Identificación paramétrica de rigidez y amortiguamiento estructural mediante una Red Neuronal Evolutiva con optimización multiobjetivo
Cargando...
Fecha
Autores
Enlace al recurso
DOI
ORCID
Google Scholar
Cvlac
gruplac
Descripción Dominio:
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Documentos PDF
Descripción
Problema: la identificación de parámetros estructurales en sistemas de múltiples grados de libertad a partir únicamente de aceleraciones constituye un problema inverso acoplado, sensible al ruido y con limitada observabilidad del amortiguamiento, en este contexto, objetivo: esta investigación desarrolló un framework de identificación paramétrica para estimar la rigidez 𝑘𝑖 y el amortiguamiento 𝑐𝑖 de los cinco entrepisos de un edificio prototipo a escala reducida, empleando exclusivamente señales acelerométricas, para ello, método: se integró una Red Neuronal Evolutiva informada por física con un Algoritmo Genético Multiobjetivo NSGA-II de dos fases, formulando la identificación como la minimización simultánea de la fidelidad temporal, la consistencia modal y la regularización física; la red mapeó un vector de características de dimensión 𝐷 = 660 hacia parámetros estructurales admisibles mediante una decodificación acotada. Como resultados: con el registro del sismo de Ciudad de México de 1985 se evaluaron nueve configuraciones con 30 corridas independientes, y la mejor arquitectura (H1=32, H2=16, PS1=220) obtuvo un RMSE mediano de 0.1895 m/s², un 𝑅
2 mediano de 0.860 y coeficientes de variación inferiores a 0.15 para rigidez y amortiguamiento; además, la validación no paramétrica evidenció diferencias significativas frente a GA y PSO (p<0.001), y el frente de Pareto alcanzó 98 soluciones con HV=1.000±pm0.000; finalmente, discusión: los resultados indican que la propuesta reduce la identificación repetida a una tarea de aprendizaje único, con inferencia en milisegundos y potencial aplicación en monitoreo de salud estructural post-sísmico
Abstract
Problem: the identification of structural parameters in multiple-degree-of-freedom systems using only acceleration data constitutes a coupled inverse problem, sensitive to noise and characterized by limited damping observability, in this context, objective: this research developed a parametric identification framework to estimate the stiffness 𝑘𝑖 and damping 𝑐𝑖 of the five stories of a reducedscale prototype building, relying exclusively on accelerometric signals, to this end, method: a physics-informed Evolutionary Artificial Neural Network was integrated with a two-phase NSGAII Multiobjective Genetic Algorithm, formulating the identification task as the simultaneous minimization of temporal fidelity, modal consistency, and physical regularization; the network mapped a feature vector of dimension D=660 to admissible structural parameters through bounded decoding. As results: using the 1985 Mexico City earthquake record, nine configurations were evaluated with 30 independent runs, and the best architecture (H1=32, H2=16, PS1=220) achieved a median RMSE of 0.1895 m/s², a median 𝑅 2 of 0.860, and coefficients of variation below 0.15 for both stiffness and damping; additionally, nonparametric validation showed significant differences compared with GA and PSO (p<0.001), and the Pareto front reached 98 solutions with HV=1.000±pm0.000; finally, discussion: the results indicate that the proposed framework reduces
repeated identification to a single learning task, with millisecond-level inference and potential application in post-earthquake structural health monitoring.
Idioma
spa
Palabras clave
Citación
Niño Sandoval, K. J. (2026). Identificación paramétrica de rigidez y amortiguamiento estructural mediante una Red Neuronal Evolutiva con optimización multiobjetivo [Tesis de posgrado]. Universidad Santo Tomás, Bucaramanga, Colombia