Algoritmo de aprendizaje computacional mediante redes neuronales artificiales aplicado al diseño Geotécnico de cimentaciones superficiales

Arias Montenegro, Freddy; Ávila Redrovan, Eddison Oswaldo

DSpace Principal
→
Unidades Académicas
→
Facultad de Ingeniería en Ciencias de la Tierra
→
Tesis de Maestría en Geotecnia
→
Ver ítem

dc.contributor.advisor	Bojorque Iñeguez, Jaime Asdrúbal, Director
dc.contributor.author	Arias Montenegro, Freddy
dc.contributor.author	Ávila Redrovan, Eddison Oswaldo
dc.creator	ESPOL.FICT
dc.date.accessioned	2025-02-04T15:35:28Z
dc.date.available	2025-02-04T15:35:28Z
dc.date.issued	2024
dc.identifier.citation	Arias Montenegro, F. y Ávila Redrovan, E. O. (2024). Algoritmo de aprendizaje computacional mediante redes neuronales artificiales aplicado al diseño Geotécnico de cimentaciones superficiales. [Articulo Titulación]. ESPOL.FICT .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/63514
dc.description	En este documento se presenta el desarrollo de un algoritmo de aprendizaje computacional basado en redes neuronales artificiales (RNA), para la asistencia y validación de resultados de capacidad de carga y asentamientos, enfocado a cimentaciones superficiales para edificaciones. Mediante la recopilación y procesamiento de 100 casos de estudio geotécnicos de las provincias de Azuay y Pichincha, se generó una base de datos acorde a su estructuración, basada en los lineamientos de la Norma Ecuatoriana de la Construcción. De manera complementaria, con el objetivo de comparar los valores de asentamientos registrados en la base de datos, se ensambló un algoritmo de conexión escrito en Python para estimar asentamientos con asistencia del software PLAXIS 2D, estableciéndose así una estructura de datos final, que posteriormente fue utilizada para la campaña de entrenamiento, validación y corrección de la red neuronal artificial (RNA). Los resultados más precisos para la predicción de capacidad de carga admisible y asentamiento (variables objetivo de la RNA) se obtuvieron al separar las variables de ingreso (parámetros físicos ? mecánicos de los suelos, datos de cimentación y carga estructural) por provincia. Este estudio puede ser utilizado como una guía para madurar una red neuronal, que pueda implementado a lo largo del territorio ecuatoriano como un asistente en la adecuada toma de decisiones de diseño en mecánica de suelos para edificaciones. Palabras clave: base de datos geotécnicos, Redes Neuronales Artificiales, Machine Learning, Python, cimentaciones superficiales, modelación numérica, PLAXIS 2D.
dc.format	application/pdf
dc.format.extent	11 página
dc.language.iso	spa
dc.publisher	ESPOL.FICT
dc.rights	openAccess
dc.subject	Base de datos geotécnicos
dc.subject	Redes Neuronales Artificiales
dc.subject	Machine Learning
dc.subject	Python
dc.subject	Cimentaciones superficiales
dc.subject	Modelación numérica
dc.subject	PLAXIS 2D
dc.title	Algoritmo de aprendizaje computacional mediante redes neuronales artificiales aplicado al diseño Geotécnico de cimentaciones superficiales
dc.type	Maestría en Geotecnia
dc.identifier.codigoespol	T-114831
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	POSTG110
dc.description.abstractenglish	This paper presents the development of a machine learning algorithm based on artificial neural networks (ANN), for the assistance and validation of bearing capacity and settlement results, focused on shallow foundations for buildings. By collecting and processing 100 geotechnical case studies from the provinces of Azuay and Pichincha, a database was generated according to their structuring, based on the guidelines of the Ecuadorian Construction Standard. Complementarily, to compare the settlement values recorded in the database, a connection algorithm written in Python was assembled to estimate settlements with the assistance of PLAXIS 2D software, thus establishing a final data structure, which was subsequently used for the training, validation, and correction campaign of the artificial neural network (ANN). The most accurate results for the prediction of bearing capacity and settlement (ANN target variables) were obtained by separating the input variables (physical-mechanical parameters of soils, foundation data and structural load) by province. This study can be used as a guide to mature a neural network, which may be implemented throughout the Ecuadorian territory as an assistant in making adequate design decisions in soil mechanics for buildings. Keywords: geotechnical database, Artificial Neural Networks, Machine Learning, Python, shallow foundations, numerical modeling, PLAXIS 2D.