Redes Neuronales aplicadas al monitoreo de procesos de perforación en probetas de material geológico

Abstract

Una Red Neuronal Artificial (RNA) es un modelo matemático computacional que intenta imitar, limitadamente, la estructura y funcionamiento de neuronas biológicas las cuales, a grandes rasgos, toman señales eléctricas de entrada y producen una señal de salida llamada respuesta. Mediante la combinación de una cantidad grande de neuronas artificiales, estas pueden tener la capacidad de “aprender” patrones específicos en el análisis de señales e inferir resultados. Estas redes pueden ser utilizadas en una amplia gama de aplicaciones como clasificación de objetos o señales, aproximación de funciones, conducción autónoma, reconocimiento de voz, análisis y tratamiento de imágenes o textos, etc. Las RNA tipo mapa auto-organizado (SOM Self Organized Map) o también llamadas Redes Kohonen realizan una suma ponderada de los datos multidimensionales de entrada, los cuales son afectados individualmente por un valor numérico denominado peso. Luego mediante una competencia entre neuronas se selecciona una ganadora y se procede a realizar un ajuste de vecindad para que la señal de salida sea más parecida a la señal de entrada. Esto genera un mapa en dos dimensiones donde la información se muestra organizada en zonas que tienen características similares. Los pesos de cada neurona se modifican continuamente y de diferente manera durante varias “épocas” (época se Una Red Neuronal Artificial (RNA) es un modelo matemático computacional que intenta imitar, limitadamente, la estructura y funcionamiento de neuronas biológicas las cuales, a grandes rasgos, toman señales eléctricas de entrada y producen una señal de salida llamada respuesta. Mediante la combinación de una cantidad grande de neuronas artificiales, estas pueden tener la capacidad de “aprender” patrones específicos en el análisis de señales e inferir resultados. Estas redes pueden ser utilizadas en una amplia gama de aplicaciones como clasificación de objetos o señales, aproximación de funciones, conducción autónoma, reconocimiento de voz, análisis y tratamiento de imágenes o textos, etc. Las RNA tipo mapa auto-organizado (SOM Self Organized Map) o también llamadas Redes Kohonen realizan una suma ponderada de los datos multidimensionales de entrada, los cuales son afectados individualmente por un valor numérico denominado peso. Luego mediante una competencia entre neuronas se selecciona una ganadora y se procede a realizar un ajuste de vecindad para que la señal de salida sea más parecida a la señal de entrada. Esto genera un mapa en dos dimensiones donde la información se muestra organizada en zonas que tienen características similares. Los pesos de cada neurona se modifican continuamente y de diferente manera durante varias “épocas” (época se denomina a cada paso de ajuste de los pesos) hasta minimizar el error de la respuesta. Este proceso se denomina entrenamiento, donde específicamente para esta red, es un aprendizaje de tipo no supervisado. En este trabajo se utilizan RNA tipo SOM para el estudio de señales emisión acústica (EA) provenientes de un proceso perforación de materiales geológicos dispuestos en capas y asociados mediante un cementicio, con los cuales se construyeron probetas de tamaño de laboratorio (320x320x400 mm). El taladrado se realizó con brocas de 65 mm de diámetro, con insertos monofilo de carburo de tungsteno, haciendo cuatro agujeros por cada probeta multicapa, y se midió la EA durante cada perforación. Luego de un proceso de entrenamiento detallado y una selección rigurosa de la información, esta RNA mostró la capacidad de reconocer las diferentes capas de cada probeta a partir del procesamiento de las señales de EA obtenidas durante el proceso de perforación.