Aplicación de un algoritmo estadístico para la clasificación de la susceptibilidad de  pisos ante vibraciones mediante redes neuronales

Luis Fernando Lara Gamez; Omar Caballero-Garatachea; José Manuel Cruz Olguín; Virgilio López-Morales; Manuel Alejandro Ojeda-Misses; Yamil Nathanael Resendiz Aguilar

Autores/as

Luis Fernando Lara Gamez Universidad Autónoma del Estado de Hidalgo https://orcid.org/0009-0008-1845-4963
Omar Caballero-Garatachea Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0001-6927-9888
José Manuel Cruz Olguín Universidad Autónoma del Estado de Hidalgo https://orcid.org/0009-0008-1328-7780
Virgilio López-Morales Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0003-2043-8766
Manuel Alejandro Ojeda-Misses Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0003-3963-5399
Yamil Nathanael Resendiz Aguilar Universidad Autónoma del Estado de Hidalgo https://orcid.org/0009-0002-2941-2167

Palabras clave:

vibraciones, resonancia estructural, red neuronal, muestreo estadístico, frecuencia natural

Resumen

La tendencia actual de la arquitectura se basa en el uso de materiales ligeros y sistemas estructurales, lo cual ha generado un incremento en la vulnerabilidad de los sistemas de piso ante vibraciones inducidas por la actividad humana. Por ende, es primordial llevar a cabo la evaluación del comportamiento de las vigas y las losas en sistemas de pisos, lo que suele requerir de modelos complejos y herramientas computacionales. Por lo tanto, en este trabajo se presenta un algoritmo estadístico para la
clasificación de sistemas estructurales tipo viga y losa mediante la frecuencia natural usando redes neuronales para clasificar vigas y losas susceptibles a vibraciones excesivas o resonancias. El algoritmo propuesto para el entrenamiento de las redes neuronales se basa en la teoría del muestreo estadístico, posteriormente se normaliza el error entre las frecuencias reales y estimadas mediante el uso del Teorema Central del Límite para aproximar la distribución normal y estimar la probabilidad de error, finalmente, ajustarlos pesos sinápticos y los sesgos de la red mediante una función de mapeo. Los datos empleados están basados en ejemplos reales de manera analítica usando parámetros estructurales como la carga distribuida, la longitud, el momento de inercia y el módulo de Young. Finalmente, los resultados obtenidos demuestran que el algoritmo propuesto es capaz de clasificar los sistemas de piso con base en la susceptibilidad vibratoria, obteniendo una herramienta computacional eficiente, robusta y de bajo costo capaz de contribuir en el análisis, el diseño en el confort y la seguridad estructural de pisos.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Allen, D.E. (2012). Limit States Design for Canadian Structural Engineers, Baico Publishing, Inc., Ottawa, Ontario, Canada.

Allen, D.E., & Murray, T. M. (1993). Design Criterion for Vibrations Due to Walking, Engineering Journal, AISC, Vol. 30, No. 4, 4th Quarter, pp. 117–129.

Allen, D.E., Rainer, J.H., & Pernica, G. (1987). Building Vibration Due to Human Activities, Proceedings of the ASCE Structures Congress, ASCE, Reston, VA, pp. 438–447.

Amick, H., Gendreau, M., Busch, T., & Gordon, C. (2005). Evolving Criteria for Research Facilities: I-Vibration, Proceedings of SPIE Conference 5933, International Society for Optics and Photonics, Bellingham, WA.

American Institute of Steel Construction. (2016). Steel Design Guide 11: Vibrations of steel-framed structural systems due to human activity (2nd ed.). Chicago, IL: AISC.

Avcar, M., & Saplioglu, K. (2015). An artificial neural network application for estimation of natural frequencies of beams. International Journal of Advanced Computer Science and Applications, 6(6), 94–102.

Baruch, I. S., Quintana, V. A., & Reynaud, E. P. (2017). Complex-valued neural network topology and learning applied for identification and control of nonlinear systems. Neurocomputing, 233, 104–115. https://doi.org/10.1016/j.neucom.2016.09.109

Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.

Couto, C. (2022). Neural network models for the critical bending moment of uniform and tapered beams. Structures, 41, 1746–1762.

Cruz Olguín, J. M., López-Morales, V., Márquez-Grajales, A., Franco-Árcega, A., & Ojeda-Misses, M. A. (2025). Application of training algorithm based on statistical data-driven and probability distributions in neural networks. En Proceedings of the XXVII Robotics Mexican Congress (COMRob 2025) (pp. 8–14). IEEE. https://doi.org/10.1109/COMRob68109.2025.11264755

De Carvalho, A. S., Rossi, A., da Rocha Almeida, M. M., Özkılıç, Y. O., & Martins, C. H. (2024). Artificial neural network modeling of the stability behavior of stainless-steel I-beams with sinusoidal web openings. Engineering Structures, 304, 117579.

Du, K.-L., Leung, C.-S., Mow, W. H., & Swamy, M. N. S. (2022). Perceptron: Learning, generalization, model selection, fault tolerance, and role in the deep learning era. Mathematics, 10(24), Article 4730. https://doi.org/10.3390/math10244730

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

González Cuevas, O. M. (2014). Análisis estructural. Editorial Limusa S.A. de C.V., Grupo Noriega.

Ismail, M. A., & Zainuddin, R. (2023). The error correction learning with delta rule. Journal of Artificial Intelligence and Data Science, 3(1), 15–22.

Kaczmarek, M., & Szymańska, A. (2016). Application of artificial neural networks to predict the deflections of reinforced concrete beams. Studia Geotechnica et Mechanica, 38(2).

Luttrell, S. P. (2009). A learning rule for very simple universal approximators consisting of a single layer of perceptrons. Neural Networks, 22(3), 251–259. https://doi.org/10.1016/j.neunet.2008.11.004

Madan, D. (2023). Hybrid optimized back propagation learning algorithm for multi-layer perceptron. International Journal of Computer Science and Information Security, 21(1), 57–62. https://doi.org/10.5120/9749-3332

Mansour, M. Y., Dicleli, M. U. R. A. T., Lee, J. Y., & Zhang, J. J. E. S. (2004). Predicting the shear strength of reinforced concrete beams using artificial neural networks. Engineering Structures, 26(6), 781–799.

Malinowski, A., & Zurada, J. M. (2012). Backpropagation generalized delta rule for the selective attention sigma-if artificial neural network. International Journal of Applied Mathematics and Computer Science, 22(4), 975–987. https://doi.org/10.2478/v10006-012-0034-5

Murray, T. M., Allen, D.E., Ungar, E. E., & Brad Davis, D. (2009). Vibrations of Steel-Framed Structural Systems Due to Human Activity, Steel Design Guide, Second Edition, AISC.

Ojeda Misses, M. A., Baruch I. S., and Soria López, A. (2019). A real-time identification for hand-based movements using Recurrent Complex-Valued Neural Networks, IEEE 4th Colombian Conference on Automatic Control (CCAC), Medellin, Colombia, pp. 1–6. https://doi.org/10.1109/CCAC.2019.8920864

Ojeda-Misses, M., Martines-Arano, H., Sampedro-Mendoza, A., Franco-Árcega, A., & López-Morales, V. (2025). Diseño de un controlador mediante datos estadísticos en lazo cerrado para un servomecanismo mediante una técnica de autosintonización. RIIIT Revista Internacional de Investigación e Innovación Tecnológica, 12(72), 24–43. https://revistas.uadec.mx/index.php/RIIIT/article/view/104

Ojeda-Misses, M. A., Martines-Arano, H., López-Morales, V., Franco-Árcega, A., & Márquez-Grajales, A. (2024). Self-tuned closed-loop controller based on statistical data using a servomechanism. En Proceedings of the XXVI Robotics Mexican Congress (COMRob 2024) (pp. 27–32). IEEE. https://doi.org/10.1109/COMRob64055.2024.10777440

Sánchez Camperos, E. N., & Alanís García, A. Y. (2006). Redes neuronales: conceptos fundamentales y aplicaciones a control automático. Pearson Educación.

Schommartz, J. O., Klein, D. K., Cobo, J. C. A., & Weeger, O. (2025). Physics-augmented neural networks for constitutive modeling of hyperelastic geometrically exact beams. Computer Methods in Applied Mechanics and Engineering, 435, 117592.

Secretaría de Obras y Servicios de la Ciudad de México. (2023). Normas Técnicas Complementarias para Diseño y Construcción de Estructuras de Concreto. Gaceta Oficial de la Ciudad de México.

Singh, J., & Banerjee, R. (2019). A study on single and multi-layer perceptron neural network. En Proceedings of the Third International Conference on Computing Methodologies and Communication (ICCMC 2019) (pp. 35–40). IEEE.

Trinh, D. T., Luong, K. A., & Lee, J. (2024). An analysis of functionally graded thin-walled beams using physics-informed neural networks. Engineering Structures, 301, 117290.

Zhang, J., & Xue, X. (2024). Mechanical properties prediction and design of curved beams by neural network. Thin-Walled Structures, 195, 111434.