Exploración de técnicas de inteligencia artificial para la predicción de resultados de la etapa de análisis por elementos finitos en el proceso de diseño mecánico

El diseño mecánico hoy día se ve optimizado gracias al uso de tecnologías y programas especializados que ayudan en el proceso, estos con el fin de llegar a resultados exitosos en la implementación final. Una herramienta clave dentro de estas tecnologías es el análisis por método de los elementos fin...

Full description

Autores:
Vasquez Naranjo, David Santiago
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2021
Institución:
Universidad Militar Nueva Granada
Repositorio:
Repositorio UMNG
Idioma:
spa
OAI Identifier:
oai:repository.unimilitar.edu.co:10654/38313
Acceso en línea:
http://hdl.handle.net/10654/38313
Palabra clave:
INTELIGENCIA ARTIFICIAL
TECNOLOGIA DE LA INFORMACION
machine learning
artificial intelligence
mechanical design
finite element method analysis
FEM
autoencoder
machine learning
inteligencia artificial
diseño mecanico
analisis por el metodo de los elementos finitos
FEM
autoencoder
retroalimentacion
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
id UNIMILTAR2_36b609468ce66062e237a1f415a35249
oai_identifier_str oai:repository.unimilitar.edu.co:10654/38313
network_acronym_str UNIMILTAR2
network_name_str Repositorio UMNG
repository_id_str
dc.title.spa.fl_str_mv Exploración de técnicas de inteligencia artificial para la predicción de resultados de la etapa de análisis por elementos finitos en el proceso de diseño mecánico
dc.title.translated.spa.fl_str_mv Exploration of artificial intelligence techniques for results predictions in the analysis stage by finite elements in the mechanical design process
title Exploración de técnicas de inteligencia artificial para la predicción de resultados de la etapa de análisis por elementos finitos en el proceso de diseño mecánico
spellingShingle Exploración de técnicas de inteligencia artificial para la predicción de resultados de la etapa de análisis por elementos finitos en el proceso de diseño mecánico
INTELIGENCIA ARTIFICIAL
TECNOLOGIA DE LA INFORMACION
machine learning
artificial intelligence
mechanical design
finite element method analysis
FEM
autoencoder
machine learning
inteligencia artificial
diseño mecanico
analisis por el metodo de los elementos finitos
FEM
autoencoder
retroalimentacion
title_short Exploración de técnicas de inteligencia artificial para la predicción de resultados de la etapa de análisis por elementos finitos en el proceso de diseño mecánico
title_full Exploración de técnicas de inteligencia artificial para la predicción de resultados de la etapa de análisis por elementos finitos en el proceso de diseño mecánico
title_fullStr Exploración de técnicas de inteligencia artificial para la predicción de resultados de la etapa de análisis por elementos finitos en el proceso de diseño mecánico
title_full_unstemmed Exploración de técnicas de inteligencia artificial para la predicción de resultados de la etapa de análisis por elementos finitos en el proceso de diseño mecánico
title_sort Exploración de técnicas de inteligencia artificial para la predicción de resultados de la etapa de análisis por elementos finitos en el proceso de diseño mecánico
dc.creator.fl_str_mv Vasquez Naranjo, David Santiago
dc.contributor.advisor.none.fl_str_mv Velasco Toledo, Nelson Fernando
dc.contributor.author.none.fl_str_mv Vasquez Naranjo, David Santiago
dc.subject.lemb.spa.fl_str_mv INTELIGENCIA ARTIFICIAL
TECNOLOGIA DE LA INFORMACION
topic INTELIGENCIA ARTIFICIAL
TECNOLOGIA DE LA INFORMACION
machine learning
artificial intelligence
mechanical design
finite element method analysis
FEM
autoencoder
machine learning
inteligencia artificial
diseño mecanico
analisis por el metodo de los elementos finitos
FEM
autoencoder
retroalimentacion
dc.subject.keywords.spa.fl_str_mv machine learning
artificial intelligence
mechanical design
finite element method analysis
FEM
autoencoder
dc.subject.proposal.spa.fl_str_mv machine learning
inteligencia artificial
diseño mecanico
analisis por el metodo de los elementos finitos
FEM
autoencoder
retroalimentacion
description El diseño mecánico hoy día se ve optimizado gracias al uso de tecnologías y programas especializados que ayudan en el proceso, estos con el fin de llegar a resultados exitosos en la implementación final. Una herramienta clave dentro de estas tecnologías es el análisis por método de los elementos finitos FEM que permite evaluar un elemento de estudio, bajo diferentes configuraciones de operación, sin embargo, llevar a cabo estos análisis, en ciertos casos, puede llegar a tomar horas o hasta días en solucionarse, lo que hace ineficiente el proceso de diseño y análisis mecánico de la actualidad. En el presente trabajo de grado se presentará la implementación de diferentes modelos de inteligencia artificial IA aplicados al análisis FEM, con el fin no solo de mejorar el tiempo requerido por prueba, sino generar un asistente capaz de ayudar y retroalimentar al usuario. A lo largo del trabajo se mostrarán herramientas clave para el correcto funcionamiento de las herramientas IA que llevarán a operaciones de reducción de dimensionalidad y tratamiento estadístico de los datos. Finalmente, el resultado logrará observarse en tres diferentes elementos mecánicos donde se evaluarán y comparan respecto a técnicas de análisis FEM convencionales para demostrar su correcto funcionamiento.
