Redes neuronales artificiales en la estimación de parámetros de compactación de suelos para sub base de pavimentos.

• Autores: Paitan Montañez, Claudio, Quispe Garcia, Mayely Nayda
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Nacional de Huancavelica
• Repositorio: UNH-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unh.edu.pe:20.500.14597/4425
• Enlace del recurso: https://hdl.handle.net/20.500.14597/4425
• Nivel de acceso: acceso abierto
• Materia: Parámetros de compactación; Redes neuronales artificiales; Limites de Atterberg; Granulometría; https://purl.org/pe-repo/ocde/ford#2.01.00

El proyecto de investigación tiene como objetivo determinar la relación existente entre los resultados estimados mediante el modelo de redes neuronales artificiales y obtenidos en el laboratorio de los parámetros de compactación (Contenido de humedad óptimo y densidad seca máxima) de las canteras de Lachocc, Huaylacucho y Pucarumi para la conformación de sub base de pavimentos en la ciudad de Huancavelica. Para ello se realizó un modelo de red neuronal artificial (RNA) perceptrón multicapa (MLP) de tipo Feed - Forward Backpropagation con función de entrenamiento mediante el algoritmo Levenberg - Marquardt para la estimación de los parámetros de compactación a partir de sus propiedades físicas de suelo, de donde se extrajo 70 muestras de suelo de diferentes puntos de las canteras y posteriormente su realización respectivo de ensayos de laboratorio. En la construcción del modelo de red neuronal artificial (RNA) se determinó las variables de entrada y salida, teniendo como variables de entrada (límite líquido, limite plástico, índice plástico, porcentaje de boleos o bolos, porcentaje de grava gruesa, porcentaje de grava fina, porcentaje de arena gruesa, porcentaje de arena media, porcentaje de arena fina, porcentaje de limos y arcillas) y como variables de salida (contenido de humedad óptimo y la densidad seca máxima). Contando con el registro de datos obtenidos en el laboratorio y teniendo definido las variables de entrada y salida, se efectuó el entrenamiento de la red neuronal artificial (RNA) para la estimación, utilizando el software de Matlab. Posteriormente haciendo la comparación entre los resultados obtenidos mediante redes neuronales artificiales y los del laboratorio. En el modelo de RNA optimo realizado se obtuvo los siguiente resultados: Contenido de humedad óptimo (MAE=0.26979, MSE=0.26566 y R=0.96965) y densidad seca máxima (MAE=0.01276, MSE=0.00039 y R=0.97565). Y en la verificación del modelo se obtuvo los siguiente resultados: Contenido de humedad óptimo (MAE=0.19542, MSE=0.09358 y R=0.98877) y densidad seca máxima (MAE=0.00792, MSE=0.00001 y R=0.98469).