Browsing by Author "Cristan Quispe, Magnolia"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    “Estimación de costos en proyectos de edificaciones de las instituciones educativas mediante redes neuronales artificiales en la provincia de Huamanga - Ayacucho, 2024”
    (Universidad Nacional de San Cristóbal de Huamanga, 2025) Cristan Quispe, Magnolia; Ayala Bizarro, Rocky Giban
    La presente investigación desarrolló modelos de Redes Neuronales Artificiales Híbridas (RNAH) para la estimación de costos de infraestructura educativa a nivel nacional, abordando el déficit existente valorado en S/. 100,499 millones. El estudio empleó un enfoque cuantitativo con alcance explicativo y predictivo, analizando 100 proyectos de infraestructura y 44 de edificaciones de nivel primario ejecutados por contrata durante el periodo 2017-2023. Se implementó una arquitectura híbrida Dense-LSTM que integra capas densas para procesamiento no lineal con capas LSTM para capturar patrones temporales complejos. La metodología comprendió la recolección de datos desde plataformas oficiales (Invierte.pe, SEACE, INFOBRAS y SSI), la selección de variables mediante análisis de correlación de Pearson, ANOVA, procedimientos de permutación e interacción, así como la optimización de hiperparámetros mediante búsqueda exhaustiva. Los resultados evidenciaron que el área techada total constituye la variable más influyente en ambos modelos (correlación r=0.756 para infraestructura y r=0.9097 para edificaciones). El modelo de infraestructura alcanzó un coeficiente de determinación R² de 0.9582, mientras que el modelo de edificaciones obtuvo R² de 0.9461. La validación práctica realizada con cuatro proyectos independientes confirmó errores inferiores al 12.65% para infraestructura y 26.35% para edificaciones. Se desarrolló una interfaz gráfica funcional para cada modelo, facilitando estimaciones en tiempo real con procesamiento inferior a 1 minuto, en contraste con los 120 minutos requeridos por métodos tradicionales. Los modelos desarrollados superaron significativamente los métodos convencionales que presentan errores del 30-60%, representando una mejora sustancial del 50-70% en precisión.