Desarrollo de un modelo predictivo de las propiedades mecánicas del suelo usando redes neuronales artificiales

• Autores: Frank Jesús Valderrama Purizaca, Heber Ivan Mejía Cabrera, Sócrates Pedro Muñoz Pérez, Víctor Tuesta Monteza
• Localización: Lámpsakos, ISSN-e 2145-4086, ISSN 2145-4086, Nº. 26, 2021, págs. 1-20
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Determinar las propiedades del suelo es una tarea necesaria pero costosa en el diseño de pavimentos, por dicha razón, en este estudio se desarrollaron cuatro redes neuronales artificiales (RNA) basadas en perceptrón multicapa para predecir la máxima densidad seca (MDD), el óptimo contenido de humedad (OMC), el valor de la relación de soporte de California (CBR) al 95% de la MDD y el CBR al 100% de la MDD, respectivamente. El método considera un dataset con 285 ejemplos, definición de arquitectura base mediante optimización bayesiana y validación cruzada, modificación de la arquitectura y los hiperparámetros para mejorar el desempeño. Las RNA se entrenaron considerando 3000 épocas, función ReLU, tasa de aprendizaje, dropout; fueron evaluadas con el coeficiente de correlación (R) y el error cuadrático medio (MSE) y predijeron la MDD con R=0,90, OMC con R=0,87, CBR al 95% con R=0,92, CBR al 100% con R=0,89, respectivamente, demostrando que los modelos son eficientes para predecir las propiedades del suelo.

  • English

    Determining soil properties is important in pavement design, for this reason, 4 artificial neural networks based on multilayer Perceptron were developed in this study to predict the maximum dry density (MDD), optimum moisture content (OMC), California bearing ratio (CBR) at 95 % MDD and CBR at 100 % MDD respectively. The method considers a dataset with 285 examples, definition of base architecture through Bayesian optimization and cross-validation, modification of the architecture and hyperparameters to improve performance. The models were trained considering 3000 epochs, RELU function, learning rate, dropout, and were evaluated using the Correlation Coefficient (R) and Mean Squared Error (MSE). MDD was predicted with R=0,90, OMC with R=0,87, CBR at 95% with R=0,92, CBR at 100% with R=0,89 respectively, showing that the models are efficient in predicting soil properties.