Show simple item record

dc.contributor.advisorCarrión Abollaneda, Richardes_PE
dc.contributor.authorCarbajal Osis, Franklin Danieles_PE
dc.date.accessioned2024-10-17T19:02:03Z
dc.date.available2024-10-17T19:02:03Z
dc.date.issued2024
dc.identifier.urihttps://hdl.handle.net/20.500.14168/863
dc.description.abstractEl presente trabajo de investigación se realizó con el propósito de aumentar la eficiencia de un modelo predictivo de las propiedades mecánicas de los suelos. Para ello, se desarrollaron diferentes modelos predictivos empleando 3 técnicas de Machine Learning denominados: Extra Trees Regressor, Random Forest Regressor y Redes Neuronales Artificiales (ANN), con la finalidad de determinar la técnica que aumenta la eficiencia de un modelo para predecir las propiedades de Capacidad de Soporte (CBR), Máxima Densidad Seca (MDD) y Optimo Contenido de Humedad (OMC). El Set de Datos conformado por 3294 datos de todos los departamentos del Perú fueron recopilados de 311 expedientes técnicos de estudios y proyectos definitivos de construcción del Sistema Electrónico de Contrataciones del Estado (SEACE 3.0) y de investigaciones anteriores. En donde, se consideraron las variables de entrada del modelo: Cantidad de Grava, Cantidad de Arena, Cantidad de Finos, Límite Líquido, Límite Plástico, Índice de Plasticidad, Departamento y SUCS; los cuales fueron utilizados para predecir los valores de: CBR, MDD y OMC. Los resultados destacan la eficiencia de la técnica de Random Forest Regressor, particularmente cuando se emplean herramientas avanzadas de Auto-ML que hacen uso de técnicas innovadoras como el morfismo de red, la optimización bayesiana y entre otras técnicas que ya vienen implementadas en la herramienta. Estos resultados superan a otras técnicas en la predicción de propiedades mecánicas del suelo, alcanzando valores de R-Squared de 0.9342 para OMC, 0.9696 para MDD y 0.9848 para CBR. Comparado con investigaciones anteriores, los resultados muestran mejoras significativas, incluso superando a investigaciones más recientes. Los resultados de la evaluación de los modelos indican que, aunque el rendimiento de los tres modelos es bueno, el modelo de Random Forest Regressor resulta ser significativamente mejor en la predicción de las propiedades mecánicas de los suelos. Finalmente, la aplicación de técnicas de Machine Learning y la metodología KKD de Ciencia de Datos y Minería de Datos ayudaron a aumentar significativamente la eficiencia de los modelos predictivos. Los resultados de este estudio podrían ayudar a seleccionar los modelos de Machine Learning adecuados, los parámetros e hiperparámetros de entrada de forma más rápida y eficiente para predecir las propiedades mecánicas de los suelos.es_PE
dc.formatapplication/pdfes_PE
dc.language.isospaes_PE
dc.publisherUniversidad Nacional José María Arguedases_PE
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectMachine Learning,es_PE
dc.subjectCiencia de Datos,es_PE
dc.subjectMinería de Datos,es_PE
dc.subjectPropiedades del Suelo,es_PE
dc.subjectMecánica de Suelos,es_PE
dc.subjectGeotecnia.es_PE
dc.titleEficiencia de un modelo predictivo de las propiedades mecánicas de los suelos basado en técnicas de machine learninges_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.nameIngeniero Sistemases_PE
thesis.degree.grantorUniversidad Nacional José María Arguedas, Facultad de Ingenieríaes_PE
thesis.degree.disciplineIngeniería Sistemases_PE
dc.type.versioninfo:eu-repo/semantics/publishedVersiones_PE
dc.publisher.countryPEes_PE
renati.author.dni72680375
renati.advisor.dni41877537
renati.advisor.orcidhttps://orcid.org/0000- 0002-1875-4180es_PE
renati.typehttps://purl.org/pe-repo/renati/type#tesises_PE
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesionales_PE
renati.discipline612076es_PE
renati.jurorCondor Tinoco, Enrique Edgardoes_PE
renati.jurorMenejes Palomino, Neptalíes_PE
renati.jurorFlores Ccorisapra, Yovanaes_PE
dc.subject.ocdehttp://purl.org/pe-repo/ocde/ford#2.02.04es_PE


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess
Universidad Nacional José María Arguedas

Jr. Juan Francisco Ramos N° 380. Andahuaylas - Apurimac - Perú | Telf. 083-422176 anexo 1000

Todos los contenidos de repositorio.unajma.edu.pe están bajo la Licencia Creative Commons

Contacto: repositorio@unajma.edu.pe