Resumen. En el mundo existen diferentes aplicaciones de redes neuronales artificiales, efectivamente en el campo de control de calidad de productos intermedios, insumos, materias primas y productos finales destinados para su uso inmediato no solo en esto sino también, en la elaboración o fabricación de productos ya que constituyen un método muy sofisticado que se basa en modelamientos en los últimos tiempos con la revolución tecnológica. Las redes neuronales artificiales son unas estructuras matemáticas con una gran capacidad de modelización numérica, especialmente cuando las relaciones entre las variables implicadas en el proceso son complejas o no obedecen a ecuaciones matemáticas sencillas. Se pueden considerar como conjunto complejo de funciones no lineales interconectadas entre sí, capaces de autoajustarse a partir de unas variables de entrada y salida conocidas.

Palabras clave. Red neuronal artificiales, concreto de altas prestaciones, resistencia a la compresión, perceptron.

1. INTRODUCCIÓN.

El Instituto Americano del Concreto (ACI) declara al concreto de alta resistencia cómo aquel cuya resistencia a compresión es superior a 420 kg/cm2 Su uso es relativamente reciente, ya que no fue hasta 1968 cuando fue utilizado por primera vez en la construcción de las columnas inferiores del edificio Lake Point Tower en Chicago, arrojando una resistencia a compresión de 520kg/cm2. Las principales mejoras respecto al concreto estándar radican en un aumento de resistencia, tanto a compresión, a tracción, a flexión, o de comportamiento frente al impacto y perforación. Una de sus principales ventajas relacionadas con su aumento de la resistencia es la reducción de los tamaños de las muestras de los elementos de la muestra de los elementos estructurales y, por consiguiente, el peso de la estructura y el precio de la misma. así mismo, también consecuencia de su mayor fluidez, es posible bombearlo a mayores alturas o colocarlo en zonas con alta densidad de acero.

REDES NEURONALES APLICADOS A CONTROL DE CALIDAD.

REDES NEORONALES ARTIFICIALES (RNA) Las redes neuronales artificiales (RNA) son redes computacionales que buscan simular las redes de células nerviosas (neuronas) del sistema nervioso central biológico (humano o animal). Las RNA permiten usar operaciones computacionales simples (sumar, restas, multiplicaciones o elementos de lógica) para resolver problemas complejos, no lineales o estocásticos. Se inspiran en las redes neuronales biológicas, son capaces de aprender a partir de un aserie de ejemplos sin necesidad de conocer a priori las relaciones que pudieran existir entre las variables implicadas en el proceso, ajustando los pesos de las relaciones entre ellas para posteriormente predecir un resultado coherente cuando se introducen nuevos desconocidos en la red.

En su sentido más general

Una neurona dentro del concepto de (RNA) consiste en:

Conjunto de entradas. Pesos sinápticos. Una regla de propagación que está definida a partir del conjunto de entradas y pesos

sinápticos de la neurona. Y una función de activación.

En su arquitectura la red neuronal artificial está compuesta por.

Una capa de entrada o capa sensorial. Capa (s) oculta (s). Y una capa de salida.

VENTAJAS DE LAS REDES NEURONALES ARTIFICIALES.

Aprendizaje: tienen la habilidad de aprender mediante una etapa de aprendizaje consistente en proporcionar a la RNA datos como entrada a su vez que se le indica cuál es la salida (respuesta) esperada.

Auto organización: crea su propia representación de la información en su interior. Sin necesidad de una “programación explicita”.

Tolerancia a fallos. Almacena la información de forma redundante, ésta puede seguir respondiendo aceptablemente aún si se daña parcialmente.

Flexibilidad: puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada

Por ejemplo. Si la información de entrada es la imagen de un objeto, la respuesta correspondiente es acertada incluso si la imagen tiene parámetros de luz ligeramente distintos o el objeto cambia ligeramente de posición

Tiempo real: es paralela, si se implementa con computadoras o en dispositivos electrónicos que utilicen dicha paralización se pueden obtener respuestas en tiempo real, de la misma manera que el cerebro es capaz de procesar cantidades ingentes de información en paralelo sin un esfuerzo aparente.

Comprensión de imágenes Comprensión de sonidos Comprensión de parámetros táctiles, de calor y movimiento

MODELO DE RNA.

La forma que dos neuronas interactúan no es totalmente conocida, En general, una neurona envía su salida a otras por su axón.

Este proceso es a menudo modelado como la función de red. La neurona recoge las señales por su sinapsis sumando todas las influencias excitadoras e inhibidoras.

Si las influencias excitadoras positivas dominan, entonces la neurona da una señal positiva y manda este mensaje a otras neuronas por sus sinapsis de salida.

PERCEPTRON.

Los perceptrones se diseñaron para emular las características principales de las neuronas biológicas.

Su funcionamiento es el siguiente. Una serie de entradas se aplican al perceptron, luego esas entradas son multiplicadas por un peso (también llamado factor), que representa la "fuerza" de la conexión sináptica y todas las entradas multiplicadas por su peso se suman para determinar el nivel de activación del perceptron.

De aquí en adelante nos referiremos a este sumatorio con el término NET.

PERCEPTRON MULTICAPA.

