Look-up in Google Scholar
Full metadata record
Ruiz Pico, Angel Antonio (es_PE)
Bernilla Rodriguez, David Henry
Chiclayo (es_PE)
Bernilla Rodriguez, David Henry
2024-07-22T20:42:59Z
2024-07-22T20:42:59Z
2024
D. H. Bernilla Rodriguez. "Predicción de la resistencia a la compresión del concreto usando redes neuronales artificiales," tesis de licenciatura, Fac. de Ingienería, Univ. USAT, Chiclayo, Perú, 2024. [En línea]. Disponible en: (es_PE)
RTU007176
http://hdl.handle.net/20.500.12423/7506
El concreto es el material de construcción más ampliamente utilizado en la actualidad debido a su excepcional capacidad para resistir fuerzas de compresión, comúnmente denominadas como f'c. La obtención del valor de f'c del concreto involucra la realización de diversos ensayos, siendo el ensayo a compresión simple o uniaxial en probetas de concreto el más comúnmente empleado, evaluando la resistencia a diferentes intervalos de tiempo. Lamentablemente, estas probetas suelen ser desechadas al aire libre, contribuyendo a la contaminación ambiental. En esta investigación, se enfoca en la predicción del valor de f'c del concreto a los 28 días mediante un modelo predictivo basado en redes neuronales artificiales. Los datos de entrada comprenden propiedades de los agregados, tipo de cemento y las proporciones de sus componentes, como agua, cemento y agregados. El único dato de salida es el valor real de f'c obtenido en el ensayo de compresión simple. Estos datos se recopilaron de varios laboratorios en el norte de Perú. La red neuronal se construyó utilizando TensorFlow de Google, con dos capas ocultas que constan de 16 y 8 neuronas respectivamente, y se entrenó durante 450 épocas. Se obtuvo una exactitud en la predicción mayor al 90% en el rango de 210 a 335 kg/cm². (es_PE)
Concrete is currently the most widely used construction material due to its exceptional ability to withstand compressive forces, commonly referred to as CS. Determining the CS value of concrete involves conducting various tests, with the uniaxial or simple compression test on concrete specimens being the most employed, assessing resistance at different time intervals. Unfortunately, these test specimens are often discarded outdoors, contributing to environmental pollution. This research focuses on predicting the CS value of concrete at 28 days using a predictive model based on artificial neural networks. Input data include aggregate properties, cement type, and their component proportions such as water, cement, and aggregates. The only output data is the actual CS value obtained from the simple compression test. This data was collected from multiple laboratories in northern Peru. The neural network was constructed using Google's TensorFlow, with two hidden layers consisting of 16 and 8 neurons, respectively, and trained for 450 epochs. Prediction accuracy exceeded 90% in the range of 210 to 335 kg/ cm². (es_PE)
application/pdf (es_PE)
spa (es_PE)
Universidad Católica Santo Toribio de Mogrovejo (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
http://creativecommons.org/licenses/by/4.0/ (es_PE)
Redes neuronales artificiales (es_PE)
Resistencia a la compresión del concreto (es_PE)
Materiales de construcción sostenibles (es_PE)
Artificial neural networks (es_PE)
Concrete compressive strength (es_PE)
Sustainable construction materials (es_PE)
Predicción de la resistencia a la compresión del concreto usando redes neuronales artificiales (es_PE)
info:eu-repo/semantics/bachelorThesis (es_PE)
Universidad Católica Santo Toribio de Mogrovejo. Facultad de Ingeniería (es_PE)
Ingeniería Civil Ambiental (es_PE)
Ingeniero Civil Ambiental (es_PE)
PE (es_PE)
http://purl.org/pe-repo/ocde/ford#2.01.00 (es_PE)
http://purl.org/pe-repo/renati/nivel#tituloProfesional (es_PE)
06468277
https://orcid.org/0000-0003-2638-0593 (es_PE)
77333427
732026 (es_PE)
Sánchez Bautista, Juan Jacobo (es_PE)
Acero Martínez, José Alberto (es_PE)
Ruíz Pico, Angel Antonio (es_PE)
http://purl.org/pe-repo/renati/type#tesis (es_PE)
Privada asociativa



This item is licensed under a Creative Commons License Creative Commons