Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico

Autores
Ferrari, Guido; Gómez, Martín; Basgall, Angel
Año de publicación
2019
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
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.
Fil: Ferrari Guido. Universidad Tecnológica Nacional. Facultad Regional Delta. Grupo de Emisiones Acústicas ; Argentina
Fil: Gómez, Martín. Universidad Tecnológica Nacional. Facultad Regional Delta. Grupo de Emisiones Acústicas ; Argentina
Fil: Basgall, Angel. Universidad Tecnológica Nacional. Facultad Regional Delta. Grupo de Emisiones Acústicas ; Argentina
Materia
Redes Neuronales
Emisiones Acústica
Taladro
Rocas
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2020-02-28T22:53:09Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/4369
Acceder
id RIAUTN_2f7b9e9ac91f56d379d0d742d2f25b7d
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/4369
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológicoFerrari, GuidoGómez, MartínBasgall, AngelRedes NeuronalesEmisiones AcústicaTaladroRocasUna 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.Fil: Ferrari Guido. Universidad Tecnológica Nacional. Facultad Regional Delta. Grupo de Emisiones Acústicas ; ArgentinaFil: Gómez, Martín. Universidad Tecnológica Nacional. Facultad Regional Delta. Grupo de Emisiones Acústicas ; ArgentinaFil: Basgall, Angel. Universidad Tecnológica Nacional. Facultad Regional Delta. Grupo de Emisiones Acústicas ; Argentina2020-02-28T22:53:09Z2020-02-28T22:53:09Z2019info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfapplication/pdfRedes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico - Basgall A, Ferrari, G, Gómez, M.http://hdl.handle.net/20.500.12272/4369spainfo:eu-repo/semantics/openAccess2020-02-28T22:53:09Zhttp://creativecommons.org/licenses/by-nc-sa/4.0/El autorAtribución - No Comercial - Compartir Igual (by-nc-sa)Atribución-NoComercial-CompartirIgual 4.0 Internacionalreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:44:34Zoai:ria.utn.edu.ar:20.500.12272/4369instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:44:35.402Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico
title Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico
spellingShingle Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico
Ferrari, Guido
Redes Neuronales
Emisiones Acústica
Taladro
Rocas
title_short Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico
title_full Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico
title_fullStr Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico
title_full_unstemmed Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico
title_sort Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico
dc.creator.none.fl_str_mv Ferrari, Guido
Gómez, Martín
Basgall, Angel
author Ferrari, Guido
author_facet Ferrari, Guido
Gómez, Martín
Basgall, Angel
author_role author
author2 Gómez, Martín
Basgall, Angel
author2_role author
author
dc.subject.none.fl_str_mv Redes Neuronales
Emisiones Acústica
Taladro
Rocas
topic Redes Neuronales
Emisiones Acústica
Taladro
Rocas
dc.description.none.fl_txt_mv 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.
Fil: Ferrari Guido. Universidad Tecnológica Nacional. Facultad Regional Delta. Grupo de Emisiones Acústicas ; Argentina
Fil: Gómez, Martín. Universidad Tecnológica Nacional. Facultad Regional Delta. Grupo de Emisiones Acústicas ; Argentina
Fil: Basgall, Angel. Universidad Tecnológica Nacional. Facultad Regional Delta. Grupo de Emisiones Acústicas ; Argentina
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.
publishDate 2019
dc.date.none.fl_str_mv 2019
2020-02-28T22:53:09Z
2020-02-28T22:53:09Z
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico - Basgall A, Ferrari, G, Gómez, M.
http://hdl.handle.net/20.500.12272/4369
identifier_str_mv Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico - Basgall A, Ferrari, G, Gómez, M.
url http://hdl.handle.net/20.500.12272/4369
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2020-02-28T22:53:09Z
http://creativecommons.org/licenses/by-nc-sa/4.0/
El autor
Atribución - No Comercial - Compartir Igual (by-nc-sa)
Atribución-NoComercial-CompartirIgual 4.0 Internacional
eu_rights_str_mv openAccess
rights_invalid_str_mv 2020-02-28T22:53:09Z
http://creativecommons.org/licenses/by-nc-sa/4.0/
El autor
Atribución - No Comercial - Compartir Igual (by-nc-sa)
Atribución-NoComercial-CompartirIgual 4.0 Internacional
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230884355047424
score 13.265058

Publicaciones similares