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2021-06-03T20:13:32Z
dc.date.available.none.fl_str_mv 2021-06-03T20:13:32Z
dc.date.issued.none.fl_str_mv 2021-02-15
dc.type.local.spa.fl_str_mv Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.*.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10654/38313
dc.identifier.instname.spa.fl_str_mv instname:Universidad Militar Nueva Granada
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Universidad Militar Nueva Granada
dc.identifier.repourl.spa.fl_str_mv repourl:https://repository.unimilitar.edu.co
url http://hdl.handle.net/10654/38313
identifier_str_mv instname:Universidad Militar Nueva Granada
reponame:Repositorio Institucional Universidad Militar Nueva Granada
repourl:https://repository.unimilitar.edu.co
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv Alcañiz, M. d. (2013). modelado y analsisi por elementos finitos de un eje ferroviario hueco usando pro engineer. Leganes
Amariles, M. E. (2006). Determinacion de las fuerzas dinamicas verticales entre la rueda y el riel del sistema metro de Medellin. Medellin, Colombia
Argentino, N. c. (2014). Manual integral de vias. buenos aires
Benlloch Menchero, J. (2015). diseño de motor v6 de combustión interna. generación de su prototipo virtual y simulación dinámica. Valencia España: Universidad Politecnica de valencia.
Carman, G. (2015). diseño mecanico e industrial: historia y evolucion. Almeria
Castillo, F. G. (2007). Metodo de los elementos finitos, el enmallado. Madrid
CJ Atman, . C. (2005). Comparing freshman and senior engineering design processes: an in-depth follow-up study. Science direct.
Crespo, E. (2016, noviembre 15). Medium.com. Retrieved from https://seraph13.medium.com/visualización-de-árbol-de-decisión-a497e257096c
Diederik P. Kingma, J. B. (2017). ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION. San diego: Cornell university
Ensyme. (2020). Ensyme advising group. Retrieved from https://blog.enzymeadvisinggroup.com/redes-neuronales-python
española, n. (2006). perfil de carriles vignole . españa
G_COLAB. (2020). ¿Que es colaboratory? Google
Giovanny Tarazona, J. C. (2014). modelacion de sistemas de recomendacion aplicando redes neuronales artificiales. Bogota, Colombia
Guillermo Gorky, A. V. (2017). analisis mecanico del brazo de biela mediante norma ASTM 48. QUITO, ECUADO: universidad internacional del Ecuador
Keras. (2020). Neural networks arquitechture. (KEras) Retrieved from https://keras.io/api/layers/activations/
learn, S. (2019). Decision Trees. (python) Retrieved from https://scikitlearn.org/stable/modules/tree.html#multi-output-problems
learn, S. (2020). Quantile Transform. Retrieved from https://scikitlearn.org/stable/auto_examples/preprocessing/plot_all_scaling.html#sphx-glr-autoexamples-preprocessing-plot-all-scaling-py
Liang Liang, M. L. (2017). A deep learning approach to estimate stress distribution: fast and accurate surrogate of finite-element analysis. The Royal Society.
M., E. S. (2017). Principios y características de las redes neuronales artificiales. In Desarrollo de innovacion en ingenieria (p. 174). Medellin
Maganña, J. A. (2015). Conceptos basicos del metodo por elemento finito. Madrid.
Mario Gerla, E.-K. L. (2017). Internet of Vehicles: From intelligent grid to autonomous cars and vehicular fog. Sage Journals.
