Aplicación de Técnicas Deep Learning para la Detección de Fallas Estructurales en Edificaciones del distrito de San Miguel - Puno
Esta investigación aborda la necesidad de detectar fallas estructurales en edificaciones del distrito de San Miguel, Puno, donde factores como la variabilidad térmica, el asentamiento del terreno y sobrecargas han generado un deterioro progresivo en las construcciones. Frente a las limitaciones de l...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de pregrado |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2025
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881510172154658816 |
|---|---|
| author | Castillo Curo, Wilder Denilson Ugarte Rios, Moises |
| author2 | Quispe Panca, Alder Jhosue |
| author_browse | Castillo Curo, Wilder Denilson Quispe Panca, Alder Jhosue Ugarte Rios, Moises |
| author_facet | Quispe Panca, Alder Jhosue Castillo Curo, Wilder Denilson Ugarte Rios, Moises |
| author_sort | Castillo Curo, Wilder Denilson |
| collection | Repositorio institucional |
| description | Esta investigación aborda la necesidad de detectar fallas estructurales en edificaciones del distrito de San Miguel, Puno, donde factores como la variabilidad térmica, el asentamiento del terreno y sobrecargas han generado un deterioro progresivo en las construcciones. Frente a las limitaciones de las inspecciones visuales tradicionales, esta investigación tiene como objetivo desarrollar un modelo basado en redes neuronales convolucionales (CNN) para la detección automatizada de fallas estructurales. Se empleó un enfoque cuantitativo y experimental, utilizando 6.700 imágenes reales de edificaciones, las técnicas de preprocesamiento como normalización, aumento de datos y redimensionamiento se usaron para entrenar el modelo mediante aprendizaje supervisado, aplicando técnicas de regularización como Dropout. Los resultados demostraron una mejora del rendimiento: con 500 imágenes, la precisión fue del 23,33%; con 3.500 imágenes 46,67%; y con 6.700 imágenes, se logró una precisión del 76,67%. El modelo fue más efectivo en la detección de fallas por asentamiento (63,33%), seguido de fallas por temperatura (50,00%) y sobrecarga (43,33%). Se concluye que el modelo propuesto representa una herramienta eficaz para mejorar los procesos de monitoreo estructural, reduciendo significativamente los tiempos de inspección. Su aplicación práctica puede fortalecer la gestión preventiva, facilitando intervenciones oportunas y contribuyendo a la seguridad y sostenibilidad de edificaciones. |
| escuela_str_mv | Escuela Profesional de Ingeniería Civil |
| format | info:eu-repo/semantics/bachelorThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/9044 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Ingeniería estructural |
| ocde_area_str_mv | Ingeniería y tecnología |
| ocde_disciplina_str_mv | Ingeniería civil |
| ocde_str_mv | 2.01.00 |
| programa_nombre_str_mv | Ingeniería Civil |
| publishDate | 2025 |
| publishDateRange | 2025 |
| publishDateSort | 2025 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Juliaca |
| spelling | Aplicación de Técnicas Deep Learning para la Detección de Fallas Estructurales en Edificaciones del distrito de San Miguel - Puno Castillo Curo, Wilder Denilson Ugarte Rios, Moises Quispe Panca, Alder Jhosue Deep Learning Detección de fallas estructurales Infraestructura Redes neuronales Esta investigación aborda la necesidad de detectar fallas estructurales en edificaciones del distrito de San Miguel, Puno, donde factores como la variabilidad térmica, el asentamiento del terreno y sobrecargas han generado un deterioro progresivo en las construcciones. Frente a las limitaciones de las inspecciones visuales tradicionales, esta investigación tiene como objetivo desarrollar un modelo basado en redes neuronales convolucionales (CNN) para la detección automatizada de fallas estructurales. Se empleó un enfoque cuantitativo y experimental, utilizando 6.700 imágenes reales de edificaciones, las técnicas de preprocesamiento como normalización, aumento de datos y redimensionamiento se usaron para entrenar el modelo mediante aprendizaje supervisado, aplicando técnicas de regularización como Dropout. Los resultados demostraron una mejora del rendimiento: con 500 imágenes, la precisión fue del 23,33%; con 3.500 imágenes 46,67%; y con 6.700 imágenes, se logró una precisión del 76,67%. El modelo fue más efectivo en la detección de fallas por asentamiento (63,33%), seguido de fallas por temperatura (50,00%) y sobrecarga (43,33%). Se concluye que el modelo propuesto representa una herramienta eficaz para mejorar los procesos de monitoreo estructural, reduciendo significativamente los tiempos de inspección. Su aplicación práctica puede fortalecer la gestión preventiva, facilitando intervenciones oportunas y contribuyendo a la seguridad y sostenibilidad de edificaciones. 2025-06-30 2025-08-12T21:46:47Z 2025-08-12T21:46:47Z info:eu-repo/semantics/bachelorThesis https://hdl.handle.net/20.500.12840/9044 spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/9044 2026-11-10T17:45:09Z |
| spellingShingle | Deep Learning Detección de fallas estructurales Infraestructura Redes neuronales Castillo Curo, Wilder Denilson Ugarte Rios, Moises Aplicación de Técnicas Deep Learning para la Detección de Fallas Estructurales en Edificaciones del distrito de San Miguel - Puno |
| title | Aplicación de Técnicas Deep Learning para la Detección de Fallas Estructurales en Edificaciones del distrito de San Miguel - Puno |
| title_full | Aplicación de Técnicas Deep Learning para la Detección de Fallas Estructurales en Edificaciones del distrito de San Miguel - Puno |
| title_fullStr | Aplicación de Técnicas Deep Learning para la Detección de Fallas Estructurales en Edificaciones del distrito de San Miguel - Puno |
| title_full_unstemmed | Aplicación de Técnicas Deep Learning para la Detección de Fallas Estructurales en Edificaciones del distrito de San Miguel - Puno |
| title_short | Aplicación de Técnicas Deep Learning para la Detección de Fallas Estructurales en Edificaciones del distrito de San Miguel - Puno |
| title_sort | aplicacion de tecnicas deep learning para la deteccion de fallas estructurales en edificaciones del distrito de san miguel puno |
| topic | Deep Learning Detección de fallas estructurales Infraestructura Redes neuronales |
| topic_facet | Deep Learning Detección de fallas estructurales Infraestructura Redes neuronales |
| url | https://hdl.handle.net/20.500.12840/9044 |
| work_keys_str_mv | AT castillocurowilderdenilson aplicaciondetecnicasdeeplearningparaladetecciondefallasestructuralesenedificacionesdeldistritodesanmiguelpuno AT ugarteriosmoises aplicaciondetecnicasdeeplearningparaladetecciondefallasestructuralesenedificacionesdeldistritodesanmiguelpuno |