Mostrar el registro sencillo del ítem

dc.contributor.advisorVelasco Toledo, Nelson Fernando
dc.contributor.authorVasquez Naranjo, David Santiago
dc.date.accessioned2021-06-03T20:13:32Z
dc.date.available2021-06-03T20:13:32Z
dc.date.issued2021-02-15
dc.identifier.urihttp://hdl.handle.net/10654/38313
dc.description.abstractEl diseño mecánico hoy día se ve optimizado gracias al uso de tecnologías y programas especializados que ayudan en el proceso, estos con el fin de llegar a resultados exitosos en la implementación final. Una herramienta clave dentro de estas tecnologías es el análisis por método de los elementos finitos FEM que permite evaluar un elemento de estudio, bajo diferentes configuraciones de operación, sin embargo, llevar a cabo estos análisis, en ciertos casos, puede llegar a tomar horas o hasta días en solucionarse, lo que hace ineficiente el proceso de diseño y análisis mecánico de la actualidad. En el presente trabajo de grado se presentará la implementación de diferentes modelos de inteligencia artificial IA aplicados al análisis FEM, con el fin no solo de mejorar el tiempo requerido por prueba, sino generar un asistente capaz de ayudar y retroalimentar al usuario. A lo largo del trabajo se mostrarán herramientas clave para el correcto funcionamiento de las herramientas IA que llevarán a operaciones de reducción de dimensionalidad y tratamiento estadístico de los datos. Finalmente, el resultado logrará observarse en tres diferentes elementos mecánicos donde se evaluarán y comparan respecto a técnicas de análisis FEM convencionales para demostrar su correcto funcionamiento.spa
dc.description.tableofcontents1 Introducción 2 1.1 Antecedentes 2 1.2 Descripción del problema 5 1.3 Justificación 6 1.4 Objetivos 7 1.4.1 Objetivo general 7 1.4.2. Objetivos específicos 7 2 Conceptos fundamentales 8 2.1. El diseño mecánico y el análisis FEM. 8 2.2. Fujo de datos en el análisis FEM convencional. 2.2.1 Preprocesamiento. 9 2.2.2. Procesamiento 11 2.2.3. Post-procesamiento 13 2.3 Concepto reducción de dimensionalidad y manipulación de propiedades estadísticas 15 2.3.1 El Autoencoder 15 2.3.1.1. Proceso de diseño Autoencoder basado en PCA 17 2.3.2. Transformación cuantílica 18 2.4 Inteligencia artificial aplicada al proceso de análisis FEM. 19 2.5 Proceso de entrenamiento de modelos IA 21 2.5.1 Implementación de reducción de dimensionalidad 22 2.5.2. Implementación de manipulación estadística de los datos. 25 3 IA implementada al preprocesamiento 27 3.1. Red neuronal para construcción de enmallado 28 3.2. Ajuste fino de enmallado 30 3.3. Visualización del enmallado 31 4. IA implementada al procesamiento 32 4.1. Red neuronal para predicción de valores de estrés y desplazamientos máximos 33 4.2. Red neuronal para predicción de desplazamientos 34 4.3. Ajuste fino de desplazamientos 35 4.4. Visualización de desplazamientos 35 5. IA implementada al post-procesamiento 36 5.1. Definición tipos de retroalimentación 37 5.1.1. ¿Cuántos, cuáles y que tipo de retroalimetnaciones existen? 38 5.1.2. ¿Qué variables son necesarias analizar para entregar retroalimentaciones? 39 5.2. Árbol de decisión como asistente de retroalimentación 40 5.3. Red neuronal como asistente de retroalimentación 42 5.4. Interfaz grafica 436. Experimentos 45 6.1. Plataformas y recursos de trabajo 6.2. Definición y especificaciones 46 6.2.1. Biela 2D 46 6.2.2. Riel ferroviario 2D 48 6.2.3. Riel ferroviario 3D 51 6.3. Generación de grupos de datos en simulación FEM por métodos convencionales 51 6.3.1. Dataset biela 2D 52 6.3.2. Dataset riel ferroviario 2D 54 6.3.3. Dataset riel ferroviario 3D 55 6.4. Reducción de dimensión y tratamiento estadístico de los datos 57 6.4.1. Implementación Autoencoder 57 6.4.2. Implementación transformación cuantílica 60 6.5. Implementación, resultados y pruebas de IA en etapa de preprocesamiento. 61 6.5.1. Implementación red neuronal ara construcción de enmallado 61 6.5.2. Resultados red neuronal para creación de enmallado 64 6.5.3. Prueba y corroboración de resultados 69 6.6. Implementación, resultados y pruebas de IA en etapa de preprocesamiento. 72 6.6.1. Implementación Redes neuronales para predicción de valores de estrés y desplazamientos máximos y desplazamientos de todos los nodos. 73 6.6.2. Resultados redes neuronales para predicción de valores de estrés y desplazamientos máximos y desplazamientos de todos los nodos 76 6.6.3. Prueba y corroboración de resultados 82 6.7. Implementación, resultados y pruebas de IA en etapa de post-procesamiento. 89 6.7.1.Implementación árbol de decisión y red neuronal como asistente de retroalimentación 92 6.7.2. Prueba y corroboración de resultados 92spa
