dc.contributor | Velasco Toledo, Nelson Fernando | |
dc.creator | Vasquez Naranjo, David Santiago | |
dc.date.accessioned | 2021-06-03T20:13:32Z | |
dc.date.accessioned | 2022-09-28T21:00:43Z | |
dc.date.available | 2021-06-03T20:13:32Z | |
dc.date.available | 2022-09-28T21:00:43Z | |
dc.date.created | 2021-06-03T20:13:32Z | |
dc.date.issued | 2021-02-15 | |
dc.identifier | http://hdl.handle.net/10654/38313 | |
dc.identifier | instname:Universidad Militar Nueva Granada | |
dc.identifier | reponame:Repositorio Institucional Universidad Militar Nueva Granada | |
dc.identifier | repourl:https://repository.unimilitar.edu.co | |
dc.identifier.uri | http://repositorioslatinoamericanos.uchile.cl/handle/2250/3738995 | |
dc.description.abstract | El diseño mecánico hoy día se ve optimizado gracias al uso de tecnologías y programas especializados que ayudan en el proceso, estos con el fin de llegar a resultados exitosos en la implementación final. Una herramienta clave dentro de estas tecnologías es el análisis por método de los elementos finitos FEM que permite evaluar un elemento de estudio, bajo diferentes configuraciones de operación, sin embargo, llevar a cabo estos análisis, en ciertos casos, puede llegar a tomar horas o hasta días en solucionarse, lo que hace ineficiente el proceso de diseño y análisis mecánico de la actualidad.
En el presente trabajo de grado se presentará la implementación de diferentes modelos de inteligencia artificial IA aplicados al análisis FEM, con el fin no solo de mejorar el tiempo requerido por prueba, sino generar un asistente capaz de ayudar y retroalimentar al usuario. A lo largo del trabajo se mostrarán herramientas clave para el correcto funcionamiento de las herramientas IA que llevarán a operaciones de reducción de dimensionalidad y tratamiento estadístico de los datos. Finalmente, el resultado logrará observarse en tres diferentes elementos mecánicos donde se evaluarán y comparan respecto a técnicas de análisis FEM convencionales para demostrar su correcto funcionamiento. | |
dc.language | spa | |
dc.publisher | Ingeniería en Mecatrónica | |
dc.publisher | Facultad de Ingeniería | |
dc.publisher | Universidad Militar Nueva Granada | |
dc.relation | Alcañiz, M. d. (2013). modelado y analsisi por elementos finitos de un eje ferroviario hueco usando pro engineer. Leganes | |
dc.relation | Amariles, M. E. (2006). Determinacion de las fuerzas dinamicas verticales entre la rueda y el riel del sistema metro de Medellin. Medellin, Colombia | |
dc.relation | Argentino, N. c. (2014). Manual integral de vias. buenos aires | |
dc.relation | Benlloch Menchero, J. (2015). diseño de motor v6 de combustión interna. generación de su prototipo virtual y simulación dinámica. Valencia España: Universidad Politecnica de valencia. | |
dc.relation | Carman, G. (2015). diseño mecanico e industrial: historia y evolucion. Almeria | |
dc.relation | Castillo, F. G. (2007). Metodo de los elementos finitos, el enmallado. Madrid | |
dc.relation | CJ Atman, . C. (2005). Comparing freshman and senior engineering design processes: an in-depth follow-up study. Science direct. | |
dc.relation | Crespo, E. (2016, noviembre 15). Medium.com. Retrieved from https://seraph13.medium.com/visualización-de-árbol-de-decisión-a497e257096c | |
dc.relation | Diederik P. Kingma, J. B. (2017). ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION. San diego: Cornell university | |
dc.relation | Ensyme. (2020). Ensyme advising group. Retrieved from https://blog.enzymeadvisinggroup.com/redes-neuronales-python | |
dc.relation | española, n. (2006). perfil de carriles vignole . españa | |
dc.relation | G_COLAB. (2020). ¿Que es colaboratory? Google | |
dc.relation | Giovanny Tarazona, J. C. (2014). modelacion de sistemas de recomendacion aplicando redes neuronales artificiales. Bogota, Colombia | |
dc.relation | Guillermo Gorky, A. V. (2017). analisis mecanico del brazo de biela mediante norma ASTM 48. QUITO, ECUADO: universidad internacional del Ecuador | |
dc.relation | Keras. (2020). Neural networks arquitechture. (KEras) Retrieved from https://keras.io/api/layers/activations/ | |
dc.relation | learn, S. (2019). Decision Trees. (python) Retrieved from https://scikitlearn.org/stable/modules/tree.html#multi-output-problems | |
