000			03553nmm a2200241 a 4500
008			160202e2020 ck |||fq||d| 00| 0 spa d
082	0	4	_a624.1 _bC462c _223
100			_aChaparro Ruiz, Diego Andrés. _944409
245	1	3	_aComparación entre regresión tipo LASSO y redes neuronales en la predicción del esfuerzo de fisuración y su elongación asociada del UHPFRC sometido a tracción directa: _h[Recurso Electrónico] / _cDiego Andrés Chaparro Ruiz.
260			_aBogotá (Colombia): _bEscuela Colombiana de Ingeniería Julio Garavito, _c2020
300			_a36 paginas. _bgráficos.
502	1		_aTesis (Ingeniero civil con Énfasis en Estructuras)
520			_aLa presente investigación tiene como finalidad modelar el comportamiento a tracción directa de los concretos de ultra alto desempeño reforzado con fibras (UHPFRC). Para este análisis se utilizaron los métodos de regresión tipo LASSO y redes neuronales para predecir la tensión y elongación que provocan la primera fisura en el concreto. Para la validación de los modelos desarrollados se utilizaron los siguientes índices estadísticos: error absoluto medio (MAE), raíz del error cuadrático medio (RSME), relación entre el RSME y la desviación estándar de los datos medidos (RSR), error de sesgo medio normalizado (NMBE), coeficiente de eficiencia de Nash-Sutcliff (E), y coeficiente de determinación múltiple (R2). Para el diseño de mezcla de concretos UHPFRC se agregan fibras de refuerzo para aumentar la resistencia a tracción directa. Estas fibras están distribuidas uniformemente y proporcionan propiedades de ductilidad a los concretos de ultra alto desempeño, ya que estos concretos sin fibra tienen un comportamiento frágil. En el entrenamiento de los modelos preventivos se utilizaron 934 datos aleatorios del comportamiento a tracción directa del UHPFRC con información sobre los parámetros σcc y εcc, que representan el estado tensional correspondiente a la tensión de fisuración del UHPFRC. Durante el desarrollo algorítmico de los modelos, estos parámetros serán codificados como Y1 y Y2 respectivamente. Para construir un modelo preciso y con resultados adecuados fue necesario la detección y tratamiento de valores atípicos. Al final de este proceso se eliminaron 196 datos de la base de datos, dejando 738 para entrenamiento y testeo de los modelos de regresión LASSO y redes neuronales. Además, se realizó la partición de los datos para facilitar el entrenamiento y testeo y comprobar la eficiencia de la red neuronal y la regresión tipo LASSO. De esta forma, se utilizaron el 75% de los datos disponibles para entrenamiento de los modelos, quedando el 25% restante para labores de validación de los modelos. Como conclusión del presente trabajo de investigación, se desprende que la herramienta más precisa para la predicción de las variables Y1 y Y2, alcanzándose valores de R2 de 0,9218 y 0,8075 respectivamente en los subconjuntos de validación. La regresión tipo LASSO alcanzo valores de R2 para estas mismas variables de 0,6771 y 0,6579 respectivamente, claramente inferiores a los alcanzados por los modelos de redes neuronales.
650		0	_aCOMPORTAMIENTO A TRACCIÒN DIRECTA _944383
650		0	_aREDES NEURONALES ARTIFICIALES _944410
650		0	_aREGRESIÒN TIPO LASSO _944404
650		0	_aUHPFRC _944486
650		0	_aTESIS DE GRADO _943245
700			_aAbellán García, Joaquín _944415 _edirector
856			_uhttps://repositorio.escuelaing.edu.co/handle/001/1324
942			_2ddc _cTE
999			_c22535 _d22535