“Estimación de costos en proyectos de edificaciones de las instituciones educativas mediante redes neuronales artificiales en la provincia de Huamanga - Ayacucho, 2024”
Loading...
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Nacional de San Cristóbal de Huamanga
Abstract
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.
Description
Keywords
Redes Neuronales Artificiales, Costos, Inversión pública, Infraestructura educativa, LSTM, Edificaciones, Inteligencia Artificial
