Ingeniero Civil Mecánico / El objetivo de este trabajo es desarrollar un algoritmo capaz de detectar, localizar y cuantificar daños en una estructura simple en tiempo real, considerando como daño la disminución en la rigidez en uno o más elementos. Para ello se propuso utilizar Redes Neuronales Artificiales (RNA), que son métodos no explícitos utilizados en problemas de aproximación de curvas, clasificación e identificación de parámetros. Se plantea utilizar como información de entrada del algoritmo las frecuencias de antiresonancia, obteniendo como resultado la disminución de rigidez efectiva para cada elemento de la estructura. El entrenamiento y validación de la red neuronal se realiza en cuatro etapas, las que se señalan a continuación: La determinación de las frecuencias características, resonantes y antiresonantes. Generación de patrones de entrenamiento. El diseño y entrenamiento de la RNA. La validación analítica y experimental, del algoritmo de detección de daños. En la realización de este trabajo se ha conseguido entrenar redes neuronales capaces de detectar hasta 2 daños simultáneos entre 20 posibles ubicaciones a lo largo de una viga. Los resultados fueron validados con datos de vigas experimentales, a las que se les introdujo daño de forma artificial. La red utilizada es una red neuronal multicapa de una capa oculta, que presenta un 32,64% de falsos negativos, 8,36% de falsos positivos y un 7.96% de daños mal cuantificados a nivel global. Los posibles usos de redes neuronales en aplicaciones de detección de daños en tiempo real y los resultados obtenidos, motivan futuros estudios que se pueden centrar en la búsqueda de mejores resultados haciendo uso de mejores diseños de redes neuronales o mejores formas de modelar el ruido experimental. También es necesario explorar los modos en que estos algoritmos se puedan aplicar a estructuras más grandes y complejas.

Seminario para optar al grado de Ingeniero Comercial, Mención Economía / El objetivo de esta tesis es probar la existencia de capacidad de predicción en el mercado inmobiliario mediante la aplicación de un modelo de redes neuronales. Para ello se utilizó una base de datos con los precios promedio del metro cuadrado de casas y departamentos en distintas comunas y sectores de la capital, entre los años 1994 y 2007, con una frecuencia mensual. La metodología empleada consiste en una red neuronal Ward con rolling, de los rezagos de las diferencias del precio promedio de inmuebles en una comuna sobre los rezagos de las diferencias de la Tasa de Interés Promedio (TIP) y el Índice Mensual de Actividad Económica (IMACEC). Mediante el test de acierto direccional de Pesaran y Timmermann logramos determinar capacidad de predicción en cuatro zonas de la capital en que además los resultados del modelo superaban la metodología Buy & Hold, resultados que pudimos corroborar al aplicar el modelo a sucesivas submuestras de nuestra serie original. Se concluye que, pese a todas las limitaciones de información inherentes a la base de datos utilizada, sí existe capacidad predictiva en el mercado inmobiliario, aunque estos resultados no sean homogéneos a través de las comunas de la capital

Es bien conocida la importancia de la señal electrocardiográfica para el diagnóstico de multitud de enfermedades cardiacas, tanto mediante inspección visual como mediante técnicas actuales de inspección automática. Como en cualquier otra señal, la cantidad de información extraída y la calidad de la misma dependerán de propiedades tales como relación señal-ruido, resolución del conversor analógico-digital, frecuencia de muestreo, etc. Por esta razón, es de gran importancia que la señal ofrezca una `calidad' adecuada, máxime cuando el diagnóstico de ciertas enfermedades cardiovasculares graves depende de ello. La reducción del ruido en el electrocardiograma (ECG) ha sido uno de los temas más abordados en la bibliografía sobre procesado de señal de ECG. Han sido y son muy diversas las maneras de afrontar el problema y no existe un único método de aplicación universal a todas las fuentes de ruido y todos los casos. En esta tesis doctoral se han estudiado las principales fuentes de ruido que aparecen en el registro del ECG. Algunas de éstas pueden minimizarse en la fase de adquisición de la señal prestando un especial cuidado a ciertas normas o reglas. Sin embargo, otras, como el ruido muscular, o la deriva de la línea base y artefactos, no pueden eliminarse o reducirse al máximo en la fase de adquisición y se hacen necesarias técnicas de procesado de señal a posteriori para su reducción a un nivel aceptable. Una de las primeras opciones es el filtrado de la señal, mediante filtros lineales o no lineales que maximicen la relación señal a ruido como, por ejemplo, el filtro de Wiener. Cuando el espectro de la señal de interés y el ruido se solapan, las técnicas de filtrado dejan de ser eficaces. En ese caso, otra de las técnicas comunes que se aplican es el promediado de señal. Su utilización resulta eficaz siempre y cuando la señal y el ruido a reducir cumplan ciertas condiciones. El filtrado adaptativo ha sido otra de las técnicas que han obtenido resultados aceptables e / Mateo Sotos, J. (2012). APLICACIÓN DE REDES NEURONALES ARTIFICIALES EN EL PROCESADO VERSÁTIL DE SEÑALES ELECTROCARDIOGRÁFICAS [Tesis doctoral no publicada]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/17530 / Palancia

Esta tesis se centra en la elaboraci´on de un predictor de la ganancia en visi´on para pacientes con queratocono tras el proceso quir´urgico de implante de anillos intracorneales. El queratocono se caracteriza por una disposici´on o crecimiento anormal de las fibras de col´ageno en la c´ornea que produce una p´erdida importante de visi´on en el paciente. En los ´ultimos a˜nos, el tratamiento que se ha elegido para la correcci´on de dicha enfermedad es el de la cirug´ıa de implante de anillos intracorneales. Sin embargo, actualmente, se desconoce la t´ecnica y nomograma ideal para la implantaci´on de estos anillos. Esta tesis se centra principalmente en resolver este problema, con el fin de ayudar a los oftalm´ologos a planificar el n´umero, el tipo y la ubicaci´on ´optima de estos anillos para conseguir la mayor ganancia posible en visi´on tras el implante. En particular, en esta tesis se describen y desarrollan modelos capaces de predecir cierta informaci´on en base a conocimientos adquiridos de casos reales y su aplicaci´on en cirug´ıa del queratocono. Los modelos presentados pertenecen al campo del aprendizaje autom´atico. El aprendizaje autom´atico hab´ıa sido utilizado con ´exito en multitud de campos de aplicaci´on y problemas diferentes, incluso en la detecci´on del queratocono, pero hasta el momento no ha sido utilizado para la predicci´on de la mejora en visi´on del paciente tras el implante de anillos. Es por ello, por lo que esta tesis implica una novedad en la planificaci´on de este tipo de cirug´ıa. Las principales contribuciones de esta tesis son: el desarrollo y la validaci´on de un modelo capaz de predecir la ganancia en visi´on en t´erminos de curvatura corneal (K1) y astigmatismo en pacientes con queratocono; un estudio riguroso de las variables refractivas, topogr´aficas o biomec´anicas que m´as relevancia tienen en la predicci´on de la recuperaci´on de la visi´on tras la cirug´ıa y por ´ultimo, el desarrollo de una interfaz de usuario para el uso en cl´ınica del modelo ´optimo desarrollado. / Valdés Mas, MÁ. (2015). Aplicación de métodos de aprendizaje automático a la planificación de la cirugía de implante de anillos intracorneales en pacientes con queratocono [Tesis doctoral no publicada]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/48547 / TESIS

Memoria para optar al título de Ingeniero Civil Mecánico / Con el uso de las redes neuronal profundas ganando terreno en el área de PHM, los sensores disminuyendo progresivamente su precio y mejores algoritmos, la falta de datos se ha vuelto un problema principal para los modelos enfocados en datos. Los datos etiquetados y aplicables a escenarios específicos son, en el mejor de los casos, escasos. El objetivo de este trabajo es desarrollar un método para diagnosticas el estado de un rodamiento en situaciones con datos limitados. Hoy en día la mayoría de las técnicas se enfocan en mejorar la precisión del diagnóstico y en estimar la vida útil remanente en componentes bien documentados. En el presente, los métodos actuales son ineficiente en escenarios con datos limitados. Se desarrolló un método en el cual las señales vibratorias son usadas para crear escalogramas y espectrogramas, los cuales a su vez se usan para entrenar redes neuronales generativas y de clasificación, en función de diagnosticar un set de datos parcial o totalmente desconocido, en base a uno conocido. Los resultados se comparan con un método más sencillo en el cual la red para clasificación es entrenada con el set de datos conocidos y usada directamente para diagnosticar el set de datos desconocido. El Case Western Reserve University Bearing Dataset y el Machine Failure Prevention Technology Bearing Dataset fueron usados como datos de entrada. Ambos sets se usaron como conocidos tanto como desconocidos. Para la clasificación una red neuronal convolucional (CNN por sus siglas en inglés) fue diseñada. Una red adversaria generativa (GAN por sus siglas en inglés) fue usada como red generativa. Esta red fue basada en una introducida en el paper StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation. Los resultados fueron favorables para la red CNN mientras que fueron -en general- desfavorables para la red GAN. El análisis de resultados sugiere que la función de costo es inapropiada para el problema propuesto. Las conclusiones dictaminan que la traducción imagen-a-imagen basada en la función ciclo no funciona correctamente en señal vibratorias para diagnóstico de rodamientos. With the use of deep neural networks gaining notoriety on the prognostics & health management field, sensors getting progressively cheaper and improved algorithms, the lack of data has become a major issue for data-driven models. Data which is labelled and applicable for specific scenarios is scarce at best. The purpose of this works is to develop a method to diagnose the health state of a bearing on limited data situations. Now a days most techniques focus on improving accuracy for diagnosis and estimating remaining useful life on well documented components. As it stands, current methods are ineffective on limited data scenarios. A method was developed were in vibration signals are used to create scalograms and spectrograms, which in turn are used to train generative and classification neural networks with the goal of diagnosing a partially or totally unknown dataset based on a fully labelled one. Results were compared to a simpler method in which a classification network is trained on the labelled dataset to diagnose the unknown dataset. As inputs the Case Western Reserve University Bearing Dataset (CWR) and the Society for Machine Failure Prevention Technology Bearing Dataset. Both datasets are used as labelled and unknown. For classification a Convolutional Neural Network (CNN) is designed. A Generative Adversarial Network (GAN) is used as generative model. The generative model is based of a previous paper called StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation. Results were favourable for the CNN network whilst generally negative for the GAN network. Result analysis suggests that the cost function is unsuitable for the proposed problem. Conclusions state that cycle based image-to-image translation does not work correctly on vibration signals for bearing diagnosis.

