Modelos de Machine Learning para la predicción de la resistencia al corte en la unión viga-columna, 2025

• Autor: Aguirre Ramos, Fredy
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Nacional Micaela Bastidas de Apurímac
• Repositorio: UNAMBA-Institucional
• Lenguaje: español
• OAI Identifier: oai:null:20.500.14195/1481
• Enlace del recurso: https://hdl.handle.net/20.500.14195/1481
• Nivel de acceso: acceso abierto
• Materia: Catboost; Machine learning; Resistencia al corte; Unión viga–columna; https://purl.org/pe-repo/ocde/ford#2.01.01

La resistencia al corte en la unión viga–columna constituye uno de los mecanismos críticos en el desempeño sísmico de estructuras de concreto armado (evita una posible falla frágil y asegura el comportamiento dúctil) además, se encarga de hacer cumplir el mecanismo de viga débil columna fuerte debido a la compleja interacción entre variables geométricas, mecánicas y tipológicas que existen en la unión viga-columna. Los modelos analíticos y empíricos tradicionales presentan limitaciones para representar rigurosamente los diversos factores que intervienen en la unión viga columna, esto motivo a desarrollar esta investigación, además de emplear la inteligencia artificial (Machine Learning) como herramienta alternativa de predicción. Con el fin de predecir la resistencia al corte en la unión viga-columna en esta investigación, se desarrollaron modelos de Machine Learning, de distintos enfoques como: modelos de Ensemble Learning (Random Forest, AdaBoost, Gradient Boosting, XGBoost, LightGBM y CatBoost); Máquinas de Soporte Vectorial (SVM) y Redes Neuronales Artificiales (ANN), analizados en función a tres datasets con diferente nivel de complejidad y selección de variables, diseñados progresivamente con base en criterios físicos y mecánicos, los modelos se optimizaron mediante Grid Search y validaron mediante: validación cruzada de cinco pliegues; métricas de desempeño global y local (R2, RMSE, MAE, MARD y D10). Los resultados mostraron que los modelos de Ensemble Learning tienen el mejor desempeño global en los tres datasets, la ingeniería de características basada en principios estructurales y el análisis de explicabilidad confirmaron que las variables más influyentes coinciden con los mecanismos resistentes clásicos, CatBoost como modelo Ensemble Learning demostró elevados valores de R2 (0.84, 0.835 y 0.893) y errores reducidos: RMSE = 0.992; MAE = 0.691; MARD = 0.109 y D10% = 6.11 en testing, quedando demostrado estadísticamente que el modelo CatBoost es una herramienta confiable para la predicción de la resistencia al corte en la unión viga-columna.