Buscar en Google Scholar
Título: Evaluación de modelos de Machine Learning para determinar la respuesta sísmica no lineal de pórticos de CA en el Perú
Otros títulos: Evaluation of Machine Learning models to determine the nonlinear seismic response of AC frames in Peru
Asesor(es): Delgadillo Ayala, Rick Milton
Campo OCDE: https://purl.org/pe-repo/ocde/ford#2.01.01; https://purl.org/pe-repo/ocde/ford#2.00.00
Fecha de publicación: 12-nov-2023
Institución: Universidad Peruana de Ciencias Aplicadas (UPC)
Resumen: La historia ha demostrado la ocurrencia de eventos sísmicos desastrosos en nuestro país, ello sumado a la construcción informal ha incrementado la necesidad de implementar métodos innovadores para evaluar la respuesta sísmica no lineal estructural antes de la construcción y tras la ocurrencia de un sismo, con el objetivo de proponer medidas de reforzamiento estructural y tomar decisiones eficaces y eficientes. En ese sentido, la presente investigación se enfocó en la evaluación de tres modelos de Machine Learning con el propósito de determinar el mejor modelo de predicción para determinar el comportamiento de la respuesta sísmica no lineal estructural de pórticos de concreto armado en el Perú. Los modelos analizados fueron las Redes Neuronales Artificiales (ANNs), Árboles de regresión y modelo de Regresión Progresiva Gaussiana (GPR), para lo cual se hizo una base de datos de edificaciones de 3, 4, 5 y 6 pisos alineadas a la NTE E.030 Diseño Sismoresistente, los resultados obtenidos de las métricas de regresión revelaron que el modelo de Redes Neuronales Artificiales tuvo un mejor rendimiento con un R2 de 0.94, además destacó por su precisión y capacidad de explicar eficazmente la variabilidad de los datos, y un menor error absoluto medio en las predicciones con un valor de RMSE 7.88. Finalmente, se realizó una interfaz gráfica con el modelo de ANNs, a fin de compararlo con los softwares de evaluación tradicionales como ETABS y OpenSees, los resultados indican que el modelo basado en ANNs representa una mejor opción para la evaluación de la respuesta no lineal estructural, en términos de eficiencia y capacidad para realizar el análisis en menor tiempo.

History has shown the occurrence of disastrous seismic events in our country, this added to the informal construction has increased the need to implement innovative methods to evaluate the structural nonlinear seismic response before construction and after the occurrence of an earthquake, in order to propose structural strengthening measures and make effective and efficient decisions. In this sense, the present research focused on the evaluation of three Machine Learning models with the purpose of determining the best prediction model to determine the behavior of the structural nonlinear seismic response of reinforced concrete frames in Peru. The models analyzed were the Artificial Neural Networks (ANNs), Regression Trees and Gaussian Progressive Regression (GPR) model, for which a database of buildings of 3, 4, 5 and 6 stories aligned to NTE E.030 was made. Seismic Resistant Design, the results obtained from the regression metrics revealed that the Artificial Neural Networks model had a better performance with an R2 of 0.94, it also stood out for its accuracy and ability to effectively explain the variability of the data, and a lower mean absolute error in the predictions with a value of MAE 6.77. Finally, a graphical user interface was performed with the ANNs model, in order to compare it with traditional evaluation softwares such as ETABS and OpenSees, the results indicate that the ANNs based model represents a better option for the evaluation of structural nonlinear response, in terms of efficiency and ability to perform the analysis in less time.
Enlace al repositorio: http://hdl.handle.net/10757/669958
Disciplina académico-profesional: Ingeniería Civil
Institución que otorga el grado o título: Universidad Peruana de Ciencias Aplicadas (UPC). Facultad de Ingeniería
Grado o título: Ingeniero Civil
Jurado: Serrano Lazo, Malena Alessandra; Alvarez Miranda, David Humberto
Fecha de registro: 24-dic-2023



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons