Revisión de los métodos basados en datos para el modelado de la subestructura numérica y el impacto de aplicar métodos de compresión en el marco de la simulación híbrida en tiempo-real
En este documento se realiza la revisión del estado del arte del uso de métodos basados en datos para modelar la subestructura numérica en el marco de la Simulación Híbrida en Tiempo-Real
- Autores:
-
Cardona Cañaveral, Vhanessa
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/58669
- Acceso en línea:
- http://hdl.handle.net/1992/58669
- Palabra clave:
- Métodos basados en datos
Redes neuronales
Modelado de la subestructura numérica
Métodos de compresión
Simulación Híbrida en Tiempo-Real
Redes neurales (Computadores)
Agentes inteligentes (Programas para computador)
Procesamiento de datos en tiempo real
Aprendizaje automático (Inteligencia artificial)
Ingeniería
- Rights
- openAccess
- License
- Attribution-NonCommercial-NoDerivatives 4.0 Internacional
| id |
UNIANDES2_4e9931b7f7059191edd7dcf7522510e8 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/58669 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Revisión de los métodos basados en datos para el modelado de la subestructura numérica y el impacto de aplicar métodos de compresión en el marco de la simulación híbrida en tiempo-real |
| title |
Revisión de los métodos basados en datos para el modelado de la subestructura numérica y el impacto de aplicar métodos de compresión en el marco de la simulación híbrida en tiempo-real |
| spellingShingle |
Revisión de los métodos basados en datos para el modelado de la subestructura numérica y el impacto de aplicar métodos de compresión en el marco de la simulación híbrida en tiempo-real Métodos basados en datos Redes neuronales Modelado de la subestructura numérica Métodos de compresión Simulación Híbrida en Tiempo-Real Redes neurales (Computadores) Agentes inteligentes (Programas para computador) Procesamiento de datos en tiempo real Aprendizaje automático (Inteligencia artificial) Ingeniería |
| title_short |
Revisión de los métodos basados en datos para el modelado de la subestructura numérica y el impacto de aplicar métodos de compresión en el marco de la simulación híbrida en tiempo-real |
| title_full |
Revisión de los métodos basados en datos para el modelado de la subestructura numérica y el impacto de aplicar métodos de compresión en el marco de la simulación híbrida en tiempo-real |
| title_fullStr |
Revisión de los métodos basados en datos para el modelado de la subestructura numérica y el impacto de aplicar métodos de compresión en el marco de la simulación híbrida en tiempo-real |
| title_full_unstemmed |
Revisión de los métodos basados en datos para el modelado de la subestructura numérica y el impacto de aplicar métodos de compresión en el marco de la simulación híbrida en tiempo-real |
| title_sort |
Revisión de los métodos basados en datos para el modelado de la subestructura numérica y el impacto de aplicar métodos de compresión en el marco de la simulación híbrida en tiempo-real |
| dc.creator.fl_str_mv |
Cardona Cañaveral, Vhanessa |
| dc.contributor.advisor.none.fl_str_mv |
Giraldo Trujillo, Luis Felipe |
| dc.contributor.author.none.fl_str_mv |
Cardona Cañaveral, Vhanessa |
| dc.contributor.jury.none.fl_str_mv |
Zambrano Jacobo, Andrés Felipe |
| dc.subject.keyword.none.fl_str_mv |
Métodos basados en datos Redes neuronales Modelado de la subestructura numérica Métodos de compresión Simulación Híbrida en Tiempo-Real |
| topic |
Métodos basados en datos Redes neuronales Modelado de la subestructura numérica Métodos de compresión Simulación Híbrida en Tiempo-Real Redes neurales (Computadores) Agentes inteligentes (Programas para computador) Procesamiento de datos en tiempo real Aprendizaje automático (Inteligencia artificial) Ingeniería |
| dc.subject.armarc.none.fl_str_mv |
Redes neurales (Computadores) Agentes inteligentes (Programas para computador) Procesamiento de datos en tiempo real Aprendizaje automático (Inteligencia artificial) |
| dc.subject.themes.es_CO.fl_str_mv |
Ingeniería |
| description |
