Predicción de resistencia a compresión del hormigón mediante redes neuronales haciendo uso del agregado de la cantera de Antonio Maceo.
←
→
Transcripción del contenido de la página
Si su navegador no muestra la página correctamente, lea el contenido de la página a continuación
Revista de Arquitectura e Ingeniería
ISSN: 1990-8830
Olga-Toledo@empai.co.cu
Empresa de Proyectos de Arquitectura e Ingeniería
de Matanzas
Cuba
Predicción de resistencia a compresión
del hormigón mediante redes neuronales
haciendo uso del agregado de la cantera
de Antonio Maceo.
Martínez Pérez, Ing. Carmen Laura; Hernández Hernández, MSc. Ing. Alejandro
Predicción de resistencia a compresión del hormigón mediante redes neuronales haciendo uso del agregado de
la cantera de Antonio Maceo.
Revista de Arquitectura e Ingeniería, vol. 14, núm. 1, 2020
Empresa de Proyectos de Arquitectura e Ingeniería de Matanzas, Cuba
Disponible en: https://www.redalyc.org/articulo.oa?id=193962633002
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Predicción de resistencia a compresión
del hormigón mediante redes neuronales
haciendo uso del agregado de la cantera
de Antonio Maceo.
Prediction of concrete compression resistance through neural
networks making use of Antonio Maceo quarry aggregate.
Ing. Carmen Laura Martínez Pérez carmen@m.hidro.cu
Empresa de Investigaciones Proyectos e Ingeniería., Cuba
MSc. Ing. Alejandro Hernández Hernández
alealejandro.hdezhdez@gmail.com
Universidad de Matanzas., Cuba
Resumen: La calidad de los áridos tanto grueso como fino influye directamente en la
resistencia que luego obtendrá el hormigón, el cual es ensayado siguiendo lo establecido
Revista de Arquitectura e Ingeniería, vol. en la NC724:2015 para determinar si realmente resistirá las cargas a las que estará
14, núm. 1, 2020
sometido durante su vida útil, pero este ensayo como todos los demás requiere costo
Empresa de Proyectos de Arquitectura e y tiempo para su realización. El diseño de un modelo de predicción de resistencias
Ingeniería de Matanzas, Cuba mediante redes neuronales posibilita obtener un diseño óptimo de estos hormigones
Recepción: 19 Noviembre 2019 sin depender de la experiencia de quien dosifica o de métodos que pueden conducir a
Aprobación: 25 Febrero 2020 resultados menos racionales. Este modelo de predicción se determina mediante el uso
de una base de datos de la ENIA Matanzas, compuesto por 17 variables en la capa
Redalyc: https://www.redalyc.org/ de entrada, dos capas ocultas y una de salida referida a la resistencia a compresión
articulo.oa?id=193962633002 del hormigón, emplea algoritmo de aprendizaje Levenberg–Marquardt (LM) con
validación cruzada
Keywords: Neural networks, compression resistance
Predicción de resistencia a compresión del hormigón
mediante redes neuronales haciendo uso del agregado de la
cantera de Antonio Maceo.
Prediction of concrete compression resistance through neural networks
making use of Antonio Maceo quarry aggregate.
Recibido: 19-11-19
Aceptado: 25-2-20
RESUMEN
La calidad de los áridos tanto grueso como fino influye directamente en la
resistencia que luego obtendrá el hormigón, el cual es ensayado siguiendo lo
establecido en la NC724:2015 para determinar si realmente resistirá las
cargas a las que estará sometido durante su vida útil, pero este ensayo como
todos los demás requiere costo y tiempo para su realización. El diseño de
un modelo de predicción de resistencias mediante redes neuronales posibilita
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 1Revista de Arquitectura e Ingeniería, 2020, vol. 14, núm. 1, Marzo-Diciembre, ISSN: 1990-8830
obtener un diseño óptimo de estos hormigones sin depender de la experiencia
de quien dosifica o de métodos que pueden conducir a resultados menos
racionales. Este modelo de predicción se determina mediante el uso de una
base de datos de la ENIA Matanzas, compuesto por 17 variables en la
capa de entrada, dos capas ocultas y una de salida referida a la resistencia
a compresión del hormigón, emplea algoritmo de aprendizaje Levenberg–
Marquardt (LM) con validación cruzada
Palabras claves: Redes neuronales, resistencia a compresión.
