Modelo predictivo basado en Machine Learning para estimar la respuesta mecánica de los suelos de subrasante de la vía de evitamiento de Abancay, Apurímac – 2025

dc.contributor.advisorFerrel Sarmiento, Diomedes Napoleón
dc.contributor.advisorPonce Torres, Edison
dc.contributor.authorRiveros Ramos, Julio Cesar
dc.date.accessioned2026-11-16T15:49:29Z
dc.date.available2026-11-16T15:49:29Z
dc.date.issued2026-08-11
dc.description.abstractLa evaluación de la respuesta mecánica de los suelos de subrasante constituye una etapa fundamental en el diseño estructural de pavimentos, debido a que parámetros como el Índice de Soporte de California (CBR) y el módulo resiliente (Mr) determinan la capacidad del terreno para soportar las cargas repetidas del tránsito vehicular. Sin embargo, su determinación mediante ensayos de laboratorio demanda tiempo, recursos y equipamiento especializado, lo que limita su aplicación en proyectos viales. En ese contexto, el objetivo de la presente investigación fue desarrollar un modelo predictivo basado en Machine Learning para estimar la respuesta mecánica de los suelos de subrasante de la vía de evitamiento de la ciudad de Abancay, Apurímac – 2025. La investigación tuvo un enfoque cuantitativo, fue de tipo aplicada, de nivel correlacional con alcance predictivo y de diseño no experimental, transversal y retrospectivo. Se utilizó una base de datos conformada por 90 registros geotécnicos, empleándose tres muestras representativas para la validación experimental. Se evaluaron los algoritmos Gradient Boosting, Extra Trees, Random Forest e HistGradientBoosting, comparando su desempeño mediante las métricas MAE, RMSE y R², y la contrastación de la hipótesis se realizó mediante el coeficiente de correlación de Spearman. Los resultados evidenciaron que el modelo desarrollado alcanzó una correlación de Spearman de ρ = 0.9562 (p < 0.05) entre los valores experimentales y los estimados, demostrando una elevada capacidad predictiva para estimar el comportamiento mecánico de los suelos estudiados. Se concluye que el modelo predictivo desarrollado constituye una herramienta confiable para estimar la respuesta mecánica de los suelos de subrasante, contribuyendo a optimizar la evaluación geotécnica y apoyar la toma de decisiones en el diseño de pavimentos.
dc.formatapplication/pdf
dc.identifier.urihttps://hdl.handle.net/20.500.14195/1707
dc.language.isospa
dc.publisherUniversidad Nacional Micaela Bastidas de Apurímac
dc.publisher.countryPE
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.rights.urihttps://creativecommons.org/licenses/by-nc/4.0/
dc.subjectMachine Learning
dc.subjectRespuesta mecánica
dc.subjectSubrasante
dc.subjectCBR
dc.subjectMódulo resiliente
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.01.01
dc.titleModelo predictivo basado en Machine Learning para estimar la respuesta mecánica de los suelos de subrasante de la vía de evitamiento de Abancay, Apurímac – 2025
dc.typehttp://purl.org/coar/resource_type/c_7a1f
dc.type.versioninfo:eu-repo/semantics/publishedVersion
renati.advisor.dni31530207
renati.advisor.dni70785234
renati.advisor.orcidhttps://orcid.org/0009-0008-7568-7683
renati.advisor.orcidhttps://orcid.org/0000-0001-5993-3807
renati.author.dni77227392
renati.discipline73200082
renati.jurorCañari Otero, Calixto
renati.jurorMorán Moreno, Milson
renati.jurorSilva Noriega, Fanny
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesional
renati.typehttps://purl.org/pe-repo/renati/type#tesis
thesis.degree.disciplineIngeniería Civil
thesis.degree.grantorUniversidad Nacional Micaela Bastidas de Apurímac
thesis.degree.nameIngeniero Civil

Archivos

Bloque original
Mostrando 1 - 3 de 3
Cargando...
Miniatura
Nombre:
T-Riveros-Ramos-Julio-Cesar.pdf
Tamaño:
10.15 MB
Formato:
Adobe Portable Document Format
No hay miniatura disponible
Nombre:
T_Similitud-Riveros-Ramos-Julio-Cesar.pdf
Tamaño:
9.88 MB
Formato:
Adobe Portable Document Format
No hay miniatura disponible
Nombre:
T_Autorización-Riveros-Ramos-Julio-Cesar.pdf
Tamaño:
89 KB
Formato:
Adobe Portable Document Format
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.02 KB
Formato:
Item-specific license agreed to upon submission
Descripción: