Atribución-NoComercial-SinDerivadas 4.0 InternacionalOrozco-Alzate, MauricioOspina Dávila, Yesid Mauricio2022-10-112022-10-112022https://repositorio.unal.edu.co/handle/unal/82365gráficos, tablasNowadays, data-driven modelling in structural and geo-engineering problems using Statistical Pattern Recognition and Machine Learning provides powerful and more versatile tools within a predictive framework. In contrast to the mainstream orientations of the state-of-art in data-driven structural and geo-engineering surrogates, which are based on advanced and (hyper-)parametrized classifiers, this thesis is focused on data representation issues. Firstly, for vectorial slope/landslide data, feature-based vector spaces are enriched and enhanced according to the Occam’s razor principle, which is achieved through three simple but powerful existing variants of a transparent classifier as the nearest neighbor rule. Secondly, for non-vectorial SHM data, powerful and highly discriminant dissimilarity-vector spaces are built-up using spectral/time-frequency information from structural states, adopting a proximity-based learning scheme. In both cases, the results show the importance of a proper data representation and its key role in a bottom-up design for surrogate modelling. (Texto tomado de la fuente)Actualmente, el Reconocimiento de Patrones Estadístico y el Aprendizaje de Máquinas proveen herramientas poderosas y versátiles para el modelamiento predictivo de problemas de estructuras civiles, mecánicas y de la geo-ingeniería. A diferencia de las principales tendencias en el estado del arte en los sustitutos basados en datos en problemas de estructuras y de geo-ingeniería, esta tesis se enfoca en la representación de los datos. Primero, para datos vectoriales de taludes/deslizamientos, los espacios vectoriales basados en características son enriquecidos y mejorados de acuerdo al principio de la navaja de Occam o de parsimonia, el cual se logra mediante tres simples pero poderosos variantes ya existentes del clasificador de vecinos más cercanos. Segundo, para datos no-vectoriales pertenecientes al Monitoreo de Salud Estructural, son construidos, poderosos y altamente discriminantes, espacios de disimilitudes usando información espectral/tiempo-frecuencia, tomando un esquema de aprendizaje basado en proximidades. En ambos casos, los resultados demuestran la importancia de una apropiada representación de datos y su influencia en el diseño incremental de modelos sustitutos.xiv, 85 páginasapplication/pdfenghttp://creativecommons.org/licenses/by-nc-nd/4.0/000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadoresTrabajo de grado - DoctoradoUniversidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/info:eu-repo/semantics/openAccessClassifier system designData-driven surrogatesDissimilarity pattern recognitionLandslidesPattern representationStructural health monitoringSlope stabilityDeslizamientosDiseño de sistemas de clasificaciónEstabilidad de taludesMonitoreo de salud estructuralReconocimiento de patrones basado en disimilitudesRepresentación de patronesSustitutos basados en datosIngeniería de la construcciónConstruction engineering