Resumen

El conocimiento de las propiedades resistentes de los metales porosos en compresión es esencial en el diseño de aplicaciones a medida, así como en la elaboración de modelos generales de materiales. En este artículo, los autores proponen detalles de especificación de la arquitectura de la RNA para el modelado adecuado del fenómeno del comportamiento en compresión del aluminio de celda abierta. En la investigación presentada, se utilizó un algoritmo para construir diferentes estructuras de redes neuronales artificiales (RNA), que aproximaron las relaciones tensión-deformación de una esponja de aluminio sometida a compresión. A continuación, se evaluó la calidad de las aproximaciones construidas. El error medio absoluto relativo (MARE), el coeficiente de determinación entre los resultados y los objetivos R2, el error cuadrático medio (RMSE) y el error cuadrático medio (MSE) se tomaron como medidas para evaluar la calidad del ajuste. Las redes neuronales (NN) estudiadas eran redes feedforward de dos capas con diferentes números de neuronas en la capa oculta. Como datos para el entrenamiento de las redes neuronales se utilizó un conjunto de datos experimentales de tensión-deformación procedentes de ensayos de compresión uniaxial cuasistática de aluminio de celda abierta de diversas densidades aparentes. El análisis se realizó en dos modos: en el primero, se tomaron todas las muestras para el entrenamiento, y en el segundo caso, se omitió una muestra durante el entrenamiento con el fin de que desempeñara el papel de dato externo para probar posteriormente la red entrenada. Las muestras eliminadas eran las de densidad máxima y mínima (para la extrapolación) y una aleatoria dentro del intervalo de densidad. Los resultados mostraron que se alcanzó una buena aproximación a nivel de ingeniería MARE<5% para redes de enseñanza con ≥7 neuronas en la capa oculta para el primer caso estudiado y con ≥8 neuronas para el segundo. Los cálculos sobre datos externos demostraron que 8 neuronas son suficientes para obtener realmente MARE<10%. Además, se demostró que la calidad de la aproximación puede mejorarse significativamente hasta MARE≈7% (probado con datos externos) si la región inicial de la relación tensión-deformación se modela mediante una red adicional.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:datos externos, neuronas, entrenamiento, aluminio celular, redes neuronales, error cuadrático, error relativo medio absoluto, ensayos de compresión uniaxial quasistática, redes neuronales artificiales, nivel de ingeniería mare<5
• Keywords:external data, neurons, training, cell aluminum, neural networks, square error, mean absolute relative error, quasistatic uniaxial compression tests, artificial neural networks, engineering level mare<5