El concreto es el material de construcción más ampliamente utilizado en la actualidad debido a su excepcional capacidad para resistir fuerzas de compresión, comúnmente denominadas como f'c. La obtención del valor de f'c del concreto involucra la realización de diversos ensayos, siendo el ensayo a compresión simple o uniaxial en probetas de concreto el más comúnmente empleado, evaluando la resistencia a diferentes intervalos de tiempo. Lamentablemente, estas probetas suelen ser desechadas al aire libre, contribuyendo a la contaminación ambiental. En esta investigación, se enfoca en la predicción del valor de f'c del concreto a los 28 días mediante un modelo predictivo basado en redes neuronales artificiales. Los datos de entrada comprenden propiedades de los agregados, tipo de cemento y las proporciones de sus componentes, como agua, cemento y agregados. El único dato de salida es el valor real de f'c obtenido en el ensayo de compresión simple. Estos datos se recopilaron de varios laboratorios en el norte de Perú. La red neuronal se construyó utilizando TensorFlow de Google, con dos capas ocultas que constan de 16 y 8 neuronas respectivamente, y se entrenó durante 450 épocas. Se obtuvo una exactitud en la predicción mayor al 90% en el rango de 210 a 335 kg/cm². / Concrete is currently the most widely used construction material due to its exceptional ability to withstand compressive forces, commonly referred to as CS. Determining the CS value of concrete involves conducting various tests, with the uniaxial or simple compression test on concrete specimens being the most employed, assessing resistance at different time intervals. Unfortunately, these test specimens are often discarded outdoors, contributing to environmental pollution. This research focuses on predicting the CS value of concrete at 28 days using a predictive model based on artificial neural networks. Input data include aggregate properties, cement type, and their component proportions such as water, cement, and aggregates. The only output data is the actual CS value obtained from the simple compression test. This data was collected from multiple laboratories in northern Peru. The neural network was constructed using Google's TensorFlow, with two hidden layers consisting of 16 and 8 neurons, respectively, and trained for 450 epochs. Prediction accuracy exceeded 90% in the range of 210 to 335 kg/ cm².
| Identifer | oai:union.ndltd.org:usat.edu.pe/oai:tesis.usat.edu.pe:20.500.12423/7506 |
| Date | January 2024 |
| Creators | Bernilla Rodriguez, David Henry |
| Contributors | Ruiz Pico, Angel Antonio |
| Publisher | Universidad Católica Santo Toribio de Mogrovejo, PE |
| Source Sets | Universidad Catolica Santo Toribio de Mogrovejo |
| Language | Spanish |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/bachelorThesis |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess, http://creativecommons.org/licenses/by/4.0/ |
Page generated in 0.0031 seconds