Elaboración de un modelo evolutivo híbrido de algoritmos genéticos y redes neuronales artificiales para dosificaciones de mezclas de concreto reforzadas con fibras metálicas

Salcedo, Luis Octavio González; Zúñiga, Aydée Patricia Guerrero; Delvasto, Silvio; Will, Adrián

doi:10.16924/riua.v0i43.874

Cited by 1 publication

(2 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…El uso de relaciones de los materiales es un indicador más adecuado para la comparación entre diferentes dosificaciones de mezclas de concreto que llevan a resistencias de diseño a la compresión similares, como es analizado por [20] y [21]. Respecto al tratamiento de las variables cualitativas como variables numéricas, el uso de la fracción jerarquizada disminuye el espacio de decisión que será aprendido por la red neuronal, en comparación con el tratamiento numérico de clase, lo cual permite inferir que esto produce un mejor desempeño de la red.…”

Section: Resultados Y Discusiónunclassified

See 1 more Smart Citation

Artificial Neural Model based on radial basis function networks used for prediction of compressive strength of fiber-reinforced concrete mixes

Salcedo

Zúñiga

Delvasto

et al. 2019

Cien.Ing.Neogranadina

Self Cite

View full text Add to dashboard Cite

Existe una relación compleja y no lineal entre los factores que influyen en la resistencia de diseño y la compresión de hormigones reforzados con fibras de acero. La relación entre las variables de entrada, los factores y la variable de salida, y la resistencia de diseño a la compresión puede ser obtenida por un modelo neuronal artificial, cuyas características sean autoadaptación, autoestudio y mapeo no lineal. En este documento se presenta la elaboración de un modelo neuronal artificial basado en redes neuronales de funciones de base radial. La resistencia de diseño a la compresión en dosificaciones de mezclas de hormigón reforzados con fibras de acero es estimada, predicción que se analiza a partir del coeficiente de correlación R al compararse con los valores reales de la resistencia. Los resultados muestran que los valores estimados usando las redes de base radial coinciden con los valores experimentales, y la capacidad de predicción de la propiedad mecánica del modelo neuronal es mejor que la de otros modelos basados en redes multicapas desarrollados por los autores. El entrenamiento de los modelos neuronales permitió concluir que el uso de relaciones de los materiales es un indicador más adecuado para la comparación entre diferentes dosificaciones de mezclas de hormigón que llevan a similares resistencias a la compresión. Así, se potencia una agenda futura en la generación de nuevos métodos de estudio de la resistencia de diseño a la compresión en hormigones reforzados con fibras metálicas en el campo de la ingeniería.

show abstract

Section: Resultados Y Discusiónunclassified

“…La cantidad, el tamaño, la forma, la textura de la superficie, el origen de extracción y el tipo de mineral constituyente del agregado influyen en el comportamiento de la zona de transición [17], [19] y [20].…”

Section: Resistencia De Diseño a La Compresión En El Hormigón Reforzado Con Fibrasunclassified

Artificial Neural Model based on radial basis function networks used for prediction of compressive strength of fiber-reinforced concrete mixes

Salcedo

Zúñiga

Delvasto

et al. 2019

Cien.Ing.Neogranadina

Self Cite

View full text Add to dashboard Cite

show abstract

Elaboración de un modelo evolutivo híbrido de algoritmos genéticos y redes neuronales artificiales para dosificaciones de mezclas de concreto reforzadas con fibras metálicas

Cited by 1 publication

References 7 publications

Artificial Neural Model based on radial basis function networks used for prediction of compressive strength of fiber-reinforced concrete mixes

Artificial Neural Model based on radial basis function networks used for prediction of compressive strength of fiber-reinforced concrete mixes

Contact Info

Product

Resources

About