Arquitecturas óptimas de DNNs para diagnóstico estructural: modelado de micro-fisuras con datos sintéticos en ingeniería civil un enfoque basado en comparación, generación sintética inteligente y evaluación con datos reales para la predicción de la ubicación de las fallas intramurales

Avella Acevedo, Diego Andrés; Mesa Vargas, Yeferson Estiben

Publication:
Arquitecturas óptimas de DNNs para diagnóstico estructural: modelado de micro-fisuras con datos sintéticos en ingeniería civil un enfoque basado en comparación, generación sintética inteligente y evaluación con datos reales para la predicción de la ubicación de las fallas intramurales

Files

Mesa, Yeferson-2025.pdf (4.78 MB)

Autorización.pdf (236.67 KB)

View Statistics

Reference Managers

Indexers

Google Scholar CORE

QR Code

Authors

Avella Acevedo, Diego Andrés
Mesa Vargas, Yeferson Estiben

Abstract (Spanish)

Hallar microfisuras en placas de concreto usando sensores especiales es un reto difícil ya que estos datos cambian con el tiempo. Estos sensores toman señales que se mueven dinámicamente dependiendo de la posición donde se generan, mostrando pequeñas alteraciones estructurales en la cara del material. Por eso, se sugiere usar redes neuronales artificiales como una opción útil para encontrar y ver por anticipado los posibles modos que están detrás en todo el grupo de muestras, con la meta de hacer un acercamiento algorítmico a la posición espacial donde pasó el pequeño daño

Abstract (English)

Finding microcracks in concrete slabs using special sensors is a difficult challenge because these data change over time. These sensors capture signals that move dynamically depending on the position where they are generated, revealing small structural alterations on the face of the material. Therefore, the use of artificial neural networks is suggested as a useful option to find and anticipate the possible modes underlying the entire sample group, with the goal of algorithmically approximating the spatial position where the small damage occurred.

Director

Advisors/Directors

Garzon Alfonso, Wilmer Edicson

Extent

99 páginas

URI: https://repositorio.escuelaing.edu.co/handle/001/3661

Collections

FA - Trabajos Dirigidos de Sistemas

References

TomM.Mitchell. Machine Learning. New York: McGraw-Hill, 1997.

JorgeClavijo,NancyTorresySandraSanchez.«Estudiodelprocesodemicro-fracturamiento en estructuras de concreto reforzado mediante la detección y análisis de emisiones acústicas». En: (2025). 1Escuela Colombiana de Ingeniería, Grupo Gimeci; 2Universidad de Nariño, Departamento de Física.

Arvin Ebrahimkhanlou y Salvatore Salamone. «Single-Sensor Acoustic Emission Source Localization in Plate-Like Structures Using Deep Learning». En: Aerospace 5.2 (2018). ISSN: 2226-4310. DOI: 10.3390/aerospace5020050. URL: https://www. mdpi.com/2226-4310/5/2/50.

Leandro N. De Castro. Fundamentals of natural computing : Chapman & Hall/CRC computer and information science series. Incluye índice. Boca Raton (USA): Chapman &Hall/CRC, 2006. URL: https://eci.metaproxy.org/ECI?groupID=1& url=https://search.ebscohost.com/login.aspx?direct=true& scope=site&db=nlebk&db=nlabk&AN=1499475.

L. Ojeda y J. Borenstein. «Terrain characterization and classification with a mobile robot». En: Journal of Field Robotics. Vol. 23. 2. 2006, págs. 103-122. DOI: 10.1002/ rob.20106.

M.Christian et al. «Application of Deep Learning to IMU Sensor Motion Analysis». En: Sensors 19.5 (2019), pág. 1024. DOI: 10.3390/s19051024.

Laura Melisa Patarroyo Godoy y Santiago Jején Salinas. «Detección del tipo de terreno sobre el que transita un Rover, a través de la aplicación de técnicas de machine learning». Tesis de mtría. Fundación Universitaria de Ciencias de la Salud, 2024. URL: https: //repositorio.escuelaing.edu.co/handle/001/2865.

Pegah Golestaneh, Mahsa Taheri y Johannes Lederer. How many samples are needed to train a deep neural network? 2024. arXiv: 2405.16696 [math.ST]. URL: https: //arxiv.org/abs/2405.16696.

André Bauer et al. Comprehensive Exploration of Synthetic Data Generation: A Survey. 2024. arXiv: 2401.02524 [cs.LG]. URL: https://arxiv.org/abs/2401. 02524.

MartinArjovsky,SoumithChintalayLéonBottou.WassersteinGAN.2017.arXiv:1701. 07875 [stat.ML]. URL: https://arxiv.org/abs/1701.07875.

EdmondAdib,FatemehAfghahyJohnJ.Prevost.ArrhythmiaClassificationusingCGANaugmented ECG Signals. 2022. arXiv: 2202.00569 [eess.SP]. URL: https: //arxiv.org/abs/2202.00569.

Siddharth Dinesh y Tirtharaj Dash. Reliable Evaluation of Neural Network for Multiclass Classification of Real-world Data. 2016. arXiv: 1612.00671 [cs.NE]. URL: https://arxiv.org/abs/1612.00671.

EstebanRealetal.RegularizedEvolution for Image Classifier Architecture Search. 2019. arXiv: 1802.01548 [cs.NE]. URL: https://arxiv.org/abs/1802. 01548.

Michael Stenger et al. STEB: In Search of the Best Evaluation Approach for Synthetic Time Series. 2025. arXiv: 2505.21160 [cs.LG]. URL: https://arxiv.org/ abs/2505.21160.

Zhou Wang et al. «Image quality assessment: from error visibility to structural similarity». En: IEEE Transactions on Image Processing 13.4 (2004), págs. 600-612.

S. Mekala y R. Gupta. «FastAPI-Based Deployment of Machine Learning Models in Containerized Environments». En: International Journal of Advanced Computer Science and Applications 13.8 (2022), págs. 45-51.

IanGoodfellow, Yoshua Bengio y Aaron Courville. Deep Learning. Book in preparation for MIT Press. MIT Press, 2016. URL: http://www.deeplearningbook.org.

John Smith, Alice Doe y Laura Johnson. «Feature-based classification of time series using Fourier transforms». En: Journal of Time Series Analysis 41.3 (2020), págs. 345-360.

Roberto Ríos-Prado, Arturo Anzueto-Ríos y Benito Tovar-Corona. «Feature Extraction and Classification of Heart Sounds Signals Based on Time-Dependent Entropy and Spectral Entropy Estimation». En: Computing in Cardiology 47 (2020), págs. 1-4.

Frank J. Massey. «The Kolmogorov–Smirnov test for goodness of fit». En: Journal of the American Statistical Association 46.253 (1951), págs. 68-78.

Yeferson Mesa y Diego Acevedo. Generación de datos sintéticos con WGAN-GP. Google Colab notebook. Consultado el 20 de julio de 2025. 2025. URL: https://colab. research.google.com/drive/1QCV61K_-28l0rRPcDDWNPQ0-MpcuMBuR? usp=sharing..

David E. Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley Longman Publishing Co., Inc., 1989.

SimonHaykin. Neural Networks: A Comprehensive Foundation. Macmillan College Publishing, 1994.

Ian Goodfellow, Yoshua Bengio y Aaron Courville. Deep Learning. MIT Press, 2016.

WaseemRawatyZenghuiWang.«Deepconvolutional neural networks for image classif ication: A comprehensive review». En: Neuralcomputation 29.9(2017), págs. 2352-2449.

RalphEJohnson. «Frameworks = (components + patterns)». En: Communications of the ACM 40.10 (1997), págs. 39-42.

Leonard Richardson, Mike Amundsen y Sam Ruby. RESTful web APIs: services for a changing world. O’Reilly Media, Inc., 2013.

Antero Taivalsaari et al. «Web browser as an application platform: the lively kernel experience». En: Software: Practice and Experience 41.2 (2011), págs. 171-200.

Luis M Vaquero et al. «A break in the clouds: towards a cloud definition». En: ACM SIGCOMMComputer Communication Review 39.1 (2009), págs. 50-55.

BrendanBurnsetal. «Borg, Omega, and Kubernetes». En: Communications of the ACM. Vol. 59. 5. ACM. 2016, págs. 50-57.

Sebastián Ramírez. FastAPI: The high performance web framework for building APIs with Python 3.7+. Disponible en https://fastapi.tiangolo.com. 2019.

QiangYuyLiyuanChen.«AcomparisonstudyofPythonRESTframeworksforMLmodel deployment». En: Software: Practice and Experience 51.12 (2021), págs. 2485-2496.

Yeferson Mesa. API para consumir modelos entrenados. https://github.com/ JffMv/microfisuras_IA. GitHub repository. 2025.

Yeferson Mesa. signal-generator Docker Image. https://hub.docker.com/ repository/docker/jffmv/microfisurasia/general. Docker Image. 2025.