ANLISIS DE CUALQUIER TIPO CONVENCIONAL DE

ESTRUCTURAS PARA EDIFICIOS CON NODOS

INDESPLAZABLES UTILIZANDO UN MODELO DE RED
NEURONAL ARTIFICIAL
Pinto Mindiola, Lcides

Garca Cerezo, Alfonso

Resumen: Un modelo de red neuronal artificial es utilizado para calcular los momentos rotacionales extremos
y definitivos en una estructura para edificios de varios pisos con nodos indesplazables. Esto se logra con el
entrenamiento no- supervisado de la red. La estructura se formar, de manera que, todos los nodos rotarn
un ngulo y asumiendo que el efecto de las fuerzas axiales sobre las barras de la estructura es nulo. Los
momentos extremos finales Mik y Mki se determinan calculando las diferentes componentes Mik y Mki
separadamente, esto se logra utilizando un algoritmo auto supervisado. Se elige un modelo de red neuronal
apropiado para la estructura proporcionando a la red los parmetros fsicos- estructurales, para su
entrenamiento, a travs de un algoritmo no- supervisado. El modelo es evaluado con el uso del mtodo de
las aproximaciones sucesivas para el anlisis estructural desarrollado por el Dr. Ing. G. Kani. En general, el
nuevo enfoque da mejores resultados comparado con los mtodos tradicionalmente utilizados para el anlisis
estructural. La comparacin con el metodo de Kani muestra que el modelo ANN ejecuta mejor los resultados.
Palabras clave: Red Neuronal Artificial/ Modelo/Anlisis Estructural/Algoritmo.

STRUCTURAL ANALYSIS OF ANY TYPE OF

CONVENTIONAL BUILDING FRAME WITH FIXED
JOINTS USING ARTIFICIAL NEURAL NETWORK MODEL
Abstract: An artificial neural network model is used to calculate the rotational end moment and fixed end
moment induced at the ends an artificial neural network model is used for the analysis of any type
conventional building frame of several level with fixed joints under the action of the given loading in terms
of the end moments for any member, the frame will deform so that any node i rotates through an angle I. At
the same time, no lateral sway will be produced. The final end moments Mik and Mki are determined by
finding out the different components M`ik and M`ki separately it is achieved using a self-supervised
algorithm. Assuming the effect of axial lengths of the bars of the structure is not altered. Choosing an
appropriate neural network model and providing frame parameters to that network for training purpose are
addressed by using unsupervised algorithm. The model is evaluated by using the Kani`s method. In general,
the new approach gives better results compared to several commonly used methods of structural analysis. The
comparison with the Kanismethod shows that the ANN model performs best the results.
Keywords: Artificial Neural Network/Model/Structural Analysis/Algorithm.

I. INTRODUCCIN
En las pasadas dcadas de los aos treinta y cincuenta, se
logr un gran avance en el entendimiento del anlisis
estructural de prticos para edificios de varios pisos. En
la evolucin de la ciencia de las estructuras, el mayor
trabajo realizado se ha dado en el anlisis de las diferentes
clases de estructuras. La importancia de este tpico se
origina en la tremenda influencia que ha tenido sobre la

ingeniera la necesidad de desarrollar grandes y complejas

estructuras.
En mayo de 1930 se public un artculo titulado Distribucin
de Momentos en los Extremos Fijos de las Estructuras
Continuas, un mtodo totalmente nuevo para el anlisis de
estructuras. Cross fue aclamado como un hombre que resolvi
uno de los problemas ms espinosos en la ingeniera
estructural. Su enfoque fue extremadamente prctico [1].

Manuscrito finalizado en Ciudad Guayana, Venezuela el 2007/05/17, recibido el 2007/06/19, en su forma final (aceptado) el 2007/07/15. El MSc. Lcides
Rafael Pinto Mindiola es Coordinador del Dpto. de Postgrado en la Universidad Nacional Experimental Politcnica Antonio Jos de Sucre (UNEXPO),
Vicerrectorado Puerto Ordaz, telf. 0286 8085512 correo electrnico lacidesrafael@yahoo.com. El Dr. Alfonso Garca Cerezo es catedrtico de la Universidad
de Mlaga Director del Departamento de Ingeniera de Sistemas y Automtica, telf. (00) (34) 952132775, (00) (34) 670949495, correo electrnico
gcerezo@ctima.uma.es.

