Modelos de Machine Learning para la predicción de la resistencia al  corte en la unión viga-columna, 2025

Aguirre Ramos, Fredy

Modelos de Machine Learning para la predicción de la resistencia al corte en la unión viga-columna, 2025

dc.contributor.advisor	Fuentes Huaman, Yhon
dc.contributor.author	Aguirre Ramos, Fredy
dc.date.accessioned	2026-03-10T20:06:16Z
dc.date.available	2026-03-10T20:06:16Z
dc.date.issued	2026-01-20
dc.description.abstract	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.
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.14195/1481
dc.language.iso	spa
dc.publisher	Universidad Nacional Micaela Bastidas de Apurímac
dc.publisher.country	PE
dc.rights	http://purl.org/coar/access_right/c_abf2
dc.rights.uri	https://creativecommons.org/licenses/by-nc/4.0/
dc.subject	Catboost
dc.subject	Machine learning
dc.subject	Resistencia al corte
dc.subject	Unión viga columna
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.01.01
dc.title	Modelos de Machine Learning para la predicción de la resistencia al corte en la unión viga-columna, 2025
dc.type	http://purl.org/coar/resource_type/c_7a1f
dc.type.version	info:eu-repo/semantics/publishedVersion
renati.advisor.dni	46478545
renati.advisor.orcid	https://orcid.org/0000-0003-4228-1982
renati.author.dni	72138602
renati.discipline	73200082
renati.juror	Cañari Otero, Calixto
renati.juror	Valenzuela Carrasco, Juan Franks
renati.juror	Soto Palomino, Wilfredo
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional
renati.type	https://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ingeniería Civil
thesis.degree.grantor	Universidad Nacional Micaela Bastidas de Apurímac
thesis.degree.name	Ingeniero Civil