Predicción de la resistencia a la compresión del hormigón simple de resistencias normales usando Redes Neuronales Artificiales Feed Forward

dc.contributor.advisorViscaíno Cuzco Mayra Alexandra
dc.contributor.authorSánchez Guanotasig Denis Stiven
dc.contributor.editorUniversidad Técnica de Ambato-Facultad de Ingeniería Civil y Mecánica-Carrera de Ingeniería Civil
dc.date.accessioned2026-01-16T16:22:10Z
dc.date.issued2026-01-16
dc.descriptionEl presente trabajo experimental tuvo como finalidad desarrollar un modelo predictivo capaz de estimar la resistencia a la compresión del hormigón simple de resistencias normales mediante el uso de redes neuronales artificiales tipo Feed Forward. La investigación se fundamenta en la necesidad de contar con métodos alternativos a los ensayos destructivos tradicionales, los cuales requieren tiempos prolongados para obtener resultados confiables. A partir de esta problemática, se planteó la construcción de un modelo predictivo eficiente, entrenado con variables físicas y mecánicas de materiales comúnmente empleados en la elaboración del hormigón. La metodología se desarrolló en tres fases principales: recopilación y depuración de datos, selección de variables representativas, diseño de arquitecturas neuronales y evaluación del desempeño de distintos modelos mediante métricas estadísticas. Para ello, se construyeron cuatro conjuntos de información basados en características como finura de agregados, densidades sueltas y compactas, porcentajes de humedad y absorción, asentamiento, tamaño máximo nominal, y propiedades óptimas de la mezcla. Posteriormente, se implementaron diversas combinaciones de funciones de activación (tanh, sigmoid, relu e identidad) y configuraciones con diferente número de capas ocultas, con el fin de identificar el mejor equilibrio entre complejidad computacional y capacidad predictiva. Entre los diez modelos evaluados, se seleccionó como modelo final la configuración RNAFF-Comb.9, compuesta por nueve capas ocultas, con función tanh en la capa de entrada, sigmoid en las capas ocultas e identidad en la capa de salida. Este modelo presentó un desempeño superior en comparación con estudios previos y con las demás arquitecturas ensayadas, alcanzando métricas significativas: R² = 0.89, MSE = 235.40 (kg/cm²)², MAE = 11.16 kg/cm² y MAPE = 5.26%, demostrando una buena precisión en la predicción del f’c. Asimismo, al utilizarse bases de datos segmentadas por edades de curado (7, 14 y 28 días), se obtuvieron valores destacados a los 7 días (MAPE = 5.10%), aunque se evidenció un incremento considerable del error a los 14 días (MAPE = 39.54%), atribuible a la baja representatividad de datos disponibles para esa edad. Los resultados obtenidos demuestran que el modelo RNA-FF-Comb.9 es una herramienta eficaz, capaz de predecir de manera confiable la resistencia a la compresión del hormigón a partir de variables físicas y mecánicas de materiales previamente caracterizados. Su implementación en el ámbito constructivo permitiría optimizar tiempos de análisis, reducir ensayos destructivos y mejorar la toma de decisiones durante el diseño y control de calidad del hormigón.
dc.description.abstractThe purpose of this experimental work was to develop a predictive model capable of estimating the compressive strength of plain concrete with normal strengths using feed-forward artificial neural networks. The research is based on the need for alternatives to traditional destructive testing methods, which require lengthy periods to obtain reliable results. To address this problem, the construction of an efficient predictive model was proposed, trained with physical and mechanical variables of materials commonly used in concrete production. The methodology was developed in three main phases: data collection and cleaning, selection of representative variables, design of neural network architectures, and evaluation of the performance of different models using statistical metrics. For this purpose, four datasets were constructed based on characteristics such as aggregate fineness, loose and compacted densities, moisture and absorption percentages, slump, nominal maximum size, and optimum mix properties. Subsequently, various combinations of activation functions (tanh, sigmoid, relu, and identity) and configurations with different numbers of hidden layers were implemented to identify the best balance between computational complexity and predictive capacity. Among the ten models evaluated, the RNA-FF-Comb.9 configuration was selected as the final model. This configuration consists of nine hidden layers, with the tanh function in the input layer, sigmoid in the hidden layers, and identity in the output layer. This model exhibited superior performance compared to previous studies and the other architectures tested, achieving significant metrics: R² = 0.89, MSE = 235.40 (kg/cm²)², MAE = 11.16 kg/cm², and MAPE = 5.26%, demonstrating good accuracy in predicting f’c. Furthermore, when using databases segmented by curing ages (7, 14, and 28 days), outstanding values were obtained at 7 days (MAPE = 5.10%), although a considerable increase in error was observed at 14 days (MAPE = 39.54%), attributable to the low representativeness of available data for that age. The results obtained demonstrate that the RNA-FF-Comb.9 model is an effective tool, capable of reliably predicting the compressive strength of concrete based on physical and mechanical variables of previously characterized materials. Its implementation in the construction field would allow for optimized analysis times, reduced destructive testing, and improved decision-making during concrete design and quality control.
dc.identifier.citationUniversidad Técnica de Ambato-Facultad de Ingeniería Civil y Mecánica-Carrera de Ingeniería Civil
dc.identifier.urihttps://repositorio.uta.edu.ec/handle/123456789/45984
dc.language.isoes
dc.publisherUniversidad Técnica de Ambato-Facultad de Ingeniería Civil y Mecánica-Carrera de Ingeniería Civil
dc.subjectRESISTENCIA A LA COMPRESIÓN
dc.subjectREDES NEURONALES ARTIFICIALES
dc.subjectHORMIGÓN
dc.subjectMSE
dc.subjectMAPE
dc.titlePredicción de la resistencia a la compresión del hormigón simple de resistencias normales usando Redes Neuronales Artificiales Feed Forward
dc.typebachelorThesis

Archivos

Bloque original

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
Tesis I.C 2089 Sanchez Guanotasig Denis Stiven.pdf
Tamaño:
2,79 MB
Formato:
Adobe Portable Document Format

Bloque de licencias

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
1,71 KB
Formato:
Item-specific license agreed upon to submission
Descripción: