Abstract

NGANDU, Cornelius Ngunjiri. Predicción de resistencias a la compresión para cáscaras de arroz Hormigón incorporado de ceniza, utilizando redes neuronales y revisión de literatura. Iteckne [online]. 2021, vol.18, n.2, pp.99-107.  Epub May 16, 2022. ISSN 1692-1798.  https://doi.org/10.15332/iteckne.v18i1.2532.

El modelado de hormigón que incorpora desechos agrícolas como la ceniza de cáscara de arroz (RHA) podría mejorar potencialmente la utilización de hormigón verde y la aplicación de materiales de construcción sostenibles. Este artículo evalúa la predicción de la resistencia a la compresión para el material cementoso de ceniza de cáscara de arroz (RHA) incorporado en el hormigón utilizando redes neuronales artificiales (ANN), uno de los diversos métodos de predicción. La investigación se basa en varios estudios experimentales previos.

Las revisiones de la literatura de 72 conjuntos de datos para RHA incorporaron concreto de 15 investigaciones anteriores, se utilizaron y sometieron a modelos ANN, con una tasa de aprendizaje de 0.06 con funciones de activación tanh. Se consideraron cuatro (4) variables de entrada, a saber: variación de superplastificantes o reductores de agua con respecto al control (%), proporción de agua a aglutinante, porcentaje de RHA y resistencia a la compresión del control. La variable de salida fue la resistencia a la compresión del hormigón incorporado con material cementoso RHA. Se seleccionó la ANN con 15 neuronas en la capa oculta y se indicaron valores generales de 5.10MPa, 0.99, 3.81MPa y 9.73% para el error cuadrático medio de la raíz (RMSE), factor de varianza absoluto (R2), error absoluto medio (MAE) y error de porcentaje absoluto medio (MAPE), respectivamente y para conjuntos de datos de entrenamiento, validación / verificación y pruebas individuales, el RMSE, R2, MAE y MAPE oscilan entre 3.98MPa-6.56MPa, 0.98-0.99, 3.44MPa-4.94MPa y 9.19% 12,41%, respectivamente. En general, tanto el conjunto de datos original como el pronosticado indicaron valores de resistencia más altos y más bajos para el hormigón de material cementoso incorporado de 5-10% y 15-30% de RHA, respectivamente en comparación con las resistencias de control.

Teniendo en cuenta que el estudio utilizó datos de diferentes fuentes y con una amplia gama de resistencias del hormigón, la ANN seleccionada mostró un desempeño relativamente bueno. El estudio proporciona un indicador en el que las técnicas de aprendizaje automático podrían predecir con precisión la resistencia del hormigón verde. Según el desempeño del modelo, el porcentaje de materiales cementosos RHA en el concreto y las otras 3 variables de entrada tuvieron un impacto significativo en las resistencias del concreto. Se deben realizar investigaciones futuras para predecir el hormigón verde centrado en una clase de hormigón en particular.

Keywords : Métodos de predicción; hormigón; redes neuronales artificiales; revisiones de la literatura.

        · abstract in English     · text in English     · English ( pdf )