Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero

92

Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero

Diseo y desarrollo de una red neuronal artificial para la demolicin

con explosivos de estructuras
de acero
1
Martnez Salazar, Luis. ngel
2
Casanova del Angel Francisco

1: Instituto Tecnolgico de Pachuca. lmartinezs@correoweb.com

2: IPN, J de Dios Bats S/N Edif. 12, 3er piso, 07738 Lindavista. Mxico, D. F. fcasanova@laneta.apc.org

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.

Palabras clave: redes neuronales artificiales, demolicin, explosivos.

Abstract
The development of the computational systems has leaded us to the point of thinking of computers as an
indispensable tool in our daily tasks nowadays. Artificial Neural Networks (ANN) make part of that evolution. The
technology appears with a brilliant future. On the other hand, information regarding the use of explosives represents a
serious risk due the nature of its final scope. Its a subject to be treated carefully, as it's not widely spread shows. This
article intends to be part of the development of both technologies. Essentially we present the basis of steel building
demolition by using explosives, later a simulator of RNA from the BPN class is studied as well as its application to an
example of building demolition with explosives charges.

Keywords: artificial neural networks, demolition, explosives.

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

Redes neuronales artificiales

Las RNA son una analoga de las redes neuronales biolgicas. Son un modelo artificial
y simplificado del cerebro humano, cuyo sistema tiene la habilidad de adquirir
conocimiento a travs de la experiencia, es decir tiene la capacidad de aprender. Las
aplicaciones principales de las RNA tienen preferencia en aquellas reas donde la
inteligencia humana no puede ser emulada de forma satisfactoria por algoritmos
aritmticos que pueden ser instalados en computadoras. Las redes no se disean para
trabajar secuencialmente como un programa computacional tradicional. Ms bien, el
diseo de una RNA se centra en educar a la red mediante algoritmos de aprendizaje,
modificando sus pesos sinpticos durante el modo de entrenamiento de la red, para
posteriormente ser capaz de resolver las tareas para las que sea diseada, durante el
modo de operacin.
Desarrollo histrico de las RNA y de los explosivos en la demolicin
Las RNA comienzan a dar seas de vida con los trabajos de Alan Turing, quien en 1936
fue el primero en pensar en el cerebro como un paradigma computacional. En 1943,
Warren McCulloch y Walter Pitts modelaron una red neuronal simple con circuitos
elctricos [McCulloch y Pitts. 1943]. En 1959, Bernard Widrow y Marcian Hoff crearon
modelos ADALINE y posteriormente modelos MADALINE (por sus siglas en ingls:
Multiple ADAptive LINear Elements). A finales de los aos 50 y principios de los aos 60
del siglo XX, Frank Rosenblatt y sus colaboradores estudiaron extensivamente un tipo
especifico de RNA, que llamaron Perceptrn, debido a que lo consideraron como un
modelo simplificado del mecanismo biolgico de procesamiento de informacin
sensorial, la percepcin [Rosenblatt. 1962]. Sin embargo, Marvin Minsky y Seymor
Papert puntualizaron unos aos ms tarde, que existan problemas muy simples que no
podan ser resueltos por el Perceptrn [Minsky y Papert. 1969]. De esta manera los
resultados de Minsky y Papert representaron un serio revs para el diseo del
Perceptrn. A partir de 1982, se renov con considerable fuerza el inters por las RNA.
Los trabajos de John Hopfield (Investigador del Caltech) influyeron de manera
fundamental en este nuevo inters [Hopfield. 1982]. Aos despus se revivi el inters
por las RNA de alimentacin en avance (los perceptrons). Este desarrollo fue motivado
por el redescubrimiento de un eficiente algoritmo para la determinacin de las
conexiones sinpticas en redes de capas mltiples y con capas ocultas. El poder de
este mtodo, inicialmente sugerido por Paul J. Werbros y conocido como algoritmo de
retro-propagacin de error, fue reconocido alrededor de 1985 por varios grupos de
cientficos [Werbos. 1974]. Este algoritmo de aprendizaje est basado en un simple pero
efectivo principio. Los pesos sinpticos son iterativamente modificados de manera que
la seal de salida difiera tan poco como sea posible de la deseada.
Las RNA tambin han tenido acogida en la ingeniera civil. Nachimuthu Karunanithi y
William J. Grenney disean una red basada en el algoritmo de correlacin en cascada
para aplicarla en la prediccin de flujo de ros [Karunanithi y Grenney. 1994]. En 1996 se
publican los trabajos de Pawan Lingras y Mario Adamo, que utilizan una red multicapa
de alimentacin en avance para estudiar porcentajes y volmenes pico de trfico
[Lingras y Adamo. 1996]. En la primera aplicacin a la ingeniera estructural de las RNA,
94

