Browsing by Author "Aguirre Ramos, Fredy"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Modelos de Machine Learning para la predicción de la resistencia al corte en la unión viga-columna, 2025
    (Universidad Nacional Micaela Bastidas de Apurímac, 2026-01-20) Aguirre Ramos, Fredy; Fuentes Huaman, Yhon
    La resistencia al corte en la unión viga–columna constituye uno de los mecanismos críticos en el desempeño sísmico de estructuras de concreto armado (evita una posible falla frágil y asegura el comportamiento dúctil) además, se encarga de hacer cumplir el mecanismo de viga débil columna fuerte debido a la compleja interacción entre variables geométricas, mecánicas y tipológicas que existen en la unión viga-columna. Los modelos analíticos y empíricos tradicionales presentan limitaciones para representar rigurosamente los diversos factores que intervienen en la unión viga columna, esto motivo a desarrollar esta investigación, además de emplear la inteligencia artificial (Machine Learning) como herramienta alternativa de predicción. Con el fin de predecir la resistencia al corte en la unión viga-columna en esta investigación, se desarrollaron modelos de Machine Learning, de distintos enfoques como: modelos de Ensemble Learning (Random Forest, AdaBoost, Gradient Boosting, XGBoost, LightGBM y CatBoost); Máquinas de Soporte Vectorial (SVM) y Redes Neuronales Artificiales (ANN), analizados en función a tres datasets con diferente nivel de complejidad y selección de variables, diseñados progresivamente con base en criterios físicos y mecánicos, los modelos se optimizaron mediante Grid Search y validaron mediante: validación cruzada de cinco pliegues; métricas de desempeño global y local (R2, RMSE, MAE, MARD y D10). Los resultados mostraron que los modelos de Ensemble Learning tienen el mejor desempeño global en los tres datasets, la ingeniería de características basada en principios estructurales y el análisis de explicabilidad confirmaron que las variables más influyentes coinciden con los mecanismos resistentes clásicos, CatBoost como modelo Ensemble Learning demostró elevados valores de R2 (0.84, 0.835 y 0.893) y errores reducidos: RMSE = 0.992; MAE = 0.691; MARD = 0.109 y D10% = 6.11 en testing, quedando demostrado estadísticamente que el modelo CatBoost es una herramienta confiable para la predicción de la resistencia al corte en la unión viga-columna.