Las redes neuronales artificiales en las propiedades del suelo de las vías urbanas de la provincia de Huancayo

• Autor: Perez Tunque, Harley Basily
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Peruana Los Andes
• Repositorio: UPLA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.upla.edu.pe:20.500.12848/9151
• Enlace del recurso: https://hdl.handle.net/20.500.12848/9151
• Nivel de acceso: acceso abierto
• Materia: Redes; Neuronales; Artificiales; Propiedades; Suelo; https://purl.org/pe-repo/ocde/ford#2.01.01

La presente investigación tuvo como problema de investigación: ¿Cuáles serían los resultados de las redes neuronales artificiales en las propiedades del suelo de las vías urbanas de la provincia de Huancayo?, el objetivo fue: Determinar cuáles serían los resultados de las redes neuronales artificiales en las propiedades del suelo de las vías urbanas de la provincia de Huancayo. La hipótesis fue que: Las redes neuronales artificiales permitirán predecir el resultado de una situación con mayor rapidez y precisión que muchos otros sistemas, ahorrando tiempo y costos operativos respecto al análisis de las propiedades del suelo de las vías urbanas de la provincia de Huancayo. La investigación fue de método científico, tipo básica, cuyo nivel de investigación fue explicativo y tuvo un diseño no experimental. La población estuvo constituida por la provincia de Huancayo. La muestra estuvo conformada por las vías urbanas de la provincia de Huancayo. El resultado más resaltante fue al determinar los resultados de las redes neuronales artificiales en las propiedades del suelo de las vías urbanas de la provincia de Huancayo, en cuanto a la predicción del CBR al 100 % y CBR al 95% de la máxima densidad seca, se determinó que el uso de los datos de entrada como grava, arena, arcilla, contenido de humedad, limite líquido, limite plástico, el índice de plasticidad, optimo contenido de humedad y máxima densidad seca, arroja un valor de regresión R = 0.947, que es un valor positivo excelente y que es el más cercano al valor de 1. La conclusión más resaltante fue las redes neuronales pueden capturar patrones en los datos, aún existe margen para mejorar la precisión de las predicciones. Por lo tanto, futuros esfuerzos podrían centrarse en la optimización de la arquitectura de la red y la selección de características para mejorar aún más la capacidad predictiva de los modelos.