Predicción basada en redes neuronales de la resistencia a compresión a los 7 días de los UHPC incorporando SCM
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Artigo |
Idioma: | spa |
Título da fonte: | Matéria (Rio de Janeiro. Online) |
Texto Completo: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1517-70762021000400320 |
Resumo: | RESUMEN El hormigón de ultra alto rendimiento (UHPC) es un tipo de hormigón de alta tecnología que exhibe excelentes propiedades mecánicas y de durabilidad. En los últimos años, el uso de materiales cementantes suplementarios (SCM) como sustitución parcial del humo de cemento y sílice ha sido objeto de gran interés por parte de la comunidad científica para reducir los altos costos y la huella de carbono del UHPC. Algunas sus aplicaciones, como el refuerzo sísmico de estructuras existentes no dúctiles, requieren del desarrollo de resistencias tempranas. Sin embargo, la sustitución del cemento y humo de sílice puede modificar de algunas propiedades, como las resistencias iniciales de UHPC. Por otro lado, el uso de SCM produce un material altamente complejo, siendo más difícil comprender el efecto de cada componente y sus interacciones en el desarrollo de resistencias tempranas en el hormigón. Este estudio tiene como objetivo desarrollar un modelo de redes neuronales artificiales (ANN) para predecir la resistencia a la compresión a los siete días del UHPC, pudiendo incorporar varios SCM como el humo de sílice, ceniza volante, escoria granulada de alto horno, polvo de vidrio reciclado, ceniza de cascarilla de arroz, residuo de catalizador de craqueo catalítico fluido, metacaolín, carbonato cálcico pulverizado, además de filler mineral como el polvo de cuarzo. Para el desarrollo del modelo de una sola capa oculta se usaron 523 datos de investigaciones publicadas. Además, el modelo también fue validado mediante el uso de trabajos experimentales. Finalmente, el algoritmo Connection-Weight-Approach (CWA) se utilizó para analizar las relaciones entre los componentes del UHPC y la resistencia a la compresión a los siete días. Los resultados señalaron que el modelo ANN es un modelo eficiente para predecir la resistencia a la compresión a los 7 días del UHPC incluso cuando se incorporan SCM. |
id |
RLAM-1_b6de6e26ae5f76c98bf883780daf9ca7 |
---|---|
oai_identifier_str |
oai:scielo:S1517-70762021000400320 |
network_acronym_str |
RLAM-1 |
network_name_str |
Matéria (Rio de Janeiro. Online) |
repository_id_str |
|
spelling |
Predicción basada en redes neuronales de la resistencia a compresión a los 7 días de los UHPC incorporando SCMValidación cruzada k-foldANNUHPCmateriales cementantes suplementariosresistencia a la compresión a los 7 díasRESUMEN El hormigón de ultra alto rendimiento (UHPC) es un tipo de hormigón de alta tecnología que exhibe excelentes propiedades mecánicas y de durabilidad. En los últimos años, el uso de materiales cementantes suplementarios (SCM) como sustitución parcial del humo de cemento y sílice ha sido objeto de gran interés por parte de la comunidad científica para reducir los altos costos y la huella de carbono del UHPC. Algunas sus aplicaciones, como el refuerzo sísmico de estructuras existentes no dúctiles, requieren del desarrollo de resistencias tempranas. Sin embargo, la sustitución del cemento y humo de sílice puede modificar de algunas propiedades, como las resistencias iniciales de UHPC. Por otro lado, el uso de SCM produce un material altamente complejo, siendo más difícil comprender el efecto de cada componente y sus interacciones en el desarrollo de resistencias tempranas en el hormigón. Este estudio tiene como objetivo desarrollar un modelo de redes neuronales artificiales (ANN) para predecir la resistencia a la compresión a los siete días del UHPC, pudiendo incorporar varios SCM como el humo de sílice, ceniza volante, escoria granulada de alto horno, polvo de vidrio reciclado, ceniza de cascarilla de arroz, residuo de catalizador de craqueo catalítico fluido, metacaolín, carbonato cálcico pulverizado, además de filler mineral como el polvo de cuarzo. Para el desarrollo del modelo de una sola capa oculta se usaron 523 datos de investigaciones publicadas. Además, el modelo también fue validado mediante el uso de trabajos experimentales. Finalmente, el algoritmo Connection-Weight-Approach (CWA) se utilizó para analizar las relaciones entre los componentes del UHPC y la resistencia a la compresión a los siete días. Los resultados señalaron que el modelo ANN es un modelo eficiente para predecir la resistencia a la compresión a los 7 días del UHPC incluso cuando se incorporan SCM.Laboratório de Hidrogênio, Coppe - Universidade Federal do Rio de Janeiroem cooperação com a Associação Brasileira do Hidrogênio, ABH22021-01-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S1517-70762021000400320Matéria (Rio de Janeiro) v.26 n.4 2021reponame:Matéria (Rio de Janeiro. Online)instname:Matéria (Rio de Janeiro. Online)instacron:RLAM10.1590/s1517-707620210004.1380info:eu-repo/semantics/openAccessGarcía,Joaquín Abellánspa2021-12-20T00:00:00Zoai:scielo:S1517-70762021000400320Revistahttp://www.materia.coppe.ufrj.br/https://old.scielo.br/oai/scielo-oai.php||materia@labh2.coppe.ufrj.br1517-70761517-7076opendoar:2021-12-20T00:00Matéria (Rio de Janeiro. Online) - Matéria (Rio de Janeiro. Online)false |
