Aplicación de procesos gaussianos para mejorar la precisión en la estimación de la resistencia a la compresión del concreto reforzado

Abstract

RESUMEN En el presente trabajo de investigación se desarrolló un método basado en procesos gaussianos para mejorar la precisión en la estimación de la resistencia a la compresión del concreto reforzado. Para lograr esto, se hizo uso de una base de datos de 1030 registros, que contiene las cantidades de los componentes de la mezcla de hormigón y la resistencia a la compresión que alcanzó la estructura a lo largo del tiempo (en días), estos datos fueron donados y están disponibles en el repositorio de datos de aprendizaje automático. Estos datos fueron utilizados en el análisis descriptivo, en donde se comprobó a través de un análisis correlacional que la relación matemática que existe entre los componentes del hormigón y la resistencia a la compresión, es no lineal. El desarrollo del método consistió en la elaboración de algoritmos en lenguaje de programación de Python, dentro del cual se utilizó la librería de procesos gaussianos. Dentro de los procesos gaussianos se desarrolló nuevas funciones de covarianza. Una vez establecido el proceso gaussiano se llevó a cabo el proceso de optimización que consistió en la obtención de los parámetros de las nuevas funciones de covarianza cuyos valores minimizan la raíz del error cuadrático medio. La obtención de los parámetros trajo como resultado la obtención de modelos de regresión ( o modelos predictivos), siendo 12 el total de modelos obtenidos de los cuales a través de un análisis de resultados, considerando el valor obtenido correspondiente a los indicadores de la raíz del error cuadrático medio y el logaritmo de la probabilidad marginal, se seleccionó cuatro modelos como los más óptimos y precisos para llevar a cabo estimaciones de la resistencia a la compresión del concreto reforzado. La precisión con la que estiman los modelos obtenidos, compite con otros modelos que utilizan otro tipo de algoritmos como máquina de soporte vectorial o redes neuronales artificiales, los cuales fueron descritos en la revisión de la literatura, mientras que las comparaciones hechas con modelos desarrollados en base procesos gaussianos de la revisión de la literatura, demuestra la superioridad de los modelos obtenidos en la presente investigación.