ABSTRACT
e quality of both coarse and fine aggregates directly influences the strength
that the concrete will obtain, which is tested according to the standard
NC724:2015 to determine whether the material will actually withstand
the loads to which it will be subjected during its useful life, but this trial
like all others requires cost and time to perform. e design of a resistance
prediction model using neural networks allows to obtain an optimal design
of these concretes. is prediction model is determined by the use of an ENIA
Matanzas database, composed of 17 variables in the input layer, two hidden
layers and an output layer (the compression resistance of concrete) , employs
Levenberg-Marquardt (LM) learning algorithm with cross-validation.
Keywords:Neural networks, compression resistance.
INTRODUCCIÓN
En Cuba el hormigón es uno de los materiales más empleado en la
industria de la construcción por su durabilidad y resistencia en el tiempo.
Su fabricación se realiza a partir de la mezcla de componentes básicos:
agua, cemento, agregados finos y gruesos pero el problema no es tan
sencillo pues las proporciones de dichos componentes, así como la
inclusión de aditivos y otros factores, determinará la resistencia de este
material por lo que la elección correcta del método de dosificación influye
de manera directa en esta propiedad.Multiples son los métodos para
dosificar mezclas están los basados en el contenido de cemento ,método
de Füller, de Faury y de Bolomey, y los métodos basados en la resistencia
a compresión ,método del American Concrete Institute (A.C.I), De
La Peña y método del DIN. Existen también otros basados en la
experimentación, como el de O’Reilly que es uno de los más utilizados en
Cuba con la principal ventaja de reducir en un 15% o más el consumo
de cemento por metro cúbico de hormigón, y otras metodologías basadas
en mezclas de prueba y en granulometrías discontinua. Por otro parte, se
conoce que la resistencia a compresión del hormigón evoluciona con el
tiempo de esta forma se plantea que a los 7 días se obtiene el 70-75% de
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 2Ing. Carmen Laura Martínez Pérez, et al. Predicción de resistencia a compresión del hormigón mediante redes neuronales haciendo uso del agre...
la resistencia a 28 días y que a los 56 y 90 días se obtienen resistencias
de un 10% a unos 15% superiores a las obtenidas a los 28 días [1]. Para
poder fijar un valor de referencia se toma universalmente como resistencia
de referencia el valor obtenido mediante el ensayo a compresión a los 28
días regido por la NC 724:2015. Como se plantea el hormigón require
de tiempo para alcanzar su maxima resistencia por ende los resultados de
sus ensayos distan de ser inmediatos, por lo que es importante disponer
de un modelo de predicción de resistencia a compresion a través de una
red neuronal programada con algoritmo Levenberg–Marquardt (LM)
y metodología de descenso por gradiente o gradiente conjugado con
validación cruzada (K-Fold Cross Validation).
La Inteligencia Artificial (IA) considerada como una ciencia por varios
autores tiene como objetivo el diseño y la construcción de máquinas
capaces de imitar el comportamiento inteligente de los seres humanos.
[2], [3], [4], [5], [6], [7], [8] es por ello que las redes neuronales, también
llamadas "redes de neuronas artificiales" (RNA), son modelos bastante
simplificados de las redes de neuronas que forman el cerebro, y al igual que
este, intentan "aprender" a partir de los datos que se le suministran.
[9] En esta investigación los autores diseñan un modelo de predicción
de la resistencia a la compresión del hormigón con fibras naturales
utilizando redes neuronales artificiales emplean algoritmo de aprendizaje
Levenberg–Marquardt (LM), con una arquitectura de red queda
conformada por 1 capa de entrada con 6 variables : relación agua -
cemento, relación arena – cemento, relación ripio – cemento, densidad
del agregado, porcentaje de agregado en la mezcla y la edad del hormigón.
Para la selección de la cantidad de nodos ocultos se realizó una
prueba en MatLab entrenando 9 redes neuronales con el algoritmo de
entrenamiento Levenberg–Marquardt y variando la cantidad de nodos
de 1 hasta 10, luego emplearon los datos de validación en las redes ya
entrenadas para identificar la cantidad de nodos que generan el mínimo
error entre los datos predichos y los datos reales quedando conformada la
capa oculta por 8 neuronas mientras que la capa de salida está representada
por solo una variable, resistencia a la compression dando como resultado
final un modelo de predicción el cual indica que no existe una diferencia
significativa en el valor de resistencia a la compresión simple del hormigón
normal y del hormigón que contiene agregados de fibra, pues en todos
los casos el valor se vuelve constante oscilando por los 350 Kg/cm2 con
el paso de los años, es importante resaltar que tomar este modelo de
predicción se realizó con valores de tiempo máximo de 28 días por lo
cual las predicciones para valores de tiempo de años pueden tener una
variación significativa con los valores reales.
[10] En la siguiente investigación se trata el desarrollo de un modelo de
red neuronal artificial para evaluar la difusión del cloruro en hormigones
de alta resistencia debido a la importancia que tiene evitar la propagación
de los iones cloruros en los hormigones pues provoca el aumento de
la corrosión en los aceros de refuerzo propiciando el debilitamiento de
la estructura. Además de ser considerada el diseño de esta red como
un enfoque alternativo de las pruebas a largo plazo de determinación
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 3Revista de Arquitectura e Ingeniería, 2020, vol. 14, núm. 1, Marzo-Diciembre, ISSN: 1990-8830
de difusión de cloruro. Para ello se empleó una base de datos con 300
muestras con agregados de cenizas volantes y escorias de estos datos
surgieron 2 modelos de red con diferentes tipos de hormigones de altas
prestaciones con 4 variables en la capa de entrada, relación agua cemento,
contenido de cemento, tipo de agregado (cenizas volante o escorias) y
tiempo de curado, con una sola capa de salida coeficiente de difusión de
cloruro. Se emplea la metodología de aprendizaje Backpropagation y en
el entrenamiento una función de prueba como función de transferencia
no lineal, para el cálculo del error MEAN SQUARED ERROR (SMSE).
Al realizar gráficas de agregados contra relación agua cemento se puede
observar que existe alta relación entre los resultados experimentales y los
propuestos por el modelo por lo que se puede concluir que ambos modelos
para cada tipo específico de hormigón predice el coeficiente de difusión
de los iones cloruros sin necesidad de ensayos costosos.
[11] Se proponen dos modelos de redes neuronales artificiales para
la predicción del resultado del ensayo a compresión, un perceptrón
multicapa (tipo de red neuronal con conexiones hacia adelante) formada
por 11 variables de entrada (cantidad de cemento, agua, módulo de finura
de la arena y de la piedra, tamaño nominal máximo de la piedra (TNM),
peso específico de la arena, peso específico de la piedra, así como el tipo de
cemento con el que está fabricado y período de curado), dos capas ocultas
de 10 y 4 neuronas y como variable de salida, la resistencia a la compresión
y la segunda propuesta una red Elman (tipo de red neuronal recurrente,
basada en el perceptrón multicapa, muy utilizada en la modelización de
series temporales) con 1 capa de entrada formada por 11 neuronas (las
misma del perceptrón) de tres capas ocultas de 9, 8 y 3 neuronas cada una
y una capa de salida igual que la anterior. Para el entrenamiento se utilizó
el algoritmo de retropropagación resilente, el cual mejora los resultados
del aprendizaje para el caso de funciones de transferencia sigmoidea.
Finalmente los coeficientes Vtest/Vred calculados se encuentran entre
0.99 y 1.02. Planteado todos estos resultados en cuanto a coeficientes
de regresión y correlación se determina que el perceptrón, el cual tiene
dos capas ocultas de 10 y 4 neuronas, presenta una menor complejidad
interna, frente a la red de Elman que tiene tres capas ocultas de 9, 8 y 3
neuronas cada una. Esta circunstancia, unida a que su tiempo de desarrollo
es sensiblemente inferior, hace que sea el perceptrón el más adecuado para
resolver de forma efectiva el problema de la modelización del ensayo de
compresión del concreto.
MATERIALES Y MÉTODOS.
El empleo de métodos tradicionales en la dosificación de mezclas no logra
optimizar al máximo la proporción de cada material que componen la
mezcla con mayor resistencia por lo que la creación de un modelo de
predicción de resistencia a compresión del hormigón a través de redes
neuronales permitirá optimizar al máximo la combinación de materiales
que más se ajusten a las características del elemento específico a construir,
todo ello a través de una red neuronal creada en MatLab y entrenada
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 4Ing. Carmen Laura Martínez Pérez, et al. Predicción de resistencia a compresión del hormigón mediante redes neuronales haciendo uso del agre...
con ejemplos de dosificaciones de mezclas y ensayos del hormigón reales.
Para tal fin se empleó una base de datos histórica con dosificaciones y
ensayos de los materiales del año 2013 a la fecha, con los 4 componentes
fundamentales en la mezcla árido grueso y árido fino procedente de la
cantera Antonio Maceo, cemento, agua y aditivos. Esta base de datos
se divide en varias secciones y ofrece resultados en dependencia del
componente a estudiar por ejemplo:
Árido fino, referida a esta sección la base de datos ofrece proporciones
y valores de material más fino que el Tamiz 200, partículas de arcilla,
impurezas orgánicas, pesos específicos (corriente, saturado y aparente),
absorción, pesos volumétricos (sueltos y compactados) por ciento de
huecos, equivalente de arena y módulo de finura. Es válido aclar que
todos los áridos finos empleados en las dosificaciones son procedentes
de la misma cantera, Antonio Maceo,además por último los porcientos
de materiales que pasan por lo diferentes tamices (11/2´´,1´´,3/4´´,1/2
´´,3/8´´,No 4,No 8,No 16,No 30,No 50 ,No 100 y T-200).
Áridos gruesos, material más fino que el Tamiz 200, partículas de
arcilla, partículas planas y alargadas , pesos específicos (corriente, saturado
y aparente), absorción, pesos volumétricos (sueltos y compactados) por
ciento de vacíos, índice de triturabilidad y abrasión de los ángeles,
procedentes de una sola cantera grava (Antonio Maceo 20-10 mm,
25-5mm, 10-5mm,40-10mm) al igual que con los áridos finos los
porcientos de materiales que pasan por los diferentes tamices (21/2´´, 2
´´, 11/2´´, 1´´, 3/4´´, 1/2´´, 3/8´´, 4.7mm, 2.36mm).
Cemento, se usan Portland P-35 y P-25 donde se mide fraguado inicial
final, consistencia normal, finura del cemento, estabilidad de volumen,
peso específico real, resistencia a compresión a los 7 y 28 días todo
procedente de Cienfuegos S.A.
Los Aditivos usados son Dynamon SRC 20, Mapefluid N-100 RC,
SAHE B2R9, Sika PLAST 9100CU, Plastiment N, Humo de Sílice
BISAIL Fume.
Además de las propiedades mecánicas en la base de datos están
las proporciones empleados en el diseño de mezcla, porcientos que
representan del volumen total, relación agua cemento, rendimiento del
cemento, peso y resistencia.
La validación del modelo propuesto no es posible sin los ensayos
de hormigón los que ofrecen resultados tales como carga de rotura,
resistencia individual, resistencia de la serie e incertidumbre teniendo en
cuenta las características de las probetas, altura, diámetro, masa, densidad.
Construcción de la red neuronal base.
La construcción de la red neuronal base se determina a partir de los
parámetros de entrada y salida de la red que corresponden a las variables
influyentes en el pronóstico, la topología de la red, obtenida mediante procesos
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 5Revista de Arquitectura e Ingeniería, 2020, vol. 14, núm. 1, Marzo-Diciembre, ISSN: 1990-8830
de prueba y error para hallar los valores más adecuados del número de capas
ocultas.
Definición de las variables de entrada
Para obtener una red que pronostique correctamente se deben de elegir
cuidadosamente las variables a emplear, de lo que se trata es incluir
en el modelo las variables predictores que realmente prevea la variable
dependiente.
Al realizar un análisis de la base de datos general se determinan como
conjunto de variables seleccionadas que influyen en la Resistencia a la
compresión del concreto las siguientes:
Cantidad de Cemento: expresada en kilogramos (kg), necesaria para
elaborar un 1 m3 de hormigón.
Cantidad de Agua: En litros para una mezcla de 1 m3 de volumen, esta
variable está afectada por la humedad que aportan los agregados.
Cantidad de Agregado Fino: En kg, a pie de obra, para 1 m3 de mezcla.
Cantidad de Agregado Grueso: En Kg, a pie de obra, para 1 m3 de
mezcla.
Cantidad de Aditivo: En litros para una mezcla de 1 m3 de volumen
esta variable depende del tipo de aditivo a emplear y de las proporciones
que se adicionen a la mezcla.
Módulo de finura: indicador del grosor predominante en el conjunto
de partículas del agregado fino.
Tamaño Máximo Nominal del Agregado Grueso: Es el menor
tamaño de la malla por el cual debe pasar la mayor parte del agregado,
la malla de tamaño máximo nominal, puede retener de 5% a 15% del
agregado dependiendo del número de tamaño. Cuando pasa menos del
95% el Tamaño Máximo Nominal se considera igual al Tamaño Máximo
Absoluto.[12].
Relación Agua – Cemento (a/c): Es el valor característico más
importante de la tecnología del concreto, de ella dependen la resistencia
y la durabilidad, así como los coeficientes de retracción y de fluencia.
También determina la estructura interna de la pasta de cemento
endurecida. Esta variable mide el cociente entre las cantidades de agua (sin
correcciones por humedad de los agregados) y de cemento de diseño. [12]
Absorción de los agregados: Aquí se emplea la absorción obtenida a
través de los ensayos realizados al árido grueso y al árido fino.
Por ciento que pasa por la malla No 4: Sólo para áridos finos.
Peso volumétrico suelto: Para ambos áridos gruesos y finos se da eng/
cm3
Edad de Ensayo: Número de días de ruptura de los testigos de ensayo
(7, 14 o 28 días).
