1. DSpace en ESPOL
2. Unidades Académicas
3. Facultad de Ingeniería en Ciencias de la Tierra
4. Tesis de Maestría en Ingeniería Civil

Title:	Desarrollo de Modelos de Machine Learning para Predecir la Resistencia a Compresión en Pasta de Cemento con Adiciones Minerales en la Industria de la Construcción
Authors:	Cornejo, Mauricio, Director Campoverde Padilla, Jorge Esteban Vélez Altamirano, Sebastián Josué
Keywords:	Resistencia a Compresión Machine Learning Cross validation Pasta de cemento
Issue Date:	2024
Publisher:	ESPOL.FICT
Citation:	Campoverde Padilla, J. E. y Vélez Altamirano, S. J. (2024). Desarrollo de Modelos de Machine Learning para Predecir la Resistencia a Compresión en Pasta de Cemento con Adiciones Minerales en la Industria de la Construcción. [Proyecto de Graduación]. ESPOL.FICT .
Description:	Hoy en día existe un enfoque avanzado acerca de la inteligencia artificial, de la cual podemos vernos beneficiados. El proyecto trata acerca de una evaluación de modelos de machine learning (ML), los cuales permiten predecir la resistencia a compresión en pastas de cemento con adiciones minerales. Se menciona la importancia de esta propiedad característica en la industria de la construcción por lo que se propone la necesidad imperativa de desarrollar modelos predictivos que sean útiles. Se inicia con la recopilación de información experimental ya existente, después se analizan los datos a través de algoritmos de ML. Primero con su respectivo entrenamiento, después con la validación de los modelos, y finalmente con la evaluación de su precisión en la predicción. Durante el desarrollo de este proyecto, se proponen el uso de varios modelos de ML encontrados en la revisión de la literatura científica, tales como Random Forest Regressor, Gradient Boosting Regressor, Extra Tree Regressor, Extreme Gradient Boosting, Adaboost y Decision Tree Regressor. Los resultados obtenidos que han sido evaluados mediante varios parámetros estadísticos mostraron que los modelos de ML, i.e., Extra Tree Regressor y Random Forest Regressor presentan los mejores resultados en la predicción de la resistencia a la compresión. Estos resultados han sido comparados con los de la literatura que muestran coherencia en los mismos. Además, cabe resaltar que, a nuestro conocimiento, este estudio es el primero de su clase que se hace con cemento y adiciones minerales del Ecuador. Finalmente se concluye que, a partir de los resultados obtenidos, el número de variables de entradas juega un papel crucial en el ajuste de los modelos de ML a los resultados experimentales. Palabras Clave: Resistencia a Compresión, Machine Learning, cross validation, pasta de cemento
metadata.dc.description.abstractenglish:	Today there is an advanced approach to artificial intelligence, from which we can benefit. The project deals with an evaluation of machine learning (ML) models, which allow predicting the compressive strength of cement pastes with mineral additions. The importance of this characteristic property in the construction industry is mentioned, so the imperative need to develop useful predictive models is proposed. It begins with the collection of existing experimental information, then the data is analyzed through ML algorithms. First with their respective training, then with the validation of the models, and finally with the evaluation of their prediction accuracy. During the development of this project, the use of several ML models found in the review of scientific literature is proposed, such as Random Forest Regressor, Gradient Boosting Regressor, Extra Tree Regressor, Extreme Gradient Boosting, Adaboost and Decision Tree Regressor. The results obtained that have been evaluated using several statistical parameters showed that the ML models, i.e., Extra Tree Regressor and Random Forest Regressor present the best results in predicting compressive strength. These results have been compared with those of the literature, which show consistency. Furthermore, it should be noted that, to our knowledge, this study is the first of its kind that is carried out with cement and mineral additions from Ecuador. Finally, it is concluded that, based on the results obtained, the number of input variables plays a crucial role in the adjustment of the ML models to the experimental results. Keywords: Compression Strength, Machine Learning, cross validation, cement paste
URI:	http://www.dspace.espol.edu.ec/handle/123456789/63191
metadata.dc.identifier.codigoproyectointegrador:	POSTG006
Appears in Collections:	Tesis de Maestría en Ingeniería Civil

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.