Resumen

La predicción precisa y confiable de la Resistencia al Corte de la Conexión Perfobond (PRSC) se considera un problema importante en el sector de la ingeniería estructural. Además, seleccionar las variables más significativas que tienen una influencia importante en la PRSC en cada paso importante para lograr modelos predictivos más económicos y precisos, este estudio investiga la capacidad de la red neuronal de aprendizaje profundo (DLNN) para la predicción de resistencia al corte de la PRSC. El modelo DLNN propuesto se valida contra la regresión de vectores de soporte (SVR), la red neuronal artificial (ANN) y el modelo de árbol M5. En el segundo escenario, se propone un modelo de IA comparable hibridado con algoritmo genético (GA) como un enfoque de optimización bioinspirado robusto para optimizar los predictores relacionados con la PRSC. Hibridar modelos de IA con GA como herramienta de selección es un intento de adquirir la mejor precisión de las predicciones con la menor cantidad posible de parámetros relacionados. De acuerdo con

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Predicción; Conector de resistencia al corte de costilla Perfobond; Red neuronal de aprendizaje profundo; Regresión de vectores de soporte; Algoritmo genético; Precisión
• Keywords:Prediction; Perfobond rib shear strength connector; Deep learning neural network; Support vector regression; Genetic algorithm; Accuracy