Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/20.500.12815/347
Título : Modelos explicables basados en datos para la predicción de la resistencia a corte y modos de falla de membranas de concreto reforzado
Otros títulos : Explainable data-driven models for the shear strength prediction and failure mode of reinforced concrete membranes
Autor: Landeo Diego, Jostin Gabriel
Asesor: Bedriñana Mera, Luis Alberto
Fecha de publicación : 2023
Resumen : Actualmente, el análisis de la resistencia a corte de estructuras complejas puede basarse en la agrupación de elementos de membrana que se estudian a través de paneles de concreto reforzado (CR). La forma de describir la resistencia a corte de los elementos de membrana se basa en ecuaciones empíricas y analíticas, por lo que estos modelos no son generalizables, tienen una alta variabilidad y dispersión, más aún en la predicción de los modos de falla de estos elementos. Este estudio propone un marco de trabajo para desarrollar dos modelos explicables basados en datos para la predicción de la resistencia a corte y modos de fallas de membranas de CR, los cuales son aplicables a una amplia gama de configuraciones. Este estudio se basa en una base de datos de 195 ensayos experimentales de paneles de CR para el modelo predictivo de resistencia a corte y 89 para el modelo de clasificación de los modos de falla. Para el problema de clasificación se implementaron trestécnicas de aumento de data, con el que se incrementó la data inicial a 180 ensayos con dos de estas técnicas. Posteriormente, se evaluaron seis modelos de machine learning (ML) para cada problema, incluyendo modelos ensamblados (Random Forest, AdaBoost y XGBoost), mediante cuatro métricas de rendimiento para el modelo de regresión y dos en el de clasificación. Los modelos propuestos de regresión y clasificación (basados en XGBoost) lograron una alta precisión y generalización, mediante un valor de R 2 = 0.85 para el modelo predictivo de resistencia a corte y F1-score = 0.93 para el modelo de clasificación de los modos de falla. También, se implementó la técnica SHAP (Shapley Additive exPlanations) para evaluar la importancia de los diferentes parámetros involucrados en las predicciones de los modelos de forma global y local. Además, los modelos predictivos se compararon con la Teoría de Campo de Compresión Modificada (MCFT), el método SMCS (Modelo Simple para resultados de Esfuerzos Combinados) y el análisis de elementos finitos, evidenciando que los modelos propuestos realizan predicciones comparables e incluso superiores. Finalmente, una interfaz gráfica fue desarrollada para aplicaciones prácticas y educacionales de cálculos de resistencia a corte y modos de falla de membranas de CR.
Currently, the shear strength evaluation of complex structures can be based on the grouping of membrane elements, which are commonly studied by reinforced concrete (RC) panels. The way to describe the shear strength of membrane elements is based on empirical and analytical equations, so these models are not generalizable, have high variability and dispersion, even more in predicting the failure modes of these elements. This study proposes a framework to develop two explainable data-driven models for the shear strength and failure mode prediction of RC membranes over a wide range of configurations. This is based on a comprehensive database of 195 experimental tests of RC panels for the predictive model of the shear strength and 89 for the classification model of the failure mode. For the classification problem, three data augmentation techniques were implemented, thus the initial data was increased to 180 experimental tests with two of these techniques. Subsequently, six ML models, including ensemble models (Random Forest, AdaBoost, and XGBoost), were evaluated with four performance metrics for the predictive model of regression and two for the classification model. The proposed models of regression and classification (based on XGBoost) achieve high accuracy and generalization, with a value of R 2=0.98 for the predictive model of shear strength and F1-score = 0.93 for the classification model. Moreover, the SHAP (Shapley Additive exPlanations) technique was used to evaluate the importance of the parameters over the outputs of the models in a global and local way. In addition, the proposed models were compared with the Modified Compression Field Theory (MCFT), SMCS method (Simple Model for Combined Stress-resultants) and the finite element analysis, showing that the proposed models have comparable and even better predictions. Finally, a graphical interface was developed for practical and educational applications to perform calculations of shear strength and failure modes of RC membranes.
Palabras clave : Aprendizaje automático
Concreto reforzado
Paneles de concreto
Resistencia al corte
Método de elementos finitos
Procesamiento electrónico de datos
Machine Learning
Reinforced concrete
Concrete panels
Shear strength
Finite element method
Electronic data processing
Editorial : Universidad de Ingeniería y Tecnología
Citación : Landeo Diego, J.G. (2023). Modelos explicables basados en datos para la predicción de la resistencia a corte y modos de falla de membranas de concreto reforzado [Tesis de Título Profesional, Universidad de Ingeniería y Tecnología]. Repositorio Institucional UTEC. https://hdl.handle.net/20.500.12815/347
URI: https://hdl.handle.net/20.500.12815/347
Aparece en las colecciones: Ingeniería Civil

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Landeo Diego_Portada.pdfLandeo Diego_Portada312.41 kBAdobe PDFVisualizar/Abrir
Landeo Diego_Tesis.pdf
 Acceso restringido
Landeo Diego_Tesis6.25 MBAdobe PDFVisualizar/Abrir  Solicitar una copia
Landeo Diego_Reporte de similitud.pdf
 Acceso restringido
Landeo Diego_Reporte de similitud87.13 kBAdobe PDFVisualizar/Abrir  Solicitar una copia
Landeo Diego_Acta de sustentación.pdf
 Acceso restringido
Landeo Diego_Acta de sustentación227.99 kBAdobe PDFVisualizar/Abrir  Solicitar una copia
Landeo Diego_Autorización.pdf
 Acceso restringido
Landeo Diego_Autorización86.51 kBAdobe PDFVisualizar/Abrir  Solicitar una copia


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons