Caracterización de la condición de los rieles de tren usando la función de respuesta de frecuencia y redes profundas

Ilustraciones, gráficos

Autores:: Navas Orduz, Jose Miguel

Tipo de recurso:

Fecha de publicación:: 2024

Institución:: Universidad Nacional de Colombia

Repositorio:: Universidad Nacional de Colombia

Idioma:: spa

id	UNACIONAL2_bd387f2ba1803e7291715c2e8b3a879f
oai_identifier_str	oai:repositorio.unal.edu.co:unal/86128
network_acronym_str	UNACIONAL2
network_name_str	Universidad Nacional de Colombia
repository_id_str
dc.title.spa.fl_str_mv	Caracterización de la condición de los rieles de tren usando la función de respuesta de frecuencia y redes profundas
dc.title.translated.eng.fl_str_mv	Characterizing the condition of railroad track by using Frequency Response Function and Deep Neural Networks
title	Caracterización de la condición de los rieles de tren usando la función de respuesta de frecuencia y redes profundas
spellingShingle	Caracterización de la condición de los rieles de tren usando la función de respuesta de frecuencia y redes profundas 380 - Comercio , comunicaciones, transporte::385 - Transporte ferroviario 620 - Ingeniería y operaciones afines::625 - Ingeniería de ferrocarriles y de carretera 620 - Ingeniería y operaciones afines::621 - Física aplicada Rieles (Ferrocarriles) Ferrocarriles - Mantenimiento y reparación Vías férreas - Mantenimiento y reparación Transporte ferroviario Análisis de Fourier Dinámica de estructuras Desgaste mecánico Función de respuesta de frecuencia (FRF) Método de elementos finitos (MEF) Frecuencia de fijaciones Transformada de Fourier Test de martillo Red Neuronal Profunda Transformada de Wavelet Ensayo de martillo de impacto Frecuencia pin-pin Frequency response function (FRF) Finite element method Pin-Pin frequency Fourier Transform Hammer test Deep Neural Networks Wavelet Transform Impact Hammer Test
title_short	Caracterización de la condición de los rieles de tren usando la función de respuesta de frecuencia y redes profundas
title_full	Caracterización de la condición de los rieles de tren usando la función de respuesta de frecuencia y redes profundas
title_fullStr	Caracterización de la condición de los rieles de tren usando la función de respuesta de frecuencia y redes profundas
title_full_unstemmed	Caracterización de la condición de los rieles de tren usando la función de respuesta de frecuencia y redes profundas
title_sort	Caracterización de la condición de los rieles de tren usando la función de respuesta de frecuencia y redes profundas
dc.creator.fl_str_mv	Navas Orduz, Jose Miguel
dc.contributor.advisor.none.fl_str_mv	Restrepo Martinez, Alejandro
dc.contributor.author.none.fl_str_mv	Navas Orduz, Jose Miguel
dc.contributor.researchgroup.spa.fl_str_mv	Grupo de Promoción E Investigación en Mecánica Aplicada Gpima
dc.subject.ddc.spa.fl_str_mv	380 - Comercio , comunicaciones, transporte::385 - Transporte ferroviario 620 - Ingeniería y operaciones afines::625 - Ingeniería de ferrocarriles y de carretera 620 - Ingeniería y operaciones afines::621 - Física aplicada
topic	380 - Comercio , comunicaciones, transporte::385 - Transporte ferroviario 620 - Ingeniería y operaciones afines::625 - Ingeniería de ferrocarriles y de carretera 620 - Ingeniería y operaciones afines::621 - Física aplicada Rieles (Ferrocarriles) Ferrocarriles - Mantenimiento y reparación Vías férreas - Mantenimiento y reparación Transporte ferroviario Análisis de Fourier Dinámica de estructuras Desgaste mecánico Función de respuesta de frecuencia (FRF) Método de elementos finitos (MEF) Frecuencia de fijaciones Transformada de Fourier Test de martillo Red Neuronal Profunda Transformada de Wavelet Ensayo de martillo de impacto Frecuencia pin-pin Frequency response function (FRF) Finite element method Pin-Pin frequency Fourier Transform Hammer test Deep Neural Networks Wavelet Transform Impact Hammer Test