Matson Hernández, C. E. (2017). Redes neuronales para clasificación : una aplicación al caso de riesgos laborales en Colombia. Bogota : Pontificia universidad Javeriana
Mercedes Eugenia Paoletti, J. M. (2019). Estudio Comparativo de Técnicas de Clasificación de Imágenes Hiperespectrales. Valencia.
Mexico, U. A. (2016). Estadistica Descriptiva multivariante . Ciudad De Mexico.
Min Chen, S. M. (2018). Deep Feature Learning for Medical Image Analysis with Convolutional Autoencoder Neural Network. Shangai
moreno, j. j. (2005). redes neuronales artificiales aplicadas al analisis de datos. MAllorca.
Muller, F. (2001). diccionario tecnico de mecanica de automoviles.
Nagpal, A. (2017). Principal Component Analysis- Intro. Towards Data Science.
Nigel, G. J. (2020). Machine learning for infinite element analysis of fillet radius under tensile load. Singapur
Nisbett, R. G. (2012). Diseño en ingenenieria mecanica de Shigley. Mac Graw-Hill Editores S.A
Norving, S. R. (2015). Inteligencia artificial, un enfoque moderno. Pearson Educacion S.A.
O.C. Zienkiewicz, R. L. (2004). El metodo de los elementos finitos. CIMNE.
Oscar J. Pellicer-Valero, M. J. (2019). Real time Biomechanical modeling of the liver using machine learning models trained on finite element method simulations. Mexico.
P. V. Straznicky, R. G. (2013). finite element analysis on Design Projects.
Palacios, F. S. (2014). Analisis de tensiones y deformaciones dinamicas en un bogie ferroviario mediante el metodo de elementos finitos. Madrid, España: Universidad Carlos III de Madrid.
Ramirez, F. (2020). las matematicas detras del machine learning.
Ricardo, B. T. (2005). Aportaciones al estudio de las máquinas eléctricas de flujo axial mediante la aplicación del método de los elementos finitos. Catalunya: UPC
Rodrigo, J. A. (2017). Análisis de Componentes Principales (Principal Component Analysis, PCA) y tSNE. Madrid
S.Y., W. (2005). A finite element model for the static and dynamic analysis of a piezoelectric bimorph. Nanyang: Nanyang Technological University
Sánchez, D. O. (2016). Análisis resistente mediante Elementos Finitos del. Zaragoza: Universidad de Zaragoza
Simulation, S. (2018). conceptos basicos del analisis FEM.
SolidWorks. (2017). Manual de instrucciones de software. Retrieved from www.Solidworks.es
Ton J. Cleophas, A. H. (2019). MAchine learning in medicine. Springer
University, C. M. (2016). Basis of singular value descomposition. Michigan
Velasco, N. M. (2017). Simulacion numerica de la aerodinamica del ala de un avion tipo LSA. CIDESI gobierno de Mexico.
Willina Velez, D. G. (2012). ajuste de modelos de elementos finitos. Cali, Colombia
Yunus A, C. (2012). Termodinamica. North Carolina: Nnorth Carolina State University
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.accessrights.*.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons.spa.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.local.spa.fl_str_mv Acceso abierto
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
Acceso abierto
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv applicaction/pdf
dc.coverage.sede.spa.fl_str_mv Calle 100
dc.publisher.program.spa.fl_str_mv Ingeniería en Mecatrónica
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.grantor.spa.fl_str_mv Universidad Militar Nueva Granada
institution Universidad Militar Nueva Granada
bitstream.url.fl_str_mv http://repository.unimilitar.edu.co/bitstream/10654/38313/2/license.txt
http://repository.unimilitar.edu.co/bitstream/10654/38313/1/Vasquez%20NaranjoDavid%20Santiago2021.pdf
http://repository.unimilitar.edu.co/bitstream/10654/38313/3/Vasquez%20NaranjoDavid%20Santiago2021.pdf.jpg
bitstream.checksum.fl_str_mv a609d7e369577f685ce98c66b903b91b
92583153a5c7eb172297fa954f8ea470
8c875f44c47e676d444c832447f3ccea
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UMNG
repository.mail.fl_str_mv bibliodigital@unimilitar.edu.co
_version_ 1837098435647373312
