Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)Chio Cho, GustavoÁlvarez Lugo, Allex EduardoFajardo Ariza, Carlos AugustoVelásquez Bueno, Brayan Andrés2024-09-092024-09-092024-08-282022-02-15https://noesis.uis.edu.co/handle/20.500.14071/44045Este 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%).application/pdfspainfo:eu-repo/semantics/embargoedAccessSimulación numéricaPavimentos flexiblesVías de bajo volumen de tráficoPerceptrón multicapaRedes neuronales artificiales multipredictivasUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - MaestríaUniversidad Industrial de Santanderhttps://noesis.uis.edu.coNumerical SimulationFlexible PavementsLow-Volume Traffic RoadsMultilayer PerceptronMultipredictive Artificial Neural Networkshttp://purl.org/coar/access_right/c_f1cfinfo:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)