Uso de aprendizaje automático para evaluar el desempeño de métodos de cuantificación de daño

Autores
Garrido, Carlos Hernán; Domizio, Martin Norberto; Curadelli, Oscar; Ambrosini, Daniel
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En el pasado se ha propuesto una innumerable cantidad de métodos para la detección y localización de daño en vigas. Sin embargo, la cuantificación de daño aún presenta dificultades. Una falencia que se observa en la literatura sobre estos métodos es la falta de pruebas de su generalidad; i.e., suelen evaluarse en un número limitado de ejemplos arbitrarios. A pesar de que estos métodos se basan en modelos generales, como dichos modelos son simplificadores, no hay seguridad de que su desempeño sea bueno en la generalidad de los casos reales que supuestamente se ajustan a dichos modelos. Por ello, aquí se plantea una evaluación más robusta, y que puede ejecutarse en un tiempo razonable. Se propone hacer un estudio paramétrico utilizando elementos finitos sólidos y variando varios parámetros; e.g. forma y dimensiones de la sección transversal, esbeltez de la viga, y disposición de los sensores. La enorme cantidad de resultados generados hace difícil su análisis por humanos. Como alternativa innovadora, se resume la información utilizando una herramienta de aprendizaje automático llamada árboles de decisión para clasificación. Así se logra distinguir la relevancia de cada parámetro y sus interrelaciones en el desempeño final del método puesto a prueba.
A myriad of methods for detecting and locating damage in beams have been proposed in the past. However, the quantification of damage still presents difficulties. One deficiency found in the literature on these methods is the lack of evidence for their generality; i.e., they are usually evaluated in a limited number of arbitrary examples. Although these methods are based on general models, as these models are simplifying, there is no guarantee that their performance will be good in the generality of the real cases that supposedly fit those models. For this reason, a more robust evaluation is proposed here, which can be carried out in a reasonable time. It is proposed to do a parametric study using solid finite elements and varying several parameters; e.g., the shape and dimensions of the cross section, the slenderness of the beam, and the arrangement of the sensors. The huge amount of data generated makes its analysis by humans difficult. As an innovative alternative, information is summarized using a machine learning tool called Decision Trees for Classification. Thus, it is possible to distinguish the relevance of each parameter and their interrelationships in the final performance of the method under test.
Fil: Garrido, Carlos Hernán. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional de Cuyo. Facultad de Ingeniería; Argentina
Fil: Domizio, Martin Norberto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional de Cuyo. Facultad de Ingeniería; Argentina
Fil: Curadelli, Oscar. Universidad Nacional de Cuyo. Facultad de Ingeniería; Argentina
Fil: Ambrosini, Daniel. Universidad Nacional de Cuyo. Facultad de Ingeniería; Argentina
XXXVII Congreso Argentino de Mecánica Computacional
Resistencia
Argentina
Universidad Nacional del Nordeste. Facultad de Ingeniería
Asociación Argentina de Mecánica Computacional
Materia
DAÑO
VIGAS
APRENDIZAJE AUTOMÁTICO
CURVATURA
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/182922

id CONICETDig_10bd6ccd27c9fd4f6d975e9ff9fc42de
oai_identifier_str oai:ri.conicet.gov.ar:11336/182922
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Uso de aprendizaje automático para evaluar el desempeño de métodos de cuantificación de dañoUsing machine learning to evaluate the performance of a damage quantification methodGarrido, Carlos HernánDomizio, Martin NorbertoCuradelli, OscarAmbrosini, DanielDAÑOVIGASAPRENDIZAJE AUTOMÁTICOCURVATURAhttps://purl.org/becyt/ford/2.3https://purl.org/becyt/ford/2En el pasado se ha propuesto una innumerable cantidad de métodos para la detección y localización de daño en vigas. Sin embargo, la cuantificación de daño aún presenta dificultades. Una falencia que se observa en la literatura sobre estos métodos es la falta de pruebas de su generalidad; i.e., suelen evaluarse en un número limitado de ejemplos arbitrarios. A pesar de que estos métodos se basan en modelos generales, como dichos modelos son simplificadores, no hay seguridad de que su desempeño sea bueno en la generalidad de los casos reales que supuestamente se ajustan a dichos modelos. Por ello, aquí se plantea una evaluación más robusta, y que puede ejecutarse en un tiempo razonable. Se propone hacer un estudio paramétrico utilizando elementos finitos sólidos y variando varios parámetros; e.g. forma y dimensiones de la sección transversal, esbeltez de la viga, y disposición de los sensores. La enorme cantidad de resultados generados hace difícil su análisis por humanos. Como alternativa innovadora, se resume la información utilizando una herramienta de aprendizaje automático llamada árboles de decisión para clasificación. Así se logra distinguir la relevancia de cada parámetro y sus interrelaciones en el desempeño final del método puesto a prueba.A myriad of methods for detecting and locating damage in beams have been proposed in the past. However, the quantification of damage still presents difficulties. One deficiency found in