Aplicación de las Redes Neuronales Artificiales en problemas de ingeniería.

Hasta hace algunos años, se pensaba que muchos problemas en ingeniería no poseían solución. La aparición de la computadora combinada con métodos numéricos, inteligencia artificial convencional, lógica difusa, redes neuronales artificiales, algoritmos genéticos, lógica neuro difusa, etc. permiten entender y analizar planteamientos complejos.

Yagawa y Okuda [1.8] desarrollan una revisión del estado del arte de aplicaciones de mecánica computacional en diferentes campos de la ciencia: evaluación cuantitativa no destructiva para la identificación estructural de daños, modelado de materiales visco-plásticos, análisis del crecimiento de grietas en especímenes soldados, diseño estructural, estimación de parámetros involucrados en el análisis no lineal a través del método de elementos finitos y solución de ecuaciones. En este documento se muestra claramente como la mecánica computacional se ha convertido en una herramienta indispensable en áreas experimentales y de aplicación práctica en campo. A continuación, se plantea una reflexión sobre la técnica de evaluación cuantitativa no destructiva por ser está la de mayor interés para el desarrollo del presente trabajo.

A través del uso de la evaluación no destructiva (ondas ultrasónicas, rayos X, polvos magnéticos, corrientes de Eddy, etc.) se puede saber si un dispositivo (herramienta, maquinaria, estructura, etc.) posee grietas o defectos. Esta información es crucial para la seguridad y consecución de los procesos productivos. Sin embargo, no identifican la localización, forma, posición y tamaño. Es en esta área donde la evaluación cuantitativa no destructiva, también llamada QNDE (del inglés Quantitative Nondestructive Evaluation) y las redes neuronales artificiales se unen para caracterizar un problema inverso.

Se puede decir que: los problemas inversos son tópicos matemáticos relacionados a diferentes áreas del conocimiento. Se pueden describir como problemas en los cuales se conoce la respuesta pero no la pregunta o bien donde se conocen los resultados y/o consecuencias, pero no las causas. Si se consideran, por ejemplo, los problemas de identificación de defectos a través de ondas ultrasónicas. Se pueden definir parámetros como el tamaño y la localización, considerando la respuesta dinámica del sólido. Este es un problema inverso. Por otro lado, si los parámetros del defecto son conocidos, la respuesta dinámica del sólido puede ser calculada a través de mecánica computacional (por ejemplo simulación con Método de Elementos Finitos). Este es un problema directo.

La unión de QNDE y las RNA para la solución de análisis inversos se puede resumir en tres etapas:

Capítulo I: Antecedentes generales sobre las Redes Neuronales Artificiales.

Alejandro Luna Avilés 12

1. Simulación de la respuesta dinámica de un sólido, que contiene defectos que pueden ser manipulados en parámetros como localización, forma, tamaño, profundidad, etc. A través del método de elementos finitos para obtener conjuntos de pares de datos (respuesta dinámica - parámetros).

2. La red neuronal artificial es entrenada con los datos colectados en la primera etapa. La respuesta dinámica son los datos de entrada y los parámetros del defecto son los datos objetivo.

3. La RNA entrenada es utilizada para identificar los parámetros del defecto a partir de la respuesta dinámica medida en un sólido a través de procesos de aplicación (ultrasonido, rayos X, martillo de impactos, etc.).

Un análisis inverso puede ser aplicado a cualquier problema inverso a través del uso de la simulación con mecánica computacional. Esta técnica es aplicable a varios campos de la ciencia.

Muchos problemas en ingeniería son medidos con la ayuda de sensores, sin embargo, los datos así obtenidos en ocasiones son excesivos y complicados de analizar. Corcoran [1.9] realiza una revisión de la interrelación que se puede dar entre los dispositivos antes mencionados y las redes neuronales artificiales. Mellit y Kalogirou [1.10] presentan una disertación sobre los sistemas fotovoltaicos y el uso de las RNA en tres principales áreas: (1) pronóstico y modelado de sistemas meteorológicos, (2) determinar el tamaño y forma de un sistema fotovoltaico y (3) simulación y control de sistemas fotovoltaicos. La información presentada muestra el gran potencial de aplicación de las RNA en este campo.

