USO DEL APRENDIZAJE AUTOMÁTICO PARA PREDECIR SI UNA FUNDACIÓN CUADRADA AISLADA PROPUESTA CUMPLE CON EL ESTÁNDAR ACI 318-11
Palabras clave:
aprendizaje automático, predicción del diseño estructural, árbol de decisión J48, Naive Bayes, AdaBoostM1Resumen
Cuando un ingeniero civil diseña un proyecto, se generan y registra múltiple información en documentos físicos o digitales. En el pasado, la mayor parte de esta información se escribía en papel y esta se extraviaba o degradaba con el tiempo, lo que provocaba la pérdida de datos. Actualmente la mayor parte de la información se registra digitalmente en ordenadores, a través de documentos txt, pdf, CSV, bases de datos SQL, imágenes, capturas de sonido, etc. Todos estos datos se acumulan generalmente de forma desordenada y sin un uso específico. ¿Se podría utilizar toda esta información? Mediante el aprendizaje automático y la creación de una base de datos adecuada, la información recopilada por diseños anteriores puede utilizarse para realizar predicciones que nos permitan conocer algún atributo de interés, por ejemplo, si un diseño es adecuado en relación con el estándar ACI 318-11. En este artículo, se utilizó el software WEKA para entrenar y probar modelos con algoritmos como J48, Naive Bayes, Logistic y AdaBoostM1. Se seleccionó el mejor modelo y posteriormente se realizaron predicciones con datos externos al conjunto de datos de entrenamiento.
Descargas
Citas
Enciclopedia Británica. (2020). Charles Babbage. Disponible en el sitio Web: https://www.britannica.com/biography/Charles-Babbage (Último acceso: 15/07/2021).
Feng D., Liu Z., Wang X., Jiang Z. and Liang S. (2020). Clasificación del modo de falla y predicción de la capacidad portante para columnas de hormigón armado basadas en algoritmos de aprendizaje automático de conjuntos. Ingeniería Informática Avanzada, (45), 1-3.
Greco L. (2018). Aprendizaje automático y técnicas de optimización para conexiones de acero. Actas del Simposio IASS 2018 Creatividad en diseño estructural, 1-2.
Holmes G., Donkin A., and Witten I. (1994). WEKA: un banco de trabajo de aprendizaje automático. Actas de ANZIIS'94-Conferencia de sistemas de información inteligente de Australia y Nueva Zelanda IEEE, 357.
McCarthy J., Minsky M., Rochester N. and Shannon C. (1956). Una propuesta para el proyecto de investigación de verano de Dartmouth. Revista AI, 27(4), 12.
Mokgonyane T., Sefara T., Modipa T., Manamela M. and Manamela P. (2019). Sistema de reconocimiento automático de locutores basado en algoritmos de aprendizaje automático. Conferencia SAUPEC/RobMech/PRASA, 144-145.
Naser M.Z., Thai S. and Thai H. (2020). Evaluación de la respuesta estructural de columnas tubulares de acero rellenas de hormigón a través del aprendizaje automático. Revista de Ingeniería de la Construcción, 1-3.
Samuel A. (1959). Algunos estudios en aprendizaje automático utilizando el juego de damas. Revista de investigación y desarrollo de IBM, 3(3), 211-212.
Sun H., Burton H. and Honglan H. (2020). Aplicaciones de aprendizaje automático para el diseño estructural de edificios y la evaluación del rendimiento: 2 Revisión del estado del arte. Revista de Ingeniería de la Construcción, 1-8.
Taylor R. (1843). Memorias científicas seleccionadas de las transacciones de academias extranjeras de ciencia y sociedades científicas y de revistas extranjeras, R. y JE Taylor, (3), 722.
Turing A. (1950). Maquinaria informática e inteligencia, Cambridge, MA: MIT Press, 450-451.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.
