Mostrar el registro sencillo del ítem

dc.contributor.authorChaparro Ruiz, Diego Andrésspa
dc.date.accessioned2021-01-12T14:16:49Z
dc.date.accessioned2021-10-01T14:32:54Z
dc.date.available2021-01-12T14:16:49Z
dc.date.available2021-10-01T14:32:54Z
dc.date.issued2020
dc.identifier.urihttps://repositorio.escuelaing.edu.co/handle/001/1324
dc.description.abstractThe purpose of this research is to model the direct traction behavior of ultra-high-performance fiber-reinforced (UHPFRC) concrete. For this analysis, LASSO-type regression methods and neural networks were used to predict the tension and elongation that cause the first crack in the concrete. The following statistical indexes were used for the validation of the developed models: Mean absolute error (MAE), root of mean quadratic error (RSME), relationship between RSME and standard deviation of measured data (RSR), mean normalized bias error (NMBE), Nash-Sutcliff efficiency coefficient (E), and multiple determination coefficient (R2). Reinforcement fibers are added to the UHPFRC concrete blend design to increase direct tensile strength. These fibers are evenly distributed and provide ductility properties to ultra-high performance concrete as these fiber-free concrete have a fragile behavior. In the training of the preventive models, 934 random data of the UHPFRC direct traction behavior were used with information on the σcc and εcc parameters, representing the tension state corresponding to the strain of the UHPFRC. During the algorithmic development of the models, these parameters will be coded as Y1 and Y2 respectively. In order to construct an accurate model with adequate results, the detection and treatment of atypical values was necessary. At the end of this process, 196 data were deleted from the database, leaving 738 for training and testing of LASSO regression models and neural networks. In addition, the data was partitioned to facilitate training and testing and to check the efficiency of the neural network and LASSO regression. In this way, 75% of the available data were used for model training, with the remaining 25% being used for model validation. <br> As a conclusion of this research, it follows that the most accurate tool for predicting variables Y1 and Y2, with R2 values of 0,9218 and 0,8075 respectively being reached in the validation subsets. LASSO regression achieved R2 values for these same variables of 0.6771 and 0.6579 respectively, clearly lower than those achieved by neural network models.spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.publisherEscuela Colombiana de Ingeniería Julio Garavitospa
dc.subjectComportamiento a tracción directaspa
dc.subjectRedes neuronales artificialesspa
dc.subjectRegresión tipo LASSOspa
dc.subjectUHPFRCspa
dc.titleComparación entre regresión tipo LASSO y redes neuronales en la predicción del esfuerzo de fisuración y su elongación asociada del UHPFRC sometido a tracción directaspa
dc.typeTrabajo de grado - Pregradospa
dc.thesis.disciplineIngeniería civilspa
dc.thesis.grantorAbellán García, Joaquín (dir)spa
dc.thesis.levelPregradospa
dc.thesis.nameIngeniero civil con Énfasis en Estructurasspa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.type.contentTextspa
dc.type.contentTextspa
dc.type.dcmi-type-vocabularyTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.description.resumenLa 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.spa
dc.subject.keywordsBehavior to direct tractionspa
dc.subject.keywordsArtificial neural networksspa
dc.subject.keywordsLASSO regressionspa
dc.subject.keywordsUHPFRCspa


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem