Redes neuronales artificiales: una metodología alternativa para el complejo cálculo estructural
Redes neuronales artificiales: una metodología alternativa para el complejo cálculo estructural
La editorial académica Elsevier destaca en Structures un artículo del investigador del Laboratorio de Análisis Estructural del CITENI José Manuel Reinosa. El grupo de investigación al que pertenece el profesor del Campus Industrial de la UDC apuesta por el uso de redes neuronales artificiales para predecir el comportamiento de las uniones semirrígidas en estructuras de acero
El cálculo de estructuras constituye una parte fundamental del diseño de cualquier proyecto de edificación. Mediante el análisis estructural es posible determinar los efectos de las cargas, la distribución de las fuerzas, las deformaciones o los desplazamientos que afectarán a una estructura.
Esta fase previa a la construcción es clave para predecir el comportamiento de cualquier configuración estructural. Las uniones son componentes fundamentales, responsables, en gran medida, de la funcionalidad estructural. Tradicionalmente, su cálculo se llevaba a cabo de modo simplificado: mediante la suposición de comportamientos extremos, de conexiones totalmente rígidas o totalmente articuladas; pero el funcionamiento real de las uniones se asemeja más a un comportamiento híbrido, es decir, el relativo a uniones semirrígidas.
El Laboratorio de Análisis Estructural del CITENI desarrolla una línea de investigación que estudia el comportamiento de las uniones semirrígidas en estructuras de acero.
El diseño estructural resulta un proceso complejo, por las directrices de la norma europea para el diseño de estructuras de acero (Eurocódigo 3); y también costoso, porque la simulación computacional con modelos numéricos avanzados requiere equipos muy potentes capaces de procesar grandes volúmenes de datos.
El uso de redes neuronales artificiales en un ámbito geométrico controlado puede facilitar mucho este diseño, gracias a la incorporación de modelos matemáticos capaces de predecir comportamientos con base en la información previamente almacenada y en el entrenamiento recibido.
Esta alternativa metodológica es la que el investigador José Manuel Reinosa plantea en su artículo de investigación «Artificial neural network prediction of the initial stiffness of semi-rigid beam-to-column connections», publicado recientemente en la revista científica Structures de la editorial académica Elsevier.
La red desarrollada se nutre de información confiable. En este caso se incorpora la base de datos SCDB (Steel Connection Data Bank) de los investigadores Kishi y Chen. Este banco de datos, reconocido a nivel mundial, evita la realización de costosas campañas experimentales, al incluir múltiples datos de rigidez de conexiones angulares de acero: proporciona parámetros y características momento-rotación de conexiones angulares (viga-columna) semirrígidas (remachadas, atornilladas y soldadas).
Las conexiones angulares suelen mostrar un comportamiento no lineal durante las primeras etapas del proceso de carga y una selección equivocada de los primeros puntos de la curva momento-rotación puede dar lugar a valores erróneos de rigidez inicial. Por ello, la red también incorpora datos experimentales con imperfecciones reales, lo que evita predicciones inexactas por sobreajuste.
Finalmente, el estudio revela que la aplicación de esta metodología, basada en redes neuronales artificiales (Artificial Neural Network), representa una doble ventaja frente a otros métodos de cálculo numérico tradicional: predice la rigidez inicial de las uniones semirrígidas de viga a columna de manera realista y mucho más rápida, lo que resulta eficaz para fines de investigación o la toma de decisiones en trabajos experimentales, ya que evita los costosos y complejos modelos numéricos.
Anterior
Siguiente
