Concreto de alto rendimiento, predicción de su resistencia a la compresión mediante redes neuronales artificiales

Autores/as

  • Luis Acuña P. Facultad de Ingeniería Industrial y de Sistemas, Universidad Nacional de Ingeniería. Lima, Perú.
  • Pedro C. Espinoza H. Facultad de Ingeniería Industrial y de Sistemas, Universidad Nacional de Ingeniería. Lima, Perú.
  • Isabel Moromi N. Facultad de Ingeniería Civil, Universidad Nacional de Ingeniería. Lima, Perú.
  • Ana V. Torre C. Facultad de Ingeniería Civil, Universidad Nacional de Ingeniería. Lima, Perú.
  • Francisco García F. Departamento de Ingeniería Forestal, Universidad Politécnica de Madrid. Madrid, España.

DOI:

https://doi.org/10.21754/tecnia.v27i1.125

Palabras clave:

Red Neuronal Artificial, probeta, compresión axial, aditivos

Resumen

En las edificaciones de las viviendas modernas el concreto es un elemento fundamental que interviene. De otro lado en las construcciones de puentes, diques, túneles, esto es en la construcción de estructuras no estándares de la ingeniería civil, el concreto que se utiliza es el de alto rendimiento (CAR) que aparte de los componentes básicos como el agua, cemento, agregados finos y gruesos, contienen otros aditivos cementantes, como las microsílices. El problema es conseguir un recurso tecnológico que ayude a pronosticar la resistencia de CAR a partir de sus datos de fabricación, pero esto es imposible. Sin embargo, se tiene las redes neuronales artificiales que cumplen este papel, que luego de entrenadas se transforman en verdaderas funciones matemáticas que aproximan los valores esperados de las resistencias de las probetas de concreto. El nivel de aproximación se estima por la correlación entre la respuesta y el valor esperado de la red. Entonces resulta muy útil contar con una red neuronal que permita simular numéricamente la resistencia del concreto, incluso antes de su fabricación. En esta investigación se han obtenido diversas redes neuronales artificiales que pronostican la resistencia a compresión del CAR con correlaciones que varían entre 0.86 y 0.91.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

[1] ASTM C 192/C 192M: The American Society for Testing Materials Standard Practice for Making and Curing Concrete Test Specimens in the Laboratory, West Conshohocken (PA), USA (2000).

[2] ASTM C 39/C 39M: The American Society for Testing Materials, Standard Test Method for Compressive Strength of Cylindrical Concrete Specimens, West Conshohocken (PA), USA (2001).

[3] Caldarone, M.A., High-Strength Concrete: A Practical Guide, Taylor and Francis, New York, USA (2009).

De Veaux R.D. y LG. Ungar, A brief introduction to neural networks, (1996).

[4] Demuth, H., M. Beale y M. Hagan, Neural Network Toolbox User's Guide, Version 4. The MathWorks Inc., Natick, USA (2002).

[5] Fernández, F., P. de Palacios, L. García Esteban, A. García-Iruela, B. González Rodrigo y E. Menasalvas, Prediction of MOR and MCE of structural plywood board using an artificial neural network and comparison with a multivariate regression model, Composites: Part B: 43, 3528-3533 (2012).

[6] Hornik, K., Multilayer Feedforward Networks are Universal Approximators, Neural Networks: 2, 359-366 (1989). http://www.cis.upenn.edu/-ungar/Datamining/Publications/nnet-intro.pdf. Acceso: 26 de mayo (2014).

[7] Kosmatka, S.H., B. Kerkhoff y W.C. Panarese, Design and Control of Concrete Mixtures, Portland Cement Association. Skokle, Illinois, USA (2003).

[8]Lee, S.C., Prediction of concrete strength using artificial neural networks, Journal of Engineering Structure: 25, 849-857 (2003).

[9] Lin T.Y. y C.H. Tseng, Optimum design for artificial networks: an example in a bicycle derailleur system, Engineering Application of Artificial Intelligence: 13, 3-14 (2000).

Publicado

2017-06-01

Cómo citar

[1]
L. Acuña P., P. C. Espinoza H., I. Moromi N., A. V. Torre C., y F. García F., «Concreto de alto rendimiento, predicción de su resistencia a la compresión mediante redes neuronales artificiales», TECNIA, vol. 27, n.º 1, pp. 51–59, jun. 2017.

Número

Sección

Artículos