Redes neuronales artificiales para estimar propiedades en estado fresco y endurecido, para hormigones reforzados con fibras metálicas
Titulo:

Redes neuronales artificiales para estimar propiedades en estado fresco y endurecido, para hormigones reforzados con fibras metálicas
.

Sumario:

El hormigón se elabora con cemento, agua, agregados, aditivos y adiciones minerales. Una de sus propiedades en estado fresco, es el asentamiento. Por su parte, en estado endurecido, sus propiedades mecánicas se alcanzan a una edad de 28 días, después del mezclado de las materias primas. Como material frágil, requiere de la incorporación de fibra para adquirir ductilidad. Tanto sin fibra como con fibras, se ha extendido el uso de redes neuronales artificiales (RNA) para predecir principalmente la resistencia a la compresión, lo cual hace interesante aplicarlo también para otras propiedades mecánicas, así como para el asentamiento. En el presente artículo se reporta la elaboración de RNA, entrenadas con los algoritmos de Levenberg-Maquardt y... Ver más

Guardado en:

Cuaderno activa

2027-8101

2619-5232

González Salcedo, Luis Octavio

Guerrero Zúñiga, Aydee Patricia

Delvasto Arjona, Silvio

Ernesto Will, Adrián Luis

TECNOLOGICO DE ANTIOQUIA INSTITUCION UNIVERSITARIA

10.53995/20278101.423

9

2017-03-29

95

107

Colombia

Luis Octavio González Salcedo, Aydee Patricia Guerrero Zúñiga, Silvio Delvasto Arjona, Adrián Luis Ernesto Will - 2017

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

info:eu-repo/semantics/openAccess

http://purl.org/coar/access_right/c_abf2

id metarevistapublica_tdea_cuadernoactiva_14_article_423
record_format ojs
spelling Redes neuronales artificiales para estimar propiedades en estado fresco y endurecido, para hormigones reforzados con fibras metálicas
Artificial neural networks to estimate fresh and hardened state properties, for metal fiber reinforced concrete
El hormigón se elabora con cemento, agua, agregados, aditivos y adiciones minerales. Una de sus propiedades en estado fresco, es el asentamiento. Por su parte, en estado endurecido, sus propiedades mecánicas se alcanzan a una edad de 28 días, después del mezclado de las materias primas. Como material frágil, requiere de la incorporación de fibra para adquirir ductilidad. Tanto sin fibra como con fibras, se ha extendido el uso de redes neuronales artificiales (RNA) para predecir principalmente la resistencia a la compresión, lo cual hace interesante aplicarlo también para otras propiedades mecánicas, así como para el asentamiento. En el presente artículo se reporta la elaboración de RNA, entrenadas con los algoritmos de Levenberg-Maquardt y Gradiente Conjugado Escalonado, usando el software MATLAB, para predecir el asentamiento y las resistencias de diseño a la compresión, a la tensión, a la cortante, y a la flexión, así como la tenacidad flexural en hormigones reforzados con fibras de acero. Los resultados de correlación entre los valores obtenidos y reales, muestran que la herramienta computacional elaborada es confiable para su uso predictivo.Palabras Clave: Asentamiento del hormigón, Hormigón reforzado con fibra, Inteligencia Artificial, Propiedades mecánicas del hormigón, Redes Neuronales Artificiales.
Concrete is made from cement, water, aggregates, additives and mineral additions. In its fresh state, one of its properties is the settlement. Meanwhile, when hardened, its mechanical properties are reached at an age of 28 days after the mixing of the raw materials, as a brittle material it requires fiber to be incorporated to acquire ductility. Both in concrete, without fiber and with fiber, the use of artificial neural networks (ANNs) to predict mainly compressive strength has been expanded, which, as well as for its settlement properties, it also makes its other properties interesting . In this paper, the development of ANN is reported in combination withtraining from Levenberg-Maquardt and Scaled Conjugated Gradient Algorithms, using MATLAB software to predict the settlement and design strengths of compression, tension, shear, and flexural strength, flexural toughness, and for steel fiber reinforced concrete. The results of correlation between actual and predicted values show that the computational tool developed is reliable for predictive use.Keywords: Concrete´s settlement, Fiber reinforced concrete, Artificial Intelligence, Predictive tool, Concrete’s mechanical properties, Artificial Neural Network.
González Salcedo, Luis Octavio
Guerrero Zúñiga, Aydee Patricia
Delvasto Arjona, Silvio
Ernesto Will, Adrián Luis
9
9
Artículo de revista
Journal article
2017-03-29T00:00:00Z
2017-03-29T00:00:00Z
2017-03-29
application/pdf
text/xml
Tecnológico de Antioquia - Institución Universitaria
Cuaderno activa
2027-8101
2619-5232
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/423
10.53995/20278101.423
https://doi.org/10.53995/20278101.423
spa
https://creativecommons.org/licenses/by-nc-sa/4.0
Luis Octavio González Salcedo, Aydee Patricia Guerrero Zúñiga, Silvio Delvasto Arjona, Adrián Luis Ernesto Will - 2017
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
95
107
Agrawal, V. & Sharma, A. (2010). Prediction of slump in concrete using artificial neural networks. World academy of science, engineering and technology, (69), 25-32.
Aschen, C. (1982). Interpreting and using regression. Sage University Paper. (029), 89p.
Ascombe, T. (1973). Graphs in statistical analysis. The american statistician. A direction of conjugate gradients. Numerical Methods for Nonlinear Optimization, ( 27), 17-21.
Benavides, C. y González, S. (2012). Fibras de acero para reforzamiento de matrices cementicias: Una recopilación sobre fibras comercialmente disponibles. Universidad Nacional de Colombia Sede Palmira, 73.
Bertona, L. (2005). Entrenamiento de redes neuronales basado en algoritmos evolutivos. Tesis (Ingeniería Informática). Universidad de Buenos Aires, Buenos Aires, 256.
Bishop, C. (2006). Pattern recognition and machine learning. Springer, 805.
Buckley, A. (1978). A combined conjugate gradient Quasi-Newton minimization algorithm. Mathematical Programming, No. 15, pp. 200-210.
