Resumen de Análisis, optimización y evaluación de modelos de redes de neuronas artificiales para la clasificación y predicción de impactos a alta velocidad sobre distintos materiales
En el dominio del impacto de sólidos a alta velocidad, la simulación numérica de un ensayo balístico requiere el empleo de una gran cantidad de recursos con un coste computacional elevado. Esta investigación propone un enfoque alternativo para la resolución de problemas de impactos balísticos sobre diversos materiales, la aplicación de soluciones conexionistas basadas en el aprendizaje automático. El objetivo final es encontrar el modelo neuronal que mejor se ajuste a cada uno de los escenarios estudiados, maximizando la información disponible, simplificando su arquitectura y optimizando el aprendizaje. Para lograrlo, se propone un proceso de ajuste del rendimiento para un Perceptrón Multicapa basado en una metodología de cuatro fases. Estas fases incluyen una combinación de heurísticas para mejorar el rendimiento, el empleo de técnicas estadísticas para validar los resultados y métricas de calidad, basadas en la teoría de la información, para medir el ajuste de los datos con respecto a su complejidad. Los resultados obtenidos muestran que la aplicación de la metodología de optimización planteada, permite una mejora en el rendimiento y en la eficiencia de un Perceptrón Multicapa en comparación con otras alternativas de máquinas de aprendizaje.