dc.subject.lemb.none.fl_str_mv	Rieles (Ferrocarriles) Ferrocarriles - Mantenimiento y reparación Vías férreas - Mantenimiento y reparación Transporte ferroviario Análisis de Fourier Dinámica de estructuras Desgaste mecánico
dc.subject.proposal.spa.fl_str_mv	Función de respuesta de frecuencia (FRF) Método de elementos finitos (MEF) Frecuencia de fijaciones Transformada de Fourier Test de martillo Red Neuronal Profunda Transformada de Wavelet Ensayo de martillo de impacto Frecuencia pin-pin
dc.subject.proposal.eng.fl_str_mv	Frequency response function (FRF) Finite element method Pin-Pin frequency Fourier Transform Hammer test Deep Neural Networks Wavelet Transform Impact Hammer Test
description	Ilustraciones, gráficos
publishDate	2024
dc.date.accessioned.none.fl_str_mv	2024-05-21T14:13:35Z
dc.date.available.none.fl_str_mv	2024-05-21T14:13:35Z
dc.date.issued.none.fl_str_mv	2024-05-19
dc.type.spa.fl_str_mv	Trabajo de grado - Maestría
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/masterThesis
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.content.spa.fl_str_mv	Text
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/TM
status_str	acceptedVersion
dc.identifier.uri.none.fl_str_mv	https://repositorio.unal.edu.co/handle/unal/86128
dc.identifier.instname.spa.fl_str_mv	Universidad Nacional de Colombia
dc.identifier.repo.none.fl_str_mv	Repositorio Institucional Universidad Nacional de Colombia
dc.identifier.repourl.spa.fl_str_mv	https://repositorio.unal.edu.co/
url	https://repositorio.unal.edu.co/handle/unal/86128 https://repositorio.unal.edu.co/
identifier_str_mv	Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.indexed.spa.fl_str_mv	LaReferencia
dc.relation.references.spa.fl_str_mv	M. Oregui, Z. Li , R. Dollevoet. Identification of characteristic frequencies of damaged railway tracks using field hammer test measurements. Delft, Netherlands. (2014). G. Idárraga, J. Sánchez, J. Santa, A. Toro. Identificación de mecanismos de desgaste en rieles de vía comercial del metro de Medellín. Medellín. (2014). Stuart L Grassie. Studs and squats: The evolving story. Cambridge, United Kingdom. (2016). M. Oregui, M. Molodova, A. Nuñez, R. Dollevoet, Z. Li. Experimental investigation into the condition of Insulated rail joints by impact excitation. Delft, Netherlands. (2015). Luis A. Bedian. Determinación experimental de los parámetros modales (frecuencias naturales) de una viga en condición empotrada – libre. Veracruz, México. (2010). A.P De Man. Dynatrack: A survey of dynamic railway track properties and their quality. Delft, Netherlands. (2002). Byoung‑Gyu Song, Namcheol Kang. Application of deep neural networks for the parameter identifications of lumped and distributed parameter models under severe noises and various initial values. Daegu, Republic of Korea. (2023). Eun-Taik Lee, Yu-Sik Hong and Hee-Chang Eun. Prediction of the physical properties of a structural member by the impact hammer test. Seoul, Korea. (2022). Guillermo Montiel-Varela, Alan Domínguez-Vazquez, Ezequiel Gallardo-Hernández, Luigi Bregant and Rafael García-Illescas. Experimental and numerical study for detection of rail defect. Ciudad de México, México. (2017). Hongyu Tao and Pan Zhang. Characterization and mitigation of