Estudio para estimar el contenido de humedad en agregados de concreto utilizando redes neuronales y algoritmos genéticos mediante imágenes hiperespectrales

• Autores: Delgado Saavedra, Miguel Angel, Effio Velasco, Edson Ayrton, Farfán Marchán, Ney Margarita
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/4938
• Enlace del recurso: https://hdl.handle.net/11042/4938
• Nivel de acceso: acceso abierto
• Materia: Procesamiento de imágenes -- Técnicas digitales -- Aplicaciones; Espectrofotometría -- Aplicaciones -- Investigaciones; Agregados (Materiales de construcción) -- Humedad -- Análisis; 620.191; https://purl.org/pe-repo/ocde/ford#2.03.01

El objetivo del trabajo es aplicar redes neuronales y algoritmos genéticos para la predicción del porcentaje de humedad en agregados de concreto mediante el uso de imágenes hiperespectrales. Para ello, se busca diseñar un sistema de redes neuronales que puedan predecir la humedad mediante el uso de las mencionadas imágenes. Asimismo, se busca diseñar un sistema de algoritmos genéticos que potencien el sistema de redes neuronales, obteniendo mejores resultados y, de esta manera, definir una metodología general que permita tomar y procesar datos para ser utilizados en el entrenamiento y validación del sistema. En principio, se utilizaron tres canteras de arena ubicadas en el departamento de Piura: Moyobamba, Cerro Mocho y Sechura, a las que se le realizaron mediciones estándares para estar parametrizadas. Las muestras fueron almacenadas en un horno por un día a una temperatura de 110+-5ºC para eliminar la humedad. Para la preparación de las muestras de cada cantera, se decidieron sacar 65 con el objetivo de administrarles diferente contenido de humedad, por lo que, se varió el porcentaje de humedad desde 0% y se aumentó cada 0.2%, llegando al 12% en la última muestra. Con lo cual, se procede al estudio a partir de imágenes hiperespectrales, mediante una cámara hiperespectral, haciendo uso del software SpectrononPro en donde se importa el espectro y proyecta la firma espectral, la cual es una gráfica de reflectancia versus longitud de onda. Posteriormente, se introducen los datos obtenidos a las redes neuronales y algoritmos genéticos para entrenar y validar el modelo. Se concluye que el sistema experto (algoritmos genéticos), optimiza el método con redes neuronales, descartando aquellas bandas que aportan menos información, permaneciendo así las que son relevantes y describen completamente el sistema. Es así como se redujeron a 27 bandas de las 60 seleccionadas anteriormente (redes neuronales), obteniendo como resultado una correlación de 0.93, relativamente ideal, lo que demuestra la eficacia del sistema.