Beruflich Dokumente
Kultur Dokumente
92
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
Resumen
Los sistemas computacionales han evolucionado tanto que el uso de las computadoras hoy en da es de gran ayuda
y en algunos casos son imprescindibles. Las Redes Neuronales Artificiales (RNA) forman parte de estos sistemas, y
paso a paso la tecnologa se vislumbra con gran futuro. Por otro lado, la informacin referente al trabajo con
explosivos puede representar un riesgo por la naturaleza misma de los fines a los que se dirige. Es un tema que se
debe estudiar con gran cuidado y as lo demuestra el hecho de que la informacin se ha reservado a unos pocos. El
presente trabajo pretendi colaborar con el desarrollo de ambas tecnologas. Esencialmente se presentan los
lineamientos bsicos de la demolicin de edificios de acero con explosivos. Se analiza un simulador de RNA del tipo
BPN y su aplicacin a un ejemplo de demolicin con explosivos de un edificio.
Introduccin
Basta con echar un vistazo al creciente nmero de asociaciones dedicadas a la
divulgacin e investigacin de las Redes Neuronales Artificiales (RNA) que han surgido
en todo el mundo, para comprender la repercusin y la acogida con la cual la
comunidad cientfica ha recibido dicha tecnologa. Son la novedad en los laboratorios y
aulas acadmicas de muchas de las universidades ms reconocidas. Al ingeniero civil
se le ensea a disear, a construir y a satisfacer en la medida de lo posible las
necesidades y demandas de la sociedad en cuanto a obra civil. Pero no se le ensea
que una parte importante de su trabajo consiste en la irremediable destruccin de las
mismas cuando stas ya no son de provecho para la sociedad; es decir, no se le
ensea a destruir [Martnez y Casanova. 1997]. Es el precio que la evolucin de la
ciencia, no slo la ingeniera civil, debe pagar por un mundo lleno de conflictos. De tal
manera, se pretende contribuir a la difusin de las RNA y la demolicin de edificios
mediante el uso de explosivos al desarrollar un trabajo que combina ambas teoras. Es
pertinente mencionar que el trabajo desarrollado es parte fundamental del proyecto de
investigacin denominado "Red neuronal para el clculo y control de cargas explosivas"
con nmero de registro CGEPI 970183.
93
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
publicada en un journal oficial, Adeli y Yeh presentaron una mquina que aprenda
aspectos relacionados con el diseo ingenieril, basada en el concepto de auto-ajuste de
parmetros de control interno y la arquitectura del modelo del Perceptrn [Adeli y Yeh.
1989]. Hung y Adeli presentan un modelo de aprendizaje de RNA de dos capas para el
diseo en la ingeniera civil [Hung y Adeli. 1991]. Gunaratnam y Gero, discuten el efecto
del algoritmo de retro-propagacin de error y las RNA en aplicaciones de ingeniera
estructural [Gunaratnam y Gero. 1994]. James L. Rogers del centro de investigacin
Langley de la NASA en Hampton desarroll una RNA aplicada a la simulacin de
anlisis estructural [Rogers. 1994]. Wu, utiliz una RNA de retro-propagacin con una
sola capa oculta, para simular estados de dao en una estructura de tres pisos [Wu.
1992]. Szewczyk y Hajela han considerado la deteccin de daos en estructuras
utilizando una RNA mejorada de contrapropagacin (CPN por sus siglas en ingls).
[Szewczyk y Hajela. 1992], [Szewczyk y Hajela. 1994]. En cuanto a los explosivos para
demoler estructuras, antes de los aos 50 del siglo XX haban sido utilizados
ocasionalmente para la demolicin de chimeneas o de fbricas, total o parcialmente
aisladas de zonas urbanas. Jack Loizeaux se aboc a la investigacin y mejoramiento
de estas tcnicas. En 1957 fue el primero en demoler edificaciones situadas en zonas
urbanas. Pronto sus hijos, Mark y Douglas Loizeaux se incorporaron al trabajo e
hicieron de sta una empresa familiar, por lo que se considera a la familia Loizeaux
como pionera en la demolicin de edificios mediante el empleo de explosivos, y a Jack
Loizeaux como el padre de esta moderna tcnica.