Sales forecasts are an essential determinant of operational planning in entrepreneurial organizations. However, in China, as in other emerging markets, monthly sales forecasts are particularly challenging for multinational automotive enterprises and suppliers. A chief reason for this is that conventional approaches to sales forecasting often fail to capture the underlying market dynamics. To that end, this dissertation investigates the application of Artificial Neural Networks with an implemented backpropagation algorithm as a more “unconventional” sales forecasting method. A key element of statistical modelling is the selection of superior leading indicators. These indicators were collected as part of the researcher’s expert interviews with multinational enterprises and state associations in China. The economic plausibility of all specified indicators is critically explored in qualitative-quantitative pre-selection procedures. The overall objective of the present study was to improve the accuracy of monthly sales forecasts in the Chinese automotive market. This objective was achieved by showing that the forecasting error could be lowered to a new benchmark of less than 10% in an out-of-sample forecasting application. / Absatzprognosen sind ein zentraler Bestandteil der operativen Unternehmensplanung. In China, wie auch in anderen Schwellenländern, stellen vor allem monatliche Prognosen jedoch eine besondere Herausforderung für multinationale Automobilhersteller und deren Zulieferer dar. Ein Grund hierfür ist, dass konventionelle Prognoseverfahren der außergewöhnlich hohen Marktdynamik nicht ausreichend gerecht werden. In der vorliegenden Dissertationsschrift werden Künstliche Neuronale Netze mit integriertem Backpropagation-Algorithmus als alternatives Marktprognoseverfahren eingehend beleuchtet. Erprobt vor allem in hochvolatilen Finanzmarktanwendungen ist diese Form künstlicher Intelligenz imstande, hochkomplexe Zusammenhänge zu entschlüsseln und selbständig aus Prognosefehlern zu lernen. Ein Kernelement der statistischen Modellierung ist die Auswahl von geeigneten Frühwarnindikatoren, die unter anderem durch Experteninterviews in chinesischer Sprache bei Regierungsablegern erhoben wurden. Die ökonomische Plausibilität der genannten Indikatoren wird in qualitativ-quantitativen Vorauswahlverfahren kritisch reflektiert. Grundlegendes Ziel des Forschungsprojektes war es, die Güte der monatlichen Absatzprognosen im chinesischen Automobilmarkt zu verbessern. Dieses Ziel konnte mit Unterschreitung der entscheidenden 10%-Prognosefehlerschwelle im Validierungsdatensatz erreicht werden.

Die modellprädiktive Regelung (MPC) hat sich in vielen industriellen Anwendungen bewährt. Ein Nachteil ist jedoch der hohe Rechenaufwand, bedingt durch die erforderliche Lösung eines Optimierungsproblems in jedem Abtastschritt. In diesem Beitrag wird die entworfene MPC daher durch ein neuronales Netz approximiert. Als neuronales Netz wird ein Multi-Layer-Perceptron (MLP) verwendet. Mit dem trainierten MLP sind nur noch Matrix-Vektor-Multiplikationen erforderlich, die effizient berechnet werden können. Das trainierte MLP wird in C++ Code übersetzt und durch einen Industrie- PC ausgeführt. Am akademischen Beispiel einer Wippenwinkel-Regelung wird die Funktionsfähigkeit und der geringere Rechenbedarf demonstriert.