En este documento se realiza la revisión del estado del arte del uso de métodos basados en datos para modelar la subestructura numérica en el marco de la Simulación Híbrida en Tiempo-Real |
| publishDate |
2022 |
| dc.date.accessioned.none.fl_str_mv |
2022-07-09T22:23:33Z |
| dc.date.available.none.fl_str_mv |
2022-07-09T22:23:33Z |
| dc.date.issued.none.fl_str_mv |
2022 |
| dc.type.es_CO.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.es_CO.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/58669 |
| dc.identifier.instname.es_CO.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.es_CO.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.es_CO.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/58669 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.es_CO.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.es_CO.fl_str_mv |
[1] N. Nakata, S. J. Dyke, J. Zhang, G. Mosqueda, X. Shao, H. Mahmoud, M. H. Head, M. E. Bletzinger, G. A. Marshall, G. Ou, C. Song, Hybrid simulation primer and dictionary (4 2014). URL https://mechs.designsafe-ci.org/media/cms_page_media/965/Primer.pdf [2] C. E. Silva, D. Gomez, A. Maghareh, S. J. Dyke, B. F. Spencer, Benchmark control problem for real-time hybrid simulation, Mechanical Systems and Signal Processing 135 (2020) 106381. doi:10.1016/j.ymssp.2019.106381. [3] W. Jinting, L. Liqiao, Z. Fei, Efficiency analysis of numerical integrations for finite element substructure in real-time hybrid simulation, Earthquake Engineering and Engineering Vibration 17 (2018) 73-86.doi:10.1007/s11803-018-0426-0. [4] E. E. Bas, M. A. Moustafa, Real-time hybrid simulation with deep learning computational substructures: System validation using linear specimens, Machine Learning and Knowledge Extraction 2 (2020) 469-489. doi:10.3390/make2040026. [5] G. James, D. Witten, T. Hastie, R. Tibshirani, An Introduction to Statistical Learning: with Applications in R, 2nd Edition, Springer New York, 2021. [6] E. E. Bas, M. A. Moustafa, Communication development and verification for python-based machine learning models for real-time hybrid simulation, Frontiers in Built Environment 6 (9 2020). doi:10.3389/fbuil.2020.574965. [7] E. E. Bas, M. A. Moustafa, D. Feil-Seifer, J. Blankenburg, Using machine learning approach for computational substructure in real-time hybrid simulation (4 2020). doi:10.48550/arXiv.2004.02037. [8] S. Chang, An explicit method with improved stability property, International Journal for Numerical Methods in Engineering 77 (2009). doi:10.1002/nme.2452. [9] MATLAB, version 8.3 (R2014a), The MathWorks Inc., 2014. [10] D. Alexander, Neural Networks: History and Applications, 2020. URL https://search.ebscohost.com/login.aspx?direct=true&db=e000xww&AN=2323785&site=eds-live [11] N. Tsokanas, T. Simpson, R. Pastorino, E. Chatzi, B. Stojadinovic, Model order reduction for real-time hybrid simulation: Comparing polynomial chaos expansion and neural network methods (2021). doi:10.31224/osf.io/h2bnm. [12] Mucha, Application of artificial neural networks in hybrid simulation, Applied Sciences 9 (2019) 4495. doi:10.3390/app9214495. [13] A. Graves, A. rahman Mohamed, G. Hinton, Speech recognition with deep recurrent neural networks (3 2013). URL http://arxiv.org/abs/1303.5778 [14] F. McKenna, G. L. Fenves, M. H. Scott, et al., Open system for earthquake engineering simulation, University of California, Berkeley, CA (2000). [15] M. Norgaard, MATLAB NNSYSID Toolbox, 1st Edition, MATLAB, 2003, the MathWorks, Natick, MA, USA. URL https://la.mathworks.com/matlabcentral/fileexchange/87-nnsysid [16] Y. LeCun, J. Denker, S. Solla, Optimal brain damage, Vol. 2, Morgan-Kaufmann, 1989. URL https://proceedings.neurips.cc/paper/1989/file/6c9882bbac1c7093bd25041881277658-Paper.pdf |
| dc.rights.license.spa.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 Internacional |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivatives 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.es_CO.fl_str_mv |
26 páginas |
| dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
| dc.publisher.es_CO.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.es_CO.fl_str_mv |
