Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/1232
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc/4.0es_ES
dc.contributorJUAN PABLO AMEZQUITA SANCHEZes_ES
dc.contributorMARTIN VALTIERRA RODRIGUEZes_ES
dc.creatorFrancisco Javier Perez Maciases_ES
dc.date2018-06-13-
dc.date.accessioned2019-03-04T15:56:10Z-
dc.date.available2019-03-04T15:56:10Z-
dc.date.issued2018-06-13-
dc.identifierMonitoreo estructurales_ES
dc.identifierEstructura tridimensional trusses_ES
dc.identifierCorrosiónes_ES
dc.identifierTransformada Wavelet Discretaes_ES
dc.identifierDimensión Fractales_ES
dc.identifierRed Neuronales_ES
dc.identifierStructural health monitoringes_ES
dc.identifierThree-dimensional truss structurees_ES
dc.identifierCorrosiones_ES
dc.identifierDiscrete Wavelet Transformes_ES
dc.identifierFractal Dimensiones_ES
dc.identifierNeural Networkes_ES
dc.identifier.urihttp://ri-ng.uaq.mx/handle/123456789/1232-
dc.descriptionEn la actualidad el monitoreo estructural es un tema relevante para la ingeniería y tiene un amplio campo de aplicación. Este monitoreo consiste en el procesamiento e interpretación de los datos adquiridos de una estructura con el fin de evaluar su condición. La detección temprana de daños en estructuras es un reto importante para el monitoreo estructural, ya que con esta detección se puede lograr una reducción tanto del tiempo como de los costos requeridos para la reparación. Uno de los daños más comunes que está presente en muchas estructuras civiles es la corrosión. Investigaciones relacionadas a la detección de daños en estructuras han demostrado que una condición de daño modifica la respuesta vibratoria de la misma. Es por esta razón que se presenta una metodología basada en la dimensión fractal, capaz de realizar un diagnóstico eficiente de la condición de una estructura de aluminio analizando su respuesta vibratoria. Esta metodología se puede usar para detectar y localizar daño por corrosión en un modelo a escala de una estructura tridimensional truss de 9 cubos. En general, la metodología presentada se puede dividir en tres pasos. En el primer paso, la transformada wavelet discreta (DWT) es utilizada para descomponer y eliminar el ruido contenido en la señal; a continuación, dos diferentes algoritmos de dimensión fractal (FD) son utilizados (Box Dimension y Katz) para detectar características en la señal que son utilizadas para la detección del daño. Por último, un análisis estadístico es realizado y una red neuronal es implementada como clasificador, pudiendo con esta lograr la detección y localización por zonas del daño en la estructura. Los resultados obtenidos muestran la efectividad y la utilidad de la metodología propuesta.es_ES
dc.descriptionStructural health monitoring (SHM) is a relevant topic for engineering and has a wide field of application. This monitoring consists of the processing and interpretation of the data of a structure in order to evaluate its condition. The early detection of a structural damage is an important challenge for structural monitoring, since with this detection a reduction in both the time and the costs of the required repair can be achieved. One of the most common and damaging mechanism present in many engineering structures is the corrosion. Investigations related to the detection of damages in structures have shown that a damage condition modifies the vibratory response. For this reason, a methodology based on fractal dimension capable of performing an efficient diagnosis of the condition of an aluminum structure analyzing its vibratory response is presented. This methodology can be used to detect and locate corrosion damage in a scale model of a nine-bay three-dimensional truss structure. In general, the presented methodology can be divided into three steps. In the first step, the discrete wavelet transform (DWT) is used to decompose and eliminate the noise contained in the signal; then, two different fractal dimension algorithms (FD) (Box Dimension and Katz) are used to detect characteristics in the signal that are used for the detection of damage. Finally, a statistical analysis is carried out and a neural network is implemented as a classifier, being able to achieve the detection and location by areas of the damage in the structure. The results obtained show the effectiveness and usefulness of the proposed methodology.es_ES
dc.formatAdobe PDFes_ES
dc.language.isoEspañoles_ES
dc.relation.requiresSies_ES
dc.rightsAcceso Abiertoes_ES
dc.subjectINGENIERÍA Y TECNOLOGÍAes_ES
dc.subjectCIENCIAS TECNOLÓGICASes_ES
dc.titleMetodología para la detección de daños en estructuras del tipo truss empleando la teoría del caoses_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidcurpes_ES
dc.contributor.tidcurpes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificadorPEMF920217HQTRCR03es_ES
dc.contributor.identificadorAESJ840206HGTMNN04es_ES
dc.contributor.identificadorVARM860915HGTLDR03es_ES
dc.contributor.roleAsesor de tesises_ES
dc.contributor.roleAsesor de tesises_ES
dc.degree.nameMaestría en Ciencias (Mecatrónica)es_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
Aparece en las colecciones: Maestría en Ciencias (Mecatrónica)

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI004322.pdf2.94 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.