dc.title.none.fl_str_mv |
Predicción basada en redes neuronales de la resistencia a compresión a los 7 días de los UHPC incorporando SCM |
title |
Predicción basada en redes neuronales de la resistencia a compresión a los 7 días de los UHPC incorporando SCM |
spellingShingle |
Predicción basada en redes neuronales de la resistencia a compresión a los 7 días de los UHPC incorporando SCM García,Joaquín Abellán Validación cruzada k-fold ANN UHPC materiales cementantes suplementarios resistencia a la compresión a los 7 días |
title_short |
Predicción basada en redes neuronales de la resistencia a compresión a los 7 días de los UHPC incorporando SCM |
title_full |
Predicción basada en redes neuronales de la resistencia a compresión a los 7 días de los UHPC incorporando SCM |
title_fullStr |
Predicción basada en redes neuronales de la resistencia a compresión a los 7 días de los UHPC incorporando SCM |
title_full_unstemmed |
Predicción basada en redes neuronales de la resistencia a compresión a los 7 días de los UHPC incorporando SCM |
title_sort |
Predicción basada en redes neuronales de la resistencia a compresión a los 7 días de los UHPC incorporando SCM |
author |
García,Joaquín Abellán |
author_facet |
García,Joaquín Abellán |
author_role |
author |
dc.contributor.author.fl_str_mv |
García,Joaquín Abellán |
dc.subject.por.fl_str_mv |
Validación cruzada k-fold ANN UHPC materiales cementantes suplementarios resistencia a la compresión a los 7 días |
topic |
Validación cruzada k-fold ANN UHPC materiales cementantes suplementarios resistencia a la compresión a los 7 días |
description |
RESUMEN El hormigón de ultra alto rendimiento (UHPC) es un tipo de hormigón de alta tecnología que exhibe excelentes propiedades mecánicas y de durabilidad. En los últimos años, el uso de materiales cementantes suplementarios (SCM) como sustitución parcial del humo de cemento y sílice ha sido objeto de gran interés por parte de la comunidad científica para reducir los altos costos y la huella de carbono del UHPC. Algunas sus aplicaciones, como el refuerzo sísmico de estructuras existentes no dúctiles, requieren del desarrollo de resistencias tempranas. Sin embargo, la sustitución del cemento y humo de sílice puede modificar de algunas propiedades, como las resistencias iniciales de UHPC. Por otro lado, el uso de SCM produce un material altamente complejo, siendo más difícil comprender el efecto de cada componente y sus interacciones en el desarrollo de resistencias tempranas en el hormigón. Este estudio tiene como objetivo desarrollar un modelo de redes neuronales artificiales (ANN) para predecir la resistencia a la compresión a los siete días del UHPC, pudiendo incorporar varios SCM como el humo de sílice, ceniza volante, escoria granulada de alto horno, polvo de vidrio reciclado, ceniza de cascarilla de arroz, residuo de catalizador de craqueo catalítico fluido, metacaolín, carbonato cálcico pulverizado, además de filler mineral como el polvo de cuarzo. Para el desarrollo del modelo de una sola capa oculta se usaron 523 datos de investigaciones publicadas. Además, el modelo también fue validado mediante el uso de trabajos experimentales. Finalmente, el algoritmo Connection-Weight-Approach (CWA) se utilizó para analizar las relaciones entre los componentes del UHPC y la resistencia a la compresión a los siete días. Los resultados señalaron que el modelo ANN es un modelo eficiente para predecir la resistencia a la compresión a los 7 días del UHPC incluso cuando se incorporan SCM. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-01-01 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1517-70762021000400320 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1517-70762021000400320 |
dc.language.iso.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
10.1590/s1517-707620210004.1380 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
text/html |
dc.publisher.none.fl_str_mv |
Laboratório de Hidrogênio, Coppe - Universidade Federal do Rio de Janeiro em cooperação com a Associação Brasileira do Hidrogênio, ABH2 |
publisher.none.fl_str_mv |
Laboratório de Hidrogênio, Coppe - Universidade Federal do Rio de Janeiro em cooperação com a Associação Brasileira do Hidrogênio, ABH2 |
dc.source.none.fl_str_mv |
Matéria (Rio de Janeiro) v.26 n.4 2021 reponame:Matéria (Rio de Janeiro. Online) instname:Matéria (Rio de Janeiro. Online) instacron:RLAM |
instname_str |
Matéria (Rio de Janeiro. Online) |
instacron_str |
RLAM |
institution |
RLAM |
reponame_str |
Matéria (Rio de Janeiro. Online) |
collection |
Matéria (Rio de Janeiro. Online) |
repository.name.fl_str_mv |
Matéria (Rio de Janeiro. Online) - Matéria (Rio de Janeiro. Online) |
repository.mail.fl_str_mv |
||materia@labh2.coppe.ufrj.br |
_version_ |
1752126694694584320 |