Eficacia de las redes neuronales artificiales RNA en la predicción de la resistencia a compresión y trabajabilidad del concreto ligero con poliestireno expandido modificado MEPS

• Autores: Lupaca Lopez, Erik Henry, Quispe Huacasi, Leyter Adilson
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Nacional Del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:https://repositorio.unap.edu.pe:20.500.14082/18641
• Enlace del recurso: http://repositorio.unap.edu.pe/handle/20.500.14082/18641
• Nivel de acceso: acceso abierto
• Materia: Red neuronal artificial; Esferas de poliestireno expandido modificado; Concreto ligero; Resistencia a comprensión; Trabajabilidad del concreto; https://purl.org/pe-repo/ocde/ford#2.01.01

La presente investigación tiene como objetivo principal evaluar la eficacia de las redes neuronales artificiales RNA en la predicción de la resistencia a la compresión y trabajabilidad del concreto ligero con esferas de poliestireno expandido modificado (MEPS). Para ello se utilizó un método experimental el cual consiste en la obtención de los resultados de los ensayos físicos de los agregados para la elaboración de diseños de mezcla. Se elaboro 3 diseños de mezclas de concreto los cuales se sustituyeron por un metro cubico del volumen de concreto en porcentajes del 5%, 15% y 30% con esferas de poliestireno expandido modificado MEPS a temperaturas de 110°C, 130°C y 145°C. Esto sirvió para dosificar y elaborar probetas de concreto obteniendo valores de resistencia a compresión y trabajabilidad. Luego utilizando el lenguaje de programación Matlab con su caja de herramientas (Neural Network Toolbox) se elaboraron modelos de redes neuronales para la predicción de la resistencia a compresión y trabajabilidad del concreto con una arquitectura perceptrón multicapa con una conexión hacia adelante (feedforward) utilizando una función de entrenamiento backpropagation. Definida la arquitectura los modelos pasaron por las siguientes fases de entrenamiento, validación y test. Para seleccionar la mejor arquitectura para cada uno de los modelos se utilizó el error cuadrático medio MSE, luego se probó la efectividad de cada modelo de red neuronal utilizando el coeficiente de determinación R2 obteniendo una capacidad predictiva para el modelo de resistencia a la compresión R2 superior a 90% mientras que para el modelo de trabajabilidad obtuvo una capacidad predictiva del 70%.