Choque Flores, LeopoldoCastillo Delgado, LusdaliPorta Maldonado, Daniel Enrique2021-11-152021-11-152021-11-09http://repositorio.upeu.edu.pe/handle/20.500.12840/4946En 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.application/pdfspainfo:eu-repo/semantics/openAccessRedes neuronales artificiales (RNA)Algoritmos predictivosMáxima densidad seca (MDS)Óptimo contenido de humedad (OCH)Valor de soporte california (CBR)info:eu-repo/semantics/bachelorThesishttp://purl.org/pe-repo/ocde/ford#2.01.01