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
- Institución
- Consejo Nacional de Investigaciones Científicas y Técnicas
- OAI Identificador
- oai:ri.conicet.gov.ar:11336/182922
Ver los metadatos del registro completo
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 |