Volumen 11, N 44, septiembre 2007. pp 141-149

141

Volumen 11, N 44, septiembre 2007 pp 141-149

El enfoque de Kani (1930s) est basado en los mtodos de las

aproximaciones sucesivas y en la distribucin de momentos
para expresar el efecto de las rotaciones y desplazamientos
nodales. El mtodo iterativo de anlisis de estructuras
desarrollado por G. Kani, viene a ser extremadamente
satisfactorio para el anlisis de cualquier estructura
convencional para edificios de varios pisos bajo cualquier
condicin de cargas dada. Kani propuso extender este mtodo
a las estructuras con columnas continuas a travs de varios
pisos con slo ligeras modificaciones [Structural Engineering
Archive].

relativamente avanzado en el rea de las matemticas.

En la Fig. 1 se muestra un prtico de tres niveles que permitir
ilustrar acerca de la capacidad del modelo de red neuronal
propuesto en este trabajo.

Los enfoques de Cross y Kani (1930s) basados en los mtodos

de las aproximaciones sucesivas y la distribucin de
momentos, descartan las complejas relaciones matemticas y
por el contrario se apoyan en simplicidades aritmticas.
Es errneo suponer que un mtodo de aproximaciones
sucesivas sea un mtodo aproximado. Esencialmente,
un mtodo aproximado, es aquel que proporciona como
su nombre lo indica, valores aproximados, mientras que
los mtodos de aproximaciones sucesivas arrojan
resultados con la precisin deseada por el calculista
[2].
Del enfoque matricial, existe la creencia que en los comienzos
de los 1930s, una persona que trabajaba en la industria de las
avionetas de Gran Bretaa o Alemania fue la primera que
formul la matriz de rigidez o de flexibilidad.
El enfoque del anlisis estructural con la aplicacin de
matrices tuvo las ms grandes contribuciones de cuatro
protagonistas: Collar, Duncan, Argyris y Turner. Entre 1934 y
1938 los dos primeros publicaron los primeros artculos con la
representacin y terminologa para los sistemas matriciales
que son utilizados hoy. En el ao 1930 Collar y Duncan
formularon la aeroelasticidad discreta en forma matricial. Los
primeros dos artculos y el primer libro sobre el tpico
apareci en el mundo estructural entre 1934 y 1938. El
segundo avance que se realiz en el anlisis estructural
matricial apareci en los aos 1954 y 1955 cuando el profesor
Argyris sistematiz una unificacin formal de los Mtodos de
las Fuerzas y de los Desplazamientos utilizando los teoremas
de energa dual. Este trabajo sistematiz el concepto de
ensamblaje del sistema de ecuaciones estructurales a partir de
sus componentes elementales [3].
M. Turner propuso en el ao 1959 el Mtodo Directo de las
Rigideces para el Anlisis Estructural, y logr los cambios
ms dramticos: un mtodo bastante general y muy eficiente
de la implementacin computacional del entonces incipiente,
Mtodo de los Elementos Finitos [3].
La teora de la elasticidad es una teora que ha estado
disponible para todos los diferentes enfoques requeridos del
anlisis estructural, pero requiere de un conocimiento

142

Fig. 1 Problema Estructural Propuesto

Una red neuronal artificial es un dispositivo de procesamiento

de un algoritmo, o de un hardware efectivo, cuyo diseo fue
inspirado en el sistema biolgico del cerebro de los humanos
y sus componentes. Existe una variedad de modelos de redes
neuronales y procedimientos de aprendizaje. El aprendizaje
de las redes neuronales incluye el ajuste de los pesos y
tendencias de las conexiones. El xito de las aplicaciones de
las redes neuronales no- supervisadas en la solucin de
cualquier problema, depende fundamentalmente del
entrenamiento de la red y de la eficiencia del algoritmo de
aprendizaje. En este artculo utiliza un algoritmo, que est
asociado de tal manera al modelo de red que ambos
constituyen un todo esencial para el xito del proceso.
Este artculo evala un enfoque de las redes neuronales en el
anlisis de estructuras reticuladas de varios pisos utilizando un
algoritmo auto- supervisado que se apoya en los parmetros fsicos
de la estructura propuesta. El objeto del estudio es calcular los
momentos rotacionales extremos y definitivos en una estructura
reticulada de varios pisos con nodos indesplazables. Varias pruebas
fueron hechas, para disear la arquitectura conveniente del modelo
de red. El modelo fue entrenado con los factores de distribucin
de momentos seleccionados sobre las bases de las consideraciones
tericas del equilibrio esttico de la estructura. El modelo de red
neuronal artificial, ofrece una flexibilidad extrema ya que permite
la variacin de los tipos de cargas, el desplazamiento horizontal de
los nodos, cambio de las secciones de los miembros y en
consecuencia, tolera igualmente las modificaciones de los
momentos de inercia de las barras. Para ello, no es necesario
modificar el modelo, sino volver al entrenamiento de la red
neuronal, previo ajuste de algunos parmetros del algoritmo.

Pinto, L., Garca A. Anlisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables

El enfoque neuronal es tolerante a fallas, por ser correctivo, esto

permite calificarlo como un mtodo con eliminacin automtica
de errores a medida que la red aprende. La comprobacin de los
resultados que se obtienen despus de realizar los productos y
sumas de unos pocos valores puede hacerse con facilidad extrema
en cualquier elemento de procesamiento o nodo y en cualquier
capa de neuronas, sin que para ello se requiera de los servicios de
expertos en ingeniera estructural.
El artculo presenta la definicin de redes neuronales, la
arquitectura de la red, la fase de aprendizaje de la red, el
entrenamiento de la red, la comparacin con el mtodo de
Kani y la evaluacin del modelo

procesos industriales, clasificacin de patrones, etc. La

alimentacin hacia adelante, es una caracterstica muy
especial de las redes neuronales multi-capa, cuyas
conexiones alimentan exclusivamente las entradas desde
las capas ms bajas hasta las capas ms altas. En otras
palabras, las conexiones de los pesos ponderados y de las
tendencias alimentan las actividades desde la capa de
entrada hasta la capa de salida con sentido hacia delante. El
aprendizaje de las redes neuronales artificiales comprende
el ajuste de los pesos y tendencias de las conexiones. El
xito de una aplicacin de entrenamiento auto- supervisado
de una red neuronal sobre cualquier problema, depende del
entrenamiento adaptativo de la red neuronal con suficiente
rango de los datos y el rango de las condiciones.

II. DESARROLLO
1. Redes neuronales artificiales

2. Arquitectura de la red

Axioma
los nodos de una estructura reticulada son inteligentes. En
consecuencia, todo nodo es capaz de distribuir las influencias de las
cargas actuantes directamente sobre l, en forma automtica,
proporcionalmente a la rigidez de cada una de las barras que
concurren en el mismo

Un modelo de red neuronal artificial es un sistema compuesto

de muchos procesadores simples, cada uno de ellos contiene
una memoria local. Los elementos de procesamiento estn
conectados por conexiones unidimensionales, completamente
conectados, parcialmente conectados, o localmente
conectados, cuya funcin est determinada por la conexin
topolgica y las fuerzas de conectividad. Cada capa tiene su
propia matriz de los pesos W, su propio vector tendencia b, un
vector de entrada neta n y un vector de salida a.

