Inteligencia Artificial aplicada a las Estructuras (otras bestias parte I)

Haciendo honor al subtitulo del blog, hoy voy hablar un poco de la Inteligencia Artificial aplicada a las estructuras: son las otras bestias.

 

Voy a explicar un poco el tema de la Inteligencia Artificial (en concreto hablaré de las Redes Neuronales) y su aplicación a las estructuras con un ejemplo.

La Inteligencia Artificial no deja de ser un conjunto de algoritmos creados por el hombre con el fin de imitar el funcionamiento de aprendizaje de los humanos (y en ocasiones de otros seres vivos) para resolver ciertos problemas.

Uno de esos algoritmos son las Redes Neuronales (otro día hablo de otros tipos que también son muy interesantes). La Redes Neuronales son unos algoritmos matemáticos que imitan el funcionamiento de aprendizaje de las neuronas del cerebro de los seres vivos.

Todos, más o menos, recordamos, de nuestras clases de bachillerato, cómo es una neurona:

 

Y en plan recordatorio, su funcionamiento es simple: la neurona tiene una entrada de impulsos eléctricos por las llamadas dendritas. Cuando la intensidad ponderada de los impulsos recibidos por el núcleo supera un cierto umbral, la neurona genera su propio impulso eléctrico con una cierta intensidad y la manda a través de sus axón hacia las terminaciones axónicas (si no se supera dicho umbral, la neurona no hace nada). Estas terminaciones axónicas estarán conectadas a otras dendritas de otras neuronas, donde se repetirá el proceso.

Es decir, que el cerebro son millones de neuronas interconectadas entre si y eso nos hace ser inteligentes… ¿Pero cómo? Pues gracias a la capacidad que tienen las neuronas de modificar la forma de ponderar los impulsos recibidos mediante el aprendizaje.

 Pongamos un ejemplo para que se entienda: imaginemos que se nos plantea un problema al cerebro: “he tropezado con algo”. Los datos del problema son en este caso las sensaciones adquirida por los sentidos: “me caigo hacia adelante”. Estos datos son impulsos eléctricos que llegan a las dendritas de las neuronas.

 

Las neuronas entonces ponderan los impulsos recibidos y si pasan su umbral generan nuevos impulsos a las siguientes neuronas. Tras pasar por varios cientos de neuronas al final la red de neuronas ofrece un impulso salida (actuación de nuestros músculos por ejemplo, que en este caso sería “mover una pierna para adelante que si no me rompo los piños”). ¿Dónde esta el aprendizaje? Aquí es donde reside la magia de las neuronas: cuando el cerebro obtiene un resultado que no es el esperado (“me he roto los piños por que puse la pierna hacia atrás”), corrige la forma de ponderar los impulsos en cada neurona hasta que con la misma entrada de impulsos (“mira que soy torpe me vuelvo a tropezar y caer para adelante”) se obtenga al final el resultado idóneo (“uff menos mal que he puesto la pierna hacia adelante si no me veía volviendo al dentista para arreglar el estropicio”).

Ok. Ahora sabemos como funciona la inteligencia natural… pero ¿y la artificial? Pues consiste en imitar a la naturaleza. Por ejemplo, una neurona la podemos modelizarla en esto:

 

Donde Xi son los impulsos de entrada (en este caso son números). Las Xi se ponderan con los pesos wij de tal manera que obtenemos la señal ponderada que llega al núcleo de la neurona como Yj=∑wij*Xi. El núcleo tiene una función de activación ϕ(Yj) de manera que proporciona los valores salida Vij si se pasa de cierto umbral . Las funciones de activación suelen ser de tipo escalón o a veces de tipo sigmoidea: 

Las salidas Vij puede ser la entrada de datos (las Xi) de otras neuronas pudiendo generar una red de neuronas con capas de neuronas y con varias neuronas en cada capa. Como por ejemplo:

 

En este ejemplo tenemos un conjunto de datos (X1, X2, X3, X4) que entran en una capa de entrada con cuatro neuronas, después tenemos una capa oculta de tres neuronas que cogen los impulsos generados por las neuronas de la capa de entrada y generan sus propios impulsos que las llevan a una última capa de salida. Esta capa de salida, con dos neuronas, generan los datos de salida (Y1, Y2). Siempre habrá una capa de neuronas de entrada con tantas neuronas como datos de entrada y siempre habrá una capa de salida con el número de neuronas igual a los datos de salida. El número de capas ocultas y neuronas en cada capa oculta de una red neuronal es totalmente variable y a gusto del que diseña la red.

 ¿Y como aprende la red artificial? Pues como en el caso de nuestro cerebro: a base de experiencia. Es decir, le tenemos que dar a la red unos ejemplos de casos: proporcionamos un conjunto de casos (Xi,Yi) a la red para que esta, mediante unos algoritmos de retroanálisis vaya modificando los pesos wij de cada neurona hasta que con las entradas de datos Xi de los ejemplos se obtengan salidas Yi’ que se parezcan lo suficiente a la salida Yi reales de los ejemplos. Realmente, la Red Neuronal “aprende” las reglas en la que se rigen los ejemplos, no adquiere los ejemplos como si fuera una base de datos, si no que “deduce” las leyes que rigen el comportamiento que ofrece de los datos Xi los resultados Yi. De esta manera, una red que ha aprendido satisfactoriamente de un conjunto de ejemplos, si se le ofrece los datos de entrada de otro caso que no estaba en los casos de ejemplo la red proporcionará una salida Yi que cumple las reglas del problema y que serán una buena solución.

Bien, ya os he contado todo este rollo de las Redes Neuronales y ahora os preguntareis ¿para qué se pueden utilizar en las estructuras? Pues realmente para infinidad de cosas, entre otras muchas, para que no pasen cosas como esta:

 

En el derrumbe del Puente I-35W de Minneapolis murieron 7 personas y hubo varios desaparecidos. Aunque el motivo del derrumbe no esta claro, todo apunta a que fue debido a un mal mantenimiento de la estructura.

Tradicionalmente, se ha supuesto que las inspecciones visuales rutinarias determinarían deterioro o daño con suficiente antelación para permitir las actuaciones o reparaciones necesarias a realizar. Pero en ocasiones, como el caso del puente de Minneapolis, no es suficiente.

En este caso podemos utilizar las Redes Neuronales para obtener resultados inmediatos sobre la salud de una estructura.

¿Cómo? Voy a explicaroslo con un ejemplo de mi cosecha en la segunda parte de este post. Por lo pronto os dejo un enlace a un software didactico donde podeis hacer pruebas con Redes Neuronales. Se trata de EasyNN Plus de Neural Planner Software Ltd  y podeis descargaroslo aqui.

AGUDELO.

About these ads

3 Respuestas a “Inteligencia Artificial aplicada a las Estructuras (otras bestias parte I)

  1. Enhorabuena por el blog, lo leo de vez en cuando y me parece que haces unos planteamientos muy claros. En este caso me ha parecido muy didáctico y he podido comprender este tema que había escuchado en varias ocasiones pero sin entenderlo.
    Sigue así, gracias,
    Juan Pedro

    • Gracias Juan Pedro. Pues si te ha gustado esta parte del post, no te pierdas la segunda parte que la sacare sobre el jueves o viernes. En esa parte aplicaré una Red Neuronal para detectar daño en una estructura (la verdad que es realmente sorprendente los resultados). Un saludo¡

  2. GRACIAS JUAN PEDRO, QUEDO AL PENDIENTE DE TU SEGUNDA PARTE. SALUDOS

Deja un comentario

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s