Resistencia de Diseño: Resistencia a la compresión requerida en obra
(Kg/cm2).
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 6Ing. Carmen Laura Martínez Pérez, et al. Predicción de resistencia a compresión del hormigón mediante redes neuronales haciendo uso del agre...
La siguiente tabla muestra el resumen de las variables de
entrada seleccionadas para el pronóstico de la resistencia a la
compresión según los ensayos de los testigos de concreto:
Tabla1
Definición de variables de entrada del modelo.
Elaborada por el autor.
Definición de la variable de salida
El objetivo principal de este modelo de red es pronosticar la resistencia a
la compresión real del concreto (ensayada en laboratorio), que no es más
que la variable de salida.
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 7Revista de Arquitectura e Ingeniería, 2020, vol. 14, núm. 1, Marzo-Diciembre, ISSN: 1990-8830
Tabla 2
Definición de variables de entrada del modelo.
Elaborada por el autor.
Topología de la Red
Con vista a determinar la topología de la red se deben clasificar todos los
elementos que intervienen en el diseño del modelo de comportamiento:
Función de Entrada: Se emplea la productora de entradas pesadas la
cual posee la ventaja de multiplicar cada valor de entrada por sus pesos
correspondientes.
Función de Activación: como función que calcula el estado de actividad
de las neuronas en la capa oculta es la sigmoidea pues transforma la entrada
global en un valor de activación cuyo rango oscila entre 0 y 1.
Función de salida: función encargada de transferir valores a las
neuronas vinculadas, definida como binaria para este caso donde la
entrada y la salida no son valores coincidentes con pesos que no están
restringidos a un intervalo especifico posibilitando la mejor propagación
de la red.
Según su arquitectura y clasificando las conexiones existentes entre las
neuronas se emplea la Feedback con conexiones hacia adelante pues esta
posee conexiones entre neuronas de una misma capa o conexiones de una
neurona consigo misma lo que posibilita que no sean solo conexiones
unidireccionales, se emplea además un perceptrón multicapa formada
por varias capas de neuronas, agregadas a fin de superar la linealidad
del perceptrón simple y resolver los problemas que no son linealmente
separable con conexiones que pasan las salidas en una única dirección a
neuronas de la siguiente capa. La red neuronal diseñada posee cuatro capas
(1 de entrada, 2 ocultas y 1 de salida), la capa de entrada está compuesta
por 17 neuronas que representa la cantidad de variables de entrada, las
neuronas para las 2 capas ocultas se determinarán mediante pruebas de
ensayo y error, y la capa de salida consta de una neurona, que representa
la resistencia a compresión en la mezcla.
A continuación, se hace una representación gráfica de una de las redes
neuronales de prueba y error diseñada para determinar el número real de
neuronas en la capa oculta.
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 8Ing. Carmen Laura Martínez Pérez, et al. Predicción de resistencia a compresión del hormigón mediante redes neuronales haciendo uso del agre...
Fig.1
Esquema de diseño de una de las redes de prueba en MatLab
Elaborada por el autor.
Algoritmo de aprendizaje empleado:
Se selecciona como algoritmo de aprendizaje el Levenberg–Marquardt
(LM), técnica iterativa que localiza el mínimo de una función que es
expresada como la suma de los cuadrados de funciones no lineales el cual,
divide cada base de datos especifica en tres grupos de igual extensión
con vectores de información escogidos al azar, dando una mejor idea
de los errores de validación y de la existencia de valores extremos o
atípicos (Outliers) que normalmente quedan ocultos por la división de
datos. Dentro del tipo supervisado se clasifica por corrección de error que
ajusta la red en función de las diferencias entre los valores deseados y los
obtenidos a la salida de la red basado en la predicción de valores. Además
de que es considerada por varios autores como el método más rápido para
entrenar una red neuronal artificial de retro-propagación de alimentación
hacia adelante de tamaño moderado catalogado este método como la
primera opción para resolver problemas del aprendizaje supervisado, que
es el caso en el presente análisis. [13]
ANÁLISIS Y DISCUSIÓN DE RESULTADOS
Algoritmo de aprendizaje empleado:
Se selecciona como algoritmo de aprendizaje el Levenberg–Marquardt
(LM), técnica iterativa que localiza el mínimo de una función que es
expresada como la suma de los cuadrados de funciones no lineales el cual,
divide cada base de datos especifica en tres grupos de igual extensión
con vectores de información escogidos al azar, dando una mejor idea
de los errores de validación y de la existencia de valores extremos o
atípicos (Outliers) que normalmente quedan ocultos por la división de
datos. Dentro del tipo supervisado se clasifica por corrección de error que
ajusta la red en función de las diferencias entre los valores deseados y los