the literature on these methods is the lack of evidence for their generality; i.e., they are usually evaluated in a limited number of arbitrary examples. Although these methods are based on general models, as these models are simplifying, there is no guarantee that their performance will be good in the generality of the real cases that supposedly fit those models. For this reason, a more robust evaluation is proposed here, which can be carried out in a reasonable time. It is proposed to do a parametric study using solid finite elements and varying several parameters; e.g., the shape and dimensions of the cross section, the slenderness of the beam, and the arrangement of the sensors. The huge amount of data generated makes its analysis by humans difficult. As an innovative alternative, information is summarized using a machine learning tool called Decision Trees for Classification. Thus, it is possible to distinguish the relevance of each parameter and their interrelationships in the final performance of the method under test.Fil: Garrido, Carlos Hernán. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional de Cuyo. Facultad de Ingeniería; ArgentinaFil: Domizio, Martin Norberto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional de Cuyo. Facultad de Ingeniería; ArgentinaFil: Curadelli, Oscar. Universidad Nacional de Cuyo. Facultad de Ingeniería; ArgentinaFil: Ambrosini, Daniel. Universidad Nacional de Cuyo. Facultad de Ingeniería; ArgentinaXXXVII Congreso Argentino de Mecánica ComputacionalResistenciaArgentinaUniversidad Nacional del Nordeste. Facultad de IngenieríaAsociación Argentina de Mecánica ComputacionalAsociación Argentina de Mecánica ComputacionalCastro, Hugo GuillermoMroginski, Javier LuisPaz, Rodrigo ManuelStorti, Mario Alberto2021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjectCongresoJournalhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/182922Uso de aprendizaje automático para evaluar el desempeño de métodos de cuantificación de daño; XXXVII Congreso Argentino de Mecánica Computacional; Resistencia; Argentina; 2021; 595-6041666-60702591-3522CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/http://venus.ceride.gov.ar/ojs/index.php/mc/article/view/6133Internacionalinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T10:40:53Zoai:ri.conicet.gov.ar:11336/182922instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 10:40:53.978CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Uso de aprendizaje automático para evaluar el desempeño de métodos de cuantificación de daño
Using machine learning to evaluate the performance of a damage quantification method
title Uso de aprendizaje automático para evaluar el desempeño de métodos de cuantificación de daño
spellingShingle Uso de aprendizaje automático para evaluar el desempeño de métodos de cuantificación de daño
Garrido, Carlos Hernán
DAÑO
VIGAS
APRENDIZAJE AUTOMÁTICO
CURVATURA
title_short Uso de aprendizaje automático para evaluar el desempeño de métodos de cuantificación de daño
title_full Uso de aprendizaje automático para evaluar el desempeño de métodos de cuantificación de daño
title_fullStr Uso de aprendizaje automático para evaluar el desempeño de métodos de cuantificación de daño
title_full_unstemmed Uso de aprendizaje automático para evaluar el desempeño de métodos de cuantificación de daño
title_sort Uso de aprendizaje automático para evaluar el desempeño de métodos de cuantificación de daño
dc.creator.none.fl_str_mv Garrido, Carlos Hernán
Domizio, Martin Norberto
Curadelli, Oscar
Ambrosini, Daniel
author Garrido, Carlos Hernán
author_facet Garrido, Carlos Hernán
Domizio, Martin Norberto
Curadelli, Oscar
Ambrosini, Daniel
author_role author
author2 Domizio, Martin Norberto
Curadelli, Oscar
Ambrosini, Daniel
author2_role author
author
author
dc.contributor.none.fl_str_mv Castro, Hugo Guillermo
Mroginski, Javier Luis
Paz, Rodrigo Manuel
Storti, Mario Alberto
dc.subject.none.fl_str_mv DAÑO
VIGAS
APRENDIZAJE AUTOMÁTICO
CURVATURA
topic DAÑO
VIGAS
APRENDIZAJE AUTOMÁTICO
CURVATURA
purl_subject.fl_str_mv https://purl.org/becyt/ford/2.3
https://purl.org/becyt/ford/2
dc.description.none.fl_txt_mv En el pasado se ha propuesto una innumerable cantidad de métodos para la detección y localización de daño en vigas. Sin embargo, la cuantificación de daño aún presenta dificultades. Una falencia que se observa en la literatura sobre estos métodos es la falta de pruebas de su generalidad; i.e., suelen evaluarse en un número limitado de ejemplos arbitrarios. A pesar de que estos métodos se basan en modelos generales, como dichos modelos son simplificadores, no hay seguridad de que su desempeño sea bueno en la generalidad de los casos reales que supuestamente se ajustan a dichos modelos. Por ello, aquí se plantea una evaluación más robusta, y que puede ejecutarse en un tiempo razonable. Se propone hacer un estudio paramétrico utilizando elementos finitos sólidos y variando varios parámetros; e.g. forma y dimensiones de la sección transversal, esbeltez de la viga, y disposición de los sensores. La enorme cantidad de resultados generados hace difícil su análisis por humanos. Como alternativa innovadora, se resume la información utilizando una herramienta de aprendizaje automático llamada árboles de decisión para clasificación. Así se logra distinguir la relevancia de cada parámetro y sus interrelaciones en el desempeño final del método puesto a prueba.