spelling Velasco Toledo, Nelson FernandoVasquez Naranjo, David SantiagoIngeniero en Mecatrónica2021-06-03T20:13:32Z2021-06-03T20:13:32Z2021-02-15http://hdl.handle.net/10654/38313instname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.unimilitar.edu.coEl diseño mecánico hoy día se ve optimizado gracias al uso de tecnologías y programas especializados que ayudan en el proceso, estos con el fin de llegar a resultados exitosos en la implementación final. Una herramienta clave dentro de estas tecnologías es el análisis por método de los elementos finitos FEM que permite evaluar un elemento de estudio, bajo diferentes configuraciones de operación, sin embargo, llevar a cabo estos análisis, en ciertos casos, puede llegar a tomar horas o hasta días en solucionarse, lo que hace ineficiente el proceso de diseño y análisis mecánico de la actualidad. En el presente trabajo de grado se presentará la implementación de diferentes modelos de inteligencia artificial IA aplicados al análisis FEM, con el fin no solo de mejorar el tiempo requerido por prueba, sino generar un asistente capaz de ayudar y retroalimentar al usuario. A lo largo del trabajo se mostrarán herramientas clave para el correcto funcionamiento de las herramientas IA que llevarán a operaciones de reducción de dimensionalidad y tratamiento estadístico de los datos. Finalmente, el resultado logrará observarse en tres diferentes elementos mecánicos donde se evaluarán y comparan respecto a técnicas de análisis FEM convencionales para demostrar su correcto funcionamiento.1 Introducción 2 1.1 Antecedentes 2 1.2 Descripción del problema 5 1.3 Justificación 6 1.4 Objetivos 7 1.4.1 Objetivo general 7 1.4.2. Objetivos específicos 7 2 Conceptos fundamentales 8 2.1. El diseño mecánico y el análisis FEM. 8 2.2. Fujo de datos en el análisis FEM convencional. 2.2.1 Preprocesamiento. 9 2.2.2. Procesamiento 11 2.2.3. Post-procesamiento 13 2.3 Concepto reducción de dimensionalidad y manipulación de propiedades estadísticas 15 2.3.1 El Autoencoder 15 2.3.1.1. Proceso de diseño Autoencoder basado en PCA 17 2.3.2. Transformación cuantílica 18 2.4 Inteligencia artificial aplicada al proceso de análisis FEM. 19 2.5 Proceso de entrenamiento de modelos IA 21 2.5.1 Implementación de reducción de dimensionalidad 22 2.5.2. Implementación de manipulación estadística de los datos. 25 3 IA implementada al preprocesamiento 27 3.1. Red neuronal para construcción de enmallado 28 3.2. Ajuste fino de enmallado 30 3.3. Visualización del enmallado 31 4. IA implementada al procesamiento 32 4.1. Red neuronal para predicción de valores de estrés y desplazamientos máximos 33 4.2. Red neuronal para predicción de desplazamientos 34 4.3. Ajuste fino de desplazamientos 35 4.4. Visualización de desplazamientos 35 5. IA implementada al post-procesamiento 36 5.1. Definición tipos de retroalimentación 37 5.1.1. ¿Cuántos, cuáles y que tipo de retroalimetnaciones existen? 38 5.1.2. ¿Qué variables son necesarias analizar para entregar retroalimentaciones? 39 5.2. Árbol de decisión como asistente de retroalimentación 40 5.3. Red neuronal como asistente de retroalimentación 42 5.4. Interfaz grafica 436. Experimentos 45 6.1. Plataformas y recursos de trabajo 6.2. Definición y especificaciones 46 6.2.1. Biela 2D 46 6.2.2. Riel ferroviario 2D 48 6.2.3. Riel ferroviario 3D 51 6.3. Generación de grupos de datos en simulación FEM por métodos convencionales 51 6.3.1. Dataset biela 2D 52 6.3.2. Dataset riel ferroviario 2D 54 6.3.3. Dataset riel ferroviario 3D 55 6.4. Reducción de dimensión y tratamiento estadístico de los datos 57 6.4.1. Implementación Autoencoder 57 6.4.2. Implementación transformación cuantílica 60 6.5. Implementación, resultados y pruebas de IA en etapa de preprocesamiento. 61 6.5.1. Implementación red neuronal ara construcción de enmallado 61 6.5.2. Resultados red neuronal para creación de enmallado 64 6.5.3. Prueba y corroboración de resultados 69 6.6. Implementación, resultados y pruebas de IA en etapa de preprocesamiento. 72 6.6.1. Implementación Redes neuronales para predicción de valores de estrés y desplazamientos máximos y desplazamientos de todos los nodos. 73 6.6.2. Resultados redes neuronales para predicción de valores de estrés y desplazamientos máximos y desplazamientos de todos los nodos 76 6.6.3. Prueba y corroboración de resultados 82 6.7. Implementación, resultados y pruebas de IA en etapa de post-procesamiento. 