dc.format.mimetypeapplicaction/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.titleExploración de técnicas de inteligencia artificial para la predicción de resultados de la etapa de análisis por elementos finitos en el proceso de diseño mecánicospa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.subject.lembINTELIGENCIA ARTIFICIALspa
dc.subject.lembTECNOLOGIA DE LA INFORMACIONspa
dc.type.localTesis/Trabajo de grado - Monografía - Pregradospa
dc.description.abstractenglishNowadays the Mechanical design is optimized thanks to the use of specialized technologies and programs that help in the process, these in order to reach successful results in the final implementation. A key tool within these technologies is the analysis by the finite element method FEM that allows evaluating a study element, under different operating configurations, however, carrying out these analyzes, in certain cases, can take hours or up to days to fix, rendering today's mechanical analysis and design process inefficient. In this degree work, the implementation of different AI artificial intelligence models applied to FEM analysis will be presented, in order not only to improve the time required per test, but also to generate an assistant capable of helping and providing feedback to the user. Throughout the work, key tools will be shown for the correct operation of AI tools that will lead to dimensionality reduction operations and statistical treatment of data. Finally, the result will be observed in three different mechanical elements where they will be evaluated and compared with respect to conventional FEM analysis techniques to demonstrate their correct operation.spa
dc.title.translatedExploration of artificial intelligence techniques for results predictions in the analysis stage by finite elements in the mechanical design processspa
dc.subject.keywordsmachine learningspa
dc.subject.keywordsartificial intelligencespa
dc.subject.keywordsmechanical designspa
dc.subject.keywordsfinite element method analysisspa
dc.subject.keywordsFEMspa
dc.subject.keywordsautoencoderspa
dc.publisher.programIngeniería en Mecatrónicaspa
dc.creator.degreenameIngeniero en Mecatrónicaspa
dc.description.degreelevelPregradospa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.rights.creativecommonsAttribution-NonCommercial-NoDerivatives 4.0 Internationalspa
dc.relation.referencesAlcañiz, M. d. (2013). modelado y analsisi por elementos finitos de un eje ferroviario hueco usando pro engineer. Leganesspa
dc.relation.referencesAmariles, M. E. (2006). Determinacion de las fuerzas dinamicas verticales entre la rueda y el riel del sistema metro de Medellin. Medellin, Colombiaspa
dc.relation.referencesArgentino, N. c. (2014). Manual integral de vias. buenos airesspa
dc.relation.referencesBenlloch Menchero, J. (2015). diseño de motor v6 de combustión interna. generación de su prototipo virtual y simulación dinámica. Valencia España: Universidad Politecnica de valencia.spa
dc.relation.referencesCarman, G. (2015). diseño mecanico e industrial: historia y evolucion. Almeriaspa
dc.relation.referencesCastillo, F. G. (2007). Metodo de los elementos finitos, el enmallado. Madridspa
dc.relation.referencesCJ Atman, . C. (2005). Comparing freshman and senior engineering design processes: an in-depth follow-up study. Science direct.spa
dc.relation.referencesCrespo, E. (2016, noviembre 15). Medium.com. Retrieved from https://seraph13.medium.com/visualización-de-árbol-de-decisión-a497e257096cspa
dc.relation.referencesDiederik P. Kingma, J. B. (2017). ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION. San diego: Cornell universityspa
dc.relation.referencesEnsyme. (2020). Ensyme advising group. Retrieved from https://blog.enzymeadvisinggroup.com/redes-neuronales-pythonspa
dc.relation.referencesespañola, n. (2006). perfil de carriles vignole . españaspa
dc.relation.referencesG_COLAB. (2020). ¿Que es colaboratory? Googlespa
dc.relation.referencesGiovanny Tarazona, J. C. (2014). modelacion de sistemas de recomendacion aplicando redes neuronales artificiales. Bogota, Colombiaspa
dc.relation.referencesGuillermo Gorky, A. V. (2017). analisis mecanico del brazo de biela mediante norma ASTM 48. QUITO, ECUADO: universidad internacional del Ecuadorspa
dc.relation.referencesKeras. (2020). Neural networks arquitechture. (KEras) Retrieved from https://keras.io/api/layers/activations/spa
dc.relation.referenceslearn, S. (2019). Decision Trees. (python) Retrieved from https://scikitlearn.org/stable/modules/tree.html#multi-output-problemsspa
dc.relation.referenceslearn, S. (2020). Quantile Transform. Retrieved from https://scikitlearn.org/stable/auto_examples/preprocessing/plot_all_scaling.html#sphx-glr-autoexamples-preprocessing-plot-all-scaling-pyspa
dc.relation.referencesLiang Liang, M. L. (2017). A deep learning approach to estimate stress distribution: fast and accurate surrogate of finite-element analysis. The Royal Society.spa
