Vilchez Peña, Angel HugoHuaccachi Pumallihua, Jhon Paul2024-12-032024-12-032024TESIS CIV599_Huahttps://repositorio.unsch.edu.pe/handle/20.500.14612/7226Para este estudio se entrenó, validó y probó un modelo neuronal que predice parámetros de resistencia al corte efectivos (?’ y c’) en suelos granulares (no cohesivos), para la etapa de entrenamiento y validación se utilizaron 1105 datos secundarios recolectados de investigaciones universitarios (tesis peruanas), y para probar el modelo se usaron 39 datos primarios obtenidos de ensayos de corte directo (ASTM-3080) realizados en laboratorio de suelos. El modelo mostró en la etapa de prueba, entre valores predichos y valores observados un R-cuadrado de 0.86 para el ángulo de fricción efectiva interna y 0.77 para la cohesión efectiva, y con errores inferiores a los umbrales aceptables de 5%. Se concluyó que el modelo neuronal predice o estima eficazmente estos parámetros de corte a partir de la distribución granulométrica, límite de consistencia, densidad seca y contenido de humedad de un suelo granular. Además, se analizó la importancia relativa de diferentes factores físicos del suelo, como la distribución granulométrica, los límites de consistencia, la densidad seca y contenido de humedad, en el modelo neuronal desarrollado sobre la predicción de la resistencia al corte, se encontró que la distribución granulométrica es la más influyente para el ángulo de fricción y la cohesión (especialmente de porcentaje de partículas finas) y, siendo el contenido de humedad el menos influyente, los métodos análisis de sensibilidad y de gradiente de entrada son las que se usaron para determinar la importancia relativa de las características de entrada frente a la salida del modelo neuronal. Estos análisis proporciona una perspectiva sobre cómo las características físicas del suelo afectan la resistencia al corte y, por ende, la estabilidad de las estructuras soportadas por estos tipos de suelos. El estudio excluyó suelos arcillosos y consolidados debido a sus características adicionales necesarias para el modelado, sugiriendo la creación de modelos específicos para estos suelos en futuras investigaciones.application/pdfspainfo:eu-repo/semantics/openAccessParámetrosResistenciaCorteComportamiento físicoSuelos granularesRedes neuronales artificialesinfo:eu-repo/semantics/bachelorThesishttps://purl.org/pe-repo/ocde/ford#2.01.01