Investigación de Enmacosa dentro del proyecto "Desarrollo y mejora de modelos teóricos del hormigón estructural a partir de su dosificación mediante técnicas de programación genética y redes de neuronas artificiales", cofinanciado por la Xunta de Galicia (2010-2013).
Enmacosa research within the project "Development and improvement of theoretical models of structural concrete from its dosage by genetic programming and artificial neural networks", cofinanced by the Xunta de Galicia (2010-2013).
Continúa de: http://carreteras-laser-escaner.blogspot.com/2014/12/1-development-and-improvement-of.html
1 Introducción.
2 Seguimiento - Finalización.
3 método aplicado.
3.1 Fase 1. Identificación de variables clave ..
3.2 Fase 2. Análisis de los resultados
3.3 Fase 3. Aplicación de técnicas de regresión .
4 Resultados alcanzados.
4.1 Base de datos
4.1.1 Resultados.
4.1.2 Caracterización de base de datos
4.2 Variables que afectan a las propiedades del hormigón.
4.2.1 Las variables con alta influencia.
4.2.2 Variables que influyen en los medios de comunicación.
4.2.3 Variables con baja influencia.
4.3 Aplicación de RR.NN.AA. la predicción de parámetros físicos medibles mediante ensayos
4.4 Análisis de la resistencia alcanzado por los diferentes hormigones, en relación con la especificada
4.4.1 Análisis por el fabricante
4.5 Análisis de consistencia obtenidos con respecto como se especifica
4.6 Análisis de la evolución de la resistencia del hormigón con la edad
4.6.1 CEM I 52,5 R
4.6.2 CEM II 42.5 R
4.6.3 I / 52,5 N / SR
4.6.4 III / A 42,5 N / SR
4.6.5 IV / A-V 42,5 N / SR.
4.7 Análisis de la relación y el contenido de agua / cemento con la resistencia del hormigón.
4.8 Predicción del módulo del hormigón - Convencional
5 Publicaciones.
5.1 Mejora de la formulación de la EC-2 para la resistencia al corte en vigas de hormigón Estructural sin armadura.
5.2 Regresión simbólico en Ingeniería Civil a través de técnicas de programación genética.
5.3 Programación Genética para Modelo de Mejora FIB: Bond y Anchorage de refuerzo Acero Estructural en Concrete
6 Bibliografía
2 Seguimiento - Finalización.
3 método aplicado.
3.1 Fase 1. Identificación de variables clave ..
3.2 Fase 2. Análisis de los resultados
3.3 Fase 3. Aplicación de técnicas de regresión .
4 Resultados alcanzados.
4.1 Base de datos
4.1.1 Resultados.
4.1.2 Caracterización de base de datos
4.2 Variables que afectan a las propiedades del hormigón.
4.2.1 Las variables con alta influencia.
4.2.2 Variables que influyen en los medios de comunicación.
4.2.3 Variables con baja influencia.
4.3 Aplicación de RR.NN.AA. la predicción de parámetros físicos medibles mediante ensayos
4.4 Análisis de la resistencia alcanzado por los diferentes hormigones, en relación con la especificada
4.4.1 Análisis por el fabricante
4.5 Análisis de consistencia obtenidos con respecto como se especifica
4.6 Análisis de la evolución de la resistencia del hormigón con la edad
4.6.1 CEM I 52,5 R
4.6.2 CEM II 42.5 R
4.6.3 I / 52,5 N / SR
4.6.4 III / A 42,5 N / SR
4.6.5 IV / A-V 42,5 N / SR.
4.7 Análisis de la relación y el contenido de agua / cemento con la resistencia del hormigón.
4.8 Predicción del módulo del hormigón - Convencional
5 Publicaciones.
5.1 Mejora de la formulación de la EC-2 para la resistencia al corte en vigas de hormigón Estructural sin armadura.
5.2 Regresión simbólico en Ingeniería Civil a través de técnicas de programación genética.
5.3 Programación Genética para Modelo de Mejora FIB: Bond y Anchorage de refuerzo Acero Estructural en Concrete
6 Bibliografía
4.2 VARIABLES QUE AFECTAN A PROPIEDADES DEL HORMIGÓN
Aunque a priori un conjunto de variables pueda no considerarse estrictamente un resultado directo del proyecto se muestra en esta sección Dada su importancia.
Tras varias reuniones llevadas a cabo se determinó en clasificar los resultados en tres categorías de influencia las siguientes variables. En las siguientes tablas la columna “Tipo” Se refiere a si la variable es continua (C) o discreta (D) Y la columna “Nat.” Significa la naturaleza (oriben) De las variables cuyo significado se muestra en la tabla siguiente.
4.2.1 Variables con influencia alta
4.2.2 Variables con influencia media
4.2.3 Variables con influencia baja
4.3 APLICACIÓN DE RR.NN.AA. A LA PREDICCIÓN DE PARÁMETROS FÍSICOS MEDIBLES MEDIANTE ENSAYOS
El caso presentado en el punto anterior se desarrolla una aplicación interesante, aunque la base de datos empleada fue generada a partir de expresiones teóricas. El campo de hormigón estructural se conoce a través de muchos planteamientos teóricos, aunque siempre basados en ensayos de laboratorio esta forma de avanzar en el conocimiento, similar al de otros ámbitos es aunque fundamental debido a la complejidad del material tanto en estado fresco como endurecido.
Se experimenta con él, de modo científico, desde hace más de 70 años En análisis de estos datos se puede hacer mediante técnicas de redes neuronales artificiales.
Uno de estos casos en la determinación de los parámetros fundamentales en el hormigón: su consistencia al ser fabricado necesaria para la colocación de los mojados, y su resistencia a compresión cuando ya han endurecido a lo fundamental para acotar su capacidad resistente en las estructuras construidas.
 |
| Figura 6.Medida de la consistencia del hormigón fresco |
 |
| Figura 7. Medida de la resistencia del hormigón endurecido. |
Los componentes del hormigón son las variables que afectan ambos datos: cantidad de cemento, de agua, de árido fino, de árido grueso, y otros componentes como las adicciones puzolánicas (que aportan Capacidad de resistencia diferida, principalmente las cenizas volantes por humo de sílice) y los aditivos (con diversas funciones) como los incorporados de aire ocluido y los y los superplastíficantes (que fluidifican la mezcla en fresco permitiendo rebaijar a cantidad de auga).
No existe aún un modelo analítico o que predica confiabilidad la consistencia (relacionada con la fluidez) del hormigón fresco (medida habitualmente a través del asentamento de un cono moldeado de hormigón, ver Figura 6) o su resistencia a compresión (determinada mediante el ensayo de probetas cilíndricas o prismáticas en una prensa, ver Figura 7).
Öztaş et al. [2] desarrollan una red en unas artificiales a partir de 187 mediciones, con todos los parámetros conocidos, dedicando 169 de ellas para el adiestramento y 18, seleccionadas aleatoriamente, a la verificación.
La verdadera base de datos se tomaron, en algún caso, como proporciones entre ellas. Dado el conocimiento que existe de la dependencia de dichas relaciones como la consistencia con la resistencia. El rango establecido para el conjunto de los siete parámetros de entrada es el lado por la tabla 6. Parámetros de entrada y rangos, cuyas siglas se explican a continuación:
- W/B: Relación [agua]/[cemento], considerando el cemento como la suma de la cantidad de cemento, de ceniza volante y de humo de sílice.