dc.relation.referencesM., E. S. (2017). Principios y características de las redes neuronales artificiales. In Desarrollo de innovacion en ingenieria (p. 174). Medellinspa
dc.relation.referencesMaganña, J. A. (2015). Conceptos basicos del metodo por elemento finito. Madrid.spa
dc.relation.referencesMario Gerla, E.-K. L. (2017). Internet of Vehicles: From intelligent grid to autonomous cars and vehicular fog. Sage Journals.spa
dc.relation.referencesMatson Hernández, C. E. (2017). Redes neuronales para clasificación : una aplicación al caso de riesgos laborales en Colombia. Bogota : Pontificia universidad Javerianaspa
dc.relation.referencesMercedes Eugenia Paoletti, J. M. (2019). Estudio Comparativo de Técnicas de Clasificación de Imágenes Hiperespectrales. Valencia.spa
dc.relation.referencesMexico, U. A. (2016). Estadistica Descriptiva multivariante . Ciudad De Mexico.spa
dc.relation.referencesMin Chen, S. M. (2018). Deep Feature Learning for Medical Image Analysis with Convolutional Autoencoder Neural Network. Shangaispa
dc.relation.referencesmoreno, j. j. (2005). redes neuronales artificiales aplicadas al analisis de datos. MAllorca.spa
dc.relation.referencesMuller, F. (2001). diccionario tecnico de mecanica de automoviles.spa
dc.relation.referencesNagpal, A. (2017). Principal Component Analysis- Intro. Towards Data Science.spa
dc.relation.referencesNigel, G. J. (2020). Machine learning for infinite element analysis of fillet radius under tensile load. Singapurspa
dc.relation.referencesNisbett, R. G. (2012). Diseño en ingenenieria mecanica de Shigley. Mac Graw-Hill Editores S.Aspa
dc.relation.referencesNorving, S. R. (2015). Inteligencia artificial, un enfoque moderno. Pearson Educacion S.A.spa
dc.relation.referencesO.C. Zienkiewicz, R. L. (2004). El metodo de los elementos finitos. CIMNE.spa
dc.relation.referencesOscar J. Pellicer-Valero, M. J. (2019). Real time Biomechanical modeling of the liver using machine learning models trained on finite element method simulations. Mexico.spa
dc.relation.referencesP. V. Straznicky, R. G. (2013). finite element analysis on Design Projects.spa
dc.relation.referencesPalacios, F. S. (2014). Analisis de tensiones y deformaciones dinamicas en un bogie ferroviario mediante el metodo de elementos finitos. Madrid, España: Universidad Carlos III de Madrid.spa
dc.relation.referencesRamirez, F. (2020). las matematicas detras del machine learning.spa
dc.relation.referencesRicardo, B. T. (2005). Aportaciones al estudio de las máquinas eléctricas de flujo axial mediante la aplicación del método de los elementos finitos. Catalunya: UPCspa
dc.relation.referencesRodrigo, J. A. (2017). Análisis de Componentes Principales (Principal Component Analysis, PCA) y tSNE. Madridspa
dc.relation.referencesS.Y., W. (2005). A finite element model for the static and dynamic analysis of a piezoelectric bimorph. Nanyang: Nanyang Technological Universityspa
dc.relation.referencesSánchez, D. O. (2016). Análisis resistente mediante Elementos Finitos del. Zaragoza: Universidad de Zaragozaspa
dc.relation.referencesSimulation, S. (2018). conceptos basicos del analisis FEM.spa
dc.relation.referencesSolidWorks. (2017). Manual de instrucciones de software. Retrieved from www.Solidworks.esspa
dc.relation.referencesTon J. Cleophas, A. H. (2019). MAchine learning in medicine. Springerspa
dc.relation.referencesUniversity, C. M. (2016). Basis of singular value descomposition. Michiganspa
dc.relation.referencesVelasco, N. M. (2017). Simulacion numerica de la aerodinamica del ala de un avion tipo LSA. CIDESI gobierno de Mexico.spa
dc.relation.referencesWillina Velez, D. G. (2012). ajuste de modelos de elementos finitos. Cali, Colombiaspa
dc.relation.referencesYunus A, C. (2012). Termodinamica. North Carolina: Nnorth Carolina State Universityspa
dc.subject.proposalmachine learningspa
dc.subject.proposalinteligencia artificialspa
dc.subject.proposaldiseño mecanicospa
dc.subject.proposalanalisis por el metodo de los elementos finitosspa
dc.subject.proposalFEMspa
dc.subject.proposalautoencoderspa
dc.subject.proposalretroalimentacionspa
dc.publisher.grantorUniversidad Militar Nueva Granadaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f*
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersionspa
dc.identifier.instnameinstname:Universidad Militar Nueva Granadaspa
dc.identifier.reponamereponame:Repositorio Institucional Universidad Militar Nueva Granadaspa
dc.identifier.repourlrepourl:https://repository.unimilitar.edu.cospa
dc.rights.localAcceso abiertospa
dc.coverage.sedeCalle 100spa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2


Archivos en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

http://creativecommons.org/licenses/by-nc-nd/4.0/
Excepto si se señala otra cosa, la licencia del ítem se describe como http://creativecommons.org/licenses/by-nc-nd/4.0/