Advanced search

Show simple item record

dc.contributor.advisorBedriñana Mera, Luis Alberto
dc.contributor.authorLandeo Diego, Jostin Gabriel
dc.date.accessioned2023-12-22T03:50:15Z
dc.date.available2023-12-22T03:50:15Z
dc.date.issued2023
dc.identifier.citationLandeo 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/20.500.12815/347es_PE
dc.identifier.urihttps://hdl.handle.net/20.500.12815/347
dc.description.abstractActualmente, 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.es_PE
dc.description.abstractCurrently, 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.es_PE
dc.description.uriTesises_PE
dc.formatapplication/pdfes_PE
dc.language.isospaes_PE
dc.publisherUniversidad de Ingeniería y Tecnologíaes_PE
dc.rightsinfo:eu-repo/semantics/restrictedAccesses_PE
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.sourceRepositorio Institucional UTECes_PE
dc.sourceUniversidad de Ingeniería y Tecnología - UTECes_PE
dc.subjectAprendizaje automáticoes_PE
dc.subjectConcreto reforzadoes_PE
dc.subjectPaneles de concretoes_PE
dc.subjectResistencia al cortees_PE
dc.subjectMétodo de elementos finitoses_PE
dc.subjectProcesamiento electrónico de datoses_PE
dc.subjectMachine Learninges_PE
dc.subjectReinforced concretees_PE
dc.subjectConcrete panelses_PE
dc.subjectShear strengthes_PE
dc.subjectFinite element methodes_PE
dc.subjectElectronic data processinges_PE
dc.titleModelos explicables basados en datos para la predicción de la resistencia a corte y modos de falla de membranas de concreto reforzadoes_PE
dc.title.alternativeExplainable data-driven models for the shear strength prediction and failure mode of reinforced concrete membraneses_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.01.01es_PE
dc.publisher.countryPEes_PE
thesis.degree.disciplineIngeniería Civiles_PE
thesis.degree.grantorUniversidad de Ingeniería y Tecnología. Ingeniería Civiles_PE
thesis.degree.levelTítulo Profesionales_PE
thesis.degree.nameIngeniero Civiles_PE
renati.advisor.dni42815379
renati.advisor.orcidhttps://orcid.org/0000-0001-5839-0636es_PE
renati.author.dni73740618
renati.author.orcidhttps://orcid.org/0000-0001-8668-1852es_PE
renati.discipline732016es_PE
renati.jurorRau Lavado, Pedro
renati.jurorFlores Barron, Giancarlo Augusto
renati.jurorBedriñana Mera, Luis Alberto
renati.levelhttp://purl.org/pe-repo/renati/level#tituloProfesionales_PE
renati.typehttp://purl.org/pe-repo/renati/type#tesises_PE


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/restrictedAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/restrictedAccess