Read more
Este libro presenta la predicción de la proporción de mezcla de hormigón mediante un modelo de red neuronal artificial. Se ha desarrollado, entrenado y probado un modelo de red neuronal artificial con 359 conjuntos de datos de mezclas de hormigón. Estos conjuntos de datos se obtuvieron de empresas de hormigón, se clasificaron y se utilizaron, de los cuales el 70%, el 15% y el 15% se utilizaron para las fases de entrenamiento, validación y prueba respectivamente. Se adoptó un modelo de red neuronal feed-forward de 3 capas con un algoritmo de retropropagación. La capa de entrada consta de 5 nodos que representan la resistencia a la compresión (28 días), el módulo de finura, la proporción de áridos gruesos, la proporción de agua y cemento y el tamaño máximo de los áridos, y cinco parámetros de salida que son la resistencia a la compresión, el agua, los áridos finos, los áridos gruesos y el contenido de cemento, que son los resultados esperados. El resultado del modelo RNA se comparó con otro enfoque de diseño de mezcla de hormigón y se consideró adecuado. El error de la comparación entre los datos de salida reales y los datos predichos por la red neuronal artificial para todos los parámetros de salida fue de -0,00083. Los resultados indican la utilidad, la fiabilidad y la utilidad de la red neuronal artificial (RNA) para predecir con precisión la proporción de la mezcla de hormigón.
About the author
Munachiso Ogbodo lecciona na Universidade de Port Harcourt, Nigéria. É licenciado em Engenharia Civil e Mestre em Estruturas. Dumde Dinebari é licenciado pela Universidade de Port Harcourt com um bacharelato em Engenharia Civil.