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

caractersticas del edificio se determina el nmero de niveles y la distribucin de las

cargas explosivas.
La detonacin de las cargas explosivas se logra mediante dispositivos especiales
denominados estopines. Estos dispositivos se clasifican en estopines elctricos y
estopines no elctricos [Vargas Gabino. 1992]. Nuestro caso se refiere a los primeros. El
trabajo de un estopn consiste en proporcionar una chispa de iniciacin o explosin
primaria, que provoca la detonacin de las cargas explosivas. Los estopines elctricos
se dividen en instantneos y de retardo. Estos ltimos son los utilizados en el diseo del
circuito de voladura en cuestin en este trabajo. De acuerdo a la clasificacin de los
tiempos de retardo de los estopines elctricos, el ncleo de plvora ser menor o
mayor. El ncleo de plvora de retardo se consume hasta llegar a la carga primaria del
estopn, que a su vez detonar la carga base del dispositivo de iniciacin.
Columnas en
o
er
1 y 3 pisos

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

Figura 1. Colocacin de explosivos y cortes en las columnas segn el nivel

La direccin de cada depende bsicamente de los tiempos de retardo de los estopines.
As al volar las columnas con un periodo de tiempo entre cada una de ellas, se
provocarn elementos mecnicos tan fuertes que provocarn la falla de los elementos
estructurales, logrando la cada del edificio hacia la direccin establecida en el diseo.
Los mtodos ms comunes en el direccionamiento de la cada son: en forma diagonal y
de arco o bien una combinacin de ambos. Es importante mencionar que para
direccionar la cada de un edificio no slo se toman en cuenta los tiempos de retardo de
manera horizontal, tambin se utilizan los tiempos en forma vertical, para obtener ms
energa de cada y lograr una buena fragmentacin; siendo el caso de edificios de poca
altura principalmente. Una tcnica complementaria, pero no menos importante, es el
cableado del edificio. Si el edificio a demoler tiene construcciones vecinas muy
96

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
*

U = unidad de masa por cm2 (kg/ cm2)

A = rea transversal del elemento (en cm2).
= factor de eficiencia del explosivo a utilizar.
Carga = carga del explosivo (en kg).

En el segundo criterio
Carga = (COLn )(NCEco )(NScarg )(PESO)
donde:
COLn =
NCEcol =
NScarga =
PESO =
Carga =

nmero de columnas por nivel.

nmero de cargas por columna.
nmero de explosivos por carga.
peso del explosivo
cantidad de explosivo a utilizar por nivel (en grs por cartucho).

Diseo del circuito de la voladura

Las mquinas explosoras ms utilizadas son del tipo de descarga por condensador. Sin
embargo, presentan un inconveniente al no poderse calcular la corriente necesaria para
los estopines, mediante los principios bsicos de las leyes de Ohm y de Kirchhoff. La
97

Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero

compaa Dupont, que es una de las principales fabricantes de explosivos, determin el

lmite de disparo de sus estopines en forma grfica. Para disear el circuito de voladura
es necesario determinar algunos valores previamente. Se debe definir un nmero
equivalente de estopines del circuito de acuerdo al nmero de columnas y niveles a ser
cargados con explosivos. Seleccionar el calibre del alambre de cobre a utilizar.
Determinar la longitud de la lnea de encendido as como la longitud del alambre de
cobre del propio circuito, para lo cual es necesario tomar en cuenta las caractersticas
particulares de cada edificio a demoler, tales como la arquitectura y la seleccin del
lugar donde ser colocada la mquina explosora. La secuencia para disear el circuito
de voladura se presenta a continuacin:

se determina la resistencia nominal del estopn de retardo (Re), de acuerdo a la

longitud del alambre de cobre y se calcula la resistencia total de los estopines del
circuito
se determina el nmero equivalente de estopines
se obtiene la resistencia de la lnea de encendido y se determina la resistencia para
el alambre de cobre
se define el nmero de series balanceadas. Con los valores de Rle y Nee se localizan
en la grfica de lmites de disparo para mquinas explosoras de Dupont el nmero
mximo y mnimo de series. La energa elctrica ptima necesaria se transmitir al
escoger un nmero de series igual a la mitad de estos lmites extremos
se obtiene el nmero de estopines por serie y se calcula la resistencia por serie
se calcula el nmero total de series que forman el circuito, es decir el circuito de
estopines. Se determina la resistencia al ir conectando cada serie a la lnea gua
para terminar, se calcula la resistencia total del circuito de voladura.

Ejemplo de demolicin de estructuras de acero con explosivos

El nuestro es un edificio de cinco niveles (incluyendo planta baja), cuyas columnas
fueron construidas con perfil OR 10" x 6" x 0.375". Para nuestra estructura, utilizamos
explosivo tipo Tovex 100. En la figura 2 podemos observar cules son los niveles que
se van cargar con explosivos.

