Predicción de resistencia a la compresión para agregados de vidrio con concreto incorporado, utilizando redes neuronales y revisiones

La producción de hormigón mediante el uso de materiales convencionales es insostenible debido a la alta demanda. De ahora en adelante, es necesario aumentar el uso de materiales alternativos, incluidos los de corrientes de desechos, en el hormigón. Esta investigación tiene como objetivo desarrollar un modelo predictivo adecuado de hormigón con agregados de vidrio parciales o al 100%. Se adoptaron 50 conjuntos de datos revisados ​​de 9 fuentes y se desarrollaron modelos de redes neuronales artificiales (ANN) en GNU Octave. Los modelos de prueba tenían 7 variables de entrada y 1 variable de salida (resistencia a la compresión) y 1 capa oculta. El modelo seleccionado, que tiene 24 nodos en la capa oculta y 90.000 iteraciones, indicó el error cuadrático medio general (RMSE), los errores medios absolutos (MAE), los errores porcentuales absolutos medios (MAPE) y el factor de varianza absoluto (R2) de 2.679 MPa., 1,422 MPa, 6,951% y 0,996 respectivamente. Los agregados finos de vidrio entre> 40% y 50% indicaron un poco más del 11% de resistencias promedio de los controles. En general, los valores de RMSE, MAE, MAPE y R2 mostraron que el modelo seleccionado tenía un buen nivel de precisión y una buena generalización, particularmente considerando que los conjuntos de datos no eran del mismo programa experimental. El estudio recomienda la investigación y la utilización de agregados finos de vidrio hasta un 50% en peso, teniendo en cuenta otros factores de influencia y también la investigación de aditivos rentables y respetuosas con el medio ambiente y evaluaciones sobre los agregados de vidrio de desecho incorporados al hormigón.

• Autores: Ngandu, Cornelius Ngunjiri
• Fecha de publicación: 2022
• Institución: Universidad Santo Tomás
• Repositorio: Repositorio Institucional USTA
• Idioma: eng
• OAI Identifier: oai:repository.usta.edu.co:11634/45060
• Acceso en línea: http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/2769; http://hdl.handle.net/11634/45060
• License: Copyright (c) 2022 ITECKNE