El perceptron multicapa es una (RNA) formada por múltiples capas, esto le permite resolver problemas que no son linealmente separables, lo cual es la principal limitación del perceptron simple. Lo podríamos definir como un sistema computacional que imita las capacidades computacionales de los sistemas biológicos utilizando un gran número de elementos interconectados.

Las capas pueden clasificarse en tres tipos:

Capa de entrada: Constituida por aquellas neuronas que introducen los patrones de entrada en la red es la que recibe las señales de las variables de entrada y las distribuye a la siguiente capa, la capa oculta.

Capas ocultas: Formada por aquellas neuronas cuyas entradas provienen de capas anteriores y las salidas pasan a neuronas de capas posteriores. Es la encargada de realizar las operaciones matemáticas destinadas a obtener una salida.

Capa de salida: Neuronas cuyos valores de salida se corresponden con las salidas de toda la red. encargada de mostrar el resultado de las operaciones realizadas en la capa oculta.

Esquema de un perceptron multicapa

EL USO DE LAS REDES NEURONALES ARTIFICIALES EN CONTROL DE CALIDAD DE LA EVOLUCION TEMPORAL DE LA RESISTENCIA DEL CONCRETO DE ALTAS PRESTACIONES.

El concreto de altas prestaciones es un material relativamente reciente su empleo data de los finales de la década del 60. Sus innumerables ventajas hacen que cada vez sea utilizado más en la construcción. Su fabricación parte del concreto estándar al que se le añaden una serie de aditivos como micro sílice o cementantes, que le confieren un aumento de resistencia cercano al 100%. En la actualidad no hay muchos estudios acerca de la influencia de los aditivos en la resistencia, pero si se tiene bastante en cuenta la propiedad mecánica del concreto, resistencia a compresión a los 28 días que es la más utilizada para su control de calidad. En el estudio que se han hecho en LEM de la FIC se va analizar la evolución de dicha propiedad en función del tiempo y de la cantidad de cemento por metro cubico mediante el uso de una red neuronal artificial. El concreto de altas prestaciones es ideal para proyectos que soporten altas demandas de carga como por ejemplo, muros de rigidez, vigas de edificios de gran altura.

Sin embargo no todo son ventajas, ya que exige de un control de calidad de las materias primas muy riguroso y de un curado muy vigilado. En este aspecto el estudio que se está haciendo es una primera aproximación de la evolución de la resistencia a compresión del concreto mediante el uso de redes neuronales artificiales a partir de la cantidad de cemento utilizado y del tiempo de curado. Es así que las redes neuronales han demostrado su alta capacidad de modelización, en los últimos años han tenido un gran desarrollo en el control de procesos industriales debido principalmente a su capacidad de modelar relaciones complejas que los sistemas tradicionales no han sido capaces de hacer y predecir satisfactoriamente si las características de un producto se adecuan o no a las especificaciones correspondientes.

MATERIALES Y MÉTODOS.

Para la realización de este estudio se han fabricado de acuerdo a la norma ASTM C 192, 296 probetas de concreto fabricados con distintos tipos y cantidades de cemento, arena, cementante y microsílice. Los ensayos de compresión se han realizado en el Laboratorio de Ensayo de Materiales de la Universidad Nacional de Ingeniería, según la norma ASTM C39 tras diferentes periodos de curado. Los ensayos de compresión se realizaron en una maquina TONI-THECNIC de 3000T y TINIUS-OLSEN de 1500T. De todas las probetas se tomaron datos que actuaron como variables de entrada, de cantidad de cemento, cantidad de arena, cantidad de cementante, cantidad de microsílice, así como periodo de curado. Como variable de salida se tomó la resistencia a la compresión. La cantidad de agua, cantidad de piedra, los módulos de finura de arena y piedra, el tamaño nominal máximo de la piedra y los pesos específicos de la piedra y arena se mantuvieron constantes, los datos se muestran en la siguiente tabla.

Cemento de altas prestaciones De acuerdo a la guía ACI 211Agua Se utilizó agua potableMódulo de finura de la arena 2.87Módulo de finura de la piedra 6.5TNM de la piedra El TNM de la piedra es 1´´ Peso específico de la arena 2.7 Ton/m3 Peso específico de la piedra 2.7 Ton/m3 Peso específico de los agregados < 2.500-2.800> kg/m3 Cementante <1.6-2.5> %Microsílice <5-10> %Edad de ensayo <7-56> días

Previo al desarrollo de la red neuronal se procedió a un análisis de componentes principales.

El diseño de perceptron multicapa es un proceso lento y complejo. El número de neuronas de la capa de entrada está delimitado por la dimensión de los vectores de entrada. De la misma forma, el número de neuronas de la capa de salida está determinado por la dimensión del vector salida. Sin embargo, no hay una regla definida para determinar si la capa oculta debe tener una o varias subcapas, ni cuántas neuronas deben tener cada una. Por lo que el único método para configurar la capa oculta es mediante prueba y error. Por otra parte también hay que tener en cuenta que un número muy pequeño de neuronas en las capas ocultas impide una buena generalización por parte de la red y que excesivo número de neuronas en las capas internas puede dificultar enormemente el proceso de aprendizaje sin mejorar sustancialmente los resultados finales.