Resumen

La prediccin precisa de la capacidad portante de los pilotes es una parte importante de la ingeniera de cimentaciones. En particular, la determinacin de la capacidad portante de pilotes a travs de una prueba de carga in situ es costosa y requiere mucho tiempo. Por lo tanto, este estudio se centr en el desarrollo de un algoritmo de aprendizaje automtico, a saber, Ensemble Learning (EL), utilizando el protocolo de votacin por peso de tres algoritmos de aprendizaje automtico base, gradient boosting (GB), random forest (RF), y regresin lineal clsica (LR), para predecir la capacidad portante del pilote. Los datos incluyen 108 pruebas de carga de pilotes en diferentes condiciones utilizadas para el entrenamiento y la prueba del modelo. Se utilizaron indicadores de evaluacin del rendimiento como -cuadrado (), error cuadrtico medio (RMSE) y MAE (error absoluto medio) para evaluar el rendimiento de los modelos, mostrando la eficacia de la prediccin de la capacidad portante del pilote con un rendimiento sobresaliente en comparacin con otros modelos. Los resultados tambin mostraron que el modelo EL con una combinacin de pesos de =0,482, =0,338, y =0,18 correspondiente a los modelos GB, RF, y LR dio el mejor rendimiento y logr el mejor equilibrio en todos los conjuntos de datos. Adems, se utiliz la tcnica de anlisis de sensibilidad global para detectar las caractersticas de entrada ms importantes a la hora de determinar la capacidad portante del pilote. Este estudio proporciona una herramienta eficaz para predecir la capacidad portante del pilote con un rendimiento experto.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:predicción; capacidad portante de pilotes; algoritmo de aprendizaje automático; aprendizaje conjunto; prueba de carga; características de entrada
• Keywords:prediction; pile bearing capacity; machine learning algorithm; ensemble learning; load test; input features