Redes neuronales para predicción de la resistencia del concreto usando agregado de cantera Tres Tomas y La Victoria, Lambayeque

Abstract

En el ámbito de la ingeniería civil, la precisa predicción de la resistencia a la compresión del concreto es esencial para la seguridad y durabilidad de las estructuras. Las redes neuronales artificiales destacan como herramientas cruciales, mejorando la precisión de las predicciones y permitiendo la captura de patrones complejos y relaciones no lineales entre variables de entrada y salida. Su flexibilidad y adaptabilidad les posibilitan ajustar predicciones según diversos factores, como la composición de agregados y la relación agua-cemento. Al integrar información compleja y considerar múltiples variables de entrada, estas redes optimizan el diseño y construcción de estructuras, contribuyendo a minimizar costos y riesgos asociados a posibles fallas. En este contexto, las redes neuronales se erigen como elementos fundamentales para la toma de decisiones en la ingeniería civil, impulsando la eficiencia y la seguridad en proyectos de construcción. El proyecto se basa en el análisis de dos conjuntos de datos, MS e ICO, que contienen 750 probetas en total, representando 5 diseños de mezclas con resistencias de 210 kg/cm2, 280 kg/cm2 y 350 kg/cm2. Cada conjunto tiene cinco variables de entrada: cemento, agua, agregado fino, agregado grueso y tiempo de curado, con la resistencia de las probetas como variable de salida. Se han organizado tablas con datos de entrada para las capas de la red neuronal. El análisis detallado de los parámetros de control revela un excelente rendimiento del modelo de red neuronal en la predicción de la resistencia a la compresión del concreto convencional. Obteniendo el error cuadrático medio (MSE), el error absoluto medio (MAE), el error Porcentual Absoluto Medio (MAPE) y el coeficiente de determinación (R²). Se evaluaron los parámetros de control de la capacitación de la red neuronal recurrente (RNN), observando un comportamiento favorable en la disminución de la pérdida a lo largo de las épocas de entrenamiento.