dc.relation | learn, S. (2020). Quantile Transform. Retrieved from https://scikitlearn.org/stable/auto_examples/preprocessing/plot_all_scaling.html#sphx-glr-autoexamples-preprocessing-plot-all-scaling-py | |
dc.relation | Liang Liang, M. L. (2017). A deep learning approach to estimate stress distribution: fast and accurate surrogate of finite-element analysis. The Royal Society. | |
dc.relation | M., E. S. (2017). Principios y características de las redes neuronales artificiales. In Desarrollo de innovacion en ingenieria (p. 174). Medellin | |
dc.relation | Maganña, J. A. (2015). Conceptos basicos del metodo por elemento finito. Madrid. | |
dc.relation | Mario Gerla, E.-K. L. (2017). Internet of Vehicles: From intelligent grid to autonomous cars and vehicular fog. Sage Journals. | |
dc.relation | Matson Hernández, C. E. (2017). Redes neuronales para clasificación : una aplicación al caso de riesgos laborales en Colombia. Bogota : Pontificia universidad Javeriana | |
dc.relation | Mercedes Eugenia Paoletti, J. M. (2019). Estudio Comparativo de Técnicas de Clasificación de Imágenes Hiperespectrales. Valencia. | |
dc.relation | Mexico, U. A. (2016). Estadistica Descriptiva multivariante . Ciudad De Mexico. | |
dc.relation | Min Chen, S. M. (2018). Deep Feature Learning for Medical Image Analysis with Convolutional Autoencoder Neural Network. Shangai | |
dc.relation | moreno, j. j. (2005). redes neuronales artificiales aplicadas al analisis de datos. MAllorca. | |
dc.relation | Muller, F. (2001). diccionario tecnico de mecanica de automoviles. | |
dc.relation | Nagpal, A. (2017). Principal Component Analysis- Intro. Towards Data Science. | |
dc.relation | Nigel, G. J. (2020). Machine learning for infinite element analysis of fillet radius under tensile load. Singapur | |
dc.relation | Nisbett, R. G. (2012). Diseño en ingenenieria mecanica de Shigley. Mac Graw-Hill Editores S.A | |
dc.relation | Norving, S. R. (2015). Inteligencia artificial, un enfoque moderno. Pearson Educacion S.A. | |
dc.relation | O.C. Zienkiewicz, R. L. (2004). El metodo de los elementos finitos. CIMNE. | |
dc.relation | Oscar J. Pellicer-Valero, M. J. (2019). Real time Biomechanical modeling of the liver using machine learning models trained on finite element method simulations. Mexico. | |
dc.relation | P. V. Straznicky, R. G. (2013). finite element analysis on Design Projects. | |
dc.relation | Palacios, F. S. (2014). Analisis de tensiones y deformaciones dinamicas en un bogie ferroviario mediante el metodo de elementos finitos. Madrid, España: Universidad Carlos III de Madrid. | |
dc.relation | Ramirez, F. (2020). las matematicas detras del machine learning. | |
dc.relation | Ricardo, B. T. (2005). Aportaciones al estudio de las máquinas eléctricas de flujo axial mediante la aplicación del método de los elementos finitos. Catalunya: UPC | |
dc.relation | Rodrigo, J. A. (2017). Análisis de Componentes Principales (Principal Component Analysis, PCA) y tSNE. Madrid | |
dc.relation | S.Y., W. (2005). A finite element model for the static and dynamic analysis of a piezoelectric bimorph. Nanyang: Nanyang Technological University | |
dc.relation | Sánchez, D. O. (2016). Análisis resistente mediante Elementos Finitos del. Zaragoza: Universidad de Zaragoza | |
dc.relation | Simulation, S. (2018). conceptos basicos del analisis FEM. | |
dc.relation | SolidWorks. (2017). Manual de instrucciones de software. Retrieved from www.Solidworks.es | |
dc.relation | Ton J. Cleophas, A. H. (2019). MAchine learning in medicine. Springer | |
dc.relation | University, C. M. (2016). Basis of singular value descomposition. Michigan | |
dc.relation | Velasco, N. M. (2017). Simulacion numerica de la aerodinamica del ala de un avion tipo LSA. CIDESI gobierno de Mexico. | |
dc.relation | Willina Velez, D. G. (2012). ajuste de modelos de elementos finitos. Cali, Colombia | |
dc.relation | Yunus A, C. (2012). Termodinamica. North Carolina: Nnorth Carolina State University | |
dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.rights | http://purl.org/coar/access_right/c_abf2 | |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | |
dc.rights | Acceso abierto | |
dc.title | Exploración de técnicas de inteligencia artificial para la predicción de resultados de la etapa de análisis por elementos finitos en el proceso de diseño mecánico | |