Estimación de parámetros de compactación y resistencia de soporte en suelos de subrasante utilizando redes neuronales artificiales supervisadas en la pavimentación de la Av. Ejército de Andrés Avelino Cáceres Ayacucho, 2021

• Autor: Escobar Ventura, Jonathan Joel
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional San Cristóbal de Huamanga
• Repositorio: UNSCH - Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsch.edu.pe:20.500.14612/6730
• Enlace del recurso: https://repositorio.unsch.edu.pe/handle/20.500.14612/6730
• Nivel de acceso: acceso abierto
• Materia: Resistencia; Subrasante; Redes neuronales artificiales; Pavimentación; Input Layer; Ouput layer; Hidden Layer; PURELIN; https://purl.org/pe-repo/ocde/ford#2.01.01

El objetivo principal de la presente investigación es la estimación de los parámetros del ensayo próctor como son la densidad máxima seca (gr/cm3) y el contenido de humedadóptimo (%) y el método utilizado en la presente investigación es el modelo de red neuronal artificial de Feed Forward backpropagation para su entrenamiento y validación hasta alcanzar un buen desempeño para la predicción de los datos alcanzando entre un 70 a 80%, utilizando 3 capas en la arquitectura de datos como son el input data o datos de entrada, Hidden Layer o capas ocultas y la capa de salida o output layer, donde utilizamos en cada capa 3 neuronas artificiales con el error cuadrático medio de 0.053 y una función de activación PURELIN utilizando la herramienta nntools y nrtools de MATLAB llegando a predecir los resultados de los parámetros próctor para la pavimentación de la avenida el Ejército Ayacucho, se utilizó la técnica de análisis documental y como instrumentos registros, y en los resultados finales se obtuvo los valores aproximados a la densidad máxima seca y al contenido de humedad óptima obtenidos del laboratorio en un 70 a 80% de aproximación descritos en la tabla N°4.2 y 4.4 de la presenta investigación concluyendo que se tuvo un buen desempeño la red neuronal artificial para la predicción de los parámetros próctor.