| dc.creator | Ferrari, Guido | |
| dc.creator | Gómez, Martín | |
| dc.creator | Basgall, Angel | |
| dc.date | 2020-02-28T22:53:09Z | |
| dc.date | 2020-02-28T22:53:09Z | |
| dc.date | 2019 | |
| dc.date.accessioned | 2023-08-31T14:11:02Z | |
| dc.date.available | 2023-08-31T14:11:02Z | |
| dc.identifier | Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico - Basgall A, Ferrari, G, Gómez, M. | |
| dc.identifier | http://hdl.handle.net/20.500.12272/4369 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8546552 | |
| dc.description | Una Red Neuronal Artificial (RNA) es un modelo matemático computacional que intenta imitar,
limitadamente, la estructura y funcionamiento de neuronas biológicas las cuales, a grandes
rasgos, toman señales eléctricas de entrada y producen una señal de salida llamada respuesta.
Mediante la combinación de una cantidad grande de neuronas artificiales, estas pueden tener
la capacidad de “aprender” patrones específicos en el análisis de señales e inferir resultados.
Estas redes pueden ser utilizadas en una amplia gama de aplicaciones como clasificación de
objetos o señales, aproximación de funciones, conducción autónoma, reconocimiento de voz,
análisis y tratamiento de imágenes o textos, etc. Las RNA tipo mapa auto-organizado (SOM Self
Organized Map) o también llamadas Redes Kohonen realizan una suma ponderada de los datos
multidimensionales de entrada, los cuales son afectados individualmente por un valor numérico
denominado peso. Luego mediante una competencia entre neuronas se selecciona una
ganadora y se procede a realizar un ajuste de vecindad para que la señal de salida sea más
parecida a la señal de entrada. Esto genera un mapa en dos dimensiones donde la información
se muestra organizada en zonas que tienen características similares. Los pesos de cada
neurona se modifican continuamente y de diferente manera durante varias “épocas” (época se Una Red Neuronal Artificial (RNA) es un modelo matemático computacional que intenta imitar,
limitadamente, la estructura y funcionamiento de neuronas biológicas las cuales, a grandes
rasgos, toman señales eléctricas de entrada y producen una señal de salida llamada respuesta.
Mediante la combinación de una cantidad grande de neuronas artificiales, estas pueden tener
la capacidad de “aprender” patrones específicos en el análisis de señales e inferir resultados.
Estas redes pueden ser utilizadas en una amplia gama de aplicaciones como clasificación de
objetos o señales, aproximación de funciones, conducción autónoma, reconocimiento de voz,
análisis y tratamiento de imágenes o textos, etc. Las RNA tipo mapa auto-organizado (SOM Self
Organized Map) o también llamadas Redes Kohonen realizan una suma ponderada de los datos
multidimensionales de entrada, los cuales son afectados individualmente por un valor numérico
denominado peso. Luego mediante una competencia entre neuronas se selecciona una
ganadora y se procede a realizar un ajuste de vecindad para que la señal de salida sea más
parecida a la señal de entrada. Esto genera un mapa en dos dimensiones donde la información
se muestra organizada en zonas que tienen características similares. Los pesos de cada
neurona se modifican continuamente y de diferente manera durante varias “épocas” (época se
denomina a cada paso de ajuste de los pesos) hasta minimizar el error de la respuesta. Este
proceso se denomina entrenamiento, donde específicamente para esta red, es un aprendizaje de
tipo no supervisado. En este trabajo se utilizan RNA tipo SOM para el estudio de señales
emisión acústica (EA) provenientes de un proceso perforación de materiales geológicos
dispuestos en capas y asociados mediante un cementicio, con los cuales se construyeron
probetas de tamaño de laboratorio (320x320x400 mm). El taladrado se realizó con brocas de
65 mm de diámetro, con insertos monofilo de carburo de tungsteno, haciendo cuatro agujeros
por cada probeta multicapa, y se midió la EA durante cada perforación. Luego de un proceso
de entrenamiento detallado y una selección rigurosa de la información, esta RNA mostró la
capacidad de reconocer las diferentes capas de cada probeta a partir del procesamiento de las
señales de EA obtenidas durante el proceso de perforación. | |
| dc.description | Fil: Ferrari Guido. Universidad Tecnológica Nacional. Facultad Regional Delta. Grupo de Emisiones Acústicas ; Argentina | |
| dc.description | Fil: Gómez, Martín. Universidad Tecnológica Nacional. Facultad Regional Delta. Grupo de Emisiones Acústicas ; Argentina | |
| dc.description | Fil: Basgall, Angel. Universidad Tecnológica Nacional. Facultad Regional Delta. Grupo de Emisiones Acústicas ; Argentina | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | http://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.rights | El autor | |
| dc.rights | Atribución - No Comercial - Compartir Igual (by-nc-sa) | |
| dc.rights | Atribución-NoComercial-CompartirIgual 4.0 Internacional | |
| dc.subject | Redes Neuronales | |
| dc.subject | Emisiones Acústica | |
| dc.subject | Taladro | |
| dc.subject | Rocas | |
| dc.title | Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico | |
| dc.type | info:eu-repo/semantics/conferenceObject | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