Les protéines activatrices de la guanylate cyclase (GCAPs) font partie de la famille des neuroprotéines sensibles au Ca²⁺ (NCS) et celle des protéines à EF-Hand. Il a été proposé que le mécanisme de Ca²⁺-myristoyl switch avait lieu chez toutes les protéines de la famille des NCS. Les travaux présentés dans ce mémoire permettent de déterminer si ce mécanisme est observé chez la GCAP1. En effet, des travaux de liaison membranaire à des monocouches de Langmuir effectués avec la GCAP1 ont permis d’observer ce mécanisme. De plus, l’utilisation d’un analogue du myristoyle, le 13-oxa-myristoyle, a aussi permis d’observer un Ca²⁺-myristoyl switch chez la GCAP1. Effectivement, des mesures en résonance magnétique nucléaire (RMN) ont démontré que la présence de cet analogue favorise l’extrusion du myristoyle. Finalement, différentes analyses par RMN ont été effectuées afin de déterminer si cette méthode pourrait permettre de déterminer la structure de la forme active de la GCAP1.

Memoria para optar al título de Ingeniero Civil Mecánico / Los equipos mecánicos están sujetos a daño durante la operación, lo que deteriora su estructura y funcionamiento produciendo fallas. La detección preventiva de fallas y el pronóstico de vida remanente son herramientas muy útiles en el ámbito práctico, permitiendo evitar tiempos inesperados de parada del equipo, además de permitir agendar la mantención en un momento propicio según la condición en la que se encuentre el equipo en operación. Se propone implementar un modelo novedoso para el análisis de registros de series temporales en base a Deep Learning, redes neuronales convolucionales causales, que ha presentado muy buenos resultados realizando tareas de generación de secuencias con dependencias de largo alcance [1]. Los objetivos del trabajo propuesto en el presente informe son los siguientes: Objetivo General: Determinar la vida remanente en equipos mecánicos mediante la implementación de un modelo en base a CNNs causales. Objetivos Específicos: Analizar, indexar y clasificar los registros de señales de sensores de los equipos perti- nentes. Generar un modelo en base a redes neuronales convolucionales causales para el pronós- tico y estimación de vida remanente. Verificar y corroborar resultados obtenidos comparando con métodos actuales y parti- cularmente métodos en base a Long Short-Term Memory. Teniendo la base de datos del registro de los equipos, se procede a definir la arquitectura del modelo en base a Deep Learning y a realizar el entrenamiento e implementación del modelo. Luego, se analizan y verifican los resultados. En caso de que los resultados no sean satisfactorios se procede a cambiar los hiper-parámetros de la arquitectura del modelo y se repite el procedimiento. Los resultados obtenidos validan la implementación del modelo propuesto por medio de métodos comparativos entre modelos con y sin los métodos que se busca implementar. Los valores obtenidos para las predicciones de la base de datos en la que se implementa el modelo responden a lo esperado y al comparar con el estado del arte, se puede notar que el modelo realiza buenas predicciones, no ajustándose con tanta precisión, pero obteniendo mejores resultados en las bases de datos con más parámetros de operación debido a la capacidad de aprendizaje más general.

Memoria para optar al título de Ingeniero Civil Mecánico / Identificar daños en una estructura permite anticiparse frente a fallas de consideración o totales, a fin de poder realizar las mantenciones necesarias. Una técnica ampliamente utiliza encontrar la ubicación y magnitud de daño en una estructura es mediante el análisis de sus modos de vibración, ya que estos difieren si una estructura tiene o no fallas. En la literatura se ha logrado identificar la ubicación de daño estructural del puente I- 40 utilizando datos recolectados de sus modos de vibración y temperatura, modelando la estructura con elementos finitos y sus fallas como una reducción de rigidez en un elemento seleccionado. Sin embargo, el método utilizado es lento de aplicar pues requiere resolver un problema de optimización mediante un algoritmo de optimización global. En el presente estudio se utilizan redes neuronales profundas convolucionales (RNPC), las que han demostrado su robustez respecto a otros métodos utilizados actualmente debido a su rapidez de trabajo, la confiabilidad de sus resultados y la facilidad de entrada de los datos, ya que no requieren ser previamente manipulados por el usuario. Se identifican, localizan y cuantifican los daños estructurales del puente I-40 de Nuevo México utilizando RNPC y los datos de vibración del puente, además, se desarrolla una metodología para representar las vibraciones del puente en imágenes que puedan ser procesadas por una red neuronal profunda convolucional. Finalmente se realiza una validación de la metodología de identificación de daño propuesta, por medio de datos numéricos y experimentales. Para procesar los datos, crear las imágenes y procesar dichas imágenes en el algoritmo de redes neuronales profundas convolucionales, se utilizará el software MATLAB.