Modelización de la resistencia a la compresión del concreto mediante redes neuronales artificiales
DOI:
https://doi.org/10.21754/tecnia.v23i2.71Palabras clave:
concreto, resistencia a la compresión, redes neuronales artificialesResumen
El uso del concreto como elemento estructural va aumentando año tras año. Sin embargo, este producto requiere de unos estrictos controles de calidad sobre sus propiedades mecánicas para el uso como elemento estructural. Este tipo de control implica la existencia de equipos de ensayo con una capacidad de carga de hasta 3.000KN. Sería de gran utilidad para el control de producción la utilización de un método alternativo de gran fiabilidad, que permitiera conocer las propiedades mecánicas a partir de otras propiedades físicas y mecánicas más fáciles de obtener. La alta capacidad de las redes neuronales artificiales (ANN) para modelar los más diversos procesos industriales, las convierte en una herramienta de gran utilidad en el ámbito de la industria del concreto. En este estudio se ha desarrollado una red neuronal para obtener la resistencia a compresión del concreto y se ha modelado dicha propiedad a partir de la composición del concreto y de sus parámetros de fabricación. La red neuronal diseñada, un perceptrón multicapa, ha permitido obtener la resistencia a compresión del concreto con un coeficiente de correlación de 0,97. Esto demuestra la capacidad de las redes neuronales artificiales para obtener la resistencia a compresión del concreto.
Descargas
Citas
[1] Pérez Delgado, M. L., Martin Martín, Q. “Aplicaciones de las redes neuronales a la estadística. Cuadernos de Estadística”; Ed. La Muralla, S.A. 1993.
[2] Isasi Viñuela, P., Galván León, I. M., “Redes Neuronales Artificiales, un enfoque práctico”; Pearson Educación, S. A., 2004.
[3] Hagan, M. T., Demuth, H. B., Beale, M., “Neural Network Design”; PWS Pub. Co.; 1st edition. 1995.
[4] Demuth, H., Beale, M., Hagan, M., “Neural Network Toolbox User’s guide, version 4”; The Mathworks InC.1996.
[5] Mukherjee, S., Schmauder, M., Rühle, M., “Artificial neural networks for the prediction of mechanical behaviour of metal matrix composites”; Acta Metallurgica Materialia Vol. 43 - 11, pp. 4083 - 4091. 1995.
[6] Malinov, S., Sha, W., McKeown, J. J., “Modelling the correlation between processing parameters and properties in titanium alloys using artificial neural networks”; Computational Materials Science Vol. 21, pp. 375 - 394. 2001.
[7] Hassan, A. M., Alrashdan, A., Hayajneh, M. T., Mayyas, A. T., “Prediction of density, porosity and hardness in aluminium-cooper-based composite materials using artificial neural network”; Journal of Materials Processing Technology Vol. 209, pp. 894 - 899. 2009.
[8] Ozerdem, M. S., Kolukisa, S., “Artificial neural network approach to predict the mechanical properties of Cu-Sn-Pb-Zn-Ni cast alloys”; Materials and Design Vol. 30, pp. 764 - 769. 2009.
[9] Reddy, N. S., Krishnaiah, J., Hong, S. G., Lee, J. S., “Modeling medium carbon steels by using artificial neural networks”; Materials Science and Engineering A., Vol. 508, pp. 93 - 105. 2009.
[10] Çanakci, H., Pala, M., “Tensile strength of basalt from a neural network”; Engineering Geology Vol. 94 (2007), pp. 10 - 18.
[11] Cook, D. F., Chiu, C. C., “Predicting the internal bond strength of particle board, using a radial basis function neural network”; Engineering Applications of Artificial Intelligence Vol. 10 - 2, pp. 171 - 177, 1997.
[12] García Fernández, F., Esteban, L. G., De Palacios, P., Navarro, N., Conde, M., “Prediction of standard particle board mechanical properties utilizing an artificial neural network and subsequent comparison with a multivariate regression model”; Investigación Agraria: Sistemas y Recursos Forestales Vol. 17 - 2, pp. 178 - 187. 2008.
[13] García Fernández, F., De Palacios, P., García Esteban, L., García - Iruela, A., González Rodrigo, B., Menasalvas, E., “Prediction of MOR and MOE of structural plywood board using an artificial neural network and comparison with a multivariate regression model”; Composites: Part B. Vol. 43, pp. 3528 - 3533. 2012.
[14] Başyigit, C., Akkurt, I., Kilincarsian, S., Beycioglu, A., “Prediction of compressive strength of heavy weight concrete by ANN and FL models”; Neural Computing and Applications Vol. 19, pp. 507 - 513. 2010.
[15] Yaprak, H., Karaci, A., Demir, I., “Prediction of the effect of varying cure conditions and w/c ratio on the compressive strength of concrete using artificial neural networks”; Neural Computing and Applications Vol. 22, pp. 133 - 141. 2013.
[16] ASTM C 192/C 192M, “Standard Practice for Making and Curing Concrete Test Specimens in the Laboratory”; The American Society for Testing Materials. 2000.
[17] ASTM C 39/C 39M, “Standard Test Method for Compressive Strength of Cylindrical Concrete Specimens”; The American Society for Testing Materials. 2001.
[18] ASTM C 150, “Standard Specification for Portland Cement”; The American Society for Testing Materials. 2002.
[19] Sha, W., “Comment on the issues of statistical modelling with particular reference to the use of artificial neural networks”. Applied Catalysis A: General Vol. 324, pp. 87 - 89. 2007.
[20] Yeh, I. C., “Modeling of strength of HP Cusing ANN”; Journal of Cement and Concrete Research Vol. 28 - 12, pp. 1797 - 1808. 1998.
[21] Lee, S. C., “Prediction of concrete strength using artificial neural networks”; Journal of Engineering Structure Vol.25, pp. 849 - 857. 2013.
[22] Oztas, A., Pala, M., Ozbay, E., Kanka, E., Caglar, N., Bhatti, M. A., “Predicting the compressive strength and slum of high strength concrete using neural network”; Construction and Building Materials Vol. 20 - 9, pp. 769 - 775. 2006.
[23] Ukrainczyk, N., Ukrainczyk, V., “A neural network method for analysing concrete durability”. Magazine of Concrete Research Vol. 60 - 7, pp. 475 - 486. 2008.
[24] McBride, J., Malinov, S., Sha, W., “Modelling tensile properties of gamma-based titanium aluminides using artificial neural network”; Material Science and Engineering A Vol. 384, pp.129 - 1. 2004.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2013 TECNIA
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los artículos publicados por TECNIA pueden ser compartidos a través de la licencia pública internacional Creative Commons: CC BY 4.0. Permisos lejos de este alcance pueden ser consultados a través del correo tecnia@uni.edu.pe