- W: Cantidad de agua
- s/a: Ratio [cantidad de arena]/[cantidad total de árido (arena + gravilla+ grava)]
- FA: Porcentaje de cemento substituído por ceniza volante
- AE: Cantidade de ajente incorporado de aire ocluido
- SF: Porcentaje de cemento substituído por humo de sílice
Las dos variables de salida son la resistencia a compresión, medida en MPa, y el cono medido en estado fresco, cuyo valor se encuentra en el rango 0 – 25 cm. La recién creada introduce dos capas ocultas con 5:03 neuronas, respectivamente, y los ajustes obtenidos para la serie de adiestramiento y verificación se observan en la Figura 8. El ajuste de los datos de entrenamiento, izquierda, y verificación, derecha. El algoritmo del estamento fue de valientes conjugados o donados y los ciclos óptimos fueron de 10.000.
 |
| Figura 8. Ajuste de los datos de entrenamiento, izquierda, y verificación, derecha. |
A partir de estos datos, Öztaş Concluye que la capacidad de predicción de una red es mejor en la salida “resistencia a compresión” (error máximo de un 6%) que en la salida “cono” (errores de hasta un 25%). Esto se debe a que la relación entre las variables y la resistencia es mucho más fuerte en el caso del cono, afectado por otras variables no contempladas (tipo y potencia de la amasadora, orden de introdución de los compoñentes y humidad de los áridos, por ejemplo), y por el método de medida de la consistencia, cuestionado por algunos autores para el tipo de hormigón tomado como base de datos.
Este ejemplo se contempla como trabajo desarrollado en la Escola de Enxeñeiros de Camiños de A Coruña, Pasado en las numerosas amasadas realizadas tanto por el laboratorio de la Escuela como en el Centro de Innovación Tecnolóxica en Edificación e Enxeñería Civil (CITEEC). La técnica de las RR.NN.AA. se utiliza exclusivamente para realizar una predición de la consistencia medida a través do asento en cono, Según lo comentado arriba.
Nuevamente, las variables fueron las propias de la composición de las distintas medidas ensayadas, aunque a diferencia del caso anterior, algún parámetro adicional como la humedad de los áridos (El agua contenida en ellos puede cambiarse a voluntad aumentando la fluidez), la finura del cemento empleado (a mayor finura, menor fluidez), el peso de la amasada y el estado de la amasadora, puesto que las amasadas realizadas a partir de la primera se encuentran con mayor humedad. En la tabla 2 pueden observarse las variables y rangos empleados.
La creación o el adiestramiento de las RNA Fueron desarrolladas con el software ERNAAG[3]. Como particularidad interesantísima en este caso, se empleó la técnica de los algoritmos genéticos en el adiestramiento de los diferentes tipos de R.NN.AA. (para el cálculo de pesos) y en el diseño de la arquitectura (número de capas, número de neuronas por capa y tipo de funciones de activación). Tras
numerosos ensayos, la RNA final cumpre:
- Los parámetros de entrada se normalizaron 0 e 1. Las entradas no continuas se hicieron variar entre los valores discretos 0.2 e 0.8.
- Red de tres capas (17 neuronas según el esquema 10,6,1)
- Función de transferencia hiperbólico-tangente
- Número de iteraciones: 6603269
- Error Cuadrático Medio: 0.0146
- Error Medio: 0.6842
* ssd = superficie seca saturada
Con la red obtenida, Rodríguez[4] Realiza una interesante aplicación sustentada en la consideración de disponer, dentro del rango considerado, de un verdadero laboratorio virtual en el que ensaya medidas inéditas. La técnica simple, pero compacta: se crean amasadas virtuales en las que sólo se modifica una variable a lo largo de todo su ramo, y se estudia si su efecto sobre la consistencia del amasadas. Vale la pena fijarse el resultado correspondiente a la influencia de la cantidad de superplastificante, escrito siempre como una gente que comienza actuar muy intensamente a partir de una dosis mínima, y que por encima de una cantidad pierde su efecto el laboratorio detecta perfectamente este comportamiento, según se observa en la Figura 9.
 |
| Figura 9. Efecto de la cantidad de superplastificante sobre la consistencia. |
Rodríguez Concluye que el laboratorio virtual creado permite de modo solvente analiza la influencia de la mayoría de los parámetros que intervienen en la cuestión formulada, clarificando la potencia de la influencia y cooperando con el desarrollo de los modelos teóricos. La herramienta, por último, puede cooperar con los fabricantes de hormigón, cuyo producto se mide en obra seguido, entre otros factores, de la consistencia del hormigón producido.
No hay comentarios:
Publicar un comentario