Modelo para dosificación de mezclas de hormigón utilizando lógica difusa

Contenido principal del artículo

Jorge Santamaría
https://orcid.org/0000-0002-3982-2488
Luis  Morales
https://orcid.org/0000-0001-7556-8803
José Pilaluisa
https://orcid.org/0000-0001-6949-350X

Resumen

El hormigón, mezcla de cemento Portland, agua, y agregados, es comúnmente utilizado en la industria de la construcción con un alto porcentaje de fabricación in-situ. Las proporciones de cada uno de los componentes de la mezcla es de mucha importancia para asegurar la calidad producto (esfuerzo de compresión). Actualmente, varios métodos empíricos para el diseño de mezclas de hormigón son utilizados; sin embargo, éstos son basados en su mayoría en ecuaciones, tablas y/o correlaciones, sin considerarse experiencias pasadas y/o datos experimentales. El presente estudio ilustra la aplicación de la teoría de lógica difusa para desarrollar un modelo que permite estimar las proporciones de los componentes del hormigón al peso, sin utilizar aditivo. Las variables independientes (datos de entrada) seleccionadas fueron las que comúnmente se usan para diseño de mezclas. Datos históricos experimentales y la experiencia del técnico de hormigón fue empleada para la construcción de las funciones de membresía (FMs) y las reglas difusas. El sistema de inferencia lógico (SIL) Mamdani fue escogido para construir el modelo en razón de que éste permite trabajar con varias salidas (relación agua – cemento y agregados). Los resultados indican que el SIL es capaz de estimar las proporciones de una mezcla de hormigón de manera aceptable (R2=95.1%); sin embargo, el modelo se lo puede mejorar a medida que se disponga de mayor conocimiento del sistema. Además, el modelo puede hacer uso de la información que reposa en archivos y las experiencias personales de los técnicos para la elaboración de modelos particulares para cada proyecto.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Detalles del artículo

Cómo citar
Santamaría, J., Morales, L., & Pilaluisa, J. (2018). Modelo para dosificación de mezclas de hormigón utilizando lógica difusa. FIGEMPA: Investigación Y Desarrollo, 5(1), 54–61. https://doi.org/10.29166/revfig.v1i1.815
Sección
Artículos
Biografía del autor/a

Jorge Santamaría, Universidad Central del Ecuador. Quito, Ecuador

Ph.D. en Ingeniería. Docente.

Orcid: 0000-0002-3982-2488

Luis  Morales, Universidad Central del Ecuador. Quito, Ecuador

Magíster en Ingeniería Informática Empresarial. Docente.

Orcid: 0000-0001-7556-8803

José Pilaluisa, Universidad Central del Ecuador. Quito, Ecuador

Magíster en Estructuras y Ciencias de los Materiales. Docente Universidad Central del Ecuador

Citas

ACI Committee 211. (1991). 211.1-91: Standard Practice for Selecting Proportions for Normal, Heavyweight, and Mass Concrete (Reapproved 2009). Farmington Hills, MI.

ASTM International. (2017). C39/C39M-17, Standard Test Method for Compressive Strength of Cylindrical Concrete Specimens, West Conshohocken, PA, doi: 10.1520/C0039_C0039M-17

INECYC (2015). Comercialización mensual y anual del cemento gris. Ecuador. Recuperado de: http://www.inecyc.org.ec/comercializacion-mensual-y-anual-de-cemento-gris/

Kute, S.Y. y Kale, R.S. (2013). Five-Layer Fuzzy Inference System to Design a Concrete Mixture, Based on ACI Method. ACI Materials Journal, 110(6).

Mamdani, E.H. y Assilian, S. (1975). An experiment in linguistic synthesis with a fuzzy logic controller. International journal of man-machine studies, 7(1), pp.1-13. doi: 10.1016/S0020-7373(75)80002-2

Mamdani, E.H. (1977). Application of Fuzzy Logic to Approximate Reasoning Using Linguistic Synthesis. IEEE Transactions on Computers, 26(12), pp. 1182-1191.

Neville, A. M., y Brooks, J. J. (2010). Concrete technology (2nd ed.). Harlow, England: Prentice Hall.

Ross, T. J. (2010). Fuzzy Logic with Engineering Applications (3rd edition). Chichester, U.K.: John Wiley & Sons, Ltd.

Takagi, T., y Sugeno, M. (1985). Fuzzy Identification of Systems and its Applications to Modeling and Control. IEEE Transactions on Systems, Man, and Cybernetics, 15(1), pp. 116-132.

Tayfur, G., Erdem, T. K., y Kirca, Ö. (2014). Strength Prediction of High-Strength Concrete by Fuzzy Logic and Artificial Neural Networks. Journal of Materials in Civil Engineering, 26(11), p. 04014079, doi: 10.1061/(ASCE)MT.1943-5533.0000985.

Tesfamariam, S., y Najjaran, H. (2007). Adaptive Network–Fuzzy Inferencing to Estimate Concrete Strength Using Mix Design. Journal of Materials in Civil Engineering, 19(7), pp. 550-560. doi: 10.1061/(ASCE)0899-1561(2007)19:7(550).

Tsukamoto, Y. (1979). An Approach to Fuzzy Reasoning Method, in Advances in Fuzzy Set Theory and Applications, M. M. Gupta, R. K. Ragade, and R. R. Yager, eds., Amsterdam, pp. 137–149: North-Holland Publishing Company.

Zadeh, L. A. (1965). Fuzzy Sets. Information and Control, 8(3), pp. 338-353.