Determinación del mejor modelo de Machine Learning para la predicción del California  Bearing Ratio de suelos en Abancay, 2024

Tello Sarmiento, Flor de Cantuta

Determinación del mejor modelo de Machine Learning para la predicción del California Bearing Ratio de suelos en Abancay, 2024

dc.contributor.advisor	Ibarra Cabrera, Manuel Jesus
dc.contributor.author	Tello Sarmiento, Flor de Cantuta
dc.date.accessioned	2026-01-08T14:39:41Z
dc.date.available	2026-01-08T14:39:41Z
dc.date.issued	2026-01-08
dc.description.abstract	El California Bearing Ratio (CBR) es un índice fundamental en la ingeniería geotécnica para evaluar la capacidad de soporte de los suelos, especialmente en el diseño y construcción de pavimentos y otras estructuras sobre terreno natural. Pero la determinación de este índice es una tarea costosa y laboriosa, por dicha razón en este estudio se propone la predicción del CBR mediante modelos de machine learning. Se desarrollaron 3 modelos de aprendizaje automático, redes neuronales profundas (DNN), árboles de decisión y máquinas de vectores de soporte. El trabajo consistió en recolectar 310 registros con características del suelo, de los cuales 217 registros fueron considerados para el entrenamiento, 62 para la validación y 31 para las pruebas; los datos fueron recolectados en 3 laboratorios de mecánica de suelos de la ciudad de Abancay, provincia de Abancay en la región Apurímac de Perú, donde se obtuvieron las siguientes características físicas del suelo: el porcentaje de grava, porcentaje de finos, el óptimo contenido de humedad (OCH), límite líquido, límite plástico, índice de plasticidad, máxima densidad seca (MDS) y para la característica a predecir el valor del CBR al 100%. Los modelos fueron evaluados con el coeficiente de determinación (R2), el error absoluto medio (MAE), el error cuadrático medio (MSE) y la raíz del error cuadrático medio (RMSE). Los resultados muestran que el algoritmo o modelo de árboles de decisión es el más eficiente para predecir el CBR al 100% porque tiene el mejor coeficiente de determinación R2 = 0.9307 y también los valores más bajos para el MSE = 9.199, MAE = 1.216 y RMSE = 3.033; estos valores son los mejores en relación con los encontrados para los modelos de redes neuronales profundas y el de máquina de vectores de soporte para regresión.
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.14195/1431
dc.language.iso	spa
dc.publisher	Universidad Nacional Micaela Bastidas de Apurimac
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.uri	https://creativecommons.org/licenses/by-nc/4.0/
dc.subject	CBR
dc.subject	Machine learning
dc.subject	Árboles de decisión
dc.subject	Red neuronal
dc.subject	Regresión lineal múltiple
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.02.04
dc.title	Determinación del mejor modelo de Machine Learning para la predicción del California Bearing Ratio de suelos en Abancay, 2024
dc.type	info:eu-repo/semantics/bachelorThesis
dc.type.version	info:eu-repo/semantics/publishedVersion
renati.advisor.dni	23974689
renati.advisor.orcid	https://orcid.org/0000-0001-6711-4916
renati.author.dni	74664251
renati.discipline	612296
renati.juror	Aquino Cruz, Mario
renati.juror	Quispe Merma, Rafael Ricardo
renati.juror	Martinez Duran, Virgilio
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional
renati.type	https://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ingeniería informática y sistemas
thesis.degree.grantor	Universidad Nacional Micaela Bastidas de Apurímac
thesis.degree.name	Ingeniero Informático y Sistemas