Predicción de la resistencia a la compresión del concreto mediante deep learning para evaluar diseños de mezcla, San Martín 2025

• Autores: Muñoz Marichin, Jhoy Abrahan, Rodriguez Cahuaza, Rashel Geraldine
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/173047
• Enlace del recurso: https://hdl.handle.net/20.500.12692/173047
• Nivel de acceso: acceso abierto
• Materia: Deep learning; Concreto; Predicción; https://purl.org/pe-repo/ocde/ford#2.01.01

La presente investigación se alinea con el ODS 9: Industria, Innovación e Infraestructura, abordando la necesidad de optimizar el diseño de mezclas de hormigón mediante técnicas de predicción avanzadas. El objetivo fue predecir la resistencia a la compresión del hormigón utilizando modelos de aprendizaje profundo, con el fin de contribuir a construcciones más seguras y eficientes. El estudio fue de tipo aplicado, con enfoque cuantitativo y diseño experimental. Se manipuló la variable independiente “Deep Learning” para evaluar su efecto sobre la resistencia a la compresión del hormigón. Se trabajó con una base de datos estructurada de 1030 muestras experimentales, procesadas mediante la herramienta RapidMiner Studio. Se empleó una red neuronal artificial con dos capas ocultas y validación cruzada. El modelo alcanzó un error cuadrático medio de 7.502 ± 0.810 y un coeficiente de correlación de 0.912, lo que evidencia una alta precisión predictiva. Se concluye que el aprendizaje profundo permite estimar con fiabilidad la resistencia a la compresión del hormigón, reduciendo la necesidad de ensayos destructivos y mejorando la eficiencia en el diseño de mezclas.