Demolicin de estructuras de acero con explosivos
La demolicin de edificios por implosin representa un complejo reto tcnico. No es de
ninguna manera fcil y no es una empresa de todos los das. Como el jugador de billar
que hace lo propio en cada turno para preparar la siguiente jugada, as tambin el
ingeniero encargado de la demolicin de edificios debe prepararse para la siguiente
jugada. Ya sea por necesidades de colindancia o por conveniencia en la remocin de
los escombros, debe proyectar la direccin de cada del inmueble. No slo es el cargar
de explosivos y esperar ver caer el edificio. Para lograrlo se vale del empleo de
estopines de retardo y cables. La demolicin con explosivos, ms que un trabajo
pesado de ingeniera civil, es un arte.
La demolicin por implosin [Loizeaux y Loizeaux. 1995], en analoga, es como aplicar
una patada de judo. Se hace caer al adversario bloqueando sus piernas y despus se
pivotea hacia el suelo la parte superior de su cuerpo en desequilibrio. De la misma
manera, los pilares y columnas de la edificacin deben ser suficientemente rgidos para
ser guiados haca la direccin deseada previamente diseada. Cada edificacin
representa un problema particular. La originalidad de un inmueble se revela as en las
diversas dificultades tcnicas que presenta su demolicin. No se trata de cargar de
explosivos el edificio, atiborrando de cargas explosivas las columnas, trabes y muros.
La idea bsica consiste en colocar explosivos en puntos estratgicos de la estructura.
Se vuelan nicamente las columnas de los primeros niveles y es la fuerza de gravedad
la encargada de fragmentar el edificio. Para estructuras de acero se recomienda colocar
dos cargas explosivas por columna en la planta baja y slo una igualmente por columna
en los siguientes niveles, como se observa en la figura 1. Los niveles superiores
provocan la demolicin del edificio al caer ste sobre s mismo. En funcin de las
95
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
Columnas en
planta baja.
50
Explosivo
Explosivo
1.50
Corte con
soplete
Nivel n
Nivel 4
Nivel 3
Nivel 2
Nivel 1
Columna con
cortes y
explosivos
Planta baja
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
cercanas, se utilizan los cables para asegurar que el edificio caiga hacia la direccin
deseada en conjuncin con los estopines de retardo. Se recomienda que el cableado se
aplique en niveles donde no existan cargas explosivas. Se habla de dos columnas, una
que es la que jala y otra que es jalada.
La voladura
El diseo del circuito de voladura elctrica es fundamental en la demolicin de edificios
mediante explosivos. Consideramos que la importancia de tal diseo es vital para la
exitosa consecucin de nuestro objetivo. El circuito se forma bsicamente por tres
partes: una mquina explosora que es la que suministra la corriente elctrica, alambres
guas y guas secundarias. Para definir el esquema de conexin y la formacin de las
series del circuito elctrico es necesario definir previamente la posicin y el nmero de
los estopines de retardo. Por lo general los circuitos serie-paralelo son los ms
utilizados. La iniciacin de todos los estopines del circuito debe ser simultnea,
independientemente del tiempo de retardo de cada estopn. Es de fundamental
importancia poner especial cuidado al alambrar y probar el circuito para evitar fallas al
momento de la voladura. No se disparar la voladura hasta que las lecturas de campo
coincidan con los clculos tericos; es decir, las resistencias elctricas del circuito, una
vez realizado el alambrado y determinadas en campo por medio de un hmetro, deben
ser las mismas a las calculadas tericamente.
En la demolicin de estructuras de acero, los explosivos son conocidos como cargas
lineales o salchichas, por la forma del explosivo. Estos productos son gelatinas inertes
hasta antes de recibir una chispa elctrica. Se habla de dos criterios para el clculo de
la carga explosiva. El primer criterio se basa en una frmula emprica.
A
Carga = U *
36
donde:
1
*
En el segundo criterio
Carga = (COLn )(NCEco )(NScarg )(PESO)
donde:
COLn =
NCEcol =
NScarga =
PESO =
Carga =
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
Nivel
2.50 m
Nivel
2.50 m
Nivel
2.50 m
Nivel
Columnas
cargadas.
