Use of Artificial Neural Networks (ANNs) for the prediction of the Compressive Strength and Modulus of Elasticity of Concrete
Article Sidebar
Main Article Content
Abstract
The present investigation indicates the design of an artificial intelligence model based on artificial neural
networks (RNA) that allows predicting the Compressive Strength (f'c) and Modulus of elasticity (Ec) of
concrete. The methodology was carried out in three stages: The Delta Stage, where a database was formed
consisting of the results of concrete designs (aggregate characterization, dosages, compressive strength and
modulus of elasticity) made with GU type cement without additives and aggregates from quarries in the
Metropolitan District of Quito, obtained from degree work from various universities in the country and from
commercial tests carried out by the Materials and Models Testing Laboratory of the Faculty of Engineering
and Applied Sciences. In the following Theta Stage, the design of the ANN was carried out using the Matlab
software and the Neural Fitting tool (nftool) for training, validation and testing of the ANN through
performance indicators such as the Pearson correlation coefficient (R) in the evaluation stage and the
coefficient of determination (R2) to measure the efficiency of the ANN; Finally, in the Gamma stage, the
predicted results of the ANN were verified with the actual (f'c) and (Ec) of the concrete obtained through tests
carried out on 20 concrete cylinders, designed for resistances of 21, 24 and 28 MPa using aggregates from the
Pifo quarry and Type GU cement. Establishing that the RNA satisfactorily predicts the compressive strength
and modulus of elasticity of concrete, obtaining a value of R2 for (f'c) equal to 95.12% and for (Ec) of 92.20%
between the predicted results with the actual results for mixtures of 21, 24 and 28 MPa; validating its use for
the prediction of these properties in concrete.
Downloads
Metrics
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
El Universo, “El hormigón es el más usado para construir viviendas en Ecuador,” El Universo, Quito, p. 1, Sep. 14, 2018.
C. Martínez and A. Hernández, “Predicción de resistencia a compresión del hormigón mediante redes neuronales haciendo uso del agregado de la cantera de Antonio Maceo” Revista de Arquitectura e Ingeniería. Vol 14. Núm 1, Cuba, pp. 1–17, Feb. 2020.
L. González, A. Guerrero, S. Delvasto, and A. Ernesto, “Redes neuronales artificiales para estimar propiedades en estado fresco y endurecido, para hormigones reforzados con fibras metálicas” Cuaderno Activa, no. 2016, pp. 95–107, 2017.
E. Chele, “Determinación del módulo de elasticidad en hormigones estructurales de 21 y 28 MPa utilizando agregados de la cantera Agresa” Universidad Estatal del Sur de Manabí, 2019. [Online]. Disponible en: http://repositorio.unesum.edu.ec/handle/53000/2011.
J. Calderón, “Determinación del módulo de elasticidad del hormigón hidráulico de (f`c 21 y 24) MPa, con árido de la cantera Agre S.A del cantón Portoviejo” Universidad Estatal del Sur de Manabí, 2021. [6] S. Siami-Namini and A. S. Namin, «Forecasting economics and financial time series: ARIMA vs. LSTM», Mar. 2018. Accessed: May 07, 2023. [Online]. Available: http://arxiv.org/abs/1803.06386
E. Fiesler and R. Beale, Handbook of Neural Computation - 1st Edition, 1st ed. New York: Routledge, 1997. DOI: https://doi.org/10.1887/0750303123
M. A. Villegas, “Aplicación de redes neuronales para la predicción de la resistencia a la compresión del concreto según el ensayo de esclerometría” Universidad Peruana de Ciencias Aplicadas, Lima, 2019.
M. LÓPEZ DOMÍNGUEZ AND J. ONTANEDA CULQUI, “DISEÑO DE MEZCLAS DE HORMIGÓN APLICANDO REDES NEURONALES ARTIFICIALES PARA DIFERENTES AGREGADOS DEL CANTÓN QUITO, PROVINCIA DE PICHINCHA” TESIS PREGRADO, UNIVERSIDAD CENTRAL DEL ECUADOR, 2021. [ONLINE]. DISPONIBLE EN: HTTP://WWW.DSPACE.UCE.EDU.EC/BITSTREAM/25000/24621/1/UCE-FING-CIC-LÓPEZ MARCO- ONTANEDA JAIRO.PDF
J. Santamaría, L. Morales, and J. Pilaluisa, “Modelo para dosificación de mezclas de hormigón utilizando lógica difusa” FIGEMPA: Investigación y Desarrollo, vol. 1, no. 1, pp. 54– 61, 2018, doi: 10.29166/revfig.v1i1.815. DOI: https://doi.org/10.29166/revfig.v1i1.815
NTE INEN 1573, “Hormigón de cemento hidráulico. determinación de la resistencia a la compresión de especímenes cilíndricos de hormigón de cemento hidráulico.” Norma técnica ecuatoriana., 2010, p. 5. [Online]. Disponible en: http://normaspdf.inen.gob.ec/pdf/nte/1573.pdf
I. Amón Uribe, “Guía metodológica para la selección de técnicas de depuración de datos” universidad nacional de Colombia facultad de minas, escuela de sistemas, 2010.
MathWorks, “MATLAB.” The MathWorks Inc, 2019.
J. C. Arias Molina, “Propuesta de un analizador virtual (Soft-sensor) para la predicción del punto final de ebullición del jet y t95 del ACPM de la unidad de procesamiento de crudo u150 de la gerencia refinería de Barrancabermeja, Ecopetrol S.A” Universidad Industrial De Santander Facultad De Ingenierías Fisicoquímicas Escuela De Ingeniería Química Bucaramanga, 2016. [Online]. Disponible en: http://tangara.uis.edu.co/biblioweb/tesis/2016/164920.pdf
D. Asmal, J. Ocaña, A. Perdomo, and J. Pérez, “Estudio del módulo de elasticidad estático del hormigón en base a la resistencia a la compresión (f´c= 21, 28 MPa) fabricado con material de la mina de pintag” Universidad Central del Ecuador, 2012.
NTE INEN 1855-2, “Hormigones. Hormigón Preparado en Obra. Requisitos,” Norma Técnica Ecuatoriana, p. 3, 2015.
NTE INEN 1763, “Hormigón de cemento hidráulico. muestreo” Norma Técnica Ecuatoriana, pp. 1–12, 2010, [Online]. Disponible en: https://www.normalizacion.gob.ec/buzon/normas/1338-3.pdf