A Coruña, 13 de outubro de 2023.- O artigo “Artificial neural network prediction of the initial stiffness of semi-rigid beam-to-column connections”, do investigador do Laboratorio de Análise Estrutural do Centro de Investigación en Tecnoloxías Navais e Industriais (CITENI), José Manuel Reinosa, vén de ser publicado pola revista científica Structures da editorial académica Elsevier.
O investigador do Campus Industrial de Ferrol e o seu grupo apostan polo uso de redes neuronais artificiais para predicir o comportamento das unións semirríxidas en estruturas de aceiro, o que supón o uso dunha metodoloxía alternativa para o complexo cálculo estrutural.
O cálculo de estruturas constitúe unha parte fundamental do deseño de calquera proxecto de edificación. Mediante a análise estrutural é posible determinar os efectos das cargas, a distribución das forzas, as deformacións ou os desprazamentos que afectarán a unha estrutura.
Esta fase previa á construción é clave para predicir o comportamento de calquera configuración estrutural. As unións son compoñentes fundamentais, responsables, en gran medida, da funcionalidade estrutural. Tradicionalmente, o seu cálculo levábase a cabo de xeito simple: mediante a suposición de comportamentos extremos, de conexións totalmente ríxidas ou totalmente articuladas; pero o funcionamento real das unións aseméllase máis a un comportamento híbrido, é dicir, relativo ás unións semirríxidas.
O Laboratorio de Análise Estrutural do CITENI desenvolve unha liña de investigación que estuda o comportamento das unións semirríxidas en estruturas de aceiro.
O deseño estrutural resulta un proceso complexo, polas directrices da norma europea para o deseño de estruturas de aceiro (Eurocódigo 3); e tamén custoso, porque a simulación computacional con modelos numéricos avanzados require equipos moi potentes capaces de procesar grandes volumes de datos.
O uso de redes neuronais artificiais nun ámbito xeométrico controlado pode facilitar moito este deseño, grazas á incorporación de modelos matemáticos capaces de predicir comportamentos con base na información previamente almacenada e no adestramento recibido.
Esta alternativa metodolóxica é a que o investigador José Manuel Reinosa fai no seu artigo de investigación “Artificial neural network prediction of the initial stiffness of semi-rigid beam-to-column connections”.
A rede desenvolvida nútrese de información fiable. Neste caso incorpórase a base de datos SCDB (Steel Connection Data Bank) dos investigadores Kishi e Chen. Este banco de datos, recoñecido a nivel mundial, evita a realización de custosas campañas experimentais, ao incluír múltiples datos de rixidez de conexións angulares de aceiro: proporciona parámetros e características momento-rotación de conexións angulares (viga-columna) semirríxidas (remachadas, aparafusadas e soldadas).
As conexións angulares adoitan mostrar un comportamento non lineal durante as primeiras etapas do proceso de carga e unha selección equivocada dos primeiros puntos da curva momento-rotación pode dar lugar a valores erróneos de rixidez inicial. Por iso, a rede tamén incorpora datos experimentais con imperfeccións reais, o que evita predicións inexactas por sobreaxuste.
Finalmente, o estudo revela que a aplicación desta metodoloxía, baseada en redes neuronais artificiais (Artificial Neural Network), representa unha dobre vantaxe fronte a outros métodos de cálculo numérico tradicional: predí a rixidez inicial das unións semirríxidas de viga a columna de xeito realista e moito máis rápido, o que resulta eficaz para fins de investigación ou a toma de decisións en traballos experimentais, xa que evita os custosos e complexos modelos numéricos.