2.50 m
Planta baja
3.20 m
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
2
2
5
4
5
6
3
5
4
4
7
5
4
2
2
3
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
Serie
1
2
3
4
5
6
7
8
9
10
11
12
Nivel (es)
PB
PB
PB
PB
PB
PB
PB, 1
1
1
1, 3
3
3
T2=8
T3=8
T4=4
T4=8
T3=1
T2=4
T3=8
T5=6
T3=6
T4=7
T6=7
T4=6
T3=4
T4=8
T5=4
T5=4
T4=8
T3=9
T4=5
T6=4
T4=5
T5=6
T7=4
T5=6
100
T4=4
T5=4
T6=8
T6=4
T5=4
T4=4
T5=6
T7=6
T5=6
T6=6
T8=6
T6=5
T7=4
T7=4
T6=4
T6=2
T8=4
T6=2 T7=2
T7=2
T9=4
T7=2 T8=2
Total de est.
24
24
24
24
25
25
25
25
25
25
25
25
296
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
CAPA
OCULTA
CAPA DE
SALIDA
W11
W12
W11
i1
k1
W12
W13
W21
j2
W21
W22
W22
i2
W23
W31
W32
k2
j3
Figura 4. Red neuronal artificial del tipo BPN aplicada a la demolicin de edificios de acero.
101
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
Casos de
entrenamiento
1
7
11
18
22
27
39
44
54
55
Vector de
entradas
100
700
300
200
600
200
500
900
900
950
Vector de
Salidas
8
8
7
6
6
5
4
4
3
3
CAPA OCULTA
0.7
-0.3
0.2
17
11
17
19
14
20
19
12
15
14
1
7
3
2
6
2
5
9
9
10
CAPA DE SALIDA
-0.5
0.9
0.4
0.5
0.8
0.2
-0.4
-0.3
0.6
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
Simulador BPN
Hemos diseado el simulador en lenguaje Turbo Pascal de Borland versin 7. La
computadora utilizada es una PC de la familia Pentium II (processor intel MMX
technology), velocidad 100 Mhz. y 29 Megas de memoria en RAM. En una BPN las
seales fluyen hacia delante y hacia atrs, pero slo en una direccin cada vez.
Durante el modo de entrenamiento de la red los dos tipos de seales se presentan en la
BPN. En el modo de produccin slo se presentan seales de salida hacia delante. As
pues, la propagacin de seales hacia delante es la primer parte del algoritmo de
entrenamiento a ser realizada en el simulador. Una vez que ha sido calculado un valor
de salida para todos los EP de la red, se comparan los valores de salida calculados en
los EP de la capa de salida con los valores del vector de salida esperado en el caso de
entrenamiento, elemento por elemento. Se calcula un valor de error en cada EP de
salida. Estos valores de error se retroalimentan en todos los dems EP de la estructura
de la red constituyendo la segunda parte del algoritmo de entrenamiento.
Una vez definidas las dos secuencias se puede pasar a la codificacin del simulador
BPN. Es pertinente mencionar que la siguiente codificacin corresponde al modo de
entrenamiento de la red. Para el modo de operacin, el nmero de rutinas disminuye
segn se explica ms adelante. La propagacin de la seal hacia adelante se realiza
por tres rutinas. La primera, procedure fijar_entradas, es una rutina de interfaz entre la
computadora y el simulador BPN. Es aqu donde el programa base asigna los valores
de entrada a las variables de entrada del simulador.
PROCEDURE FIJAR_ENTRADAS;
var
i: integer;
begin
for i:=1 to 2 do {Para todas las posiciones del vector de entrada}
begin
entrada_red[i]:= entradas[i];
end;
end;
El siguiente procedimiento, propagar_adelante, lleva a cabo la alimentacin de la seal
hacia adelante entre los EP de una misma capa y posteriormente los de la capa
siguiente. Afecta las entradas de las neuronas con los pesos sinpticos para crear el
argumento de la funcin de activacin y producir la necesaria salida de la neurona en
cuestin.
