Aplicación de Técnicas Deep Learning para la Detección de Fallas Estructurales en Edificaciones del distrito de San Miguel - Puno

Castillo Curo, Wilder Denilson; Ugarte Rios, Moises

Aplicación de Técnicas Deep Learning para la Detección de Fallas Estructurales en Edificaciones del distrito de San Miguel - Puno

dc.contributor.advisor	Quispe Panca, Alder Jhosue
dc.contributor.author	Castillo Curo, Wilder Denilson
dc.contributor.author	Ugarte Rios, Moises
dc.date.accessioned	2025-08-12T21:46:47Z
dc.date.available	2025-08-12T21:46:47Z
dc.date.issued	2025-06-30
dc.description.abstract	Esta investigación aborda la necesidad de detectar fallas estructurales en edificaciones del distrito de San Miguel, Puno, donde factores como la variabilidad térmica, el asentamiento del terreno y sobrecargas han generado un deterioro progresivo en las construcciones. Frente a las limitaciones de las inspecciones visuales tradicionales, esta investigación tiene como objetivo desarrollar un modelo basado en redes neuronales convolucionales (CNN) para la detección automatizada de fallas estructurales. Se empleó un enfoque cuantitativo y experimental, utilizando 6.700 imágenes reales de edificaciones, las técnicas de preprocesamiento como normalización, aumento de datos y redimensionamiento se usaron para entrenar el modelo mediante aprendizaje supervisado, aplicando técnicas de regularización como Dropout. Los resultados demostraron una mejora del rendimiento: con 500 imágenes, la precisión fue del 23,33%; con 3.500 imágenes 46,67%; y con 6.700 imágenes, se logró una precisión del 76,67%. El modelo fue más efectivo en la detección de fallas por asentamiento (63,33%), seguido de fallas por temperatura (50,00%) y sobrecarga (43,33%). Se concluye que el modelo propuesto representa una herramienta eficaz para mejorar los procesos de monitoreo estructural, reduciendo significativamente los tiempos de inspección. Su aplicación práctica puede fortalecer la gestión preventiva, facilitando intervenciones oportunas y contribuyendo a la seguridad y sostenibilidad de edificaciones.
dc.description.escuela	Escuela Profesional de Ingeniería Civil
dc.description.lineadeinvestigacion	Ingeniería estructural
dc.description.sede	Juliaca
dc.format	application/pdf
dc.identifier.uri	http://repositorio.upeu.edu.pe/handle/20.500.12840/9044
dc.language.iso	spa
dc.publisher	Universidad Peruana Unión
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject	Deep Learning
dc.subject	Detección de fallas estructurales
dc.subject	Infraestructura
dc.subject	Redes neuronales
dc.subject.ocde	http://purl.org/pe-repo/ocde/ford#2.01.00
dc.title	Aplicación de Técnicas Deep Learning para la Detección de Fallas Estructurales en Edificaciones del distrito de San Miguel - Puno
dc.type	info:eu-repo/semantics/bachelorThesis
renati.advisor.dni	01311591
renati.advisor.orcid	https://orcid.org/0009-0001-4723-9719
renati.author.dni	77035987
renati.author.dni	73796748
renati.discipline	732016
renati.juror	Mamani Chambi, Ecler
renati.juror	Chahuares Paucar, Leonel
renati.juror	Pari Cusi, Herson Duberly
renati.level	http://purl.org/pe-repo/renati/nivel#tituloProfesional
renati.type	http://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ingeniería Civil
thesis.degree.grantor	Universidad Peruana Unión. Facultad de Ingeniería y Arquitectura
thesis.degree.name	Ingeniero Civil