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 |