PROCEDURE PROPAGAR_ADELANTE;
var
i,j: integer;
begin
for i:=1 to 3 do {Para todas las neuronas en capa dos}
begin
suma:= 0;
103
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
for j:=1 to 2 do {Para todas las entrada de las neurona en capa dos}
begin
conexiones[j]:= RED.capas[2].pesos[i,j];
suma:= suma + entrada_red[j] * conexiones[j];
end;
actual[i]:= 1.0 / (1.0 + exp(-suma)); RED.capas[2].salidas[i]:= actual[i];
end;
for i:=1 to 2 do {Para todas las neuronas en capa tres}
begin
suma:= 0;
for j:=1 to 3 do {Para todas las entradas de la neurona en capa tres}
begin
conexiones[j]:= RED.capas[3].pesos[i,j];
suma:= suma + RED.capas[2].salidas[j] * conexiones[j];
end;
actual[i]:= 1.0 / (1.0 + exp(-suma)); RED.capas[3].salidas[i]:= actual[i];
end;
end;
El ltimo procedimiento de la etapa de propagacin hacia delante; procedure
obtener_salidas, se utiliza nicamente en el modo de produccin de la red y es la rutina
que extrae los valores de salida generados por la red y los copia en una matriz externa
especificada por el programa base que haga la llamada. Se puede entender esta rutina
como la complementaria del procedimiento fijar_entradas.
PROCEDURE OBTENER_SALIDAS;
var
i: integer;
begin
for i:=1 to 2 do {Para todas las salidas de la red, ltima capa}
begin
salidafinal[i]:= RED.capas[3].salidas[i];
end;
end;
En esta parte del simulador comienza la retropropagacin del error, mediante tres
rutinas. La primer rutina, llamada PROCEDURE CALCULAR_ERROR_SALIDA, calcula
el trmino de error para cada EP de la capa de salida.
PROCEDURE CALCULAR_ERROR_SALIDA;
var
i,j: integer;
begin
for j:=1 to 2 do salidatemp[j]:= RED.capas[3].salidas[j];
for i:= 1 to 2 do {para todas las salidas, ultima capa}
begin
104
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
PROCEDURE PROPAGAR_ERROR_ATRAS;
var
i,j,k: integer;
begin
for k:=1 to 2 do emisores[k]:= RED.capas[3].errores[k];
for i:=1 to 3 do {para todos los receptores, capa dos}
begin
receptores[i]:= 0;
for j:=1 to 2 do {para todos los emisores, capa tres}
begin
conexregre[j]:= RED.capas[3].pesos[j,i];
receptores[i]:= receptores[i] + emisores[j] * conexregre[j];
end;
unidad[i]:= RED.capas[2].salidas[i];
receptores[i]:= receptores[i] * unidad[i] * (1-unidad[i]);
RED.capas[2].errores[i]:= receptores[i];
end;
end;
PROCEDURE AJUSTAR_PESOS;
var
unidades: integer;
longpesos: integer;
i,j,k: integer;
begin
for i:=2 to 3 do {para todas las capas de la red}
begin
if i=2 then unidades:=3; if i=3 then unidades:=2;
for j:=1 to unidades do {para todas las neuronas de la capa}
begin
if i=2 then longpesos:=2; if i=3 then longpesos:=3;
for k:=1 to longpesos do {para todos los pesos de la neurona}
begin
oldpesos[j,k]:=
RED.capas[i].pesos[j,k];
weights[j,k]:=
RED.capas[i].pesos[j,k];
delta[j,k]:=RED.capas[i].ultimo_delta[j,k]; errfac[j]:=RED.capas[i].errores[j];
105
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
PROCEDURE ERROR_FINAL;
begin
timer:= timer + 1;
term1:=sqr(objetivo[1]-RED.capas[3].salidas[1]);
term2:=sqr(objetivo[2]-RED.capas[3].salidas[2]);
ERRORFIN[timer]:= sqrt(term1 + term2);
end;
Anlisis de la informacin obtenida por la BPN durante el modo de entrenamiento
Se requirieron 5005 pocas y 275,275 ciclos antes de alcanzar un error aceptablemente
bajo para todos y cada uno de los 55 casos de entrenamiento. En total la red emple 8
horas, 49 minutos y 12.35 segundos de tiempo mquina para lograr el entrenamiento.
Una vez finalizado el entrenamiento, los pesos sinpticos permanecen constantes
durante el modo de operacin. Las grficas de la convergencia final de la red hacia la
mnima diferencia entre las salidas producidas por la BPN y las esperadas, se
presentan en la figura 6. stas corresponden a los casos de entrenamiento 27 para 203
y 5005 pocas.
