Clasificación de defectos en uniones pegadas utilizando inteligencia artificial

Autores
Tais, Carlos Esteban; Fontana, Juan Manuel; Molisani, Leonardo; O'Brien, Ronald; Ballesteros Iglesias, Maria Yolanda; del Real, Juan Carlos
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión aceptada
Descripción
La aplicación de adhesivos se encuentra ampliamente difundida en una amplia gama de industrias. Sin embargo, su uso ha sido evitado en estructuras en las cuales la seguridad es un factor crítico. A partir de la utilización de señales acústicas es posible detectar la degradación del material. En este trabajo se emplea el análisis del Nivel de Presión Sonora (NPS) como método evaluador global no destructivo de fallas en uniones adhesivas de probetas fabricadas con vigas de aluminio como sustrato y adhesivo acrílico. El diagnóstico se realiza preprocesando la señal de NPS y clasificando el daño mediante un sistema de reconocimiento de patrones basado en las técnicas de Redes Neuronales Artificiales (RNA). Los resultados de la validación cruzada demuestran que el clasificador presenta un adecuado porcentaje de detección de fallas.
Fil: Tais, Carlos Esteban. Universidad Tecnológica Nacional. Facultad Regional Villa María. Ingeniería Mecánica. Argentina.
Fil: Fontana, Juan Manuel. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. Argentina.
Fil: Molisani, Leonardo. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. Argentina.
Fil: O'Brien, Ronald. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. Argentina.
Fil: Ballesteros Iglesias, Maria Yolanda. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. España.
Fil: del Real, Juan Carlos. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. España.
Peer Reviewed
Materia
Faults detection
Sound Pressure Level
Neural Networks
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Attribution-NonCommercial-NoDerivs 2.5 Argentina
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/13323
Acceder
id RIAUTN_e2df8d6af716ce00240240ee87d773e4
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/13323
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Clasificación de defectos en uniones pegadas utilizando inteligencia artificialTais, Carlos EstebanFontana, Juan ManuelMolisani, LeonardoO'Brien, RonaldBallesteros Iglesias, Maria Yolandadel Real, Juan CarlosFaults detectionSound Pressure LevelNeural NetworksLa aplicación de adhesivos se encuentra ampliamente difundida en una amplia gama de industrias. Sin embargo, su uso ha sido evitado en estructuras en las cuales la seguridad es un factor crítico. A partir de la utilización de señales acústicas es posible detectar la degradación del material. En este trabajo se emplea el análisis del Nivel de Presión Sonora (NPS) como método evaluador global no destructivo de fallas en uniones adhesivas de probetas fabricadas con vigas de aluminio como sustrato y adhesivo acrílico. El diagnóstico se realiza preprocesando la señal de NPS y clasificando el daño mediante un sistema de reconocimiento de patrones basado en las técnicas de Redes Neuronales Artificiales (RNA). Los resultados de la validación cruzada demuestran que el clasificador presenta un adecuado porcentaje de detección de fallas.Fil: Tais, Carlos Esteban. Universidad Tecnológica Nacional. Facultad Regional Villa María. Ingeniería Mecánica. Argentina.Fil: Fontana, Juan Manuel. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. Argentina.Fil: Molisani, Leonardo. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. Argentina.Fil: O'Brien, Ronald. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. Argentina.Fil: Ballesteros Iglesias, Maria Yolanda. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. España.Fil: del Real, Juan Carlos. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. España.Peer ReviewedAsociación Argentina de Mecánica Computacional2025-06-26T16:20:32Z2023-11-06info:eu-repo/semantics/articleinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articulopdfapplication/pdf2591-3522https://hdl.handle.net/20.500.12272/13323spainfo:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivs 2.5 Argentinahttp://creativecommons.org/licenses/by-nc-nd/2.5/ar/CC-BY-NC-NDreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:48:01Zoai:ria.utn.edu.ar:20.500.12272/13323instacron: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 12:48:01.759Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Clasificación de defectos en uniones pegadas utilizando inteligencia artificial
title Clasificación de defectos en uniones pegadas utilizando inteligencia artificial
spellingShingle Clasificación de defectos en uniones pegadas utilizando inteligencia artificial
Tais, Carlos Esteban
Faults detection
Sound Pressure Level
Neural Networks
title_short Clasificación de defectos en uniones pegadas utilizando inteligencia artificial
title_full Clasificación de defectos en uniones pegadas utilizando inteligencia artificial
title_fullStr Clasificación de defectos en uniones pegadas utilizando inteligencia artificial
title_full_unstemmed Clasificación de defectos en uniones pegadas utilizando inteligencia artificial
title_sort Clasificación de defectos en uniones pegadas utilizando inteligencia artificial
dc.creator.none.fl_str_mv Tais, Carlos Esteban
Fontana, Juan Manuel
Molisani, Leonardo
O'Brien, Ronald
Ballesteros Iglesias, Maria Yolanda
del Real, Juan Carlos
author Tais, Carlos Esteban
author_facet Tais, Carlos Esteban
Fontana, Juan Manuel
Molisani, Leonardo
O'Brien, Ronald
Ballesteros Iglesias, Maria Yolanda
del Real, Juan Carlos
author_role author
author2 Fontana, Juan Manuel
Molisani, Leonardo
O'Brien, Ronald
Ballesteros Iglesias, Maria Yolanda
del Real, Juan Carlos
author2_role author
author
author
author
author
dc.subject.none.fl_str_mv Faults detection
Sound Pressure Level
Neural Networks
topic Faults detection
Sound Pressure Level
Neural Networks
dc.description.none.fl_txt_mv La aplicación de adhesivos se encuentra ampliamente difundida en una amplia gama de industrias. Sin embargo, su uso ha sido evitado en estructuras en las cuales la seguridad es un factor crítico. A partir de la utilización de señales acústicas es posible detectar la degradación del material. En este trabajo se emplea el análisis del Nivel de Presión Sonora (NPS) como método evaluador global no destructivo de fallas en uniones adhesivas de probetas fabricadas con vigas de aluminio como sustrato y adhesivo acrílico. El diagnóstico se realiza preprocesando la señal de NPS y clasificando el daño mediante un sistema de reconocimiento de patrones basado en las técnicas de Redes Neuronales Artificiales (RNA). Los resultados de la validación cruzada demuestran que el clasificador presenta un adecuado porcentaje de detección de fallas.
Fil: Tais, Carlos Esteban. Universidad Tecnológica Nacional. Facultad Regional Villa María. Ingeniería Mecánica. Argentina.
Fil: Fontana, Juan Manuel. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. Argentina.
Fil: Molisani, Leonardo. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. Argentina.
Fil: O'Brien, Ronald. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. Argentina.
Fil: Ballesteros Iglesias, Maria Yolanda. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. España.
Fil: del Real, Juan Carlos. Universidad Nacional de Río Cuarto. Facultad de Ingeniería. España.
Peer Reviewed
description La aplicación de adhesivos se encuentra ampliamente difundida en una amplia gama de industrias. Sin embargo, su uso ha sido evitado en estructuras en las cuales la seguridad es un factor crítico. A partir de la utilización de señales acústicas es posible detectar la degradación del material. En este trabajo se emplea el análisis del Nivel de Presión Sonora (NPS) como método evaluador global no destructivo de fallas en uniones adhesivas de probetas fabricadas con vigas de aluminio como sustrato y adhesivo acrílico. El diagnóstico se realiza preprocesando la señal de NPS y clasificando el daño mediante un sistema de reconocimiento de patrones basado en las técnicas de Redes Neuronales Artificiales (RNA). Los resultados de la validación cruzada demuestran que el clasificador presenta un adecuado porcentaje de detección de fallas.
publishDate 2023
dc.date.none.fl_str_mv 2023-11-06
2025-06-26T16:20:32Z
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str acceptedVersion
dc.identifier.none.fl_str_mv 2591-3522
https://hdl.handle.net/20.500.12272/13323
identifier_str_mv 2591-3522
url https://hdl.handle.net/20.500.12272/13323
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Attribution-NonCommercial-NoDerivs 2.5 Argentina
http://creativecommons.org/licenses/by-nc-nd/2.5/ar/
CC-BY-NC-ND
eu_rights_str_mv openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 2.5 Argentina
http://creativecommons.org/licenses/by-nc-nd/2.5/ar/
CC-BY-NC-ND
dc.format.none.fl_str_mv pdf
application/pdf
dc.publisher.none.fl_str_mv Asociación Argentina de Mecánica Computacional
publisher.none.fl_str_mv Asociación Argentina de Mecánica Computacional
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_ 1877230951634829312
score 13.265058

Publicaciones similares