Ingeniería Electrónica |
| dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería Eléctrica y Electrónica |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/b78c94a1-774a-41df-9654-7dd18a846d19/download https://repositorio.uniandes.edu.co/bitstreams/4d30dc99-2ebf-4dde-81b9-6dababe44b53/download https://repositorio.uniandes.edu.co/bitstreams/55f05605-36c6-46dc-afc0-9e8dc344519d/download https://repositorio.uniandes.edu.co/bitstreams/f9962a1f-f85d-4188-9d64-d868d95a1773/download https://repositorio.uniandes.edu.co/bitstreams/be097b3e-a594-4286-aa0b-83f3a1422f6d/download https://repositorio.uniandes.edu.co/bitstreams/c67dc41b-3987-4e11-89b3-502fc9bb0ce4/download https://repositorio.uniandes.edu.co/bitstreams/7969eb51-a161-408f-a2ad-d9860c735564/download https://repositorio.uniandes.edu.co/bitstreams/da7f90d5-3b35-401c-97d7-0e0654446ae2/download |
| bitstream.checksum.fl_str_mv |
5dd9dd9494232f5fdc08e93c5f071e18 20a7cd20595c7d54ac3746f58b36cfd2 4460e5956bc1d1639be9ae6146a50347 f38ced036e5edf3d924e8e1b8afb0644 c632a7d9bc268aefe61a661e375f5ccc 5aa5c691a1ffe97abd12c2966efcb8d6 c9fe8d2a4e153825e89e4815474270d6 ff40d96d41290d752e284a9e764841ee |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1808390229078310912 |
| spelling |
Attribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Giraldo Trujillo, Luis Felipevirtual::4380-1Cardona Cañaveral, Vhanessadd2e1c69-1388-448e-9905-05074ad903b6600Zambrano Jacobo, Andrés Felipe2022-07-09T22:23:33Z2022-07-09T22:23:33Z2022http://hdl.handle.net/1992/58669instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/En este documento se realiza la revisión del estado del arte del uso de métodos basados en datos para modelar la subestructura numérica en el marco de la Simulación Híbrida en Tiempo-RealEn este artículo se revisa el uso de métodos basados en datos para el modelado de la subestructura numérica en la simulación híbrida en tiempo real (RTHS). Se replica una técnica en un entorno virtual de RTHS y se compara su precisión con los datos obtenidos con métodos numéricos. Por último, se propone aplicar diferentes métodos de compresión a las redes neuronales para estudiar cómo se podrían reducir los tiempos de computo y así mejorar los resultados de la simulación.Ingeniero ElectrónicoPregrado26 páginasapplication/pdfspaUniversidad de los AndesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y ElectrónicaRevisión de los métodos basados en datos para el modelado de la subestructura numérica y el impacto de aplicar métodos de compresión en el marco de la simulación híbrida en tiempo-realTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPMétodos basados en datosRedes neuronalesModelado de la subestructura numéricaMétodos de compresiónSimulación Híbrida en Tiempo-RealRedes neurales (Computadores)Agentes inteligentes (Programas para computador)Procesamiento de datos en tiempo realAprendizaje automático (Inteligencia artificial)Ingeniería[1] N. Nakata, S. J. Dyke, J. Zhang, G. Mosqueda, X. Shao, H. Mahmoud, M. H. Head, M. E. Bletzinger, G. A. Marshall, G. Ou, C. Song, Hybrid simulation primer and dictionary (4 2014). URL https://mechs.designsafe-ci.org/media/cms_page_media/965/Primer.pdf[2] C. E. Silva, D. Gomez, A. Maghareh, S. J. Dyke, B. F. Spencer, Benchmark control problem for real-time hybrid simulation, Mechanical Systems and Signal Processing 135 (2020) 106381. doi:10.1016/j.ymssp.2019.106381.[3] W. Jinting, L. Liqiao, Z. Fei, Efficiency analysis of numerical integrations for finite element substructure in real-time hybrid simulation, Earthquake Engineering and Engineering Vibration 17 (2018) 73-86.doi:10.1007/s11803-018-0426-0.[4] E. E. Bas, M. A. Moustafa, Real-time hybrid simulation with deep learning computational substructures: System validation using linear specimens, Machine Learning and Knowledge Extraction 2 (2020) 469-489. doi:10.3390/make2040026.[5] G. James, D. Witten, T. Hastie, R. Tibshirani, An Introduction to Statistical Learning: with Applications in R, 2nd Edition, Springer New York, 2021.