Análisis predictivo y optimización de la resistencia a compresión del concreto mediante métodos avanzados de modelado estadístico.
| dc.contributor.author | Rojas Minotta, Lina María | |
| dc.date.accessioned | 2025-02-05T13:47:03Z | |
| dc.date.available | 2025-02-05T13:47:03Z | |
| dc.date.issued | 2024-12-03 | |
| dc.description.abstract | Contexto. El presente proyecto analiza la resistencia a la compresión del concreto según las características de su composición, en el contexto de optimizar el diseño de mezclas, mejorando la calidad, durabilidad y eficiencia del material utilizado en la construcción, mediante la aplicación de técnicas de machine learning. Propósito. Este trabajo tuvo como objetivo identificar las variables más influyentes en la resistencia del concreto y comparar el desempeño de diferentes modelos de regresión. Metodología. Se adoptó el enfoque metodológico CRISP-DM, comenzando con un análisis exploratorio de los datos, utilizando una matriz de correlación y gráficos de dispersión para identificar las variables más relevantes. Posteriormente, se implementaron y evaluaron varios modelos de regresión, como CatBoost Regressor (CBR), Random Forest (RF), Regresión Lineal (RL), Regresión Polinómica (RP), Support Vector Regression (SVR), XGBoost (XGB), Decision Tree Regressor (DT) y Perceptrón Multicapa (MLP), empleando herramientas computacionales como Python y bibliotecas como scikit-learn y PyCaret, así como métricas de evaluación como MAE, MSE, RMSE y R². Resultados. Los análisis mostraron que el contenido de cemento, escoria de alto horno, la edad y el uso de súper-plastificante son las variables más influyentes en la resistencia a la compresión del concreto, siendo estas las que presentaron la mayor correlación con la variable objetivo. Además, se determinó que el modelo CatBoost Regression (CBR) fue el más preciso, superando al Perceptrón Multicapa (MLP) en precisión y generalización. Conclusiones. Este estudio demuestra la aplicabilidad de los métodos estadísticos y de machine learning en la optimización del diseño de mezclas de concreto, contribuyendo a metodologías más eficientes en la ingeniería civil. | spa |
| dc.description.abstract | Context. This project analyzes the compressive strength of concrete according to the characteristics of its composition, in the context of optimizing the design of mixtures, improving the quality, durability and efficiency of the material used in construction, through the application of machine learning techniques. Purpose. The purpose of this work was to identify the most influential variables in concrete strength and to compare the performance of different regression models. Methodology. The CRISP-DM methodological approach was adopted, starting with an exploratory analysis of the data, using a correlation matrix and scatter plots to identify the most relevant variables. Subsequently, several regression models were implemented and evaluated, such as CatBoost Regressor (CBR), Random Forest (RF), Linear Regression (LR), Polynomial Regression (PR), Support Vector Regression (SVR), XGBoost (XGB), Decision Tree Regressor (DT) and Multi-Layer Perceptron (MLP), employing computational tools such as Python and libraries such as scikit-learn and PyCaret, as well as evaluation metrics such as MAE, MSE, RMSE and R².Results. The analyses showed that cement content, blast furnace slag, age and the use of super-plasticizer are the most influential variables on the compressive strength of concrete, being these the ones that presented the highest correlation with the target variable. In addition, it was determined that the CatBoost Regression (CBR) model was the most accurate, surpassing the Multi-Layer Perceptron (MLP) in accuracy and generalization.Conclusions.This study demonstrates the applicability of statistical and machine learning methods in the optimization of concrete mix design, contributing to more efficient methodologies in civil engineering. | eng |
| dc.format | ||
| dc.identifier.uri | http://hdl.handle.net/11371/7240 | |
| dc.language.iso | spa | spa |
| dc.publisher.department | Facultad de Ingeniería y ciencias básicas | |
| dc.publisher.program | Especialización en Estadística Aplicada | |
| dc.relation.uri | http://hdl.handle.net/11371/46 | |
| dc.rights.acceso | Abierto (Texto Completo) | spa |
| dc.source | reponame:Repositsitorio Institucional FULL | spa |
| dc.source | instname:Fundación Univeraria Los Libertadores | spa |
| dc.subject.proposal | Resistencia a la compresión | spa |
| dc.subject.proposal | Concreto | spa |
| dc.subject.proposal | Modelos de regresión | spa |
| dc.subject.proposal | Machine learning | spa |
| dc.subject.proposal | Compressive strength | eng |
| dc.subject.proposal | Concrete | eng |
| dc.subject.proposal | Regression models | eng |
| dc.subject.proposal | Machine learning | eng |
| dc.title | Análisis predictivo y optimización de la resistencia a compresión del concreto mediante métodos avanzados de modelado estadístico. | spa |
| dc.type | journal article |