DSpace logo
Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.ucsg.edu.ec/handle/3317/17431
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorBarros Cabezas, José Andrés-
dc.contributor.authorCoello Chóez, Bryan Xavier-
dc.date.accessioned2021-10-22T16:37:10Z-
dc.date.available2021-10-22T16:37:10Z-
dc.date.issued2021-09-14-
dc.identifier.urihttp://repositorio.ucsg.edu.ec/handle/3317/17431-
dc.descriptionEl análisis no lineal de estructuras es una herramienta de la ingeniería basada en el desempeño que sirve para la validación de estructuras, ya sea para nuevas estructuras o para evaluar estructuras existentes. La aplicación de este análisis para sistemas estructurales compuestos por una gran cantidad de grados de libertad, como lo son edificios de gran altura, puentes e incluso presas, requieren de mucho tiempo computacional. Los tiempos de cálculo pueden resultar inadmisibles en estudios paramétricos. Para la reducción de este tiempo, se plantea en este trabajo una metodología práctica que consiste en la aplicación de redes neuronales y se da un primer paso en el uso de las redes neuronales recurrentes. Dentro del grupo de las redes neuronales recurrentes se aplica la memoria de largo y corto plazo (LSTM) para acelerar el análisis no lineal de estructuras. Con la creación de una base de datos para el entrenamiento y prueba de la red neuronal, que se utiliza no solo para aprender el comportamiento del análisis, sino también para hacer predicciones confiables en adición al objetivo principal que es la aceleración del análisis en sí. Por demás, la recomendación a las aplicaciones e investigaciones de los diferentes tipos de redes neuronales para la solución de problemas de ingeniería.en_US
dc.description.abstractNonlinear structural analysis is a performance-based engineering tool for the validation of proposed designs either for new structures or to evaluate existing structures. The application of this analysis for structural systemscomposed of a large number of degrees of freedom, such as high-rise buildings, bridges and even dams, the computational analysis can be time - consuming. Computational burden may result cumbersome for parametric studies. In order to reduce this computational cost, a practical methodology consisting in the application of neural networks and recurrent neural networks (RNN) is proposed in this work. Within the group of recurrent neural networks, long short-term memory (LSTM) is applied to accelerate the nonlinear analysis of structures. By creating a database for training and testing the neural network, it will be used not only to learn the behavior of the analysis, but also to make reliable predictions in addition to the main goal of reducing the computational burden. Furthermore, the recommendation to the applications and research of different types of neural networks for the solution of engineering problems.en_US
dc.formatapplication/pdfen_US
dc.language.isospaen_US
dc.publisherUniversidad Católica de Santiago de Guayaquilen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/en_US
dc.subjectANÁLISIS NO LINEALen_US
dc.subjectMODELADO NO LINEALen_US
dc.subjectACELERACIÓN DE ANÁLISISen_US
dc.subjectREDES RECURRENTESen_US
dc.subjectCOMPILACIÓN DE MODELOen_US
dc.titleAplicación de redes neuronales recurrentes para acelerar el análisis no lineal de estructuras.en_US
dc.typeinfo:eu-repo/semantics/bachelorThesisen_US
Aparece en las colecciones: Trabajos de Titulación - Carrera de Ingeniería Civil

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
T-UCSG-PRE-ING-IC-404.pdf1,55 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons