Resumen

La predicción precisa de la resistencia a la compresión del hormigón es una tarea importante que ayuda a evitar experimentos costosos y que requieren mucho tiempo. En particular, la determinación de la resistencia a la compresión del hormigón de edad avanzada es más difícil debido al tiempo necesario para realizar los experimentos. Por lo tanto, la predicción de la resistencia a la compresión del hormigón de edad avanzada es crucial en aplicaciones específicas. En esta investigación, se propuso un enfoque que utiliza un algoritmo de aprendizaje automático de redes neuronales alimentadas (FNN) para predecir la resistencia a la compresión del hormigón de edad avanzada. El modelo propuesto se evaluó completamente en términos de rendimiento y capacidad de predicción sobre los resultados estadísticos de 1000 simulaciones bajo un efecto de muestreo aleatorio. Los resultados mostraron que el algoritmo propuesto era un excelente predictor y podría ser útil para los ingenieros para evitar experimentos que consumen mucho tiempo con los indicadores de rendimiento estadístico, a saber, el coeficiente de correlación de Pearson (R), el error cuadrático medio (RMSE) y el error cuadrático medio (MAE) para las partes de entrenamiento y de prueba de 0,9861, 2,1501, 1,5650 y 0,9792, 2,8510, 2,1361, respectivamente. Los resultados también indicaron que el modelo FNN era superior a los algoritmos clásicos de aprendizaje automático, como el bosque aleatorio y la regresión del proceso gaussiano, así como a las formulaciones empíricas propuestas en la literatura.

• Materias:Agua Ingeniería de estructuras Asfalto Acero Concreto
• Subjects:Water Structural engineering Asphalt Steel Concrete
• Palabras claves:Resistencia a la compresión del hormigón, algoritmo de aprendizaje automático, hormigón envejecido, resistencia a la compresión, error al cuadrado, indicadores estadísticos de rendimiento, coeficiente de correlación de Pearson, efectos de muestreo aleatorio, experimento, tiempo
• Keywords:concrete compressive strength, machine learning algorithm, age concrete, compressive strength, squared error, statistical performance indicators, pearson correlation coefficient, random sampling effects, experiment, time