“Estimación de costos en proyectos de edificaciones de las instituciones educativas mediante redes neuronales artificiales en la provincia de Huamanga - Ayacucho, 2024”

Cristan Quispe, Magnolia

“Estimación de costos en proyectos de edificaciones de las instituciones educativas mediante redes neuronales artificiales en la provincia de Huamanga - Ayacucho, 2024”

dc.contributor.advisor	Ayala Bizarro, Rocky Giban
dc.contributor.author	Cristan Quispe, Magnolia
dc.date.accessioned	2026-03-05T18:00:32Z
dc.date.available	2026-03-05T18:00:32Z
dc.date.issued	2025
dc.description.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.	es_PE
dc.description.uri	Tesis	es_PE
dc.format	application/pdf
dc.identifier.other	TESIS CIV634_Cri
dc.identifier.uri	https://hdl.handle.net/20.500.14612/8532
dc.language.iso	spa	es_PE
dc.publisher	Universidad Nacional de San Cristóbal de Huamanga	es_PE
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/openAccess	en_US
dc.rights.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/	*
dc.source	Universidad Nacional de San Cristóbal de Huamanga	es_PE
dc.source	Repositorio Institucional - UNSCH	es_PE
dc.subject	Redes Neuronales Artificiales	es_PE
dc.subject	Costos	es_PE
dc.subject	Inversión pública	es_PE
dc.subject	Infraestructura educativa	es_PE
dc.subject	LSTM	es_PE
dc.subject	Edificaciones	es_PE
dc.subject	Inteligencia Artificial	es_PE
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.01.01
dc.title	“Estimación de costos en proyectos de edificaciones de las instituciones educativas mediante redes neuronales artificiales en la provincia de Huamanga - Ayacucho, 2024”	es_PE
dc.type	info:eu-repo/semantics/bachelorThesis	en_US
renati.advisor.dni	70921966
renati.advisor.orcid	https://orcid.org/0000-0003-4333-9357
renati.author.dni	70140631
renati.discipline	732016
renati.juror	Canchari Gutierrez, Edmundo
renati.juror	Ircañaupa Huamaní, Alex Sander
renati.juror	Ayala Bizarro, Rocky Giban
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional
renati.type	https://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ingeniería Civil
thesis.degree.grantor	Universidad Nacional de San Cristóbal de Huamanga. Facultad de Ingeniería de Minas, Geología y Civil
thesis.degree.level	Título profesional
thesis.degree.name	Ingeniera Civil