obtenidos a la salida de la red basado en la predicción de valores. Además
de que es considerada por varios autores como el método más rápido para
entrenar una red neuronal artificial de retro-propagación de alimentación
hacia adelante de tamaño moderado catalogado este método como la
primera opción para resolver problemas del aprendizaje supervisado, que
es el caso en el presente análisis. [13]
ANÁLISIS Y DISCUSIÓN DE RESULTADOS
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 9Revista de Arquitectura e Ingeniería, 2020, vol. 14, núm. 1, Marzo-Diciembre, ISSN: 1990-8830
Etapa de Entrenamiento:
Se representa el modelo de perceptrón multicapa el cual además de
posibilitar el entrenamiento de la red permite el pronóstico de los
parámetros descritos en la tabla que muestra la relación de cada variable
de entrada con el código dado, el número de capas ocultas y la cantidad
neuronas por cada capa oculta y la salida Y que representa la resistencia a la
compresión pronosticada de los testigos de hormigón por la red neuronal
que corresponde a la variable Yi (variable de salida) que es la cantidad
pronosticada del producto i, con i=1,2,3. Este modelo permite visibilizar
las interconexiones de las neuronas de la capa de entrada con las ocultas y
con la de salida con el fin de predecir la resistencia al hormigón. [14]
Introducción de Variables
La introducción de variables irrelevantes puede provocar un sobreajuste
innecesario en el modelo. [15] El proceso de introducción de variables
se realiza en la sección workspace de Matlab, precisamente en la etapa de
entrenamiento para lo cual se procede de la siguiente forma:
Imput: comprende el registro de todos los datos de entrada (Tabla 1)
de la base recopilada
Target: comprende los datos de salida (Resistencia a la compresión real)
esperados según los datos recolectados
Probetas: comprende el conjunto de validación de la investigación,
formado por los parámetros de entrada del diseño de mezcla a pronosticar.
Fig.2
Arquitectura de la red neuronal.
Elaborada por el autor.
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 10Ing. Carmen Laura Martínez Pérez, et al. Predicción de resistencia a compresión del hormigón mediante redes neuronales haciendo uso del agre...
Etapa de validación
La fase de validación representa el grado de generalización de la red
neuronal, en otras palabras, es la capacidad de la red de dar una respuesta
correcta ante patrones que no han sido usadas en su entrenamiento.
[16]. Para ello se configuró la red neuronal usando 2 capas ocultas, la
metodología de descenso por gradiente o gradiente conjugado. Utilizando
la validación cruzada (K-Fold Cross Validation) que divide los datos en
tres grupos [17].
Grupo de Entrenamiento: Se consideró usar el 60% de los datos,
para asegurar un mejor proceso de entrenamiento de la Red Neuronal
Artificial.
Grupo de Prueba: Se consideró usar el 20% de los datos, para ejecutar
el proceso de prueba de la Red Neuronal Artificial.
Grupo de Validación: Se consideró usar el 20% de los datos, para validar
la Red Neuronal Artificial.
Para determinar la resistencia real a la compresión del concreto, las
probetas se distribuyeron tomando en cuenta las edades de ensayo para
7,14 y 28 días.
Obteniéndose la siguiente tabla de entrenamiento y simulación de
redes neuronales artificiales. (R2 Coeficiente de correlación):
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 11Revista de Arquitectura e Ingeniería, 2020, vol. 14, núm. 1, Marzo-Diciembre, ISSN: 1990-8830
Tabla 3
Entrenamiento y Simulación de la red
Elaborada por el autor.
La tabla anterior muestra 19 combinaciones aleatorios de modelos de
redes neuronales que predigan la resistencia del concreto, para evaluar si
su comportamiento es aceptable y se asemeja a los ensayos de laboratorio
se calculó el factor de correlación de cada una de las redes propuestas,
cuestión esta que permite comparar los modelos de redes neuronales y
determinar cuál es el de mejor ajuste
En el proceso de selección, se escoge la red que tenga mayor valor de
R total [18], dicho valor indica que la validación de la red neuronal se
encuentra dentro del nivel de significancia de 1%, siendo esta la más
óptima, en este caso de estudio resulto ser [17 20 20 1] red neuronal de 17
entradas, capa oculta de 20 y 20 neuronas y 1neurona en la capa de salida
(resistencia a compresión del hormigón)
Simulación de la red
Después de determinada la red formada por dos capas ocultas de 20
neuronas respectivamente con el 70% de los datos se procede a crear
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 12Ing. Carmen Laura Martínez Pérez, et al. Predicción de resistencia a compresión del hormigón mediante redes neuronales haciendo uso del agre...
una red neuronal artificial de retro-propagación de alimentación hacia
adelante en MatLab con algoritmo Levenberg-Marquardt como se había
establecido con anterioridad y se comparó los resultados predichos por la
red con los valores reales los cuales se muestran en la figura y se calculó
error cuadrático medio dando como resultado 32,03 Kg/cm2. [19].