wheel-rail impact at a singular rail defect. Delft, Netherlands. (2022). Osama Brinji, W. Kong, G. Tew. Investigating the dynamic response of the ballast. Melbourne, Australia. (2016). Anil Kumar, Yuqing Zhou, C.P. Gandhi, Rajesh Kumar, Jiawei Xiang. Bearing defect size assessment using wavelet transform based Deep Convolutional Neural Network (DCNN). Alexandria, Egypt. (2020). Yongzhi Qu, Gregory W. Vogl, Zechao Wang. A deep neural network model for learning runtime frequency response function using sensor measurements. Minnesota, USA. (2020). Athanasios Synodinos. Identification of railway track components and defects by analysis of wheel-rail interaction noise. Southampton, UK. (2016). A. Paral, D. Singha Roy, A. Samanta. A deep learning-based approach for condition assessment of semi-rigid joint of steel frame. Durgapur, India. (2020). J. Sresakoolchai, S. Kaewunruen. Detection and severity evaluation of combined rail defects using deep learning. Birmingham, United Kingdom. (2021). R. Janeluiktis. Continuous wavelet transform-based method for the enhancing estimation of wind turbine blade natural frequencies and damping for machine learning porpoises. Denmark. (2020). X. Du, X. Jin, G. Zhao, Z. Wen, W. Li. Rail corrugation of high-speed railway induced by rail grinding. China. (2021). A. Presas, D. Valentin, E. Egusquiza, C. Valero, M. Egusquiza, M. Bossio. Accurate determination of the frequency response function of submerged and confined structures by using PZT-patches. Barcelona. (2017). S. Rani. An experimental investigation of cantilever beam using impulse modal analysis technique. India. (2018). M. Loidolt, S. Marsching. Evaluating short-wave effects in railway track using the rail surface signal. Graz, Austria. (2022). W. Jeong, D. Jeong. Acoustic roughness measurement of railhead surface using an optimal sensor batch algorithm. Daejeon, South Korea. (2020). Z. Yuan, S. Zhu, C. Chang, X. Yuan, Q. Zhang. An unsupervised method based on convolutional variational auto-encoder and anomaly detection algorithms for light rail squat localization. Chengdu, China. (2021). M. Shadab, M. Ibrahim, I. Sarwar, H. Siddiqui, F. Rustam, E. Lee, I. Ashraf. Railway track inspection using deep learning based on audio to spectrogram conversion: an on-the-fly approach. Gyeongsan, South Korea. (2022). Y. Wang, P. Wang, Q. Wang, Z. Chen, Q. He. Using vehicle interior noise classification for monitoring urban rail transit infrastructure. Buffalo, USA. (2020). Integrated maintenance planning approach to optimize budget allocation for subway operating systems. Giza, Egypt. (2022). A.P De Man. Pin-pin resonance as a reference in determining ballasted railway track vibration behavior. Delft, Netherlands. (2000). R. Lewis, P. Christoforou, W.J. Wang, A. Beagles, M. Burstow, S.R. Lewis. Investigation of the influence of rail hardness on the wear of rail and wheel materials under dry conditions (ICRI wear mapping project). Sheffield, United Kingdom. (2019). E. Tutumluer, T.D. Stark, D. Mishra. Investigation and mitigation of differential movement at railway transitions for us high speed passenger rail and joint passenger/freight corridors. Pennsylvania, USA. (2012). Z. Li, A. Nuñez, M. Molodova, R. Dollevoet. Improvements in axle box acceleration measurements for the detection of light squats in railway infrastructure. Delft, Netherlands. (2015). Zhiling Guo, Qi Chen 1,2, Guangming Wu , Yongwei Xu, Ryosuke Shibasaki and Xiaowei Shao. Village building identification based on ensemble convolutional neural networks. Wuhan, China. (2017).
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.license.spa.fl_str_mv	Atribución-NoComercial-SinDerivadas 4.0 Internacional
dc.rights.uri.spa.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
rights_invalid_str_mv	Atribución-NoComercial-SinDerivadas 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.extent.spa.fl_str_mv	127 páginas
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Universidad Nacional de Colombia
dc.publisher.program.spa.fl_str_mv	Medellín - Minas - Maestría en Ingeniería Mecánica
dc.publisher.faculty.spa.fl_str_mv	Facultad de Minas
dc.publisher.place.spa.fl_str_mv	Medellín, Colombia
dc.publisher.branch.spa.fl_str_mv	Universidad Nacional de Colombia - Sede Medellín
institution	Universidad Nacional de Colombia
bitstream.url.fl_str_mv	https://repositorio.unal.edu.co/bitstream/unal/86128/1/license.txt https://repositorio.unal.edu.co/bitstream/unal/86128/2/1098740444.2024.pdf
bitstream.checksum.fl_str_mv	eb34b1cf90b7e1103fc9dfd26be24b4a 0247dcd065287ca79d976dc78557caa2
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad Nacional de Colombia
repository.mail.fl_str_mv	repositorio_nal@unal.edu.co
_version_	1806886232146313216
spelling	Atribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Restrepo Martinez, Alejandrofb2cd48a7c4ad112c4c8c0e3d01d16b1Navas Orduz, Jose Miguelc7e4e414c3121a641bffc137e2afb04dGrupo de Promoción E Investigación en Mecánica Aplicada Gpima2024-05-21T14:13:35Z2024-05-21T14:13:35Z2024-05-19https://repositorio.unal.edu.co/handle/unal/86128Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/Ilustraciones, gráficosDebido a la crítica importancia del riel en el mantenimiento del sistema ferroviario, se hace imprescindible desarrollar un proceso que permita evaluar el estado del riel, cuantificar la severidad de sus posibles defectos y cambios en configuraciones estructurales. Este análisis es esencial para tomar medidas apropiadas, asegurando la confiabilidad y mantenibilidad del sistema en su totalidad. En este contexto, este proceso de investigación se enfoca en la implementación de una metodología que caracteriza los rieles de tren a través de su comportamiento dinámico mediante el análisis modal. El cual, aborda el análisis frecuencial a través de tres enfoques: teórico, numérico y experimental. El proceso experimental de análisis modal se realiza mediante la técnica de ensayo de martillo. Para ello, se realiza un estudio de determinación del comportamiento frecuencial del riel con respecto a cambios en la distancia entre fijaciones y a la variación de condiciones como generación de defectos. Dicho proceso implica la captura de señales mediante un acelerómetro uniaxial para la respuesta del riel y un martillo instrumentado para el impacto. Se recopilaron 45 señales para cada distancia y condición, y posteriormente se realizaron transformaciones a través de la Función de Respuesta de Frecuencia (FRF), la Transformada de Fourier (FFT) y la Transformada Continua de Wavelet (CWT). Para la interpretación y clasificación de los datos, se emplearon métodos estadísticos, como el método Z, y técnicas de aprendizaje de máquina mediante redes convolucionales profundas (CNN). Estas fueron evaluadas utilizando criterios y métricas como la exactitud, la matriz de confusión y la curva ROC. Todo esto proporcionando una metodología funcional que permite la caracterización del comportamiento frecuencial del riel de tren, considerando modificaciones tanto en el tipo de ensamble como en las variaciones de propiedades físicas. (Tomado de la fuente)Due to the critical importance of railway tracks in the maintenance of the railway system, it is imperative to develop a process that allows for the assessment of the track's condition, quantification of the severity of potential defects, and changes in structural configurations. This analysis is essential for taking appropriate measures, ensuring the overall reliability and maintainability of the system. In this context, this research process focuses on implementing a methodology that characterizes train tracks through their dynamic behavior using modal analysis. This methodology addresses frequency analysis through three approaches: theoretical, numerical, and experimental. The validation of this behavior is conducted through an experimental process using the hammer test technique. The study is carried out regarding the modification in the distance between fixations and the variation of conditions to determine the corresponding changes in frequency behavior. This process involves capturing signals using a uniaxial accelerometer for track response and an instrumented hammer for impact. 45 signals were collected for each distance and condition, subsequently transformed through Frequency Response Function (FRF), Fourier Transform (FFT), and Continuous Wavelet Transform (CWT). For data interpretation and classification, statistical methods such as the Z method and machine learning techniques employing deep convolutional neural networks (CNN) were utilized. These methods were evaluated using criteria and metrics such as accuracy, confusion matrix, and ROC curve. All of this contributes to a functional methodology enabling the characterization of the frequency behavior of train tracks, considering modifications in both assembly types and variations in physical properties.MaestríaMagíster en Ingeniería MecánicaInvestigación en Ingeniería MecánicaIngeniería Mecánica.Sede Medellín127 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Minas - Maestría en Ingeniería MecánicaFacultad de MinasMedellín, ColombiaUniversidad Nacional de Colombia - Sede Medellín380 - Comercio , comunicaciones, transporte::385 - Transporte ferroviario620 - Ingeniería y operaciones afines::625 - Ingeniería de ferrocarriles y de carretera620 - Ingeniería y operaciones afines::621 - Física aplicadaRieles (Ferrocarriles)Ferrocarriles - Mantenimiento y reparaciónVías férreas - Mantenimiento y reparaciónTransporte ferroviarioAnálisis de FourierDinámica de estructurasDesgaste mecánicoFunción de respuesta de frecuencia (FRF)Método de elementos finitos (MEF)Frecuencia de fijacionesTransformada de FourierTest de martilloRed Neuronal ProfundaTransformada de WaveletEnsayo de martillo de impactoFrecuencia pin-pinFrequency response function (FRF)Finite element methodPin-Pin frequencyFourier TransformHammer testDeep Neural NetworksWavelet TransformImpact Hammer TestCaracterización de la condición de los rieles de tren usando la función de respuesta de frecuencia y redes profundasCharacterizing the condition of railroad track by using Frequency Response Function and Deep Neural NetworksTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMLaReferenciaM. Oregui, Z. Li , R. Dollevoet. Identification of characteristic frequencies of damaged railway tracks using field hammer test measurements. Delft, Netherlands. (2014).G. Idárraga, J. Sánchez, J. Santa, A. Toro. Identificación de mecanismos de desgaste en rieles de vía comercial del metro de Medellín. Medellín. (2014).Stuart L Grassie. Studs and squats: The evolving story. Cambridge, United Kingdom. (2016).M. Oregui, M. Molodova, A. Nuñez, R. Dollevoet, Z. Li. Experimental investigation into the condition of Insulated rail joints by impact excitation. Delft, Netherlands. (2015).Luis A. Bedian. Determinación experimental de los parámetros modales (frecuencias naturales) de una viga en condición empotrada – libre. Veracruz, México. (2010).A.P De Man. Dynatrack: A survey of dynamic railway track properties and their quality. Delft, Netherlands. (2002).Byoung‑Gyu Song, Namcheol Kang. Application of deep neural networks for the parameter identifications of lumped and distributed parameter models under severe noises and various initial values. Daegu, Republic of Korea. (2023).Eun-Taik Lee, Yu-Sik Hong and Hee-Chang Eun. Prediction of the physical properties of a structural member by the impact hammer test. Seoul, Korea. (2022).Guillermo Montiel-Varela, Alan Domínguez-Vazquez, Ezequiel Gallardo-Hernández, Luigi Bregant and Rafael García-Illescas. Experimental and numerical study for detection of rail defect. Ciudad de México, México. (2017).Hongyu Tao and Pan Zhang. Characterization and mitigation of wheel-rail impact at a singular rail defect. Delft, Netherlands. (2022).Osama