Resumen

Este documento presenta la aplicación de un método basado en Inteligencia Artificial para analizar los efectos de las condiciones ambientales, la contaminación por cloruro en el concreto y la corrosión superficial de las barras de refuerzo en la amplitud de las señales del Radar de Penetración Terrestre (GPR, por sus siglas en inglés). Se fabricaron y probaron seis losas de concreto armado con diferentes mezclas de contaminación por cloruro. Se recopilaron datos de GPR bajo diversas combinaciones de temperatura y humedad ambiental. Se utilizaron un total de 288 selecciones de barras de refuerzo para entrenar, validar y probar el modelo propuesto de Red Neuronal Artificial (ANN, por sus siglas en inglés). Se exploraron múltiples configuraciones del modelo ANN con variaciones en los algoritmos de aprendizaje y el número de nodos en la capa oculta para obtener el modelo óptimo para los datos no destructivos. Se muestra que el algoritmo de aprendizaje trainlm produjo una predicción de alta precisión de la amplitud de reflex

• Materias:Elementos finitos Análisis de estabilidad Energía histerética Seguridad en la ingeniería civil Tensión-deformación
• Subjects:Finite elements Stability analysis Hysteretic energy Safety in civil engineering Stress-strain
• Palabras claves:Aplicación; Inteligencia artificial; Condiciones ambientales; Contaminación por cloruro; Concreto; Corrosión superficial; Barras de refuerzo; Radar de penetración terrestre; Señales de GPR; Red neuronal artificial; Modelo de ANN; Análisis de sensibilidad; Temperatura; Humedad ambiental; Selecciones de barras de refuerzo; Algoritmos de aprendizaje; Capa oculta; Datos no destructivos; Trainlm; Amplitud de reflexión; Predicción; Sensibilidad; Parámetros de entrada; Parámetros de salida; Parámetro de temperatura; Nivel de contaminación por cloruro; Humedad relativa ambiental; Condición de óxido.
• Keywords:Application; Artificial intelligence; Environmental conditions; Chloride contamination; Concrete; Surface corrosion; Rebars; Ground penetrating radar; GPR signals; Artificial neural network; ANN model; Sensitivity analysis; Temperature; Ambient humidity; Rebar picks; Learning algorithms; Hidden layer; Nondestructive data; Trainlm; Reflection amplitude; Prediction; Sensitivity; Input parameters; Output parameters; Temperature parameter; Chloride contamination level; Ambient relative humidity; Rust condition.