado
del cerebro humano, que es el ejemplo ms perfecto del que disponemos para
un sistema que es capaz de adquirir conocimiento a travs de la experiencia. Una
red neuronal es "un nuevo sistema para el tratamiento de la informacin, cuya
unidad bsica de procesamiento est inspirada en la clula fundamental
del sistema nervioso humano: la neurona".
En este artculo vemos la aplicacin de las redes neuronales artificiales las
cuales imitan su funcionamiento de aquellas que se encuentran en el mbito
biolgico. Son aptas para resolver problemas que no poseen un algoritmo
claramente definido para transformar una entrada en una salida; aprenden,
reconocen y aplican relaciones entre objetos.
En esta investigacin se busca obtener un mtodo para predecir la resistencia a la
compresin mediante el peso unitario y la velocidad de pulso ultrasnico usando
41 mezclas de concreto diferentes. El estudio ha sido por la necesidad de obtener
un mtodo rpido para predecir la resistencia a la compresin del concreto. De la
misma manera, la investigacin tambin busca predecir la resistividad elctrica
del concreto mediante el peso unitario, la velocidad de pulso ultrasnico y la
resistencia a la compresin. El modelo para predecir se realiz utilizando una
regresin simple y un modelo de redes neuronales. Los resultados mostraron que
los modelos de redes neuronales para predecir la resistencia a la compresin y la
resistividad elctrica del concreto funcionan adecuadamente.
Para crear dicha red neuronal se a utilizado el modelo de back-propagation de
manera que la red neuronal construida sea entrenada y validada a partir de los
resultados experimentales obtenidos. Se propone el uso de un modelo de redes
neuronales para predecir la resistencia a la compresin a partir de variables como
la velocidad de pulso ultrasnico y el peso unitario, variables no destructivas y de
fcil obtencin. De la misma forma, generar otro modelo de redes neuronales para
predecir la resistividad del concreto a partir de la resistencia a la compresin, la
velocidad de pulso y el peso unitario del concreto.









INTELIGENCIA ARTIFICIAL
INGENIERIA DE SISTEMAS PGINA 2


Para poder entender es necesario definir los trminos a utilizar:

La resistencia a la compresin es el parmetro ms usado para definir las
caractersticas del concreto en estado endurecido su valoracin se puede
realizar mediante la fabricacin de cilindros en el momento de la mezcla o
mediante la extraccin de ncleos una vez el elemento de concreto se
encuentra en servicio. Los ensayos se realizan con el fin de determinar el
cumplimiento de una especificacin de resistencia o el de medir la
variabilidad de la mezcla.
Resistividad elctrica del concreto: La resistividad se define como la
resistencia elctrica de un conductor de volumen unitario y rea
transversal constante, en la cual la corriente est continua y
uniformemente distribuida. Puede ser interpretada como la resistencia
elctrica entre dos caras opuestas de un cubo de volumen unitario.

Redes neuronales artificiales (Rna) :Una neurona dentro de un ser vivo
tiene la funcin de controlar algunas de las funciones biolgicas bsicas,
adems del estado y comportamiento del organismo con respecto a su
entorno. La operacin bsica de las redes neuronales biolgicas es una
operacin anloga de transformacin de sus seales de entrada. Por lo
general, corresponden a sistemas de elementos simples muy
interconectados. La posibilidad de las neuronas de desarrollar procesos
complejos es el resultado de abundantes lazos de retroalimentacin junto
con no linealidades de los elementos de proceso.
Ya pasando al desarrollo experimental, con el fin de encontrar los modelos de
redes neuronales artificiales ptimos para predecir la resistencia y la resistividad
del concreto se desarroll un amplio programa experimental consistente en la
elaboracin de 41 mezclas de concreto diferentes, en las que se vari la
dosificacin de cada una de ellas. Se fabricaron entre 5 y 7 cilindros por cada
mezcla. Las mezclas se constituyeron con un mismo tipo de cemento ,arena,etc.
Vectores para predecir la resistencia a la compresin
Para desarrollar el modelo de redes neuronales propuesto para predecir la
resistencia a la compresin se utilizaron como variables de entrada la velocidad de
pulso y el peso unitario, y como variable de salida la resistencia a la compresin.
Se trabaj con una muestra de 187 conjuntos de datos.
Para determinar la relacin que existe entre las diferentes variables a ser usadas
en el modelo de redes neuronales se aplic una correlacin lineal de mnimos
cuadrados y se determin el coeficiente de determinacin entre ellas.
Vectores para predecir la resistividad elctrica
El ensayo de resistividad es una prueba que no se encuentra normalizada y en la
que si bien existen instrumentos comerciales para su valoracin an no existe un
consenso general en la comunidad cientfica sobre la realizacin e interpretacin
del ensayo.




INTELIGENCIA ARTIFICIAL
INGENIERIA DE SISTEMAS PGINA 3

Para desarrollar el modelo de redes neuronales propuesto para predecir la
resistividad elctrica se utilizaron como variables de entrada la resistencia a la
compresin, la velocidad de pulso y el peso unitario, y como variable de salida la
resistividad elctrica.
Para determinar la relacin que existe entre las diferentes variables a ser usadas
en el modelo de redes neuronales se aplic una correlacin lineal de mnimos
cuadrados y se determin el coeficiente de correlacin entre ellas.
Al realizar todos estos procesos de muestreo y utilizacin de los datos ahora
podemos realizar el modelo de la red neuronal dichos modelos se obtuvieron
mediante la aplicacin comercial Neural Network Toolbox de MATLAB, Para evitar
las diferencias de escala entre las variables fsicas que intervienen en la red se
realiz un proceso de normalizacin, en el que cada variable se transform a un
sistema natural entre 0 y 1.
Obtendremos dos modelos de redes neuronales para predecir tanto la resistividad
elctrica como la resistencia a la compresin, donde:
el modelo de redes neuronales propuesto para predecir la resistencia a la
compresin del concreto present mejores resultados que los modelos de
regresin de mnimos cuadrados. La resistencia a la compresin puede ser
determinada de manera no destructiva usando este modelo.
El modelo de redes neuronales desarrollado para predecir la resistividad elctrica
del concreto, tuvo mejores resultados que los de regresin de mnimos cuadrados.
En el entrenamiento de la red neuronal se obtuvieron mejores resultados
utilizando los datos normalizados entre 0 y 1 respecto de los datos sin normalizar,
esto debido a la influencia de la escala de las variables cuando se usan sin ningn
tipo de normalizacin. De la misma forma, la red produjo mejores logros cuando
los datos se introdujeron de manera aleatoria.
Se dispone para usos prcticos de una metodologa que permite predecir la
resistencia a la compresin de cilindros de concreto de manera no destructiva a
partir de la obtencin de la velocidad de pulso y del peso unitario del concreto.
Al leer este articulo nos damos cuenta de la importancia de las redes neuronales
aplicadas a reas que no estn relacionadas directamente con el mundo
tecnolgico, sistemas, programacin,etc sino que tambin podemos encontrar las
aplicaciones con reas de conocimiento que nos rodean y que en ningn momento
paso por nuestras mentes la relacin de estas reas de conocimiento como son las
redes neuronales aplicadas a lo que son las construcciones o la seguridad de las
construcciones ya que estudiamos la resistencia que va a tener dicho concreto lo
cual es utilizado en un gran porcentaje por no decir en toda la construccin de
cualquier rea o espacio a construir.





INTELIGENCIA ARTIFICIAL
INGENIERIA DE SISTEMAS PGINA 4
Actualmente las redes tienen mucha importancia y son consideradas para el
estudio conjunto de diversas reas como por ejemplo :
Biologa:
Aprender ms acerca del cerebro y otros sistemas.
Obtencin de modelos de la retina.
Empresa:
Evaluacin de probabilidad de formaciones geolgicas y petrolferas.
Identificacin de candidatos para posiciones especficas.
Explotacin de bases de datos.
Optimizacin de plazas y horarios en lneas de vuelo.
Optimizacin del flujo del trnsito controlando convenientemente la
temporizacin de los semforos.
Modelado de sistemas para automatizacin y control.
Medio ambiente:
Analizar tendencias y patrones.
Previsin del tiempo.
Finanzas:
Previsin de la evolucin de los precios.
Valoracin del riesgo de los crditos.
Identificacin de falsificaciones.
Interpretacin de firmas.
Manufacturacin:
Robots automatizados y sistemas de control (visin artificial y sensores de
presin, temperatura, gas, etc.).
Control de produccin en lneas de procesos.
Inspeccin de la calidad.
Medicina:
Analizadores del habla para ayudar en la audicin de sordos profundos.

Diagnstico y tratamiento a partir de sntomas y/o de datos analticos
(electrocardiograma, encefalogramas, anlisis sanguneo, etc.).
Monitorizacin en cirugas.
Prediccin de reacciones adversas en los medicamentos.
Militares:
Clasificacin de las seales de radar.
Creacin de armas inteligentes.
Optimizacin del uso de recursos escasos.
Reconocimiento y seguimiento en el tiro al blanco.