Una red neuronal artificial (ANN) es un sistema de

procesamiento de informacin que opera sobre unas
entradas para extraer informacin y produce salidas
correspondientes a la informacin extrada. Las redes
tambin son conocidas como modelos conexionistas,
modelos de procesamiento distribuidos en paralelo,
sistema neuromrfico, cuyos diseos son anlogos a las
neuronas biolgicas, base de su inspiracin. Las redes son
bien conocidas como enfoques de aplicaciones para la
prediccin, procesamiento de base de datos, control de

La Fig. 2 muestra la red multi-capa alimentada hacia adelante,

incluyendo las capas ocultas. El vector de entrada x contiene
las entradas a las neuronas de la capa de entrada L1
representando un conjunto de parmetros (x1, x2, x3)T. Las
salidas de las neuronas en esa capa no estn normalizadas y
tampoco escaladas. La capa de salida L4 tiene dos neuronas
con un vector de salida (a1, a2,)T.

Fig. 2. Modelo de red multi-capa alimentada hacia adelante

143

Volumen 11, N 44, septiembre 2007 pp 141-149

Las salidas de los elementos de procesamiento (neuronas) de

una capa son transferidas a las neuronas en la siguiente capa
a travs de las conexiones que amplifican o inhiben tales
salidas a travs de los factores de ponderacin. Con excepcin
de los elementos de la capa de entrada, la entrada a cada uno
de los elementos de procesamiento es la suma de la salida
ponderada del nodo correspondiente de la capa que precede y
su tendencia. Todos los elementos de procesamiento en una
capa pueden variar, todos los elementos de procesamiento en
una capa tienen la misma funcin de transferencia.
El modelo de red neuronal artificial lineal propuesto, tiene cuatro
capas de neuronas. Cada una de las capas se nombra as, la
primera es la capa de entrada L1, que consta de tres neuronas,
una segunda capa L2 (capa oculta) que contiene tres, nodos
(neuronas), una tercera capa L3 (capa oculta), que posee tres
elementos de procesamiento, y una cuarta capa llamada de salida
L4 que tiene dos unidades (neuronas). Cada elemento de
procesamiento es activado en conformidad con su umbral y el
argumento de su funcin de transferencia (entrada neta).
Neural network object:
Arquitectura:
Numinputs: 1
Numlayers: 4
Bias Connect: [1; 1; 1; 1]
Input Connect: [1; 0; 0; 0]
Layer Connect: [4x4 Boolean]
Output Connect: [0 0 1 1]
Target Connect: [0 0 0 0]

de umbral, en la cual un nivel de umbral es logrado. La entrada

neta y la salida de las j-sima neurona es igualmente tratada
como en las ecuaciones (1) y (2).
3. Fase de aprendizaje
En la fase de aprendizaje de la red, se representa un vector x cuyas
componentes son los factores de distribucin de la capa de nodos
de la entrada que se presenta a la red como vector de entrada. Los
pesos y tendencias del sistema son ajustados para minimizar el
error. Una vez que este ajuste ha sido conseguido, se somete la red
a otro proceso de iteracin, y as sucesivamente. Finalmente, la red
aprende. La salida actual at no ser el valor deseado, si:
(3)
y el error,
(4)
La salida de la i-sima neurona de la L-sima capa en la
k-sima iteracin, es:

(5)
La salida de la i-sima neurona de la L-sima capa en la
(r+1)-sima iteracin es:

(6)

La Fig. 3 muestra una neurona que simula un elemento de

procesamiento tpico de la red neuronal artificial. La neurona
ejecuta el clculo de una suma de productos, utilizando la entrada,
el escalar peso de conexin y el umbral de la neurona multiplicado
por uno, limitada por la funcin de activacin. La entrada neta y la
salida hasta y desde la i- sima neurona de la L-sima capa son:

Particularmente,

est representada por una funcin lineal

(7)
pero
es la entrada xj a la isima neurona y
el peso, por lo tanto,
,y
en consecuencia,

es

(8)

siendo
la variacin de la salida en dos iteraciones
continuas y donde
sirve como un valor de umbral.
Fig. 3 Un elemento de procesamiento ajustable
4. Conexin sinptica entre neuronas
(1)
(2)

Donde fi= funcin de activacin (funcin de transferencia

lineal). Esta funcin de transferencia representa una funcin

144

La conectividad del modelo de red neuronal permite que cada uno

de los procesadores de un nivel se comunique con su respectiva
neurona del prximo nivel. En otras palabras, cada elemento de
procesamiento de una capa determinada est conectado a su
neurona correspondiente en la siguiente capa con peso excitatorio
y una tendencia. Esto es, de topologa localmente conectado,
resultando para cada capa una matriz de los pesos diagonal.

