RT info:eu-repo/semantics/doctoralThesis
T1 Predicción de resistencia a compresión y a tracción de hormigones autocompactantes con áridos reciclados utilizando métodos de Machine Learning y algoritmos de redes neuronales
T2 To predict the compressive and split tensile strenght of self-compacting concrete with recycled aggregates utilizing ensemble machine learning models and algorithms of neural networks
A1 Prado Gil, Jesús de
A2 Fisica Aplicada
K1 Física
K1 Ingeniería civil
K1 Matemáticas
K1 Reciclaje
K1 Materiales de construcción
K1 3305.05 Tecnología del Hormigón
K1 1209.14 Técnicas de Predicción Estadística
AB [ES] 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.
LK http://hdl.handle.net/10612/16696
UL http://hdl.handle.net/10612/16696
NO Prado Gil, J. de. (2023). Predicción de resistencia a compresión y a tracción de hormigones autocompactantes con áridos reciclados utilizando métodos de Machine Learning y algoritmos de redes neuronales. [Tesis doctoral, Universidad de León]
NO 329 p.
DS BULERIA. Repositorio Institucional de la Universidad de León
RD 19-may-2024