Redes neuronales artificiales para la determinación antelada de estabilidad de taludes en Carreteras Junín 2022

• Autor: Moreno Gaspar, Marx Rodrigo
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional del Centro del Perú
• Repositorio: UNCP - Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uncp.edu.pe:20.500.12894/11801
• Enlace del recurso: http://hdl.handle.net/20.500.12894/11801
• Nivel de acceso: acceso abierto
• Materia: RNA, Red neuronal, MSE, Bayesian – Regularizatión, Estabilidad de Taludes, Factor de Seguridad, Cohesión, Fricción; https://purl.org/pe-repo/ocde/ford#2.01.00

A lo largo de las carreteras del Perú, la inestabilidad de taludes ha sido un problema que influido por la morfología, peso, y factores físicos ambientales, conlleva a un colapso y poder analizar en toda la longitud de las progresivas es inviable, debido que en la mayoría de veces se considera una cantidad mínima de cálculos a lo largo del talud asumiendo un único factor en todo el tramo de la zona inestable; sin embargo ello ha demostrado que no es totalmente aplicable y que conlleva a descuidar ciertas zonas donde realizar cortes a un determinado ángulo de inclinación no es suficiente para alcanzar la estabilidad del talud, por ende este proyecto de investigación se centra en el cálculo de parámetros de una red neuronal, la cual sirve para poder aproximar una función en cualquier tramo inestable, en este caso se busca aproximar la función del cálculo del factor de seguridad de la estabilidad de un talud; por tal en el presente proyecto de investigación se han utilizado 15 arquitecturas de redes neuronales con diferentes algoritmos de entrenamiento y capas ocultas, donde la efectividad de la RNA esta validado por un coeficiente de correlación muy alto, además corroborándose con 5 muestras extraídas del km 2.5 de la Carretera de Santa Rosa de Ocopa – Comas de la provincia de Concepción, región Junín, el cual ha sufrido varios problemas de estabilidad a lo largo del tiempo; pero la metodología es aplicable a cualquier carretera; eligiendo el modelo optimo que ha logrado una aproximación del 99% en la predicción del factor de seguridad, en redes neuronales no es necesario aumentar el número de precisión, dado que ese rango de cambio es por la variación de aprendizaje que tiene la red, quien cuenta con 5 neuronas en la capa de entrada, 2 capas ocultas cada una con 15 y 10 neuronas respectivamente y 1 neurona para la capa de salida las cuales están completamente conectadas, usando un algoritmo de entrenamiento: Bayesian – Regularizatión , con métrica mse.