Pinto, L., Garca A. Anlisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables

Las conexiones sinpticas en el modelo ANN estn reforzadas

por medio de un entrenamiento auto- supervisado, esto es,
aprendizaje sin un supervisor del proceso. Durante el proceso
de entrenamiento, a la red se le presenta un vector en la capa
de entrada. En el modelo de red neuronal, el algoritmo para el
reforzamiento de la sinapsis est determinado haciendo uso
directo de los parmetros fsicos del modelo estructural. El
algoritmo est esencialmente soportado con el criterio de la
obtencin del mejor desempeo que otros enfoques del
anlisis estructural. El reforzamiento de las conexiones
sinpticas es ejecutado desde las capas ms superficiales hasta
las ms profundas, siempre alimentadas hacia adelante. Por
ejemplo, el reforzamiento de la entrada sinptica de la Lsima capa es ejecutada despus de completar el
reforzamiento de la (L-1)-sima capa.

5. Algoritmo de la red
Utilizando el procedimiento del algoritmo, la red calcula
y
en la red para el vector de entrada en cada iteracin. Este
procedimiento se repite para todas las iteraciones durante el
entrenamiento, para todos y cada uno de los pesos ponderados
y las tendencias de esa iteracin. Una vez que las correcciones
a los pesos y tendencias son realizadas, las salidas son
nuevamente evaluadas del modo que lo requiere el modelo
propuesto.
Las discrepancias entre las salidas actuales y los valores de
las salidas esperadas resultan de la evaluacin de los pesos y
cambios en las tendencias. Despus de complementar la
iteracin durante el proceso de entrenamiento, un nuevo
conjunto de pesos ponderados y tendencias se obtiene y con
ellos otra vez, evaluadas nuevas salidas, como siempre con
alimentacin hacia delante, hasta cuando se obtenga la
tolerancia de un error especfico. El software para este artculo
fue escrito en el Toolbox para Redes Neuronales del Matlab y
aplicado en un PC convencional.

fijacin (
y
) respectivamente en las
juntas i y k bajo la accin de las cargas externas suponiendo
que los extremos permanecen completamente fijos. El
momento en el i-simo nodo debido a la rotacin del nodo
es
llamado el momento rotacional en el i-simo
extremo debido a la rotacin
(en radianes) del extremo i,
es en forma similar llamado el momento
rotacional en el isimo extremo debido a la rotacin
(en
radianes) del extremo k, adems
distribucin para el miembro i-k donde
miembro i-k y

es el factor de
es la rigidez del

la suma de las rigideces de todas las

barras que acceden al isimo nodo. Estos parmetros son

reprensados dimensionalmente en varios estudios previos. La
Tabla I muestra un resumen de los parmetros dimensionales
frecuentemente utilizados, que generalmente, son usados en
las investigaciones de los problemas del anlisis estructural.
Kani (1935) aplic el concepto de las aproximaciones
sucesivas y a partir de este conocimiento, dedujo un grupo
de ecuaciones pragmticas para dar solucin a problemas
estructurales de una alta hiperestaticidad, a partir del
principio de superposicin de efectos como se ilustra en la
Fig. 4.

Tabla I. Momentos extremos

totales - variables relevantes

El algoritmo estudiado se puede enmarcar en cuatro descriptores:

1. Tipo de ecuacin: clculo algebraico simple, tales como
productos y sumas. 2. Conexin topolgica: modelo de red
que se caracteriza por una topologa localmente conectada con
matriz diagonal, para cada capa. 3. Esquema de
procesamiento: los nodos de la red se actualizan dependiendo
completamente de la iteracin previa. 4. Modo de
transmisin sinptica: el modelo de clculo general para la
red est en los valores neuronales multiplicados por los pesos
sinpticos y sumados a la tendencia.