Buckley, A. G. & Lenir, A. (1983). QN-like variable storage conjugate gradient. Mathematical Programming, (27), 190-212.
Ceballos, F., Muñoz, L. y Moreno C. (2011). Selección de perceptrones multicapa usando aprendizaje bayesiano. Scientia et Technica, 16 (49), 110-115.
Chan, Y. Solís, C. y Moreno, E. (2003). Influencia de los agregados pétreos en las características del concreto. Ingeniería, 7 (2), 39-46.
Chen, C. & Su, S. (March 2010). Resilient back-propagation neural network for approximation 2-D GDOP. Proceedings of the international multiconference of engineers and computer scientists. Hong Kong.
Chopra, P., Sharma, R. & Kumar, M. (2015). Artificial neural networks for the prediction of compressive strength of concrete. International journal of applied science and engineering, 13 (3), 187-204.
Cladera, B. (2002). Shear design of reinforced highstrength concrete beams. Doctoral Thesis. Universitat Politecnica de Catalunya, Barcelona.
Constantinescu, R., Lazarescu, V. & Tahboub, R. (2008). Geometrical form recognition using “One-Step-Secant” Algorithm in case of Neural Network. U.P.B. Scientific 70 (2), 15-28.
Díaz, W., Will, A. y González, S. (2011). Un método para estimación de calidad de datos en redes neuronales y su aplicación a problemas de hormigón de alto performance. Mecánica computacional, 30 (43), 3381-3381.
Fletcher, R. (1980). Unconstrained optimization. Wiley, 6, 609.
Fletcher, R. & Reeves, C. (1964). Function minimization by conjugate gradients. Computer Journal, (7), 149-154.
González, L., Guerrero A., Delvasto, S. & Will, A. (2012). Exploración con redes neuronales artificiales para estimar la resistencia a la compresión, en concretos fibroreforzados con acero. Ciencia e ingeniería neogranadina, 22 (1), 19-41.
González, L., Guerrero, A. y Delvasto, S. (2012). Aplicación de la inteligencia artificial en el diseño de mezclas de concreto. Estado del Arte. Cuaderno Activa, (4), 55-65.
González, L. (2014). Diseño de mezclas de concreto reforzado con fibras metálicas y de polipropileno, usando Inteligencia artificial. Tesis Doctoral (Ingeniería de Materiales). Universidad del Valle, Cali, Colombia.
González, L., Guerrero, A., Delvasto, S. & Will, A. (2014). Estimación del índice de tenacidad flexural I5 en concretos fibro-reforzados, usando redes neuronales artificiales. Revista Colombiana de Materiales, (5), 24-29.
Hinton, G. (1987). Connectionist learning procedure. Computer Science Department, Carnegie-Mellon University, Pittsburg, 58p.
Hinton, G. (1989). Connectionist learning procedures. Artificial Intelligence, 40 (1-3), 185-234.
Isasi, V. (2007). Redes de Neuronas. Universidad Carlos III de Madrid, Departamento de Informática. 59.
Jacobs, R. (1988). Increased Rates of Convergence Through Learning Rate Adaptation. Neural Networks, 1 (4), 295-307.
Karahan, O., Tanyildizi, H. & Atis, C. D. (2008). An artificial neural networks approach for prediction of long-term strength properties of steel fiber reinforced concrete containing fly ash. Journal of Zhejiang University SCIENCE A, 9 (11), 1514-1523.
Kişi, O. & Uncuoğlu, E. (2005). Comparison of three back-propagation training algorithms for two case studies. Indian Journal of Engineering & Materials Sciences, 12, 434-442.
Kurkova, V. (1992). Kolmogorov theorem and multilayer neural networks. Neural Networks, 5 (3), 501-506.
Leshno, M., Lin, V., Pinkus, A. & Schocken, S. (1992). Multilayer feedforward networks with nonpolynomial activation function can approximate any functions. Working Papers Series. New York University, 26.
Lourakis, M. (2005). A brief description of the levenberg-mardquardt algorithm implemented by Levmar. February. Institute of Computer Science, Heraklion, 7.
Martínez, R. (2005). Errores frecuentes en la interpretación del coeficiente de determinación lineal. Anuario Jurídico y Económico Escurialense, (38), 315-332.
Minai, A. & Williams, R. ( January 1990). Acceleration of back-propagation through learning rate and momentum adaptation. Proceedings of the International Joint Conference on Neural Networks. Caudill, M. (Editor).Washington, D. C.
Möller, M. (1993). Efficient training of feed-forward neural networks. Thesis Ph.D. (Computer Science), Arhus University, Arhus, Denmark.
Moreira, M. & Fiesler, E. (1995). Neural networks with adaptive learning rate and momentum terms. Technical report. Institut Dalle Molle D´Intelligence Artificielle Perceptive, 30p.
Niño, J. (2010). Tecnología del concreto. Tomo 1 Materiales, propiedades y diseño de mezcla. Asociación Colombiana de Productores de Concreto, Asocreto. Bogotá, 227.
Nocedal, J. (1992). Updating Quasi-Newton metrics with limited storage. Mathematics of Computation, (35), 773-782.
Noguchi, T., Maruyama, I. & Kanematsu, M. (May 2003). Performance based design system for concrete mixture with multi-optimizing genetic algorithm. Proceedings of the 11th International Congress on the Chemistry of Cement “Cement´s Contribution to the Development in the 21st Century”, Durban, South Africa.
Polak, E. & Ribiére, G. (1969). Note sur la convergence de méthodes de directions conjuguées. Rev. Française Informát Recherche Opérationnelle, 3 (16), 35-43.
Powell, M. (1977). Restart procedures for the conjugated gradient method. Mathematical Programming, 12, 241-254.
Richardson, A. & Landless, S. (2009). Synthetic fibres and steel fibres en concrete with regard to bond strength and toughness. Nothumbria Built Environment Research Papers, 2, (2), 128-140.
Rumelhart, D., Hinton, G. & Williams, R. (1986). Learning internal representation by error propagation. Parallel Distributed Processing: Explorations in the Microstructures of Cognition, 1, 318-362.
Torres, L. (1994,1995). Redes neuronales y aproximación de funciones. Boletín de Matemáticas, 1, 2 (1,2), 35-58.
Unger, J. & Könke, C. (2011). An inverse parameter identification procedure assessing the quality of the estimates using Bayesians neural networks. Applied soft computing, 11 (4), 3357-3367.
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/423/495
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/423/1089
info:eu-repo/semantics/article
http://purl.org/coar/resource_type/c_6501
http://purl.org/coar/resource_type/c_2df8fbb1
http://purl.org/redcol/resource_type/ART
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/version/c_970fb48d4fbd8a85
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
Text
Publication
institution TECNOLOGICO DE ANTIOQUIA INSTITUCION UNIVERSITARIA
thumbnail https://nuevo.metarevistas.org/TECNOLOGICODEANTIOQUIAINSTITUCIONUNIVERSITARIA/logo.png
country_str Colombia
collection Cuaderno activa
title Redes neuronales artificiales para estimar propiedades en estado fresco y endurecido, para hormigones reforzados con fibras metálicas
spellingShingle Redes neuronales artificiales para estimar propiedades en estado fresco y endurecido, para hormigones reforzados con fibras metálicas
González Salcedo, Luis Octavio
Guerrero Zúñiga, Aydee Patricia
Delvasto Arjona, Silvio
Ernesto Will, Adrián Luis
title_short Redes neuronales artificiales para estimar propiedades en estado fresco y endurecido, para hormigones reforzados con fibras metálicas
title_full Redes neuronales artificiales para estimar propiedades en estado fresco y endurecido, para hormigones reforzados con fibras metálicas
title_fullStr Redes neuronales artificiales para estimar propiedades en estado fresco y endurecido, para hormigones reforzados con fibras metálicas
title_full_unstemmed Redes neuronales artificiales para estimar propiedades en estado fresco y endurecido, para hormigones reforzados con fibras metálicas
title_sort redes neuronales artificiales para estimar propiedades en estado fresco y endurecido, para hormigones reforzados con fibras metálicas
title_eng Artificial neural networks to estimate fresh and hardened state properties, for metal fiber reinforced concrete
description El hormigón se elabora con cemento, agua, agregados, aditivos y adiciones minerales. Una de sus propiedades en estado fresco, es el asentamiento. Por su parte, en estado endurecido, sus propiedades mecánicas se alcanzan a una edad de 28 días, después del mezclado de las materias primas. Como material frágil, requiere de la incorporación de fibra para adquirir ductilidad. Tanto sin fibra como con fibras, se ha extendido el uso de redes neuronales artificiales (RNA) para predecir principalmente la resistencia a la compresión, lo cual hace interesante aplicarlo también para otras propiedades mecánicas, así como para el asentamiento. En el presente artículo se reporta la elaboración de RNA, entrenadas con los algoritmos de Levenberg-Maquardt y Gradiente Conjugado Escalonado, usando el software MATLAB, para predecir el asentamiento y las resistencias de diseño a la compresión, a la tensión, a la cortante, y a la flexión, así como la tenacidad flexural en hormigones reforzados con fibras de acero. Los resultados de correlación entre los valores obtenidos y reales, muestran que la herramienta computacional elaborada es confiable para su uso predictivo.Palabras Clave: Asentamiento del hormigón, Hormigón reforzado con fibra, Inteligencia Artificial, Propiedades mecánicas del hormigón, Redes Neuronales Artificiales.
description_eng Concrete is made from cement, water, aggregates, additives and mineral additions. In its fresh state, one of its properties is the settlement. Meanwhile, when hardened, its mechanical properties are reached at an age of 28 days after the mixing of the raw materials, as a brittle material it requires fiber to be incorporated to acquire ductility. Both in concrete, without fiber and with fiber, the use of artificial neural networks (ANNs) to predict mainly compressive strength has been expanded, which, as well as for its settlement properties, it also makes its other properties interesting . In this paper, the development of ANN is reported in combination withtraining from Levenberg-Maquardt and Scaled Conjugated Gradient Algorithms, using MATLAB software to predict the settlement and design strengths of compression, tension, shear, and flexural strength, flexural toughness, and for steel fiber reinforced concrete. The results of correlation between actual and predicted values show that the computational tool developed is reliable for predictive use.Keywords: Concrete´s settlement, Fiber reinforced concrete, Artificial Intelligence, Predictive tool, Concrete’s mechanical properties, Artificial Neural Network.
author González Salcedo, Luis Octavio
Guerrero Zúñiga, Aydee Patricia
Delvasto Arjona, Silvio
Ernesto Will, Adrián Luis
author_facet González Salcedo, Luis Octavio
Guerrero Zúñiga, Aydee Patricia
Delvasto Arjona, Silvio
Ernesto Will, Adrián Luis
citationvolume 9
citationissue 9
publisher Tecnológico de Antioquia - Institución Universitaria
ispartofjournal Cuaderno activa
source https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/423
language spa
format Article
rights https://creativecommons.org/licenses/by-nc-sa/4.0
Luis Octavio González Salcedo, Aydee Patricia Guerrero Zúñiga, Silvio Delvasto Arjona, Adrián Luis Ernesto Will - 2017
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
references Agrawal, V. & Sharma, A. (2010). Prediction of slump in concrete using artificial neural networks. World academy of science, engineering and technology, (69), 25-32.
Aschen, C. (1982). Interpreting and using regression. Sage University Paper. (029), 89p.
Ascombe, T. (1973). Graphs in statistical analysis. The american statistician. A direction of conjugate gradients. Numerical Methods for Nonlinear Optimization, ( 27), 17-21.
Benavides, C. y González, S. (2012). Fibras de acero para reforzamiento de matrices cementicias: Una recopilación sobre fibras comercialmente disponibles. Universidad Nacional de Colombia Sede Palmira, 73.
Bertona, L. (2005). Entrenamiento de redes neuronales basado en algoritmos evolutivos. Tesis (Ingeniería Informática). Universidad de Buenos Aires, Buenos Aires, 256.
Bishop, C. (2006). Pattern recognition and machine learning. Springer, 805.
Buckley, A. (1978). A combined conjugate gradient Quasi-Newton minimization algorithm. Mathematical Programming, No. 15, pp. 200-210.
Buckley, A. G. & Lenir, A. (1983). QN-like variable storage conjugate gradient. Mathematical Programming, (27), 190-212.
Ceballos, F., Muñoz, L. y Moreno C. (2011). Selección de perceptrones multicapa usando aprendizaje bayesiano. Scientia et Technica, 16 (49), 110-115.
Chan, Y. Solís, C. y Moreno, E. (2003). Influencia de los agregados pétreos en las características del concreto. Ingeniería, 7 (2), 39-46.
Chen, C. & Su, S. (March 2010). Resilient back-propagation neural network for approximation 2-D GDOP. Proceedings of the international multiconference of engineers and computer scientists. Hong Kong.
Chopra, P., Sharma, R. & Kumar, M. (2015). Artificial neural networks for the prediction of compressive strength of concrete. International journal of applied science and engineering, 13 (3), 187-204.
Cladera, B. (2002). Shear design of reinforced highstrength concrete beams. Doctoral Thesis. Universitat Politecnica de Catalunya, Barcelona.
Constantinescu, R., Lazarescu, V. & Tahboub, R. (2008). Geometrical form recognition using “One-Step-Secant” Algorithm in case of Neural Network. U.P.B. Scientific 70 (2), 15-28.
Díaz, W., Will, A. y González, S. (2011). Un método para estimación de calidad de datos en redes neuronales y su aplicación a problemas de hormigón de alto performance. Mecánica computacional, 30 (43), 3381-3381.
Fletcher, R. (1980). Unconstrained optimization. Wiley, 6, 609.
Fletcher, R. & Reeves, C. (1964). Function minimization by conjugate gradients. Computer Journal, (7), 149-154.
González, L., Guerrero A., Delvasto, S. & Will, A. (2012). Exploración con redes neuronales artificiales para estimar la resistencia a la compresión, en concretos fibroreforzados con acero. Ciencia e ingeniería neogranadina, 22 (1), 19-41.
González, L., Guerrero, A. y Delvasto, S. (2012). Aplicación de la inteligencia artificial en el diseño de mezclas de concreto. Estado del Arte. Cuaderno Activa, (4), 55-65.
González, L. (2014). Diseño de mezclas de concreto reforzado con fibras metálicas y de polipropileno, usando Inteligencia artificial. Tesis Doctoral (Ingeniería de Materiales). Universidad del Valle, Cali, Colombia.
González, L., Guerrero, A., Delvasto, S. & Will, A. (2014). Estimación del índice de tenacidad flexural I5 en concretos fibro-reforzados, usando redes neuronales artificiales. Revista Colombiana de Materiales, (5), 24-29.
Hinton, G. (1987). Connectionist learning procedure. Computer Science Department, Carnegie-Mellon University, Pittsburg, 58p.
Hinton, G. (1989). Connectionist learning procedures. Artificial Intelligence, 40 (1-3), 185-234.
Isasi, V. (2007). Redes de Neuronas. Universidad Carlos III de Madrid, Departamento de Informática. 59.
Jacobs, R. (1988). Increased Rates of Convergence Through Learning Rate Adaptation. Neural Networks, 1 (4), 295-307.
Karahan, O., Tanyildizi, H. & Atis, C. D. (2008). An artificial neural networks approach for prediction of long-term strength properties of steel fiber reinforced concrete containing fly ash. Journal of Zhejiang University SCIENCE A, 9 (11), 1514-1523.
Kişi, O. & Uncuoğlu, E. (2005). Comparison of three back-propagation training algorithms for two case studies. Indian Journal of Engineering & Materials Sciences, 12, 434-442.
Kurkova, V. (1992). Kolmogorov theorem and multilayer neural networks. Neural Networks, 5 (3), 501-506.
Leshno, M., Lin, V., Pinkus, A. & Schocken, S. (1992). Multilayer feedforward networks with nonpolynomial activation function can approximate any functions. Working Papers Series. New York University, 26.
Lourakis, M. (2005). A brief description of the levenberg-mardquardt algorithm implemented by Levmar. February. Institute of Computer Science, Heraklion, 7.
Martínez, R. (2005). Errores frecuentes en la interpretación del coeficiente de determinación lineal. Anuario Jurídico y Económico Escurialense, (38), 315-332.
Minai, A. & Williams, R. ( January 1990). Acceleration of back-propagation through learning rate and momentum adaptation. Proceedings of the International Joint Conference on Neural Networks. Caudill, M. (Editor).Washington, D. C.
Möller, M. (1993). Efficient training of feed-forward neural networks. Thesis Ph.D. (Computer Science), Arhus University, Arhus, Denmark.
Moreira, M. & Fiesler, E. (1995). Neural networks with adaptive learning rate and momentum terms. Technical report. Institut Dalle Molle D´Intelligence Artificielle Perceptive, 30p.
Niño, J. (2010). Tecnología del concreto. Tomo 1 Materiales, propiedades y diseño de mezcla. Asociación Colombiana de Productores de Concreto, Asocreto. Bogotá, 227.
Nocedal, J. (1992). Updating Quasi-Newton metrics with limited storage. Mathematics of Computation, (35), 773-782.
Noguchi, T., Maruyama, I. & Kanematsu, M. (May 2003). Performance based design system for concrete mixture with multi-optimizing genetic algorithm. Proceedings of the 11th International Congress on the Chemistry of Cement “Cement´s Contribution to the Development in the 21st Century”, Durban, South Africa.
Polak, E. & Ribiére, G. (1969). Note sur la convergence de méthodes de directions conjuguées. Rev. Française Informát Recherche Opérationnelle, 3 (16), 35-43.
Powell, M. (1977). Restart procedures for the conjugated gradient method. Mathematical Programming, 12, 241-254.
Richardson, A. & Landless, S. (2009). Synthetic fibres and steel fibres en concrete with regard to bond strength and toughness. Nothumbria Built Environment Research Papers, 2, (2), 128-140.
Rumelhart, D., Hinton, G. & Williams, R. (1986). Learning internal representation by error propagation. Parallel Distributed Processing: Explorations in the Microstructures of Cognition, 1, 318-362.
Torres, L. (1994,1995). Redes neuronales y aproximación de funciones. Boletín de Matemáticas, 1, 2 (1,2), 35-58.
Unger, J. & Könke, C. (2011). An inverse parameter identification procedure assessing the quality of the estimates using Bayesians neural networks. Applied soft computing, 11 (4), 3357-3367.
type_driver info:eu-repo/semantics/article
type_coar http://purl.org/coar/resource_type/c_6501
type_version info:eu-repo/semantics/publishedVersion
type_coarversion http://purl.org/coar/version/c_970fb48d4fbd8a85
type_content Text
publishDate 2017-03-29
date_accessioned 2017-03-29T00:00:00Z
date_available 2017-03-29T00:00:00Z
url https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/423
url_doi https://doi.org/10.53995/20278101.423
issn 2027-8101
eissn 2619-5232
doi 10.53995/20278101.423
citationstartpage 95
citationendpage 107
url2_str_mv https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/423/495
url4_str_mv https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/423/1089
_version_ 1811200379871821824

Código QR

Estadísticas y Métricas Alternativas

Títulos similares