Estimación de los parámetros de respuesta estructural de pavimentos flexibles para vías terciarias mediante redes neuronales profundas

Velásquez Bueno, Brayan Andrés

Estimación de los parámetros de respuesta estructural de pavimentos flexibles para vías terciarias mediante redes neuronales profundas

dc.contributor.advisor	Chio Cho, Gustavo
dc.contributor.advisor	Álvarez Lugo, Allex Eduardo
dc.contributor.advisor	Fajardo Ariza, Carlos Augusto
dc.contributor.author	Velásquez Bueno, Brayan Andrés
dc.contributor.evaluator	Orobio, Armando
dc.contributor.evaluator	Mejía Fajardo, Ángela Marcela
dc.date.accessioned	2024-09-09T20:30:09Z
dc.date.available	2024-09-09T20:30:09Z
dc.date.created	2024-08-28
dc.date.embargoEnd	2028-08-28
dc.date.issued	2022-02-15
dc.description.abstract	Este proyecto tuvo como objetivo evaluar diferentes modelos de Aprendizaje Automático (en inglés Machine Learning), principalmente arquitecturas de redes neuronales profundas (RNP) para estimar parámetros de diseño estructural clásicos en pavimentos flexibles (deflexión superficial, deformación horizontal en el fondo del concreto asfáltico, y deformación vertical en la superficie de la subrasante). El proyecto se plasma en tres capítulos principales de este documento, que se encuentran publicados o en borrador para remisión a publicación, que contienen: (i) análisis de sensibilidad de las variables de diseño sobre los parámetros de respuesta estructural, teniendo en cuenta las diferentes estimaciones de una RNP uni-predictiva y comparación con los pesos de conexión de dicha red, (ii) RNP multipredictiva que realiza diferentes estimaciones para el análisis del comportamiento mecánico de las estructuras de pavimento flexible, y (iii) desarrollo una RNP más robusta comparando las bases de datos sintéticas utilizadas en los dos anteriores capítulos (6912 estructuras de pavimento modeladas en comparación de 108 y 1458 estructuras, respectivamente), contrastando las estimaciones con otros tres modelos de ML como lo fueron el random forest, gradient boosting y el soporte de vectores para regresión. Los resultados demuestran que la RNP, permite realizar las mejores estimaciones de los parámetros de respuesta estructural de pavimentos flexibles reflejados en las métricas evaluadas como el coeficiente de determinación (R2) y la raíz del error medio cuadrático (RMSE) (R2=0.999 y RMSE=0.0018) y evidencia la mejor capacidad de generalización con las diferencias porcentuales promedio obtenidas entre la RNP y los datos de la base de datos utilizada para validación del modelo de ML (menores al 5%).
dc.description.abstractenglish	This project aimed to evaluate different Machine Learning (ML) models, primarily deep neural network (DNN) architectures, to estimate classical structural design parameters in flexible pavements (surface deflection, horizontal strain at the bottom of the asphalt concrete, and vertical strain at the surface of the subgrade). The project is presented in three main chapters of this document, which are published or in draft for submission, containing: (i) sensitivity analysis of design variables on structural response parameters, considering the different estimates of a uni-predictive DNN and comparison with the connection weights of said network, (ii) a multi-predictive DNN that performs various estimates for analyzing the mechanical behavior of flexible pavement structures, and (iii) development of a more robust DNN by comparing the synthetic databases used in the previous two chapters (6912 modeled pavement structures compared to 108 and 1458 structures, respectively), contrasting the estimates with three other ML models, namely random forest, gradient boosting, and support vector regression. The results demonstrate that the DNN provides the best estimates of the structural response parameters of flexible pavements, as reflected in the evaluated metrics such as the coefficient of determination (R2) and the root mean square error (RMSE) (R2=0.999 and RMSE=0.0018), and shows the best generalization capability with the average percentage differences obtained between the DNN and the data from the database used for ML model validation (less than 5%).
dc.description.degreelevel	Maestría
dc.description.degreename	Magíster en Ingeniería Civil
dc.description.orcid	https://orcid.org/0000-0002-0697-4979
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/44045
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Maestría en Ingeniería Civil
dc.publisher.school	Escuela de Ingenieria Civil
dc.rights	info:eu-repo/semantics/embargoedAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_f1cf
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Simulación numérica
dc.subject	Pavimentos flexibles
dc.subject	Vías de bajo volumen de tráfico
dc.subject	Perceptrón multicapa
dc.subject	Redes neuronales artificiales multipredictivas
dc.subject.keyword	Numerical Simulation
dc.subject.keyword	Flexible Pavements
dc.subject.keyword	Low-Volume Traffic Roads
dc.subject.keyword	Multilayer Perceptron
dc.subject.keyword	Multipredictive Artificial Neural Networks
dc.title	Estimación de los parámetros de respuesta estructural de pavimentos flexibles para vías terciarias mediante redes neuronales profundas
dc.title.english	Estimation of Structural Response Parameters for Flexible Pavements on LowVolume Traffic Roads Using Deep Neural Networks
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Maestría