En la búsqueda de aplicaciones para la industria. Se puede citar, la investigación desarrollada por Casalino et. al. [1.11] donde se utiliza el modelado numérico (Método del Elemento Finito), las redes neuronales artificiales y los conjuntos difusos para determinar el mejor método de unión a través de soldadura por arco eléctrico y su posterior evaluación.

Li et. al. [1.12] presentan un método para identificar los defectos que produce un porta herramientas conforme se va descalibrando. Utilizando digitalización por laser, lógica difusa y redes neuronales para lograr este propósito.

Dini [1.13] establece una metodología para la predicción de la delaminación en el proceso de taladrado de fibras de vidrio reforzadas, para lograrlo utiliza dos RNA de retropropagación, una establece el nivel de daño y la otra indica el tamaño del defecto producido.

Perzyk et. al. [1.14] presentan una investigación donde se detectan las causas que producen defectos en la fundición asistido por redes neuronales

Capítulo I: Antecedentes generales sobre las Redes Neuronales Artificiales.

Alejandro Luna Avilés 13

artificiales. En éste estudio se interrelacionan dos variables, el material utilizado y los trabajadores involucrados en la producción. En este contexto se puede citar a Yarlagadda [1.15] que hace un estudio de los parámetros que pudieran afectar el moldeo por inyección, utiliza la velocidad y la presión involucradas en el proceso para entrenar dos tipos de redes neuronales artificiales. Los datos de entrenamiento se obtienen a partir de simulación numérica. Lázaro [1.16] propone una técnica con base en redes neuronales para clasificar las piezas producidas por fundición, en maquinables y no maquinables, considerando los datos obtenidos de una señal ultrasónica.

Muchas son las áreas donde las redes neuronales pueden ser de utilidad y ayudar a mejorar resultados en los procesos, no solo de producción también en la parte experimental y tener un buen nivel de confianza en los resultados obtenidos, como lo demuestra el análisis de las superficies de rodamientos sometidos a presión en flechas utilizando redes neuronales por Osman-Kurban [1.17]. En este desarrollo se muestra en forma experimental como se obtienen los datos de la distribución de las presiones sobre el rodamiento, a diferentes velocidades de trabajo y rugosidad en la superficie. Posteriormente, utilizando las redes neuronales, se optimizan los resultados para obtener la distribución real de la presión durante el proceso de lubricación.

En un documento presentado por Huber et. al. [1.18,1.19], se muestra una técnica para determinar la relación de Poisson, considerando la rigidez que se produce de la carga y descarga de un cuerpo. La ecuación que define la relación de Poisson puede ser invertida a través de dos RNA para identificar dicho parámetro con un alto nivel de precisión.

Artymiak et. al. [1.20] utilizan las redes neuronales para determinar las curvas de resistencia a la fatiga y limite de fatiga en especímenes que simulan componentes estructurales. Se muestra que este método es superior a los utilizados convencionalmente.

Seibi y Al-Alawi [1.21] emplean una RNA para predecir la resistencia promedio a la fractura de una aleación de aluminio. Involucran datos con base en la evaluación de valores críticos de la integral J, obtenidos en forma experimental. Además, exploran los efectos de la geometría de la grieta, temperatura y biaxialidad en la resistencia a la fractura.

Sablani [1.22] utilizan redes neuronales para calcular el coeficiente de fricción en tuberías, que transportan fluidos plásticos de Bingham, a través del número de Reynolds y la potencia efectiva de la bomba.

Zaid et. al. [1.23] utilizan un método con dos RNA de retropropagación para estimar la profundidad y el diámetro de una barra de acero ahogada en concreto a través de un sensor inductivo, con un alto grado de precisión y confiabilidad. Xu y Chen [1.24] proponen un método de tres etapas para

Capítulo I: Antecedentes generales sobre las Redes Neuronales Artificiales.

