Mostrar el registro sencillo del ítem
Predicción del comportamiento a tracción directa del UHPFRC mediante la técnica de Bosques Aleatorios.
dc.contributor.author | Guzmán Guzmán, Juan Sebastián | spa |
dc.date.accessioned | 2021-02-09T16:30:44Z | |
dc.date.accessioned | 2021-10-01T15:31:07Z | |
dc.date.available | 2021-02-09T16:30:44Z | |
dc.date.available | 2021-10-01T15:31:07Z | |
dc.date.issued | 2020 | |
dc.identifier.uri | https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=22572 | |
dc.identifier.uri | https://repositorio.escuelaing.edu.co/handle/001/1361 | |
dc.description.abstract | Ultra-high-performance fiber reinforced concretes (UHPFRC) have become a construction material of great interest within the scientific community. The capacity of UHPFRCs to present a strain-hardening behavior under direct tensile test has led to it being increasingly included in the construction and rehabilitation of structures. However, its high cost and complexity in its production has limited its use in Colombian industry. Therefore, it is necessary to reduce the production cost of UHPFRC, both in raw materials and in development. In this research, machine learning algorithms such as Random Forest are carried out to predict the parameters of the UHPFRC's direct tensile behavior: g, energy absorption capacity (measured in kJ/m3) and εpc, strain under maximum post-cracking load (measured in %). Knowledge of these parameters is essential for applications that require high ductility, such as the rehabilitation and seismic retrofitting of existing non-ductile structures. Once the predictive models were developed and validated statistically and experimentally, a multi-objective optimization algorithm was used to determine the blend and fiber content that, using an optimized cementitious matrix dosage, would achieve the ductility requirements necessary for the seismic retrofitting applications of structures. (g ≥50 kJ/m3 and εpc≥0.3%) at the lowest cost. The results of this master's thesis showed that a mixture of UHPFRC with a hybrid mixture of 0.32% high strength steel fiber and 1.52% hook-shaped normal strength steel fiber by volume (1.90% of total volume fiber fraction) achieved the ductility criteria described at the lowest cost. As a conclusion, it was found that the Random Forest algorithms turned out to be an effective tool for predicting the behavior of the UHPFRC, allowing to reduce costs and research times in the development of new dosages. | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.publisher | Escuela Colombiana de Ingeniería Julio Garavito | spa |
dc.subject | UHPFRC | spa |
dc.subject | Aprendizaje Automático | spa |
dc.subject | Optimización multiobjetivo | spa |
dc.subject | Bosques Aleatorios | spa |
dc.title | Predicción del comportamiento a tracción directa del UHPFRC mediante la técnica de Bosques Aleatorios. | spa |
dc.type | Trabajo de grado - Maestría | spa |
dc.thesis.discipline | Maestría en ingeniería civil | spa |
dc.thesis.grantor | Abellán García, Joaquín (dir) | spa |
dc.thesis.grantor | Torres Castellanos, Nancy (Co-dir ) | spa |
dc.thesis.level | Maestría | spa |
dc.thesis.name | Maestría en Ingeniería Civil con Énfasis en Estructuras | spa |
dc.type.version | info:eu-repo/semantics/publishedVersion | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.type.content | Text | spa |
dc.type.dcmi-type-vocabulary | Text | spa |
dc.type.driver | info:eu-repo/semantics/masterThesis | spa |
dc.description.resumen | Los concretos de ultra-alto desempeño reforzados con fibras (UHPFRC, por sus siglas en inglés) se han convertido en un material de construcción de gran interés por parte de la comunidad científica. La capacidad de los UHPFRC de presentar un comportamiento de endurecimiento por deformación al ser sometidos a esfuerzos de tracción ha generado que cada vez más este nuevo material sea incluido en la construcción y rehabilitación de estructuras. Sin embargo, su elevado costo y complejidad en su producción han limitado su uso en la industria colombiana. Por lo tanto, es necesario reducir el costo de producción del UHPFRC, tanto en materias primas como en desarrollo. En el presente proyecto se realizan algoritmos de aprendizaje automático de tipo Bosques Aleatorios para predecir los parámetros del comportamiento a tracción directa del UHPFRC: g, capacidad de absorción de energía (expresada en kJ/m3) y εpc, deformación bajo carga máxima post fisuración (expresado en %). El conocimiento de estos parámetros es fundamental para aplicaciones que requieran elevada ductilidad, como la rehabilitación y mejora sismo resistente de estructuras no dúctiles. Una vez desarrollados y validados estadística y experimentalmente los modelos predictivos, se utilizó un algoritmo de optimización multiobjetivo para determinar la mezcla y contenido de fibras que, utilizando una dosificación optimizada de la matriz cementante, alcanzase los requerimientos de ductilidad necesarios para el reforzamiento sísmico de estructuras (g ≥50 kJ/m3 y εpc≥0.3%) al menor costo. Los resultados de esta tesis de maestría arrojaron que una mezcla de UHPFRC con una mezcla híbrida de fibra de acero de alta resistencia al 0.32% y de fibra de acero de resistencia normal conformada en forma de gancho al 1.52% en volumen (contenido total de fibras del 1.90%) fue suficiente para alcanzar los criterios de ductilidad descritos. Como conclusión se tuvo que los algoritmos de Bosques Aleatorios resultaron ser una herramienta efectiva para la predicción del comportamiento del UHPFRC, permitiendo reducir costos y tiempos de investigación en el desarrollo de nuevas dosificaciones. | spa |
dc.subject.keywords | UHPFRC | spa |
dc.subject.keywords | Machine learning | spa |
dc.subject.keywords | Multi-objective optimization | spa |
dc.subject.keywords | Random Forests | spa |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
CF - Trabajos de Grado Maestría en Ingeniería Civil [421]
Trabajos de Grado de la Maestría en Ingeniería Civil de la Escuela Colombiana de Ingeniería Julio Garavito