Brinji, W. Kong, G. Tew. Investigating the dynamic response of the ballast. Melbourne, Australia. (2016).Anil Kumar, Yuqing Zhou, C.P. Gandhi, Rajesh Kumar, Jiawei Xiang. Bearing defect size assessment using wavelet transform based Deep Convolutional Neural Network (DCNN). Alexandria, Egypt. (2020).Yongzhi Qu, Gregory W. Vogl, Zechao Wang. A deep neural network model for learning runtime frequency response function using sensor measurements. Minnesota, USA. (2020).Athanasios Synodinos. Identification of railway track components and defects by analysis of wheel-rail interaction noise. Southampton, UK. (2016).A. Paral, D. Singha Roy, A. Samanta. A deep learning-based approach for condition assessment of semi-rigid joint of steel frame. Durgapur, India. (2020).J. Sresakoolchai, S. Kaewunruen. Detection and severity evaluation of combined rail defects using deep learning. Birmingham, United Kingdom. (2021).R. Janeluiktis. Continuous wavelet transform-based method for the enhancing estimation of wind turbine blade natural frequencies and damping for machine learning porpoises. Denmark. (2020).X. Du, X. Jin, G. Zhao, Z. Wen, W. Li. Rail corrugation of high-speed railway induced by rail grinding. China. (2021).A. Presas, D. Valentin, E. Egusquiza, C. Valero, M. Egusquiza, M. Bossio. Accurate determination of the frequency response function of submerged and confined structures by using PZT-patches. Barcelona. (2017).S. Rani. An experimental investigation of cantilever beam using impulse modal analysis technique. India. (2018).M. Loidolt, S. Marsching. Evaluating short-wave effects in railway track using the rail surface signal. Graz, Austria. (2022).W. Jeong, D. Jeong. Acoustic roughness measurement of railhead surface using an optimal sensor batch algorithm. Daejeon, South Korea. (2020).Z. Yuan, S. Zhu, C. Chang, X. Yuan, Q. Zhang. An unsupervised method based on convolutional variational auto-encoder and anomaly detection algorithms for light rail squat localization. Chengdu, China. (2021).M. Shadab, M. Ibrahim, I. Sarwar, H. Siddiqui, F. Rustam, E. Lee, I. Ashraf. Railway track inspection using deep learning based on audio to spectrogram conversion: an on-the-fly approach. Gyeongsan, South Korea. (2022).Y. Wang, P. Wang, Q. Wang, Z. Chen, Q. He. Using vehicle interior noise classification for monitoring urban rail transit infrastructure. Buffalo, USA. (2020).Integrated maintenance planning approach to optimize budget allocation for subway operating systems. Giza, Egypt. (2022).A.P De Man. Pin-pin resonance as a reference in determining ballasted railway track vibration behavior. Delft, Netherlands. (2000).R. Lewis, P. Christoforou, W.J. Wang, A. Beagles, M. Burstow, S.R. Lewis. Investigation of the influence of rail hardness on the wear of rail and wheel materials under dry conditions (ICRI wear mapping project). Sheffield, United Kingdom. (2019).E. Tutumluer, T.D. Stark, D. Mishra. Investigation and mitigation of differential movement at railway transitions for us high speed passenger rail and joint passenger/freight corridors. Pennsylvania, USA. (2012).Z. Li, A. Nuñez, M. Molodova, R. Dollevoet. Improvements in axle box acceleration measurements for the detection of light squats in railway infrastructure. Delft, Netherlands. (2015).Zhiling Guo, Qi Chen 1,2, Guangming Wu , Yongwei Xu, Ryosuke Shibasaki and Xiaowei Shao. Village building identification based on ensemble convolutional neural networks. Wuhan, China. (2017).InvestigadoresPúblico generalLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/86128/1/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD51ORIGINAL1098740444.2024.pdf1098740444.2024.pdfTesis de Maestría en Ingeniería Mecánicaapplication/pdf8077125https://repositorio.unal.edu.co/bitstream/unal/86128/2/1098740444.2024.pdf0247dcd065287ca79d976dc78557caa2MD52unal/86128oai:repositorio.unal.edu.co:unal/861282024-05-21 09:15:01.897Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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

Caracterización de la condición de los rieles de tren usando la función de respuesta de frecuencia y redes profundas

Publicaciones similares