Alejandro Luna Avilés 14

evaluar la integridad estructural de marcos de carga, utilizados en infraestructuras civiles, a través de vibraciones libres inducidas por medidas de deformación. Utiliza una red neuronal para tal efecto y determina que el rango de precisión, de los resultados obtenidos, se encuentra dentro de 5%.

Kim et. al. [1.25] utilizó medidas de emisiones acústicas, en frecuencia cíclicas de carga de 1, 2 y 4 Hz, en una barra de acero estructural para determinar el factor de intensidad esfuerzos a través de una RNA con un arreglo 5-14-1, el desarrollo del modelo se usó para varios tipos de especímenes y condiciones cíclicas de carga.

El uso de la computadora e internet, permiten nuevos desarrollos como el propuesto por Chinnam y Mohan [1.26] que exponen un método en línea para estimar la confiabilidad (tiempo de vida útil) de los sistemas físicos, utilizan wavelets para facilitar examinar las señales degradadas en los dominios del tiempo y frecuencia (eliminar el ruido en la señal), mientras que la RNA se usa para reacomodar la señal recibida y estimar la vida útil del dispositivo. Guo [1.27] propone un método en línea para monitorear en tiempo real la deformación que produce una roladora. Utilizando una red neuronal, eliminan el ruido que recibe el sensor hecho de fibra óptica.

Si bien es cierto que las RNA ayudan a modelar, optimizar, reconocer patrones y en forma general a resolver problemas, también se debe mencionar que su diseño es un proceso heurístico. Algunos trabajos se han desarrollado para establecer un proceso metodológico concreto, entre ellos se puede mencionar el presentado por Staszewski [1.28] donde se muestra técnicas para el pre-procesamiento de datos que se utilizan en la detección de daño estructural en el dominio del tiempo. Siraj et. al. [1.29] muestran una técnica para mejorar la capacidad de generalización de una RNA a través de dos perceptrones discriminantes multicapa, estos últimos son construidos a partir de los patrones de prueba y entrenamiento. Kallassy [1.30] propone un método para diseñar una RNA a partir de un análisis de regresión y determinar el número óptimo de neuronas para un nivel de error deseado. Magoulas et. al. [1.31] mejora el algoritmo de retropropagación, enfocándose principalmente en el rango y características de convergencia. Yang et. al. [1.32] postula un nuevo algoritmo para el entrenamiento de perceptrones multicapa, la propuesta se fundamenta en la no inversión explicita de la información contenida en la matriz de Fisher.

Para mostrar la diversidad de aplicaciones en diferentes áreas, se puede mencionar el modelo de redes neuronales para la identificación estratigráfica subsuperficial no invasiva por Sullivan, Ludwig y Lai [1.33], en este trabajo se aplicaron las redes neuronales para modelar superficies bajo el hielo utilizando una onda electromagnética disparada desde un satélite artificial. Se diseñaron dos redes neuronales, la primera se utiliza para clasificar el tipo de patrón encontrado (sustrato) y la segunda para determinar el espesor y profundidad de

Capítulo I: Antecedentes generales sobre las Redes Neuronales Artificiales.

Alejandro Luna Avilés 15

cada capa de sustrato. Otra aplicación geológica es presentada por Singh [1.34] al realizar un estudio de la vibración que se produce en el suelo debido a los procesos de excavación. Con ayuda de una red neuronal artificial plantea la posibilidad de predecir la magnitud (impacto adverso) de dicho fenómeno. Basheer [1.35] utiliza redes neuronales para caracterizar las propiedades mecánicas de muestras de suelo a través de procesos de histéresis, compara la efectividad de las teorías existentes y propuestas, además establece la posibilidad de generalizar los resultados obtenidos con la inserción de nuevos datos.

1.4. Antecedentes en la Localización y Clasificación de Defectos