89 6.7.1.Implementación árbol de decisión y red neuronal como asistente de retroalimentación 92 6.7.2. Prueba y corroboración de resultados 92Nowadays the Mechanical design is optimized thanks to the use of specialized technologies and programs that help in the process, these in order to reach successful results in the final implementation. A key tool within these technologies is the analysis by the finite element method FEM that allows evaluating a study element, under different operating configurations, however, carrying out these analyzes, in certain cases, can take hours or up to days to fix, rendering today's mechanical analysis and design process inefficient. In this degree work, the implementation of different AI artificial intelligence models applied to FEM analysis will be presented, in order not only to improve the time required per test, but also to generate an assistant capable of helping and providing feedback to the user. Throughout the work, key tools will be shown for the correct operation of AI tools that will lead to dimensionality reduction operations and statistical treatment of data. Finally, the result will be observed in three different mechanical elements where they will be evaluated and compared with respect to conventional FEM analysis techniques to demonstrate their correct operation.Pregradoapplicaction/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 InternationalAcceso abiertoExploración de técnicas de inteligencia artificial para la predicción de resultados de la etapa de análisis por elementos finitos en el proceso de diseño mecánicoExploration of artificial intelligence techniques for results predictions in the analysis stage by finite elements in the mechanical design processINTELIGENCIA ARTIFICIALTECNOLOGIA DE LA INFORMACIONmachine learningartificial intelligencemechanical designfinite element method analysisFEMautoencodermachine learninginteligencia artificialdiseño mecanicoanalisis por el metodo de los elementos finitosFEMautoencoderretroalimentacionTesis/Trabajo de grado - Monografía - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fIngeniería en MecatrónicaFacultad de IngenieríaUniversidad Militar Nueva GranadaAlcañiz, M. d. (2013). modelado y analsisi por elementos finitos de un eje ferroviario hueco usando pro engineer. LeganesAmariles, M. E. (2006). Determinacion de las fuerzas dinamicas verticales entre la rueda y el riel del sistema metro de Medellin. Medellin, ColombiaArgentino, N. c. (2014). Manual integral de vias. buenos airesBenlloch Menchero, J. (2015). diseño de motor v6 de combustión interna. generación de su prototipo virtual y simulación dinámica. Valencia España: Universidad Politecnica de valencia.Carman, G. (2015). diseño mecanico e industrial: historia y evolucion. AlmeriaCastillo, F. G. (2007). Metodo de los elementos finitos, el enmallado. MadridCJ Atman, . C. (2005). Comparing freshman and senior engineering design processes: an in-depth follow-up study. Science direct.Crespo, E. (2016, noviembre 15). Medium.com. Retrieved from https://seraph13.medium.com/visualización-de-árbol-de-decisión-a497e257096cDiederik P. Kingma, J. B. (2017). ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION. San diego: Cornell universityEnsyme. (2020). Ensyme advising group. Retrieved from https://blog.enzymeadvisinggroup.com/redes-neuronales-pythonespañola, n. (2006). perfil de carriles vignole . españaG_COLAB. (2020). ¿Que es colaboratory? GoogleGiovanny Tarazona, J. C. (2014). modelacion de sistemas de recomendacion aplicando redes neuronales artificiales. Bogota, ColombiaGuillermo Gorky, A. V. (2017). analisis mecanico del brazo de biela mediante norma ASTM 48. QUITO, ECUADO: universidad internacional del EcuadorKeras. (2020). Neural networks arquitechture. (KEras) Retrieved from https://keras.io/api/layers/activations/learn, S. (2019). Decision Trees. (python) Retrieved from https://scikitlearn.org/stable/modules/tree.html#multi-output-problemslearn, S. (2020). Quantile Transform. Retrieved from https://scikitlearn.org/stable/auto_examples/preprocessing/plot_all_scaling.html#sphx-glr-autoexamples-preprocessing-plot-all-scaling-pyLiang Liang, M. L. (2017). A deep learning approach to estimate stress distribution: fast and accurate surrogate of finite-element analysis. The Royal Society.M., E. S. (2017). Principios y características de las redes neuronales artificiales. In Desarrollo de innovacion en ingenieria (p. 174). MedellinMaganña, J. A. (2015). Conceptos basicos del metodo por elemento finito. Madrid.Mario Gerla, E.-K. L. (2017). Internet of Vehicles: From intelligent grid to autonomous cars and vehicular fog. Sage Journals.Matson Hernández, C. E. (2017). Redes neuronales para clasificación : una aplicación al caso de riesgos laborales en Colombia. Bogota : Pontificia universidad JaverianaMercedes Eugenia Paoletti, J. M. (2019). Estudio Comparativo de Técnicas de Clasificación de Imágenes Hiperespectrales. Valencia.Mexico, U. A. (2016). Estadistica Descriptiva multivariante . Ciudad De Mexico.Min Chen, S. M. (2018). Deep Feature Learning for Medical Image Analysis with Convolutional Autoencoder Neural Network. Shangaimoreno, j. j. (2005). redes neuronales artificiales aplicadas al analisis de datos. MAllorca.Muller, F. (2001). diccionario tecnico de mecanica de automoviles.Nagpal, A. (2017). Principal Component Analysis- Intro. Towards Data Science.Nigel, G. J. (2020). Machine learning for infinite element analysis of fillet radius under tensile load. SingapurNisbett, R. G. (2012). Diseño en ingenenieria mecanica de Shigley. Mac Graw-Hill Editores S.ANorving, S. R. (2015). Inteligencia artificial, un enfoque moderno. Pearson Educacion S.A.O.C. Zienkiewicz, R. L. (2004). El metodo de los elementos finitos. CIMNE.Oscar J. Pellicer-Valero, M. J. (2019). Real time Biomechanical modeling of the liver using machine learning models trained on finite element method simulations. Mexico.P. V. Straznicky, R. G. (2013). finite element analysis on Design Projects.Palacios, F. S. (2014). Analisis de tensiones y deformaciones dinamicas en un bogie ferroviario mediante el metodo de elementos finitos. Madrid, España: Universidad Carlos III de Madrid.Ramirez, F. (2020). las matematicas detras del machine learning.Ricardo, B. T. (2005). Aportaciones al estudio de las máquinas eléctricas de flujo axial mediante la aplicación del método de los elementos finitos. Catalunya: UPCRodrigo, J. A. (2017). Análisis de Componentes Principales (Principal Component Analysis, PCA) y tSNE. MadridS.Y., W. (2005). A finite element model for the static and dynamic analysis of a piezoelectric bimorph. Nanyang: Nanyang Technological UniversitySánchez, D. O. (2016). Análisis resistente mediante Elementos Finitos del. Zaragoza: Universidad de ZaragozaSimulation, S. (2018). conceptos basicos del analisis FEM.SolidWorks. (2017). Manual de instrucciones de software. Retrieved from www.Solidworks.esTon J. Cleophas, A. H. (2019). MAchine learning in medicine. SpringerUniversity, C. M. (2016). Basis of singular value descomposition. MichiganVelasco, N. M. (2017). Simulacion numerica de la aerodinamica del ala de un avion tipo LSA. CIDESI gobierno de Mexico.Willina Velez, D. G. (2012). ajuste de modelos de elementos finitos. Cali, ColombiaYunus A, C. (2012). Termodinamica. North Carolina: Nnorth Carolina State UniversityCalle 100LICENSElicense.txtlicense.txttext/plain; charset=utf-83420http://repository.unimilitar.edu.co/bitstream/10654/38313/2/license.txta609d7e369577f685ce98c66b903b91bMD52ORIGINALVasquez NaranjoDavid Santiago2021.pdfVasquez NaranjoDavid Santiago2021.pdfTrabajo de gradoapplication/pdf4697840http://repository.unimilitar.edu.co/bitstream/10654/38313/1/Vasquez%20NaranjoDavid%20Santiago2021.pdf92583153a5c7eb172297fa954f8ea470MD51THUMBNAILVasquez NaranjoDavid Santiago2021.pdf.jpgVasquez NaranjoDavid Santiago2021.pdf.jpgIM Thumbnailimage/jpeg4469http://repository.unimilitar.edu.co/bitstream/10654/38313/3/Vasquez%20NaranjoDavid%20Santiago2021.pdf.jpg8c875f44c47e676d444c832447f3cceaMD5310654/38313oai:repository.unimilitar.edu.co:10654/383132021-06-07 01:02:43.845Repositorio Institucional UMNGbibliodigital@unimilitar.edu.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