Modo de operacin de la red
Una vez entrenada la BPN se prueba la red. Se han utilizado tanto valores del conjunto
de casos entrenamiento que la red proces como valores desconocidos, como valores
nuevos. Se considera que el simulador ya trabaja en el modo de operacin a partir de
este punto, ya que los pesos sinpticos no son modificados.
La estructura principal de la red construida en el modo de operacin se resume a los
siguientes pasos:
Inicio
Llamar a fijar_entradas;
Llamar a propagar_adelante;
Llamar a obtener salidas;
Fin.
106
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
Conclusiones
El nmero de capas ocultas y el nmero de EP en ellas depende del caso en cuestin.
Slo la experimentacin puede llevarnos al nmero ms adecuado. Los pesos
sinpticos deben mantenerse en el rango de +1 a 1 ya que la regla de aprendizaje nos
lleva a valores ms grandes durante el entrenamiento y producira un error al aplicar la
funcin de transferencia, debido a la naturaleza matemtica de las sigmoides si dichos
pesos se inicializan con valores grandes. Un mayor nmero de pesos significa en
general un tiempo de entrenamiento ms elevado. La razn de aprendizaje tiene un
efecto significativo sobre los dems parmetros de entrenamiento. Si es demasiado
grande, la convergencia no se produce, y si es un valor muy pequeo sta se retarda.
Sin embargo, a medida que avanza el entrenamiento el error de la red disminuye, lo
cual da lugar a cambios ms y ms pequeos en los pesos, y a una convergencia ms
lenta hacia la solucin ptima. Se recomienda incrementar la razn de aprendizaje
durante estos momentos para aumentar la velocidad de convergencia.
Algo muy importante es la precisin del entrenamiento ya que depende de lo bien que
el conjunto de casos de entrenamiento se ajuste a la distribucin de todo el espacio de
valores de entrada. Los casos de entrenamiento deben ser congruentes entre s, es
decir compartir caractersticas similares. Nunca se debe entrenar la red neuronal con
casos de clases diferentes al mismo tiempo. Cuando el error que minimiza el algoritmo
de aprendizaje es suficientemente pequeo para todos los casos de entrenamiento, y
ese trmino suficientemente pequeo queda a consideracin del diseador de la red,
puede darse por terminado el entrenamiento.
La demolicin de edificios con explosivos representa un complejo reto tcnico. Es poca
la informacin que se ha hecho pblica acerca de los explosivos, y la que es del
dominio pblico ha sido restringida. El presente trabajo acerca esta informacin a la
comunidad acadmica en el nivel maestra en primera instancia. A la fecha se habla de
una tcnica de demolicin de edificios con explosivos basada tan slo en frmulas
empricas y en experiencias vividas, y es por supuesto as como se comienza a hacer
ciencia. Por la naturaleza de este proyecto, representa un precedente en la demolicin
de edificios, pues contribuye con el desarrollo de la tcnica y hace parte al ingeniero
civil de la evolucin informtica al implementar una RNA para sus fines prcticos.
Es cierto que la demolicin de edificios con explosivos puede ser resuelta con
metodologas alternativas ms generales, y/o podra haber sido aplicada con mayor
peso la tecnologa de las RNA, pero la manera como se plantea aqu permite el claro
entendimiento de las caractersticas esenciales del comportamiento de las RNA. Por
otra parte se comprueba la factibilidad de la aplicacin de una RNA a la demolicin de
edificios de acero con explosivos. La relativa simplicidad de la aplicacin no debe ser
tomada como un indicador de los lmites de las redes neuronales, por el contrario, debe
motivar a contribuir con el desarrollo de la tecnologa aplicada a la ingeniera civil. El
algoritmo computacional del simulador BPN del presente trabajo puede ser la base para
dichas aplicaciones futuras. Podra no necesitar sino que le sean ajustados los ndices
referentes al nmero de capas, neuronas de entrada, ocultas y de salida, etc., de
acuerdo a las necesidades particulares del caso.
