7 secciones
34 lecciones
15 semanas
Despliegar todas las secciones
Ocultar todas las secciones
VIDEOS INTRODUCTORIOS
4
1.1
VIDEO INTRO TEMARIO.
5 minutos
1.2
MASTERCLASS IA
1.3
INTRODUCCIÓN N°1
48 minutos
1.4
INTRODUCCIÓN N°2
115 minutos
I: Fundamentos de Machine Learning e Inteligencia Artificial aplicada al Desempeño Sísmico Estructural
Programas y herramientas: Python y Google Colab
3
2.1
Conceptos fundamentales de IA y Machine Learning.
2.2
Flujo de trabajo de ML aplicado al desempeño sísmico.
2.3
Preparación de datos y evaluación inicial de modelos.
II: Programación científica y generación de datos estructurales
Programas y herramientas: Python, Google Colab y OpenSeesPy.
5
3.1
Python para ingeniería estructural.
3.2
Organización de datos estructurales y matriz de rigidez.
3.3
Sistemas SDOF y MDOF para generación de respuestas.
3.4
Introducción a OpenSeesPy.
3.5
Automatización paramétrica y bases de datos para ML.
III: Modelos lineales para predicción de respuesta estructural
Programas y herramientas: Python, Google Colab, SAP2000, ETABS y OpenSeesPy.
5
4.1
Regresión lineal simple y múltiple.
4.2
Predicción de variables de respuesta estructural.
4.3
Transformaciones de variables y modelos logarítmicos.
4.4
Ridge, Lasso, multicolinealidad y selección de variables.
4.5
Validación, residuos, sesgo, varianza y validación física.
IV: Análisis sísmico no lineal, incertidumbre y generación de datos
Programas y herramientas: OpenSeesPy, STERA3D, ViewWave, Python y Google Colab.
6
5.1
Linealidad, no linealidad y respuesta sísmica estructural.
5.2
Estados límite y parámetros de demanda ingenieril.
5.3
Modelamiento no lineal simplicado en OpenSeesPy.
5.4
Procesamiento de registros sísmicos e indicadores de intensidad.
5.5
Análisis dinámico tiempo historia e IDA.
5.6
Incertidumbre, organización de datos y preparación para ML.
V: Clasificación, árboles de decisión y modelos no lineales aplicados a estados de desempeño
Programas y herramientas: Python, Google Colab, OpenSeesPy, ETABS y SAP2000.
5
6.1
Regresión, clasificación y definición de estados de daño.
6.2
Regresión logística, matriz de confusión, ROC y AUC.
6.3
Árboles de decisión.
6.4
Random Forest e importancia de variables.
6.5
Comparación de modelos, interpretabilidad y modelos sustitutos.
VI: Redes neuronales aplicadas al desempeño sísmico estructural
-Programas y herramientas: Python, Google Colab, OpenSeesPy, ViewWave y bases de datos generadas en los módulos previos.
6
7.1
Fundamentos de redes neuronales.
7.2
Funciones de pérdida, optimización y entrenamiento
7.3
MLP para datos tabulares estructurales.
7.4
Redes neuronales para fragilidad y probabilidad de excedencia.
7.5
RNN, LSTM y GRU para registros y respuestas tiempo historia.
7.6
CNN, imágenes, Physics-Informed ML e integración nal.
EP Inteligencia Artificial aplicada al Desempeño Sísmico Estructural
Off
On
Curriculum
Este contenido está protegido. ¡Por favor,
iniciar sesión
y matricularse en el curso para poder verlo!
Inicio
Cursos
Buscar
Buscar
Cuenta
Inicia sesión con tu cuenta del sitio web
¿Has olvidado tu contraseña?
Recordarme
¿Aún no eres socio?
Regístrate ahora
Registrar una nueva cuenta
¿Eres socio?
Inicia sesión ahora
Modal title
Main Content