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...

Full description

Autores:
Ngandu, Cornelius Ngunjiri
Tipo de recurso:
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
Palabra clave:
Rights
License
Copyright (c) 2022 ITECKNE
id SANTTOMAS2_306a3a2669e134fbff66d6424f711fb2
oai_identifier_str oai:repository.usta.edu.co:11634/45060
network_acronym_str SANTTOMAS2
network_name_str Repositorio Institucional USTA
repository_id_str
spelling Ngandu, Cornelius Ngunjiri2022-06-15T21:55:29Z2022-06-15T21:55:29Z2022-06-13http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/276910.15332/iteckne.v19i2.2769http://hdl.handle.net/11634/45060La 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.Production of concrete by use of conventional materials is unsustainable due to high demand. Henceforth, there is need to upscale the use of alternative materials, including those from waste streams, in concrete. This research aims at developing a suitable predictive model of concrete having partial or 100% glass aggregates. 50 datasets reviewed from 9 sources were adopted and artificial neural network (ANN) models were developed in GNU Octave. The trial models had 7 input variables and 1 output variable (compressive strength) and 1 hidden layer. The selected model, having 24 nodes in the hidden layer and 90.000 iterations, indicated overall root mean square error (RMSE), mean absolute errors (MAE), mean absolute percentage errors (MAPE) and absolute factor of variance (R2) of 2.679 MPa, 1.422 MPa, 6.951% and 0.996 respectively. The glass fine aggregates between >40% and 50% indicated just over 11% average strengths from the controls. Generally, RMSE, MAE, MAPE and R2 values showed that the selected model had a good accuracy level and good generalization, particularly considering that the datasets were not from the same experimental program. The study recommends research and utilization of glass fine aggregates up to 50% by weight, with consideration to other influencing factors and also research in cost-effective and environmentally friendly additive and assessment on waste glass aggregates incorporated concrete.application/pdfengUniversidad Santo Tomás. Seccional Bucaramangahttp://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/2769/2023ITECKNE; Vol 19 No 2 (2022)ITECKNE; Vol 19 No 2 (2022)2339-34831692-1798Copyright (c) 2022 ITECKNEhttp://purl.org/coar/access_right/c_abf2Predicción de resistencia a la compresión para agregados de vidrio con concreto incorporado, utilizando redes neuronales y revisionesCompressive strength prediction for glass aggregates incorporated concrete, using neural network and reviewsinfo:eu-repo/semantics/articlehttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_2df8fbb111634/45060oai:repository.usta.edu.co:11634/450602023-07-14 15:28:40.9metadata only accessRepositorio Universidad Santo Tomásnoreply@usta.edu.co
dc.title.spa.fl_str_mv Predicción de resistencia a la compresión para agregados de vidrio con concreto incorporado, utilizando redes neuronales y revisiones
dc.title.alternative.eng.fl_str_mv Compressive strength prediction for glass aggregates incorporated concrete, using neural network and reviews
title Predicción de resistencia a la compresión para agregados de vidrio con concreto incorporado, utilizando redes neuronales y revisiones
spellingShingle Predicción de resistencia a la compresión para agregados de vidrio con concreto incorporado, utilizando redes neuronales y revisiones
title_short Predicción de resistencia a la compresión para agregados de vidrio con concreto incorporado, utilizando redes neuronales y revisiones
title_full Predicción de resistencia a la compresión para agregados de vidrio con concreto incorporado, utilizando redes neuronales y revisiones
title_fullStr Predicción de resistencia a la compresión para agregados de vidrio con concreto incorporado, utilizando redes neuronales y revisiones
title_full_unstemmed Predicción de resistencia a la compresión para agregados de vidrio con concreto incorporado, utilizando redes neuronales y revisiones
title_sort Predicción de resistencia a la compresión para agregados de vidrio con concreto incorporado, utilizando redes neuronales y revisiones
dc.creator.fl_str_mv Ngandu, Cornelius Ngunjiri
dc.contributor.author.none.fl_str_mv Ngandu, Cornelius Ngunjiri
description 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.
publishDate 2022
dc.date.accessioned.none.fl_str_mv 2022-06-15T21:55:29Z
dc.date.available.none.fl_str_mv 2022-06-15T21:55:29Z
dc.date.issued.none.fl_str_mv 2022-06-13
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.drive.none.fl_str_mv info:eu-repo/semantics/article
dc.identifier.none.fl_str_mv http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/2769
10.15332/iteckne.v19i2.2769
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/11634/45060
url http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/2769
http://hdl.handle.net/11634/45060
identifier_str_mv 10.15332/iteckne.v19i2.2769
dc.language.iso.none.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/2769/2023
dc.relation.citationissue.spa.fl_str_mv ITECKNE; Vol 19 No 2 (2022)
dc.relation.citationissue.eng.fl_str_mv ITECKNE; Vol 19 No 2 (2022)
dc.relation.citationissue.none.fl_str_mv 2339-3483
1692-1798
dc.rights.eng.fl_str_mv Copyright (c) 2022 ITECKNE
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Copyright (c) 2022 ITECKNE
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.eng.fl_str_mv Universidad Santo Tomás. Seccional Bucaramanga
institution Universidad Santo Tomás
repository.name.fl_str_mv Repositorio Universidad Santo Tomás
repository.mail.fl_str_mv noreply@usta.edu.co
_version_ 1782026209404649472