Look-up in Google Scholar
Title: Predicción de la capacidad resistente a cortante de vigas de gran altura diseñadas con la norma ACI 318 – 14 empleando redes neuronales artificiales
Advisor(s): Aquise Pari, Juana Beatriz
OCDE field: https://purl.org/pe-repo/ocde/ford#2.01.00
Issue Date: 21-Mar-2019
Institution: Universidad Peruana Unión
Abstract: El problema de la falla por corte en vigas de gran altura se ha estudiado ampliamente y muestran que no existe un procedimiento racional para predecir la resistencia al corte, además de varias ecuaciones ninguna de ellas produce un resultado exacto. Con el avance de la tecnología y la inteligencia artificial, tales como las redes neuronales artificiales se puede predecir la resistencia al corte de las vigas de gran altura a través de los parámetros más influyentes en la resistencia al corte, para proveer mayor confiabilidad para futuros diseños. La red neuronal artificial estuvo compuesta por una capa de entrada de datos, una capa de procesamiento de información, una capa de activación y una capa de salida que representa la resistencia al corte de la viga. Se recolectó 519 resultados experimentales de vigas de varias investigaciones, las cuales sirvieron para el entrenamiento, validación y prueba de la red neuronal. La red neuronal entrenada, se utilizó para el contraste de la predicción de la red neuronal y por la norma ACI 318 -14 y para evaluar el efecto de los parámetros de entrada. Los estudios demuestran que la relación promedio entre la resistencia al corte experimental y el estimado por las redes neuronales fue de 1.09%, mientras que la relación promedio de la resistencia al corte experimental y el estimado por la norma ACI fue de 1.38%, mostrando así que la predicción de las redes neuronales tiene mayor semejanza a los valores reales de ensayo.
Discipline: Ingeniería Civil
Grade or title grantor: Universidad Peruana Unión. Facultad de Ingeniería y Arquitectura
Grade or title: Ingeniero Civil
Register date: 25-Apr-2019



This item is licensed under a Creative Commons License Creative Commons