Granulometric analysis of aggregate for concrete through an algorithm based on neural networks (Deep Learning)
En la actualidad, el diseño de mezclas tradicional no logra optimizar adecuadamente los tiempos involucrados. Por lo tanto, se propone utilizar el método de las redes neuronales para mejorar la eficiencia en términos de tiempo y acceso a lugares difíciles, así como en el transporte al laboratorio. E...
Guardado en:
| Autores principales: | , , |
|---|---|
| Formato: | Artículo |
| Lenguaje: | español |
| Publicado: |
Potificia Universidad Catolica de Chile
2023
|
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881508976293576704 |
|---|---|
| author | Gutierrez Layme, Delia Lopez Hinostroza, Hamhit Andrea Sosa Aquise, Ruben Fitzgerald |
| author_browse | Gutierrez Layme, Delia Lopez Hinostroza, Hamhit Andrea Sosa Aquise, Ruben Fitzgerald |
| author_facet | Gutierrez Layme, Delia Lopez Hinostroza, Hamhit Andrea Sosa Aquise, Ruben Fitzgerald |
| author_sort | Gutierrez Layme, Delia |
| collection | Producción científica |
| description | En la actualidad, el diseño de mezclas tradicional no logra optimizar adecuadamente los tiempos involucrados. Por lo tanto, se propone utilizar el método de las redes neuronales para mejorar la eficiencia en términos de tiempo y acceso a lugares difíciles, así como en el transporte al laboratorio. El objetivo principal es aplicar técnicas de aprendizaje profundo (deep learning) para evaluar la calidad de un agregado de cantera y determinar si cumple con las especificaciones requeridas para su uso en concreto, de acuerdo con las normativas vigentes. La metodología consistió en recopilar 20 imágenes por muestra, la obtención del análisis de granulometría, se consideró 2 canteras del departamento de Junín Satipo (Sonomoro y Llaylla) y 1 cantera del departamento de Cusco (Vicho), con un total de 13 muestras, en el presente artículo realizado se ubica dentro tipo de investigación experimental con un enfoque cuantitativo. Los resultados se obtuvieron a través de la ejecución del algoritmo Yolo, con la detección de imágenes, obteniendo el 93.20%, según la norma técnica peruana (NTP 400.12, 2001), con una desviación típica de 0,96 %. El algoritmo fue entrenado según los tamices dados en la norma técnica peruana (NTP 350.001, 1970). En conclusión, el uso del algoritmo en el análisis de los datos ha permitido reducir significativamente el tiempo requerido para llevar a cabo la evaluación física y ha mejorado el estudio del agregado de manera efectiva. |
| format | Article |
| id | oai:cris.upeu.edu.pe:20.500.15037/3017 |
| institution | UPeU |
| language | Spanish |
| publishDate | 2023 |
| publishDateRange | 2023 |
| publishDateSort | 2023 |
| publisher | Potificia Universidad Catolica de Chile |
| publisherStr | Potificia Universidad Catolica de Chile |
| record_format | dspace |
| spelling | oai:cris.upeu.edu.pe:20.500.15037/30172026-11-02T22:00:04ZGranulometric analysis of aggregate for concrete through an algorithm based on neural networks (Deep Learning)Análisis granulométrico de agregado para el concreto a través de un algoritmo basado en redes neuronales (Deep Learning)Gutierrez Layme, DeliaLopez Hinostroza, Hamhit AndreaSosa Aquise, Ruben FitzgeraldEn la actualidad, el diseño de mezclas tradicional no logra optimizar adecuadamente los tiempos involucrados. Por lo tanto, se propone utilizar el método de las redes neuronales para mejorar la eficiencia en términos de tiempo y acceso a lugares difíciles, así como en el transporte al laboratorio. El objetivo principal es aplicar técnicas de aprendizaje profundo (deep learning) para evaluar la calidad de un agregado de cantera y determinar si cumple con las especificaciones requeridas para su uso en concreto, de acuerdo con las normativas vigentes. La metodología consistió en recopilar 20 imágenes por muestra, la obtención del análisis de granulometría, se consideró 2 canteras del departamento de Junín Satipo (Sonomoro y Llaylla) y 1 cantera del departamento de Cusco (Vicho), con un total de 13 muestras, en el presente artículo realizado se ubica dentro tipo de investigación experimental con un enfoque cuantitativo. Los resultados se obtuvieron a través de la ejecución del algoritmo Yolo, con la detección de imágenes, obteniendo el 93.20%, según la norma técnica peruana (NTP 400.12, 2001), con una desviación típica de 0,96 %. El algoritmo fue entrenado según los tamices dados en la norma técnica peruana (NTP 350.001, 1970). En conclusión, el uso del algoritmo en el análisis de los datos ha permitido reducir significativamente el tiempo requerido para llevar a cabo la evaluación física y ha mejorado el estudio del agregado de manera efectiva.Article10.7764/RIC.00079.212-s2.0-85198084197https://hdl.handle.net/20.500.15037/3017esRevista de ingeniería de construcciónRevista Ingenieria de Construccion0716-2952Potificia Universidad Catolica de Chile2023-11-232026-06-27T02:35:21Z2026-06-27T02:35:21Z |
| spellingShingle | Gutierrez Layme, Delia Lopez Hinostroza, Hamhit Andrea Sosa Aquise, Ruben Fitzgerald Granulometric analysis of aggregate for concrete through an algorithm based on neural networks (Deep Learning) |
| title | Granulometric analysis of aggregate for concrete through an algorithm based on neural networks (Deep Learning) |
| title_full | Granulometric analysis of aggregate for concrete through an algorithm based on neural networks (Deep Learning) |
| title_fullStr | Granulometric analysis of aggregate for concrete through an algorithm based on neural networks (Deep Learning) |
| title_full_unstemmed | Granulometric analysis of aggregate for concrete through an algorithm based on neural networks (Deep Learning) |
| title_short | Granulometric analysis of aggregate for concrete through an algorithm based on neural networks (Deep Learning) |
| title_sort | granulometric analysis of aggregate for concrete through an algorithm based on neural networks deep learning |
| url | https://hdl.handle.net/20.500.15037/3017 |
| work_keys_str_mv | AT gutierrezlaymedelia granulometricanalysisofaggregateforconcretethroughanalgorithmbasedonneuralnetworksdeeplearning AT lopezhinostrozahamhitandrea granulometricanalysisofaggregateforconcretethroughanalgorithmbasedonneuralnetworksdeeplearning AT sosaaquiserubenfitzgerald granulometricanalysisofaggregateforconcretethroughanalgorithmbasedonneuralnetworksdeeplearning AT gutierrezlaymedelia analisisgranulometricodeagregadoparaelconcretoatravesdeunalgoritmobasadoenredesneuronalesdeeplearning AT lopezhinostrozahamhitandrea analisisgranulometricodeagregadoparaelconcretoatravesdeunalgoritmobasadoenredesneuronalesdeeplearning AT sosaaquiserubenfitzgerald analisisgranulometricodeagregadoparaelconcretoatravesdeunalgoritmobasadoenredesneuronalesdeeplearning |