Velasco Toledo, Nelson FernandoVasquez Naranjo, David Santiago2021-06-032021-06-032021-02-15http://hdl.handle.net/10654/38313El 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.1 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 92applicaction/pdfspainfo:eu-repo/semantics/openAccessINTELIGENCIA ARTIFICIALTECNOLOGIA DE LA INFORMACIONTesis/Trabajo de grado - Monografía - Pregradomachine learningartificial intelligencemechanical designfinite element method analysisFEMautoencoderAttribution-NonCommercial-NoDerivatives 4.0 Internationalmachine learninginteligencia artificialdiseño mecanicoanalisis por el metodo de los elementos finitosFEMautoencoderretroalimentacioninstname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.unimilitar.edu.coAcceso abiertohttp://purl.org/coar/access_right/c_abf2