Professional Documents
Culture Documents
Trabajo Semestral Ic 445
Trabajo Semestral Ic 445
Huamanga
Facultad de Ingenierı́a Minas, Geologı́a y Civil
Escuela Profesional de Ingenierı́a Civil
Mecánica de Suelos II
Alumnos: Código:
.......................................................................................................
1 OBJETIVOS
Determinar los parámetros de resistencia al corte de suelos a partir de sus propiedades fı́sicas, mediante
las Redes Neuronales Artificiales y una base de datos recopilados de laboratorio.
MECÁNICA DE SUELOS II 1
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
2 DATOS DE ENTRADA
MECÁNICA DE SUELOS II 2
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
MECÁNICA DE SUELOS II 3
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
MECÁNICA DE SUELOS II 4
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
MECÁNICA DE SUELOS II 5
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
MECÁNICA DE SUELOS II 6
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
MECÁNICA DE SUELOS II 7
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
Los datos mostrados anteriormente han sido recopilados y seleccionados de estudios de tesis
e investigaciones academicos presentados en la bibliografia.
MECÁNICA DE SUELOS II 8
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
3 MARCO TEÓRICO
MECÁNICA DE SUELOS II 9
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
ce muy significativo tuvo lugar con la formulación de una nueva regla de aprendizaje
supervisado, la denominada ńRegla Delta Generalizadaż por parte de Werbos, Parker y
LeCun. Asimismo, el desarrollo por Rumelhart del algoritmo de aprendizaje supervisado
para redes neuronales artificiales conocido como ńbackpropagationż ofreció en 1986 una
solución muy potente para la construcción de redes neuronales más complejas al evitar los
problemas observados en el aprendizaje del perceptrón simple. Este algoritmo constituye
desde entonces una de las reglas de aprendizaje de mayor utilización para el entrenamiento
de la red conocida como perceptrón multicapa.
En 1988, los esfuerzos de la IEEE y de la INNS se unieron para formar la ńInternational
Joint Conference on Neuronal Networksż (IJCNN) y, tres años más tarde, surgió la ńInter-
national Conference on Artificial Neural Networksż (ICANN), organizada por la Sociedad
Europea de Redes Neuronales. Asimismo, desde 1987 se viene celebrando la reunión anual
ńNeural Information Processing Systemsż (NIPS), que constituye uno de los referentes de
más alto nivel en este campo de investigación.
Como consecuencia de estos esfuerzos, las redes neuronales artificiales han experimentado
un importante desarrollo en los últimos años, hasta el punto que el paradigma conexionista
ha llegado a superar a las aplicaciones basadas en modelos simbólicos. En los últimos años,
las investigaciones se centran en la combinación de ambos paradigmas de aprendizaje, con
el fin de conseguir una mayor unión entre la capacidad de procesamiento y aproximación
de las redes neuronales artificiales, que pueden llegar a soluciones sorprendentemente bue-
nas con rapidez y poca información de partida, y el potencial de los sistemas basados en
el conocimiento, como demuestran los trabajos de Tomas Hrycej (1992) en inteligencia
artificial, Paul McNelis (1997 y 2005) en finanzas y Bart Baesens (2003) en minerı́a de
datos, entre otros.
Aprendizaje de redes neuronales
Durante la operatoria de una red neuronal podemos distinguir claramente dos fases o
modos de operación: la fase de aprendizaje y la fase de ejecución. Durante la primera
fase, la red es entrenada para realizar un determinado tipo de procesamiento. Una vez
alcanzado un nivel de entrenamiento adecuado, se pasa a la fase de ejecución, donde la red
es utilizada para llevar a cabo la tarea para la cual fue entrenada. Fase de aprendizaje
Una vez seleccionada el tipo de neurona artificial que se utilizará en una red neuronal
y determinada su topologı́a es necesario entrenarla para que la red pueda ser utilizada.
Partiendo de un conjunto de pesos sinápticos aleatorio, el proceso de aprendizaje busca
un conjunto de pesos que permitan a la red desarrollar correctamente una determinada
tarea. Durante el proceso de aprendizaje se va refinando iterativamente la solución hasta
alcanzar un nivel de operación suficientemente bueno. El proceso de aprendizaje se puede
dividir en tres grandes grupos de acuerdo a sus caracterı́sticas:
Aprendizaje supervisado. Se presenta a la red un conjunto de patrones de entrada y
su salida esperada. Los pesos se van modificando de forma proporcional al error que se
produce entre la salida real de la red y la esperada.
Aprendizaje no supervisado. Se presenta a la red un conjunto de patrones de entrada.
No hay información disponible sobre la salida esperada. El proceso de entrenamiento en
este caso deberá ajustar sus pesos en base a la correlación existente entre los datos de
entrada.
Aprendizaje por refuerzo. Este tipo de aprendizaje se ubica entre medio de los dos
anteriores. Se le presenta a la red un conjunto de patrones de entrada y se le indica a
MECÁNICA DE SUELOS II 10
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
Figura 1. Nota. Adaptado de Equivalencia entre redes artificiales y biológicas, A. Requena, R. Quin-
tanilla, J.M. Boları́n, A. Vázquez, A. Bastida, J. Zúñiga y L.M. Tomás. Universidad de Murcia., 2011,
(https://www.um.es/LEQ/Atmosferas/Ch-VI-3/F63s4p3.htm).
