Políticas   Declaración de Budapest  
 

Redes neuronales artificiales para la predicción de propiedades mecánicas de los suelos

Vista sencilla de ítem
dc.contributor.advisorChoque Flores, Leopoldo
dc.contributor.authorCastillo Delgado, Lusdali
dc.contributor.authorPorta Maldonado, Daniel Enrique
dc.date.accessioned2021-11-15T23:31:19Z
dc.date.available2021-11-15T23:31:19Z
dc.date.issued2021-11-09
dc.description.abstractEn proyectos viales es importante obtener un correcto valor de las propiedades mecánicas de los suelos, dado que estos llegan a tener una gran in-fluencia en los diseños del pavimento. En mención a esto, realizar ensayos por métodos tradicionales implica un alto costo, tiempo y disponibilidad de labora-torio, en tal sentido, utilizar modelos predictores toma significancia e importancia para predecir dichos valores. El objetivo de la investigación fue predecir propie-dades mecánicas de los suelos usando un software basado en algoritmos de redes neuronales artificiales. En este artículo se recopilo una base de datos de 289 valores de ensayos granu-lométricos, límites de consistencia, máxima densidad seca, óptimo contenido de humedad y CBR. La metodología corresponde a un enfoque cuantitativo, de tipo aplicada, nivel correlacional y diseño no experimental-transversal. En conclusión, se obtuvieron 4 modelos predictivos con el software Neural Tools, los cuales son: el modelo GRNN para la MDS, con un R2 del 75% y un RMS de 0.09%, modelo GRNN para el OCH, con un R2 de 78% y un RMS de 1.67%, modelo MLFN 2 nodos para el CBR95%MDS, con un R2 de 79% y un RMS de 5.42%, modelo MLFN 2 nodos para el CBR100%MDS, con un R2 de 82% y un RMS de 6.93%. Además, se realizó una comparación de valores obtenidos en el laboratorio de suelos vs RNA, donde los resultados muestran una variación mínima de 0.002% en la MDS, 0.06% en el OCH, 0.03% en el CBR 95%MDS y 0.04% en el CBR100%MDS.en_ES
dc.description.escuelaEscuela Profesional de Ingeniería Civilen_ES
dc.description.lineadeinvestigacionVías y Geotecniaen_ES
dc.description.sedeLIMAen_ES
dc.formatapplication/pdfen_ES
dc.identifier.urihttp://repositorio.upeu.edu.pe/handle/20.500.12840/4946
dc.language.isospaen_ES
dc.publisherUniversidad Peruana Uniónen_ES
dc.publisher.countryPEen_ES
dc.rightsinfo:eu-repo/semantics/openAccessen_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/es/*
dc.subjectRedes neuronales artificiales (RNA)en_ES
dc.subjectAlgoritmos predictivosen_ES
dc.subjectMáxima densidad seca (MDS)en_ES
dc.subjectÓptimo contenido de humedad (OCH)en_ES
dc.subjectValor de soporte california (CBR)en_ES
dc.subject.ocdehttp://purl.org/pe-repo/ocde/ford#2.01.01en_ES
dc.titleRedes neuronales artificiales para la predicción de propiedades mecánicas de los suelosen_ES
dc.typeinfo:eu-repo/semantics/bachelorThesisen_ES
renati.advisor.dni42289035
renati.advisor.orcidhttps://orcid.org/0000-0003-0914-7159en_ES
renati.author.dni73688243
renati.author.dni72288302
renati.discipline732016en_ES
renati.jurorCanaza Rojas, Ferrer
renati.jurorChahuares Paucar, Leonel
renati.jurorJaulis Palomino, Reymundo
renati.jurorChoque Flores, Leopoldo
renati.levelhttp://purl.org/pe-repo/renati/nivel#tituloProfesionalen_ES
renati.typehttp://purl.org/pe-repo/renati/type#tesisen_ES
thesis.degree.disciplineIngeniería Civilen_ES
thesis.degree.grantorUniversidad Peruana Unión. Facultad de Ingeniería y Arquitecturaen_ES
thesis.degree.nameIngeniero Civilen_ES

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Lusdali_Tesis_Licenciatura_2021.pdf
Tamaño:
5.94 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Ingeniería Civil