A myriad of methods for detecting and locating damage in beams have been proposed in the past. However, the quantification of damage still presents difficulties. One deficiency found in the literature on these methods is the lack of evidence for their generality; i.e., they are usually evaluated in a limited number of arbitrary examples. Although these methods are based on general models, as these models are simplifying, there is no guarantee that their performance will be good in the generality of the real cases that supposedly fit those models. For this reason, a more robust evaluation is proposed here, which can be carried out in a reasonable time. It is proposed to do a parametric study using solid finite elements and varying several parameters; e.g., the shape and dimensions of the cross section, the slenderness of the beam, and the arrangement of the sensors. The huge amount of data generated makes its analysis by humans difficult. As an innovative alternative, information is summarized using a machine learning tool called Decision Trees for Classification. Thus, it is possible to distinguish the relevance of each parameter and their interrelationships in the final performance of the method under test.
Fil: Garrido, Carlos Hernán. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional de Cuyo. Facultad de Ingeniería; Argentina
Fil: Domizio, Martin Norberto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional de Cuyo. Facultad de Ingeniería; Argentina
Fil: Curadelli, Oscar. Universidad Nacional de Cuyo. Facultad de Ingeniería; Argentina
Fil: Ambrosini, Daniel. Universidad Nacional de Cuyo. Facultad de Ingeniería; Argentina
XXXVII Congreso Argentino de Mecánica Computacional
Resistencia
Argentina
Universidad Nacional del Nordeste. Facultad de Ingeniería
Asociación Argentina de Mecánica Computacional
description En el pasado se ha propuesto una innumerable cantidad de métodos para la detección y localización de daño en vigas. Sin embargo, la cuantificación de daño aún presenta dificultades. Una falencia que se observa en la literatura sobre estos métodos es la falta de pruebas de su generalidad; i.e., suelen evaluarse en un número limitado de ejemplos arbitrarios. A pesar de que estos métodos se basan en modelos generales, como dichos modelos son simplificadores, no hay seguridad de que su desempeño sea bueno en la generalidad de los casos reales que supuestamente se ajustan a dichos modelos. Por ello, aquí se plantea una evaluación más robusta, y que puede ejecutarse en un tiempo razonable. Se propone hacer un estudio paramétrico utilizando elementos finitos sólidos y variando varios parámetros; e.g. forma y dimensiones de la sección transversal, esbeltez de la viga, y disposición de los sensores. La enorme cantidad de resultados generados hace difícil su análisis por humanos. Como alternativa innovadora, se resume la información utilizando una herramienta de aprendizaje automático llamada árboles de decisión para clasificación. Así se logra distinguir la relevancia de cada parámetro y sus interrelaciones en el desempeño final del método puesto a prueba.
publishDate 2021
dc.date.none.fl_str_mv 2021
dc.type.none.fl_str_mv info:eu-repo/semantics/publishedVersion
info:eu-repo/semantics/conferenceObject
Congreso
Journal
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
status_str publishedVersion
format conferenceObject
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/182922
Uso de aprendizaje automático para evaluar el desempeño de métodos de cuantificación de daño; XXXVII Congreso Argentino de Mecánica Computacional; Resistencia; Argentina; 2021; 595-604
1666-6070
2591-3522
CONICET Digital
CONICET
url http://hdl.handle.net/11336/182922
identifier_str_mv Uso de aprendizaje automático para evaluar el desempeño de métodos de cuantificación de daño; XXXVII Congreso Argentino de Mecánica Computacional; Resistencia; Argentina; 2021; 595-604
1666-6070
2591-3522
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/http://venus.ceride.gov.ar/ojs/index.php/mc/article/view/6133
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
application/pdf
dc.coverage.none.fl_str_mv Internacional
dc.publisher.none.fl_str_mv Asociación Argentina de Mecánica Computacional
publisher.none.fl_str_mv Asociación Argentina de Mecánica Computacional
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1844614438138675200
score 13.070432