Nivel
2.50 m
Nivel
2.50 m
Nivel
2.50 m

Nivel

Columnas
cargadas.

2.50 m
Planta baja
3.20 m

Figura 2. Esquema representativo del edificio en perfil

98

Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero

En la demolicin de estructuras de acero se realizan cortes en las columnas como parte

de las preparaciones previas. Los cortes se llevan a cabo en forma de V invertida, en
lados opuestos, justo en la seccin donde sern colocadas las cargas. Por lo tanto, si la
columna es de la planta baja representa cargar la columna en dos secciones y tambin
dos las secciones a cortar. Si la columna se localiza en los siguientes niveles, el corte
ser uno al igual que una la seccin a cargar con explosivos.
De acuerdo al nmero total de niveles de nuestro edificio y al nmero de columnas, se
determin un nmero de 296 estopines. Se recomienda cargar con explosivos los
primeros niveles, y de acuerdo a la altura del mismo cargar niveles subsecuentes.
Dichos niveles ya no seran consecutivos, como se puede ver en la figura 2. Se
recomienda cargar con explosivos no ms de la tercera parte de los niveles del edificio.
En nuestro ejemplo la direccin de cada es en forma de arco. Realizamos un clculo
de la cantidad de explosivos a utilizar mediante uno de los dos criterios antes
mencionados. Se contabilizaron 37 columnas en cada uno de los tres niveles
considerados para ser cargados con explosivos. Se determinan 35.52 kg repartidos en
17.76 kg en la planta baja, 8.88 kg en el primer piso y 8.88 kg en el tercer piso. La figura
3 muestra un ejemplo, en uno de los niveles a ser cargados con explosivos, de la
distribucin de los estopines de acuerdo a la clasificacin de los tiempos de retardo.
3

2
2

5
4

5
6

3
5
4
4

7
5

4
2

2
3

Figura 3. Distribucin de los estopines de retardo en el primer piso en planta.

99

Diseo y desarrollo de una RNA para la demolicin con explosivos de estructuras de acero

Se determina un circuito serie-paralelo con estopines de retardo. El circuito consta de

296 estopines de retardo MS con alambre de cobre de 15.24 m de largo (50 ft). La
lnea de encendido tiene una longitud de 200 m hasta la mquina explosora y es de
cobre calibre 14. De la tabla de resistencia nominal de los estopines elctricos de la
marca Dupont se obtiene 2.32 ohms/estopin. La resistencia total de los estopines del
circuito es Rte = 686.72 ohms. Se calcula el nmero equivalente de estopines a usar en
la tabla de lmites de disparo recomendados para la mquina explosora CD-600 de
Dupont, obteniendo Nee = 344 estopines. Para el clculo de la resistencia de la lnea de
encendido, de la tabla de resistencias de alambres de cobre, se obtiene que la
resistencia para un alambre de cobre calibre 14 es 2.525 ohms/1000 ft. La longitud total
de la lnea de encendido es de 400 m, ya que se trata de dos conductores; es decir,
200 m de ida y 200 m de regreso a la mquina explosora (lneas guas). La resistencia
de la lnea de encendido es RLE = 4 ohms. El diseo prosigue con la determinacin del
nmero de series balanceadas del circuito. Con Nee y Rle, de la tabla de lmites de
disparo recomendados para la mquina explosora CD-600 de Dupont, se determina que
se pueden utilizar de 4 a 20 series. Se determina el nmero de series, Ns = 12. Se
obtiene el nmero de estopines por serie, Ne = 24.667 estopines/serie. Como no
podemos colocar 24.667 estopines/serie, se propone que sean 24 25 estopines/serie.
Por lo tanto la distribucin de los estopines por serie queda de la siguiente manera: 4
series de 24 estopines y 8 series de 25 estopines para hacer un total de 296 estopines.
Se calcula la resistencia por serie. Ya que tenemos series de 25 y de 24 estopines,
calculamos la resistencia para ambos tipos de serie. Para las series de 25 estopines
tenemos una resistencia de Rs = 55.68 ohms y para las series de 24 estopines tenemos
Rs = 58 ohms. La resistencia de las 12 series es Rt = 4.767 ohms. Para terminar el
diseo del circuito de voladura, se calcula la resistencia total del mismo y obtenemos un
valor de 8.767 ohms. La tabla 1 es un resumen de la distribucin de los tiempos de los
estopines de retardo, correspondientes a cada serie y segn el nivel del edificio.
Tabla 1. Series y tiempos de retardo.

