Redes Neuronales Profundas para la Estimación de Fallos en Estructuras de Masonería bajo Caídas de Rocas
Autores: Mavrouli, Olga; Skentou, Athanasia D.; Carbonell, Josep Maria; Tsoukalas, Markos Z.; Núñez-Andrés, M. Amparo; Asteris, Panagiotis G.
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Redes Neuronales Profundas para la Estimación de Fallos en Estructuras de Masonería bajo Caídas de Rocas
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Ciencias de la Tierra y Geología
Palabras clave
Gestión de desprendimientos de rocas
Riesgo residual
Protección estructural
Métodos numéricos
Inteligencia artificial
Muros de mampostería
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
Aunque el objetivo principal de la gestión de desprendimientos de rocas es prevenir que los bloques de roca lleguen a los edificios en lugar de que los edificios resistan los impactos de los bloques, generalmente existe un riesgo residual que debe ser evaluado, incluso cuando se toman medidas de protección estructural. La evaluación del daño esperado en los edificios debido a desprendimientos de rocas utilizando datos empíricos de eventos pasados no siempre es posible, ya que transferir y aplicar observaciones de daño de una área a otra puede ser poco realista. Para simular escenarios potenciales de desprendimientos de rocas y su daño en los edificios, los métodos numéricos pueden ser una alternativa. Sin embargo, debido a sus mayores requisitos en experiencia y costos computacionales, su integración en el análisis de riesgo es limitada, y se necesitan herramientas más simples para evaluar la vulnerabilidad de los edificios a los desprendimientos de rocas. Este artículo se centra en la aplicación de métodos de inteligencia artificial (IA) para proporcionar el daño esperado de muros de mampostería que están sujetos a impactos de desprendimientos de rocas. Primero, se creó una base de datos de daños con 672 conjuntos de datos de manera numérica utilizando el método de elementos finitos por partículas y el método de elementos finitos. Las variables de entrada son el volumen de roca (VR), la velocidad de roca (RV), el muro de mampostería (t) y la resistencia a la tracción de la mampostería. La variable de salida es un índice de daño (DI) igual al porcentaje del área del muro dañado. Se investigaron diferentes algoritmos de IA y se seleccionó el modelo ANN LM 4-21-1 para evaluar óptimamente el daño esperado en el muro. El modelo óptimo se presenta aquí (a) como una ecuación analítica y (b) en forma de gráficos de contorno, mapeando el valor de DI. Conocidos el VR y el RV, el DI se puede utilizar directamente como entrada para la vulnerabilidad de los muros de mampostería en la ecuación de evaluación cuantitativa del riesgo de desprendimientos de rocas.
Descripción
Aunque el objetivo principal de la gestión de desprendimientos de rocas es prevenir que los bloques de roca lleguen a los edificios en lugar de que los edificios resistan los impactos de los bloques, generalmente existe un riesgo residual que debe ser evaluado, incluso cuando se toman medidas de protección estructural. La evaluación del daño esperado en los edificios debido a desprendimientos de rocas utilizando datos empíricos de eventos pasados no siempre es posible, ya que transferir y aplicar observaciones de daño de una área a otra puede ser poco realista. Para simular escenarios potenciales de desprendimientos de rocas y su daño en los edificios, los métodos numéricos pueden ser una alternativa. Sin embargo, debido a sus mayores requisitos en experiencia y costos computacionales, su integración en el análisis de riesgo es limitada, y se necesitan herramientas más simples para evaluar la vulnerabilidad de los edificios a los desprendimientos de rocas. Este artículo se centra en la aplicación de métodos de inteligencia artificial (IA) para proporcionar el daño esperado de muros de mampostería que están sujetos a impactos de desprendimientos de rocas. Primero, se creó una base de datos de daños con 672 conjuntos de datos de manera numérica utilizando el método de elementos finitos por partículas y el método de elementos finitos. Las variables de entrada son el volumen de roca (VR), la velocidad de roca (RV), el muro de mampostería (t) y la resistencia a la tracción de la mampostería. La variable de salida es un índice de daño (DI) igual al porcentaje del área del muro dañado. Se investigaron diferentes algoritmos de IA y se seleccionó el modelo ANN LM 4-21-1 para evaluar óptimamente el daño esperado en el muro. El modelo óptimo se presenta aquí (a) como una ecuación analítica y (b) en forma de gráficos de contorno, mapeando el valor de DI. Conocidos el VR y el RV, el DI se puede utilizar directamente como entrada para la vulnerabilidad de los muros de mampostería en la ecuación de evaluación cuantitativa del riesgo de desprendimientos de rocas.