Aplicación de redes neuronales artificiales para el diseño de mezcla de concreto en la ciudad de Ayacucho, 2024
Loading...
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Nacional de San Cristóbal de Huamanga
Abstract
El diseño tradicional de mezclas de concreto en Perú presenta limitaciones al no considerar el comportamiento no lineal de los materiales. En respuesta, esta investigación desarrolló un modelo predictivo con redes neuronales artificiales (RNA) para optimizar la dosificación de mezclas de concreto, utilizando propiedades físicomecánicas de agregados locales extraídos de las canteras. La Moderna y Chillico en Ayacucho (2024). Se conformó una base de datos con 806 registros experimentales provenientes de ensayos de laboratorio y fuentes académicas, organizados y depurados en Microsoft Excel, mediante técnicas estadísticas avanzadas para garantizar su calidad y validez. En la fase de preprocesamiento, se programaron en MATLAB R2020 a procedimientos de detección y tratamiento de valores atípicos mediante el método Modified Z-Score (análisis univariado) y distancia de Mahalanobis (evaluación multivariante). Se implementó una RNA tipo perceptrón multicapa (MLP) con arquitectura feedforward, entrenada en MATLAB mediante backpropagation optimizado con Levenberg-Marquardt. De 25 configuraciones evaluadas, la óptima fue 18-11-12-4, con 18 variables de entrada, dos capas ocultas (11 y 12 neuronas) y cuatro salidas (cemento, agregado fino, agregado grueso y agua). La validación externa se realizó con 15 diseños y 135 probetas ensayadas a compresión a 7, 14 y 28 días según NTP 339.033:2021 y ASTM C31/C31M-2021. Asimismo, se desarrolló un modelo de regresión lineal múltiple multivariante (RLMM), cuya significancia se evaluó mediante análisis de varianza (ANOVA) y análisis multivariante de la varianza (MANOVA), y se comparó con la RNA para determinar su desempeño relativo. Los resultados demostraron la superioridad de la RNA, que alcanzó un coeficiente de correlación (R) de 0.9947, coeficiente de determinación (R²) de 0.9895, eficiencia de Nash-Sutcliffe (NSE) de 0.9784 y un error porcentual absoluto medio (MAPE) global de 0.9175%, superando al RLMM (R=0.9947; R²=0.9507; NSE=0.9413; MAPE=1.4130%), con mejoras relativas de hasta 63.7%, destacando en agua, cemento y agregado fino. El análisis de Bland-Altman confirmó una concordancia aceptable entre la dosificación estimada por RNA y el método normativo ACI 211.1, validando su aplicabilidad. En conclusión, las RNA se consolidan como una herramienta robusta y eficiente para mejorar el diseño de mezclas de concreto en contextos locales como Ayacucho.
Description
Keywords
Redes neuronales artificiales, Mezcla de concreto, ANOVA, MANOVA, Regresión lineal múltiple multivariante