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

Tiempos, nmero de estopines

T1=8
T2=4
T3=4
T3=4
T2=8
T1=8
T2=4
T4=5
T2=4
T3=4
T5=4
T3=4

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

Simulador RNA para demoler edificios de acero con explosivos

Desafortunadamente no se tiene acceso a un sistema diseado especficamente para
llevar a cabo el procesamiento paralelo bajo el cual se rigen las RNA, por lo tanto nos
valemos de simuladores diseados para ser ejecutados en computadoras de
procesamiento secuencial tradicional. Un punto de gran importancia al disear un
simulador de RNA es considerar que al momento de la ejecucin, la unidad central de
procesamiento de la computadora (CPU, por sus siglas en ingls), invertir la mayor
parte de su tiempo en el clculo de "netai", que es la entrada de la i-sima neurona de
la red. Es necesario escribir un programa para que el CPU comparta su tiempo entre los
nodos o elementos de procesamiento de la red (EP). A medida que la computadora
procesa cada nodo, lleva a cabo el clculo de la entrada y aplica la funcin de
transferencia a la salida antes de pasar al siguiente EP. El clculo que produce el valor
"netai" es un clculo de sumas de productos. El valor de entrada en el i-simo nodo de
la capa superior es la suma de las salidas afectadas por los pesos sinpticos que se
reciben de todos los EP de la capa inferior. La estructura de almacenamiento de datos
ordena las conexiones y salidas de los EP en dos matrices, llamadas salidas y pesos [i].
Los valores se ordenan secuencialmente para que se correspondan homlogamente. El
proceso para calcular la entrada neta del i-simo EP de la capa superior no es
complicado. Se localizan las primeras posiciones tanto del arreglo de pesos como del
arreglo de salidas y se pone a cero un acumulador local. Se multiplican los valores
situados en memoria de cada una de las posiciones de los arreglos, aadiendo el
resultado del producto al acumulador local. Se incrementan las posiciones de las
matrices y se repite la secuencia para todos los valores de los arreglos.
Para nuestros fines utilizamos una red neuronal del tipo retropropagacin (BPN) de tres
capas. Una capa de entrada, una de salida y una capa oculta. La capa de entrada tiene
dos EP, la capa oculta tres y la de salida al igual que la capa de entrada tiene dos EP.
La arquitectura de la BPN se observa en la figura 4.
CAPA DE
ENTRADA

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

Modo de entrenamiento de la red

La BPN, al igual que cualquier RNA, tiene dos modos: uno de entrenamiento y otro de
operacin. Bsicamente, la red se entrena para determinar el nmero de series mximo
y mnimo del circuito de voladura.
Datos de entrada y parmetros de aprendizaje
Las entradas de la red las representan el nmero equivalente de estopines de retardo y
la resistencia del circuito. Las salidas de la red son los mencionados nmeros de series.
Durante el primer modo de la red se utilizaron 55 casos de entrenamiento. La tabla 2.
muestra algunos de los 55 casos de entrenamiento. El conjunto de pesos sinpticos
inicial con el cual se entren la red se puede ver en la figura 5. Los pesos se inicializan
al azar, mantenindose en un intervalo de +1 a -1. La razn de aprendizaje adopta un
valor de = 0.5. En cuanto al parmetro de momento, se asigna un valor de = 0.7.
La funcin de transferencia utilizada es del tipo sigmoide. Debido a la naturaleza de la
funcin de activacin los valores del vector de entrada y salida tuvieron que ser
escalados para situarlos en el rango de 0 y 1.

Tabla 2. Casos de entrenamiento.

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

Figura 5. Conjunto de pesos sinpticos iniciales.

102

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

errortemp[i]:= salidatemp[i] * (1 - salidatemp[i]) * (objetivo[i] - salidatemp[i]);

RED.capas[3].errores[i]:= errortemp[i];
end;
end;
La segunda rutina; procedure propagar_error_atrs, propaga los errores ya conocidos
de la capa de salida hacia la capa oculta y la tercera utiliza el trmino de error de
cualquier EP para actualizar los valores de las conexiones de salida de ese EP y es el
procedure ajustar_pesos.

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

if i=2 then enters[k]:= entrada_red[k];

if i=3 then enters[k]:= RED.capas[i-1].salidas[k];
weights[j,k]:= weights[j,k] + (enters[k]*RED.eta*errfac[j]) + RED.alfa*delta[j,k]);
RED.capas[i].ultimo_delta[j,k]:= oldpesos[j,k] - weights[j,k];
RED.capas[i].pesos[j,k]:= weights[j,k];
end;
end;
end;
end;
La rutina error_final calcula el error de la red al finalizar cada ciclo de entrenamiento.
Es la magnitud que nos indica cundo debe terminar el aprendizaje; es decir, una vez
que todos los errores de los casos de entrenamiento sean aceptablemente pequeos.

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

Figura 6 Convergencia del caso de entrenamiento 27

107

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