A model for the pavement temperature prediction at specified depth using neural networks

Modelo de predicción de la temperatura del firme a una profundidad determinada mediante redes neuronales

En este artículo se examinan los modelos existentes para predecir la temperatura del firme a una profundidad determinada y se formula uno nuevo utilizando redes neuronales en función de la temperatura superficial del firme y de la profundidad. También se llevó a cabo la validación del modelo comparando las temperaturas predichas con las medidas.

INTRODUCCIÓN

Una comparación clásica del tratamiento de la información por un ser humano y un ordenador se centra en la capacidad de reconocimiento de patrones y de aprendizaje. El ordenador puede calcular grandes números a gran velocidad, pero no puede reconocer algo como un problema de clasificación, un texto escrito, la compresión de datos y un algoritmo de aprendizaje.

Por el contrario, un ser humano reconoce y afronta fácilmente los retos mencionados procesando la información con transformaciones muy distribuidas a través de miles de neuronas interconectadas en el cerebro.

En términos generales, una RNA es un sistema de información que simula la capacidad de una red neuronal biológica interconectando muchas neuronas simples (Figura 1). La neurona acepta entradas de una o varias fuentes y produce salidas mediante cálculos sencillos, procesando con una función no lineal predeterminada.

Los modelos de redes neuronales artificiales (RNA) se han aplicado ampliamente a diversas áreas relevantes de la ingeniería civil, como la ingeniería geotécnica, los recursos hídricos, la ingeniería costera, la ingeniería estructural y muchas otras, pero nunca antes para predecir las temperaturas de los pavimentos.

Las principales características de una RNA son las siguientes (1) capacidad de aprendizaje; (2) memoria distribuida; (3) tolerancia a fallos y (4) funcionamiento en paralelo, Figura 1 [1].

En comparación con las técnicas informáticas digitales convencionales y el procesamiento procedimental y simbólico, las redes neuronales son ventajosas porque pueden aprender del ejemplo y generalizar soluciones a nuevas representaciones de un problema, pueden adaptarse a cambios finos en la naturaleza de un problema, son tolerantes a errores en los datos de entrada, pueden procesar información rápidamente y son fácilmente transportables entre sistemas informáticos.

A pesar de sus limitaciones, las redes neuronales para resolver problemas mal definidos que no han podido resolverse con las técnicas informáticas digitales convencionales. Los problemas de este tipo son habituales en ingeniería civil [2].

Hasta la fecha, muchos autores han elaborado modelos utilizando el análisis estadístico de datos para predecir la temperatura del firme a una profundidad determinada.