[6] E. E. Bas, M. A. Moustafa, Communication development and verification for python-based machine learning models for real-time hybrid simulation, Frontiers in Built Environment 6 (9 2020). doi:10.3389/fbuil.2020.574965.[7] E. E. Bas, M. A. Moustafa, D. Feil-Seifer, J. Blankenburg, Using machine learning approach for computational substructure in real-time hybrid simulation (4 2020). doi:10.48550/arXiv.2004.02037.[8] S. Chang, An explicit method with improved stability property, International Journal for Numerical Methods in Engineering 77 (2009). doi:10.1002/nme.2452.[9] MATLAB, version 8.3 (R2014a), The MathWorks Inc., 2014.[10] D. Alexander, Neural Networks: History and Applications, 2020. URL https://search.ebscohost.com/login.aspx?direct=true&db=e000xww&AN=2323785&site=eds-live[11] N. Tsokanas, T. Simpson, R. Pastorino, E. Chatzi, B. Stojadinovic, Model order reduction for real-time hybrid simulation: Comparing polynomial chaos expansion and neural network methods (2021). doi:10.31224/osf.io/h2bnm.[12] Mucha, Application of artificial neural networks in hybrid simulation, Applied Sciences 9 (2019) 4495. doi:10.3390/app9214495.[13] A. Graves, A. rahman Mohamed, G. Hinton, Speech recognition with deep recurrent neural networks (3 2013). URL http://arxiv.org/abs/1303.5778[14] F. McKenna, G. L. Fenves, M. H. Scott, et al., Open system for earthquake engineering simulation, University of California, Berkeley, CA (2000).[15] M. Norgaard, MATLAB NNSYSID Toolbox, 1st Edition, MATLAB, 2003, the MathWorks, Natick, MA, USA. URL https://la.mathworks.com/matlabcentral/fileexchange/87-nnsysid[16] Y. LeCun, J. Denker, S. Solla, Optimal brain damage, Vol. 2, Morgan-Kaufmann, 1989. URL https://proceedings.neurips.cc/paper/1989/file/6c9882bbac1c7093bd25041881277658-Paper.pdf201728751Publicationhttps://scholar.google.es/citations?user=4TGvo8AAAAJvirtual::4380-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000802506virtual::4380-1eb386eec-3ec8-40c2-829d-ae8cbf0e384evirtual::4380-1eb386eec-3ec8-40c2-829d-ae8cbf0e384evirtual::4380-1THUMBNAILRevisión de los métodos basados en datos de la subestructura numérica en RTHS.pdf.jpgRevisión de los métodos basados en datos de la subestructura numérica en RTHS.pdf.jpgIM Thumbnailimage/jpeg16803https://repositorio.uniandes.edu.co/bitstreams/b78c94a1-774a-41df-9654-7dd18a846d19/download5dd9dd9494232f5fdc08e93c5f071e18MD56Formato Autorizacion.pdf.jpgFormato Autorizacion.pdf.jpgIM Thumbnailimage/jpeg16087https://repositorio.uniandes.edu.co/bitstreams/4d30dc99-2ebf-4dde-81b9-6dababe44b53/download20a7cd20595c7d54ac3746f58b36cfd2MD58CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.uniandes.edu.co/bitstreams/55f05605-36c6-46dc-afc0-9e8dc344519d/download4460e5956bc1d1639be9ae6146a50347MD52TEXTRevisión de los métodos basados en datos de la subestructura numérica en RTHS.pdf.txtRevisión de los métodos basados en datos de la subestructura numérica en RTHS.pdf.txtExtracted texttext/plain39189https://repositorio.uniandes.edu.co/bitstreams/f9962a1f-f85d-4188-9d64-d868d95a1773/downloadf38ced036e5edf3d924e8e1b8afb0644MD55Formato Autorizacion.pdf.txtFormato Autorizacion.pdf.txtExtracted texttext/plain1486https://repositorio.uniandes.edu.co/bitstreams/be097b3e-a594-4286-aa0b-83f3a1422f6d/downloadc632a7d9bc268aefe61a661e375f5cccMD57LICENSElicense.txtlicense.txttext/plain; charset=utf-81810https://repositorio.uniandes.edu.co/bitstreams/c67dc41b-3987-4e11-89b3-502fc9bb0ce4/download5aa5c691a1ffe97abd12c2966efcb8d6MD51ORIGINALRevisión de los métodos basados en datos de la subestructura numérica en RTHS.pdfRevisión de los métodos basados en datos de la subestructura numérica en RTHS.pdfTrabajo de Gradoapplication/pdf1724952https://repositorio.uniandes.edu.co/bitstreams/7969eb51-a161-408f-a2ad-d9860c735564/downloadc9fe8d2a4e153825e89e4815474270d6MD54Formato Autorizacion.pdfFormato Autorizacion.pdfHIDEapplication/pdf171844https://repositorio.uniandes.edu.co/bitstreams/da7f90d5-3b35-401c-97d7-0e0654446ae2/downloadff40d96d41290d752e284a9e764841eeMD531992/58669oai:repositorio.uniandes.edu.co:1992/586692024-03-13 12:40:24.322http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |