REDES NEURONALES ARTIFICIALES PARA MODELAR LA PREDICCIÓN DE LA DEFORMACIÓN DE UN MATERIAL EXPUESTO A LA RADIACIÓN SOLAR

Introdución

Una Red Neuronal Artificial (Artifical Neural Network, ANN) es un modelo matemático que trata de emular a los sistemas neuronales biológicos en el procesamiento de información  (Alejo Eleuterio 2010).

Las ANN se basan en una estructura de neuronas unidas por enlaces que transmiten información a otras neuronas, las cuales entregan un resultado mediante funciones matemáticas. Las ANN aprenden de la información histórica a través de un entrenamiento, proceso mediante el cual se ajustan los parámetros de la red, a fin de entregar la respuesta deseada, adquiriendo entonces la capacidad de predecir respuestas del mismo fenómeno. El comportamiento de las redes depende entonces de los pesos para los enlaces, de las funciones de activación que se especifican para las neuronas, las que pueden ser de tres categorías: lineal, de umbral (o escalón) y sigmoideal, y de la forma en que propagan el error  (Freeman 1991).

Existen varios algoritmos que permiten ir corrigiendo el error de pronóstico; uno de los más usados es el denominado “retro propagación”, que consiste básicamente en propagar el error hacia atrás, desde la capa de salida hasta la de entrada, permitiendo así la adaptación de los pesos con el fin de reducir dicho error  (Hilera González 2000).

En forma simplificada, el funcionamiento de una red “retro propagación” consiste en el aprendizaje de un conjunto predefinido de pares de entradas-salidas dados como ejemplo, empleando un ciclo de propagación–adaptación de dos fases: primero, al aplicar un primer patrón como estímulo para la capa de entrada de la red, éste se va propagando a través de las capas siguientes para generar la salida, la cual proporciona el valor del error al compararse con la que se desea obtener. A continuación estos errores se transmiten hacia atrás, partiendo de la capa de salida, hacia todas las neuronas de la capa oculta intermedia que contribuyan directamente a la salida, recibiendo el porcentaje del error aproximado a la participación de las mismas en la salida original (Ovando 2005)..

Este proceso se repite siempre hacia atrás, capa por capa, hasta que todas las neuronas de la red hayan recibido un error que describa su aporte relativo al error total. Basándose en esta información recibida, se reajustan todos los pesos de conexión, de manera