Predicción de resistencia a compresión y a tracción de hormigones autocompactantes con áridos reciclados utilizando métodos de Machine Learning y algoritmos de redes neuronales

  1. Prado Gil, Jesús de
Dirigida por:
  1. Covadonga Palencia Coto Directora
  2. Rebeca Martínez García Directora

Universidad de defensa: Universidad de León

Fecha de defensa: 07 de marzo de 2023

Tribunal:
  1. Andrés Juan Valdés Presidente
  2. Andrés Martínez Secretario
  3. María Isabel Sánchez de Rojas Vocal

Tipo: Tesis

Resumen

El objetivo principal de la tesis es encontrar el método de Machine Learning o algoritmo de Redes Neuronales más eficaz y preciso con el que predecir la resistencia a compresión (fsk) y a tracción (fst) a los 28 días del hormigón autocompactante con áridos reciclados (HACR). Los datos recogidos fueron extraídos de artículos de investigación existentes hasta septiembre del año 2021. Contienen dosificaciones de hormigón autocompactante endurecido con áridos reciclados. Para predecir la resistencia a compresión se utilizaron 515 dosificaciones. Por otro lado, para predecir la resistencia a tracción se utilizaron 381 dosificaciones. Cada una de las dosificaciones está compuesta por “6 componentes”: cemento, agua, componente mineral, arido fino, arido grueso y componente químico (variables de entrada). La variable de salida será la resistencia a compresión, o bien, la resistencia a tracción a los 28 días. Para predecir la resistencia a compresión y a tracción a los 28 días del hormigón autocompactante con áridos reciclados (HACR) mediante métodos de aprendizaje supervisados, se desarrollan nueve métodos: Random Forest (RF), K-Nearest Neighbor (KNN), Extremely Randomized Trees (ERT), Gradiente Boosting (GB), Light Gradient Boosting Machine (LGBM), Extreme Gradient Boosting (XGB), Category Boosting (CB) y los modelos aditivos generalizados: Inverse Gauss (GAM1) y Poisson (GAM2). Para predecir la resistencia a compresión y a tracción a los 28 días del hormigón autocompactante con áridos reciclados mediante redes neuronales, se desarrollan tres algoritmos: Levenberg–Marquardt, Bayesian regularization y Scaled conjugate gradient backpropagation. Cemento y agua son los componentes que mayor incidencia tienen en la resistencia a compresión, con una contribución superior al 20%. El árido grueso es el componente de la mezcla que menos contribuye a la resistencia a compresión del HAC con RA. Cemento es el componente de la mezcla que más contribuye (> 30%) a la predicción de la resistencia a tracción a los 28 días del HAC con RA. El agua es el componente que menos contribuye a la predicción de la resistencia a tracción a los 28 días del HAC con RA.