| dc.contributor | Blas Rebaza, Rocío del Pilar | |
| dc.contributor | Arteaga Lora, Roberto Carlos | |
| dc.creator | Sandoval Gil, Angie Jesús | |
| dc.creator | Bernabé Nuntón, Jonathan Martín | |
| dc.date | 2022-01-26T16:43:24Z | |
| dc.date | 2022-01-26T16:43:24Z | |
| dc.date | 2021 | |
| dc.date.accessioned | 2023-08-07T23:03:47Z | |
| dc.date.available | 2023-08-07T23:03:47Z | |
| dc.identifier | https://hdl.handle.net/20.500.12893/9896 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/7947821 | |
| dc.description | Durante los últimos años hemos atravesado el boom de la construcción en donde se han realizado diferentes inversiones a nivel público y privado en infraestructura civil, esto ha conllevado a que se realice un uso adecuado y eficaz de recursos, garantizando así que su diseño y ejecución cumpla con estándares de calidad del proyecto. Uno de los parámetros más importantes en el control de calidad del concreto es el ensayo de la resistencia a la compresión, del cual se obtienen su resultado de resistencia real distante de la fecha de su fabricación y vaciado. Buscando mejorar el proceso constructivo se planteó el uso de una Red Neuronal Artificial para optimizar el tiempo del ensayo de resistencia a la compresión del concreto tradicional, sin dejar de lado la eficacia de sus resultados. Se trabajó con una muestra de 294 probetas, de las cuales 240 datos sirvieron para su entrenamiento y validación y los restantes para evaluar el grado de generalización de la red. La base de datos se obtuvo a partir 5 dosificaciones, teniendo en cuenta las propiedades de los materiales, el método comité 211 ACI-2009 , ASTM C192 y Normativa Técnica Peruana. Los resultados obtenidos fueron analizados
a través del método de Grubbs para constatar que no haya valores atípicos (outliers). La modelización se hizo a través de una Red Neuronal Artificial Profunda con aprendizaje supervisado cuya función de transferencia es RELU, además de usar librerías de Python su entrenamiento se hizo con el algoritmo de Backpropagation. Los coeficientes de determinación obtenidos en el entrenamiento y comprobación son 0.9241 y 0.8192 respectivamente, esto quiere decir que el modelo desarrollado consigue estimar la resistencia a la compresión del concreto con un nivel de aceptabilidad coherente con los obtenidos por otros autores consultados. | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Universidad Nacional Pedro Ruiz Gallo | |
| dc.publisher | PE | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | Atribución-CompartirIgual 4.0 Internacional | |
| dc.rights | http://creativecommons.org/licenses/by-sa/4.0/ | |
| dc.subject | Construcción | |
| dc.subject | Infraestructura civil | |
| dc.subject | Redes neuronales | |
| dc.subject | http://purl.org/pe-repo/ocde/ford#2.01.00 | |
| dc.title | Aplicación de redes neuronales artificiales en el ensayo de la resistencia a la compresión del concreto, utilizando agregados de la cantera Tres Tomas, distrito Mesones Muro - provincia Ferreñafe - región Lambayeque | |
| dc.type | info:eu-repo/semantics/bachelorThesis | |