Figura 2. Modelo genérico de una neurona artificial Los elementos que constituyen dicha neurona
MECÁNICA DE SUELOS II 11
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
Lı́mite lı́quido
La Norma Técnica Peruana (NTP 339.129, 2006), define al lı́mite liquido como la hume-
dad que presenta el suelo, la cual se halla entre el lı́mite del estado lı́quido y plástico. Esta
humedad se determina colocando una masa de suelo en la Copa de Casagrande, el cual
es separada con un ranurador, para luego dejar caer la copa desde una altura de 1cm, y
llegar a cerrar la ranura en 1.3 cm, con 25 golpes de la cuchara contra la base. El cálculo
del lı́mite liquido se realizan mediante las pruebas con diferentes contenidos de humedad,
el cual mediante el método gráfico se determina la humedad a los 25 golpes en un gráfico
semilogaritmico (humedad versus número de golpes).
MECÁNICA DE SUELOS II 12
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
Lı́mite plástico
Se define al lı́mite plástico como el contenido de humedad del suelo, al cual un cilindro
de suelo de 3 milı́metros de diámetro se rompa o resquebraje al formarse esta, la muestra
de suelo a usar es con el pasante de la malla N° 40, al igual que para el ensayo del lı́mite
lı́quido. Cabe mencionar que la diferencia del lı́mite lı́quido y limite plástico se denomina
ı́ndice de plasticidad del suelo. (NTP 339.129, 2006)
Índice de plasticidad
Representa el comportamiento de un suelo en base a su contenido de humedad, por lo
que el suelo podrá trabajar de forma que será capaz de resistir deformaciones sin llegar a
una falla.
Cohesión (C)
Se refiere a la fortaleza, firmeza o la resistencia al corte del suelo cuando no hay la exis-
tencia del algún esfuerzo de compresión que actúa sobre dicho suelo. En suelos granulares
limpios es normalmente asumido de una cohesión nula (Segovia, 2012).
“Es la capacidad que tienen las partı́culas de la masa del suelo para permanecer unidas
debido a las fuerzas de atracción que se presentan según el porcentaje de humedad” citado
por Pachacama (2015) (Suarez, 2009, pág. 32). Compacidad del material.
Del grosor de los granos y de su granulometrı́a.De la forma y rugosidad de los granos.
Influencia al ángulo de fricción según las caracterı́sticas, estados y granulometrı́a del sue-
lo de estudio. “Actúa en las arcillas; es la atracción molecular que mantiene unidas a las
partı́culas” (Iriondo, 1993, pág. 85).
MECÁNICA DE SUELOS II 13
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
4 CONSTRUCCIÓN DE LA RED
MECÁNICA DE SUELOS II 14
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
MECÁNICA DE SUELOS II 15
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
MECÁNICA DE SUELOS II 16
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
MECÁNICA DE SUELOS II 17
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
MECÁNICA DE SUELOS II 18
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
MECÁNICA DE SUELOS II 19
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
MECÁNICA DE SUELOS II 20
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
MECÁNICA DE SUELOS II 21
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
Cabe destacar que la presente red tiene limitaciones ya que cuenta con pocos datos res-
pecto a la variedad de suelos que se pueden encontrar, pudiendo ser esta un factor en
contra del estudio ya que, al presentarse un valor atipico, la lectura y aproximacion de la
red puede no ser muy buena.
MECÁNICA DE SUELOS II 22
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
6 CONCLUSIONES
Se pudo construir haciendo uso del software matlab una red neuronal de regresión
para obtener los valores de fricción y cohesion para suelos arcillosos usando datos
recopilados de laboratorio, estudios, tesis y expedientes técnicos.
La Red Neuronal como los resultados de los ensayos en el laboratorio indican que las
propiedades del suelo influyen en el comportamiento mecánico de los suelos, ya que
se ha obtenido una correlación alta mediante la prueba de correlación Pearson, con
los resultados del ensayo triaxial y los obtenidos mediante en entrenamiento en el
modelo de Red Neuronal. En este trabajo se realizó los ensayos para la determinación
de las propiedades fı́sicas y básicas de los suelos de manera minuciosa, las cuales fue-
ron una herramienta alternativa para predecir los parámetros de resistencia al corte
(Cohesión y Ángulo de fricción).
MECÁNICA DE SUELOS II 23
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
7 RECOMENDACIONES
Para obtener mayor ajuste a los datos reales que se obtienen con el Equipo Triaxial,
se recomienda trabajar este proyecto de investigación en diferentes lugares de estudio
tomando en cuenta que a mayor cantidad de propiedades fı́sicas que determinan al
suelo, ası́ como a mayor cantidad de puntos de estudio, se obtendrı́a un mejor tipo
de modelo de Red Neuronal Artificial con una adecuada bondad de ajuste y repre-
sentativa con alta predictibilidad, de tal manera se convertirı́a en una herramienta
de determinación de los parámetros de resistencia al corte de suelos.
MECÁNICA DE SUELOS II 24
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH
8 BIBLIOGRAFIA
MECÁNICA DE SUELOS II 25
Ing.
Civil