Fig.3
Comparación entre resultados predichos y los reales de los ensayos de las probetas de hormigón.
Elaborada por el autor.
Etapa de Validación: Se presentaron a la red los datos correspondientes
a las instancias de validación que se había reservado (20% de los datos).
[20]. De esta forma la red procesó esta nueva información teniendo
en cuenta las relaciones aprendidas en el entrenamiento que guarda
(recuerda) en forma de vector de pesos sinápticos.
La salida de la red será la resistencia a la compresión de las probetas
de ensayo. Comparando esta predicción con el valor real podremos
contrastar la capacidad predictiva del modelo.
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 13Revista de Arquitectura e Ingeniería, 2020, vol. 14, núm. 1, Marzo-Diciembre, ISSN: 1990-8830
Tabla4
Resistencias a la Compresión Real y Pronosticada.
Elaborada por el autor.
Al realizar un análisis de la tabla anterior se puede observar como los
valores pronosticados para la Resistencia a la Compresión se asemejan a
los valores reales, obtenidos de los ensayos según norma NC 724:2015, es
importante resaltar que dentro de los valores denotan mayor diferencia los
ensayos que se realizan a los 14 días esto es debido a que se poseen menor
cantidad de datos de resistencia a dicha edad.
Del análisis comparativo de los valores predichos y los reales
visualizados en la tabla 3 se concluye que el margen de error mínimo de
la red neuronal propuesta es de 3.29 %, lo que permite inferir que este
método es totalmente válido en la predicción de hormigones diseñados
con áridos procedentes de la cantera Antonio Maceo.
Análisis de los rangos más efectivos de materiales.
Fig.4
Rango de combinaciones óptimas.
Elaborada por el autor.
El modelo de redes neuronales propuesto para predecir el
comportamiento de las mezclas de hormigón presenta mejores resultados
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 14Ing. Carmen Laura Martínez Pérez, et al. Predicción de resistencia a compresión del hormigón mediante redes neuronales haciendo uso del agre...
en cuanto a proporciones de materiales que los métodos tradicionales pues
propicia las combinaciones óptimas teniendo en cuenta las resistencias
máximas, escoge el árido grueso con mayor índice de triturabilidad y el
árido fino con menor porciento de vacíos. Además de presentar la ventaja
de que la resistencia a compresión puede ser determinada de manera no
destructiva usando este modelo.
A través de los gráficos de cemento, árido grueso y fino se muestra
los rangos donde se encuentran las mejores combinaciones, curva que
surge a partir del procesamiento de los datos históricos de dosificaciones
realizadas en la provincia, cuestión esta que garantiza que siempre que
escoja cada uno de los componentes en el rango determinado como
óptimo su mezcla tendrá la máxima calidad y la proporción exacta de los
materiales que componen la mezcla más resistente. Es importante resaltar
que la proporción del árido fino deben estar entre el 35 y 45% considerado
por ciento óptimo y el árido grueso entre el 55 al 65% con vista a que la
mezcla sea laborable y homogénea.
CONCLUSIONES
Se implementó el uso de Redes Neuronales Artificiales con programación
en MatLab en la predicción de resistencia a compresion de hormigones
con áridos procedentes de la cantera Antonio Maceo según la norma
NC724:2015, demostrando la aplicabilidad de este modelo con un alto
grado de confianza.
El Sistema Experto basado en Redes Neuronales Artificiales que se
ha implementado permite automatizar los procesos de entrenamiento y
los procesos de pronóstico de Resistencias a la Compresión, así como
el registro histórico de todos los procesos y la generación de reportes
estadísticos.
La red neuronal diseñada para predicción de resistencia a compresión
registró un buen comportamiento siendo evaluado mediante el error
medio cuadrático MSE y el factor de correlación R = 0.98223 con
significancia de 1% lo cual indica que la predicción de la red es bastante
precisa dejando al alcance de los especialistas que dosifican mezclas y
realizan los ensayos de hormigón una herramienta segura que provee
mejores combinaciones optimizando no solo los áridos a emplear en la
mezcla sino también el cemento.
Quedan determinados los rangos óptimos de los componentes
principales de la mezcla árido grueso, árido fino y cemento propiciando
que siempre y cuando se trabaje con los áridos procedentes de la cantera
Antonio maceo y en los rangos determinado como óptimo obtendrá la
combinación más racional que con la resistencia deseada.