6. Seleccin de los parmetros estructurales

Las variables ms pertinentes en el anlisis estructural son
y
que son respectivamente, los momentos de
empotramiento perfecto en los nodos i, k y los momentos de

Fig. 4 Superposicin de efectos miembro i k

145

Volumen 11, N 44, septiembre 2007 pp 141-149

El examen de las ecuaciones convencionales presentadas del

momento externo ayuda a seleccionar los parmetros para
utilizar fundamentalmente los parmetros medibles para evitar
de esta manera, el uso de cualquier frmula, lo cual puede
afectar la precisin de los resultados. El desarrollo final de las
expresiones para el momento total en el i- simo y k-simo
extremos son:
(9)
(10)
Donde los momentos Mik y Mki son los momentos extremos
finales del miembro i- k dados por las ecuaciones de la
pendiente de deflexin.
En el anlisis estructural desarrollado en este modelo de red neuronal,
los momentos extremos finales Mik y Mki son determinados
encontrando las diferentes componentes Mik y Mki separadamente y
sumando a ellos los trminos expresados segn el caso por las
expresiones (9) y (10). Las componentes del momento extremo final
sern consideradas positivas en el sentido de las manecillas del reloj.
7. Entrenamiento de la red y verificacin de los resultados
El entrenamiento de la red fue procesado esencialmente teniendo
en cuenta los cuatro parmetros que intervienen en las ecuaciones

neuronas (nodos) de la estructura se corresponden con el vector de

entrada a la red ( , , ), que son los factores de distribucin
correspondientes a la primera capa de nodos. Los momentos
rotacionales M11, M12 y M13 constituyen las componentes del
vector de salida de la primera capa de la red. La capa de entrada
contiene tres neuronas, mientras la capa de salida contiene dos.
Entre las capas de entrada y de salida existen otras dos capas
llamadas ocultas que contienen un nmero adecuado de elementos
de procesamiento. La red fue entrenada con siete iteraciones,
suficientes para obtener una salida cuya tolerancia de error satisface
las expectativas planteadas. Los nmeros de unidades (neuronas)
en las capas ocultas y los parmetros ajustables, pesos y tendencias
fueron determinados con el nmero de nodos de la estructura, los
factores de distribucin y los momentos rotacionales en los
extremos. Los resultados fueron obtenidos como se dijo ms arriba
despus de siete iteraciones del modelo ANN.
Una comparacin entre el modelo ANN presentado y el
mtodo de Kani fue ejecutado sobre 15 nodos de la estructura,
incluyendo los nodos de empotramiento de las columnas
entierra. Una relacin de discrepancia
fue utilizada
para la comparacin nodo a nodo donde CN es el valor de los
momentos calculados por el modelo de red y Ck es el
calculado con las aplicaciones del mtodo de las
aproximaciones sucesivas del Doctor G. Kani. El valor de la
media
y la desviacin estndar son
y

(9) y (10) y los factores de distribucin

como las variables ms pertinentes. Los factores de distribucin
correspondientes a las vigas entre la primera y segunda capas de

respectivamente. El anlisis es mostrado en las Tablas II y III.

Puede concluirse de las tablas que el modelo ANN propuesto arroja
los mismos resultados que el mtodo del ingeniero G. Kani.

TABLA II: Momentos rotacionales en los extremos nodos indesplazables

146

Pinto, L., Garca A. Anlisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables

TABLA III. Precisin de las frmulas para los momentos rotacionales extremos en CADA NODO

8. Procedimiento numrico
El procedimiento explicado arriba, es mejor ilustrado
resolviendo la estructura mostrada en la Fig. 1, que est
cargada en forma bastante compleja. Las rigideces Kik de los
diferentes miembros estn indicadas sobre el diagrama.
Los factores de distribucin
para los momentos
rotacionales son calculados con la ayuda de la ecuacin

Los factores de distribucin de los nodos 1, 2 y 3 son las

componentes del vector de entrada a la red.
Los momentos de empotramiento perfecto para los diferentes
miembros cargados como se muestra en la Fig. 1, son calculados
con el uso de las frmulas estndares disponibles en cualquier
manual de la ingeniera estructural. Los valores

son encontrados sumando los empotramientos perfectos de todas

las barras que actan en el i-simo nodo. Habiendo completado
estos clculos preliminares, puede darse comienzo al
entrenamiento. La red fue inicializada con tres parmetros
(factores de distribucin de las vigas) como vector de entrada y
los momentos rotacionales debido a la rotacin del extremo
como la salida de la primera capa.
Los clculos comienzan en la capa de entrada y continuaron
de capa en capa en secuencia hasta la salida. Todos estos
clculos son ejecutados en fracciones de segundos. Despus
de 6 o 7 iteraciones ejecutadas como se explic arriba, se
notar que existen pequeos o ningn cambio en los valores
de dos iteraciones consecutivas de clculos en los respectivos
nodos. Los clculos se detienen y los valores de la ltima
iteracin se toman como los correctos. Los valores previos de
las salidas pueden ser observados posteriormente para
comprender mejor el proceso de aprendizaje del modelo de
red propuesto. Para una mejor claridad del proceso de clculo,
estos valores finales han sido indicados separadamente en la
Tabla IV.

TABLA IV: Momentos extremos finales en miembros nodos indesplazables

147

Volumen 11, N 44, septiembre 2007 pp 141-149

9. Comparacin con el mtodo de Kani

Una comparacin entre el modelo ANN presentado y el
mtodo de Kani fue ejecutado sobre los mismos resultados
y
nodo por nodo. Una relacin de discrepancia
fue utilizada para la comparacin, donde CN es el momento
rotacional en el extremo o salida de la red y CK es el resultado
obtenido a travs del mtodo de Kani. El valor de la media
de la discrepancia y la desviacin estndar son

respectivamente. El anlisis de las frmulas de los momentos

rotacionales se muestra en la Tabla III. Anlogamente, sucede
con los momentos extremos finales mostrados en la Tabla V.

TABLA V. Precisin de las frmulas para los momentos totales extremos en cada nodo

Puede concluirse despus de un anlisis sencillo de las Tablas II y III que los resultados obtenidos a travs de ambos enfoques
prcticamente coinciden.
10. Evaluacin del modelo
Un grupo de 15 nodos fueron utilizados para la verificacin
del modelo. Los nodos fueron seleccionados de los clculos de
un prtico de 3 niveles. Los momentos rotacionales Mik y Mki
fueron calculados utilizando las formulas derivadas del
mtodo de las aproximaciones sucesivas de G. Kani. Los
momentos finales en los extremos Mik y Mki son determinados
encontrando las componentes Mik y Mki separadamente y
adicionando las dos momentos de empotramiento perfecto
y
segn el caso.
Comparando los resultados nodo a nodo por el mtodo
iterativo de aproximaciones sucesivas del Dr. Ingeniero Kani,
los resultados obtenidos en el presente estudio son
consistentes. Al realizar los clculos a travs del momento
rotacional cercano al extremo i, Mik para cualquier miembro
i k expresado en trminos del momento de empotramiento
perfecto
y del momento rotacional extremo Mki como
sigue:

Donde
es la suma algebraica de todos los
momentos de empotramiento que actan en el i simo nodo
y
es el factor de distribucin correspondiente al miembro
i k dado por la expresin:

148

La comparacin con el otro mtodo muestra que el modelo

ANN clcula los mismos valores prcticamente para los 15
nodos de la estructura. Se supone que el modelo ANN produce
una significativa economa de clculo para diferentes nodos.

III. CONCLUSIONES
1. Las redes neuronales artificiales pueden ser utilizadas con
ventajas, para extender el modelo ANN a la solucin de
problemas ms complejos y adems pueden ser utilizadas
en la solucin de vigas continuas sobre soportes elsticos.
2. El modelo de ANN tiene la preferencia sobre el mtodo
de Kani, por las siguientes razones:
2.1 Los modelos ANNs son ms rpidos por su paralelismo
masivo, an operando sobre los PCs convencionales.
2.2 El modelo ANN es construido con el solo uso del
modelo estructural. En otras palabras, la arquitectura
de la red es sencillamente determinable.
2.3 Muchos ingenieros pueden calcular los momentos
rotacionales Mik y Mki utilizando el ANN sin
conocimiento exhaustivo de la teora del anlisis
estructural, con tal que ellos conozcan los parmetros
fsico- estructurales que intervienen en la operacin
del modelo ANN.
2.4 Es un mtodo exacto, auto-correctivo de

Pinto, L., Garca A. Anlisis de cualquier tipo convencional de estructuras para edificios con nodos indesplazables

aproximaciones sucesivas.
2.5 Tiene rpida convergencia
2.6 Permite comprender claramente el fenmeno fsico
estructural
2.7 El modelo de diseo neuronal es fcil de recordar
2.8 Se requiere de un reducido nmero de operaciones
por capa de neuronas con el uso de muy poco tiempo
de computacin.

IV. REFERENCIAS

V. APNDICE
Notacin
= son los momentos de empotramiento perfecto
inducidos en los extremos de los miembros bajo la accin de
las cargas externas, suponiendo que los extremos estn
completamente fijos en posicin y direccin;
= es la suma algebraica de todos los momentos
de empotramientos perfecto que actan en el i simo nodo;

(1) Eaton, L. K. Hardy Cross and the Moment Distribution

Method Revista Journal, Vol. 3 n 3 (summer 2001), May
2007. http://nexus journal.com, consultado May 2007

i , k = rotacin en el extremo i y k respectivamente;

(2) Kani,G. Konrad Wittwer Verlag, 5th ed. English

Translation published by F. Ungar & Co., New York 1956.

Mik = es el momento rotacional en el extremo i debido a la

rotacin i ;

(3) A Historical outline of Matrix Structural Analysis; A Play

in three Acts, C.A. Felippa. www.colarado.edu/Felipa.d/F
consultado April 2007.

Mki = es el momento rotacional en el extremo k debido a la

rotacin k;

(4) Freeman, J.A and Skapura, D. M. Neural Networks

Algorithms, Applications, and Programming Techniques,
Addison Wesley Publishing Company, Inc. 1992, p55.
(5) Published by AFCA INTERNACIONAL, DARPA
NEURAL NETWORK STUDY, USA, book of congress
cataloging in Publication Data, 1988, p. 131 133.
(6) Thadani, B. N. An Iteration Method of Frame analysis,
Indian Concrete Journal, May 1956. p8 -10
(7) Thadani, B. N., Analysis of Continuous Beams on Elastic
up ports, Civil Engineering & Public Works Review,
December 1958, January 1959. p 4 5.

= es un factor de distribucin para el miembro i - k;

Mik , Mk = son los momentos extremos totales ejercidos sobre

los extremos i y k respectivamente;
fi = funcin de activacin correspondiente a la isima
neurona.
ai = variable que representa la salida de i- sima neurona
L1, L2, L3, L4 = nombres de las capas de la red,
respectivamente
Wij = pesos ponderados de las conexiones de la red entre la j
sima neurona de la Lsima y la isima neurona de la
(L+1)sima capa.
bi= valor de tendencia de isima neurona

(8) Thadani, B. N. Solution of Complex Multi Storeyed

Structure A. M. I. Struct. E, June 1959. Revista
p25.

xj= variable que representa la salida de la jsima neurona

(9) Wikipedia, the free encyclopedia. www.wikipedia.com

consultado April 2007.

Subndices
i, j, k = sub-ndices enteros y positivos

149