Show simple item record

Professor Guidedc.contributor.advisorLópez Droguett, Enrique
Authordc.contributor.authorFigueroa Barraza, Joaquín Eduardo 
Associate professordc.contributor.otherMeruane Naranjo, Viviana
Associate professordc.contributor.otherBoroschek Krauskopf, Rubén
Admission datedc.date.accessioned2019-07-08T19:23:11Z
Available datedc.date.available2019-07-08T19:23:11Z
Publication datedc.date.issued2019
Identifierdc.identifier.urihttp://repositorio.uchile.cl/handle/2250/170185
General notedc.descriptionTesis para optar al grado de Magíster en Ciencias de la Ingeniería Mención Mecánicaes_ES
General notedc.descriptionMemoría para optar al título de Ingeniero Civil Mecánico
Abstractdc.description.abstractDentro de la ingeniería estructural, el monitoreo de condición usando diferentes tipos de sensores ha sido importante en la prevención de fallas y diagnóstico del estado de salud. El desafío actual es aprovechar al máximo las grandes cantidades de datos para entregar mediciones y predicciones precisas. Los algoritmos de aprendizaje profundo abordan estos problemas mediante el uso de datos para encontrar relaciones complejas entre ellos. Entre estos algoritmos, las redes neuronales convolucionales (CNN) han logrado resultados de vanguardia, especialmente cuando se trabaja con imágenes. Sin embargo, existen dos problemas principales: la incapacidad de reconocer imágenes rotadas como tales, y la inexistencia de jerarquías dentro de las imágenes. Para resolver estos problemas, se desarrollaron las redes de cápsulas (Capsule Networks), logrando resultados prometedores en problemas de tipo benchmark. En esta tesis, las Capsule Networks se modifican para localizar y cuantificar daños estructurales. Esto implica una tarea doble de clasificación y regresión, lo que no se ha realizado anteriormente. El objetivo es generar modelos para dos casos de estudio diferentes, utilizando dos algoritmos de routing diferentes. Se analizan y comparan los resultados entre ellos y con el estado del arte. Los resultados muestran que las Capsule Networks con Dynamic routing logran mejores resultados que las CNN, especialmente cuando se trata de valores falsos positivos. No se observa sobreajuste en el conjunto de validación sino en el conjunto de prueba. Para resolver esto, se implementa la técnica de dropout, mejorando los resultados obtenidos en este último conjunto.es_ES
Lenguagedc.language.isoenes_ES
Publisherdc.publisherUniversidad de Chilees_ES
Type of licensedc.rightsAttribution-NonCommercial-NoDerivs 3.0 Chile*
Link to Licensedc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/cl/*
Keywordsdc.subjectMonitoreo de la salud estructurales_ES
Keywordsdc.subjectDinámica estructurales_ES
Keywordsdc.subjectRedes neuronales convolucionaleses_ES
Keywordsdc.subjectRedes de cápsulases_ES
Títulodc.titleA capsule neural network based model for structural damage localization and quantification using transmissibilty dataes_ES
Document typedc.typeTesises_ES
Catalogueruchile.catalogadorgmmes_ES
Departmentuchile.departamentoDepartamento de Ingeniería Mecánicaes_ES
Facultyuchile.facultadFacultad de Ciencias Físicas y Matemáticases_ES


Files in this item

Icon
Icon

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 Chile
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 Chile