REFERENCIAS
[1] Kosmatka, S.H., Kerkhoff, B. y Panarese, W.C. Diseño y Control de Mezclas
de Concreto. Illinois, USA: Portland Cement Association, 2003.
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 15Revista de Arquitectura e Ingeniería, 2020, vol. 14, núm. 1, Marzo-Diciembre, ISSN: 1990-8830
[2] Pulgarín P., A.J.Aplicación de herramientas de Inteligencia Computacional
en la Planificación de Recursos. Tesis de Maestría (Magíster en Aprove-
chamiento de los Recursos Hidráulicos). Universidad Nacional de
Colombia, Sede Medellín, Medellín, Colombia,2001.
[3] Barber, F., Botti, V.J. y Koehler, J. AI: Past, Present and Future. UPGRADE,
Vol. 3, No. 5,2002, pp. 2-5.
[4] Trujillo H., A.D. y Gómez A., L.E. Inteligencia Artificial: Emulación de
mecanismos. Tec- noINTELECTO, Vol. 4, No. 2, 2007, pp. 116-120.
[5] Malinov, S., W. Sha y J.J. McKeown, Modelling the correlation between
processing parameters and properties in titanium alloys using artificial
neural networks, Computational Materials Science: 21,2001,pp 375-394.
[6] Prasad, B.K.R., H. Eskandari y B.V.V. Reddy, Prediction of compressive
strength of SCC and HPC with hay volumen fly ash using ANN,
Construction and Building Materials: 23,2009,pp 117-128.
[7] Reddy, N.S., J. Krishnaiah, S.G. Hong y J.S. Lee, Modeling medium
carbon steels by using artificial neural networks, Materials Science and
Engineering A: 508,2009,pp 93-105.
[8] Maldonado, C.E. y Gómez C., N.A, Modelamiento y simulación de
sistemas complejos. Documentos de Investigación. Bogotá: Universidad
del Rosario, Facultad de Administración, 2010.
[9] Tafur y Viracucha Modelo de predicción de la resistencia a la compresión
del hormigón con fibras naturales utilizando redes neuronales artificiales,
2018.
[10] Hodhod y H.I. Ahmed. Developing an artificial neural network model to
evaluate chloride diffusivity in high performance concreteHousing and
Building National Research CenterHBRC Journal,2012.
[11] Acuña Luis, Torres Ana, Mormi Isabel y García Francisco. Uso de las
Redes Neuronales Artificiales en el Modelado del Ensayo de Resistencia a
Compresión de Concreto de Construcción según la Norma ASTM C39/
C 39M 2014
[12] Rivva Lopez, Enrique. Naturaleza y Materiales del Concreto. Lima, Perú:
Instituto de la Construcción y Gerencia,2004.
[13] Anderson, J. Introducción a las Redes Neuronales. USA: MIT Press,1995.
[14] Bernacki, M. y Wodarczyk, P.Principios de entrenamiento de lasRedes
Neuronales Multicapa usando backpropagation, 2004.
[15] Palmer, P. A., Montaño, J.J y Calafat, F.A. Predicción Del Consumo de
Fármacos A Partir De Redes Neuronales Artificiales. España: Facultad de
Psicología. Universidad de las Islas Baleares, 2005.
[16] Hilera, J. y Martínez, V.Redes Neuronales Artificiales.Fundamentos,
modelos y aplicaciones. Madrid: Alfaomega, 1995.
[17] Sha, W. y K.L. Edwards, e use of artificial neural networks in materials
science based research, Materials and Design: 6, 1747-1752 ,2007.
[18] Martinelli E., A.B. Koenders y A.Caggiano, A numerical recipe for
modelling hydration and heat flow in hardening Concrete, Cement &
Concrete Composites: 40,2013pp 48–58.
[19] García Fernández, F., P. de Palacios, L. García Esteban, A. García-
Iruela, B. González Rodrigo y E. Menasalvas, Prediction of MOR and
MOE of structural plywood board using an artificial neural network and
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 16Ing. Carmen Laura Martínez Pérez, et al. Predicción de resistencia a compresión del hormigón mediante redes neuronales haciendo uso del agre...
comparison with a multivariate regression model, Composites: Part B: 43,
3528-3533 ,2012.
[20] Hassan, A.M., A. Alrashdan, M.T. Hayajneh y A.T. Mayyas, Prediction
of density, porosity and hardness in aluminium-cooper-based composite
materials using artificial neural network, Journal of Materials Processing
Technol
PDF generado a partir de XML-JATS4R por Redalyc
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto 17También puede leer