108
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
Recomendaciones
De manera general, con la demolicin de edificios de acero con explosivos, se puede
estudiar la factibilidad de aplicar otros tipos de redes neuronales; es decir, una
arquitectura de red diferente. Entrenar la red variando los casos de entrenamiento as
como los parmetros de aprendizaje. En fin, analizar ms a fondo el comportamiento de
la red al modificar sustancialmente alguna de sus propiedades, aplicada a un caso de
estudio de la ingeniera estructural. En cuanto a la demolicin con explosivos, el solo
hecho de contribuir con la difusin de esta tecnologa es por s mismo un reto para
trabajos futuros. Se puede estudiar el uso de explosivos para la demolicin de edificios
de concreto o para estructuras con ambos materiales. La tecnologa de las RNA es
relativamente nueva, y la referente al uso de explosivos en obra civil no ha sido muy
difundida; por lo tanto, las lneas de investigacin que de aqu se desprenden son
innumerables.
Bibliografa
[Adeli y Yeh. 1989]
Adeli, H. y Yeh, C. 1989. Perceptron learning in engineering design, Microcomputers in
Civil Engineering, 4(4), pp. 247-256.
[Gunaratnam y Gero. 1994]
Gunaratnam, A. y Gero, J. 1994. Effect of representation on the performance of Neural
Networks in structural engineering applications. Microcomputers in Civil Engineering, 9(2),
pp. 97-108.
[Hopfield. 1982]
Hopfield, J. 1982. Neural networks and physical systems with emergent collective
computational abilitiess, Proc., National Academy of Science, Vol. 79, pp. 2554-2558.
[Hung y Adeli. 1991]
Hung, S. L. y Adeli, H. 1991. A model of Perceptron learning with a hidden layer for
engineering design, Neurocomputing, 3(1), pp. 3-14.
[Karunanithi y Grenney. 1994]
Karunanithi, N. y Grenney, W. J. 1994. Neural networks for river flow prediction, Journal of
Computing in Civil Engineering, Vol. 8, No. 2, April.
[Lingras y Adamo. 1996]
Lingras, P. y Adamo, M. 1996. Average and peak traffic volumes: Neural nets, regression,
factor approaches, Journal of Computing in Civil Engineering, Vol. 10, No. 4, October.
[Loizeaux y Loizeaux. 1995]
Loizeaux, M. y Loizeaux, D. 1995. La dmolition par implosion. Pour la science No 218
Dcembre.
[Martnez y Casanova. 1997]
Martnez Salazar, L. A. y Casanova del Angel, F. 1997. Desarrollo de una red neuronal
aplicada a la demolicin de edificios. Tercer congreso de proyectos de investigacin,
ESIME, IPN pp 630-634.
[McCulloch y Pitts. 1943]
McCulloch, W. S. y Pitts W. 1943. A logical calculus of the ideas immanent in nervous
activity, Bulletin of Mathematical Biophasics, 5 pp. 115-33.
[Minsky y Papert. 1969]
Minsky, M. y Papert, S. 1969. Perceptrons: an introduction to computational geometry, MIT
Press, Cambridge, Mass.
109
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
[Rogers. 1994]
Rogers, J. L. 1994. Simulating structural analysis with neural networks, Journal of
Computing in civil Engineering, Vol. 8, No. 2, April.
[Rosenblatt. 1962]
Rosenblatt, F. 1962. Principles of neurodynamics: Perceptrons and the theory of brain
mechanisms, Spartan Books, New York, N. Y.
[Szewczyk y Hajela. 1992]
Szewczyk, Z. P. y Hajela, P. 1992. Neural Networks based damage detection in
structures, Tech. Rep. RPI, Troy, N.Y.
[Szewczyk y Hajela. 1994]
Szewczyk, Z. P. y Hajela, P. 1994. Damage detection in structures based on featuressensitive Neural Networks, Journal of Computing in Civil Engineering, Vol. 8, No. 2, April.
[Vargas Gabino. 1992]
Vargas Gabino, J. S. 1992. Demolicin de edificios daados por medio de explosivos.
Tesis profesional UNAM.
[Werbos. 1974]
Werbos, P. J. 1974. Beyond regression: new tools for prediction and analysis in the behavior
science. Thesis presented to Harvard University, at Cambridge, Mass., in partial fulfillment
of the requirements for the degree of Master of Science.
[Wu. 1992]
Wu, X. 1992. Use of Neural Networks in detection of structural damage. Computers and
struct., Vol. 42, No. 4, pp. 649-659.
110
Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero
111