Universidad Nacional de San Cristóbal de

Huamanga
Facultad de Ingenierı́a Minas, Geologı́a y Civil
Escuela Profesional de Ingenierı́a Civil

Mecánica de Suelos II

“ESTIMACION DE LOS PARÁMETROS DE RESISTENCIA

AL CORTE DE SUELOS ARCILLOSOS, DEL NORTE DE
AYACUCHO, A PARTIR DE SUS PROPIEDADES FÍSICAS ,
UTILIZANDO REDES NEURONALES ARTIFICIALES”

Docente: Ing. VILCHEZ PEÑA ANGEL HUGO

Grupo: A (lista del 11 al 20)

Alumnos: Código:
.......................................................................................................

CASTRO HUAMAN, ALEXANDER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16190113

CASTILLO MENESES, OMAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16162145
CAYLLAHUA RODRIGUEZ, ESTHER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16180120
CCASANI RUIZ, ROY BETUEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16160102
CONDE ESPINOZA, GRIMALDO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16172118
CISNEROS AYALA, PAVEL INOCENCIO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16182505
CISNEROS DE LA CRUZ, JORGE LUIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16192110
CURO FERNANDEZ, MELCHOR GASPAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16191115
CORDOVA ASTO, JUAN GABRIEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16192104
CHAVEZ GUTIERREZ, ROY JOEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16162151
20 de febrero de 2023
TRABAJO SEMESTRAL
UNSCH

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

Redes Neuronales Artificiales

Una red de neuronas, llamado comúnmente red neuronal artificial, es una herramienta
matemática que modela -de forma muy simplificada- el funcionamiento de las neuronas
en el cerebro. Otra forma de verlas, es como un procesador de datos que recibe informa-
ción entrante, codificada como números, hace una serie de operaciones y produce como
resultado información saliente, codificada también como otros números.
Evolución histórica
El matemático británico Alan Turing fue el primero en estudiar el cerebro desde el punto
de vista computacional en 1936, si bien los primeros trabajos para la construcción de mo-
delos matemáticos que imitasen el comportamiento de las neuronas del cerebro se deben
a Warren McCulloch y Walter Pitts (neurofisiólogo y matemático, respectivamente), que
presentaron en 1943 uno de los primeros modelos de una neurona artificial. Poco después,
en 1949, Donald Hebb propuso una ley que explica a grandes rasgos el aprendizaje neu-
ronal, conocida como ńregla de Hebbż, que se convirtió en la precursora de las técnicas
de entrenamiento de redes neuronales artificiales de hoy en dı́a.
A partir de estas aportaciones iniciales, durante la década de los años 50 y 60 surgieron
nuevos desarrollos, destacando los trabajos de Marvin Minsky y Frank Rosenblatt, quienes
desarrollaron el conocido como perceptrón, o perceptrón simple, un modelo sencillo capaz
de generalizar el conocimiento y que, tras aprender una serie de patrones previamente,
podı́a reconocer otros similares aunque no se les hubieran presentado con anterioridad.
Posteriormente al trabajo de Minsky y Rosenblatt sobre el perceptrón simple, Bernard
Widrow y Ted Hoff desarrollaron en 1960 una importante variación del algoritmo de
aprendizaje del perceptrón, la denominada ńLey de WidrowHoffż, que dio lugar al mo-
delo ADALINE (ADAptive LINear Elements), que constituyó la primera red neuronal
artificial aplicada a un problema real: la eliminación de los ecos de las lı́neas telefónicas
por medio de filtros adaptativos. A pesar de los brillantes inicios de la investigación usan-
do redes neuronales, el interés de la comunidad cientı́fica por éstas bajó enormemente
al publicarse el libro: Perceptrons: An introduction to Computational Geometry del ya
mencionado Marvin Minsky y de Seymour Papert, ambos investigadores del MIT. Estos
autores demostraron importantes limitaciones teóricas en el aprendizaje de los modelos
neuronales artificiales desarrollados hasta entonces, en particular matemáticos sin aplica-
bilidad práctica real.
A partir de este trabajo, numerosos autores abandonaron el ámbito neuronal para cen-
trarse en el análisis de los sistemas basados en el conocimiento, mucho más prometedor en
aquel momento. No obstante, otros autores continuaron investigando en el campos de las
redes neuronales artificiales, destacando el Asociador Lineal desarrollado por James An-
derson en 1977 y su extensión conocida como red ńBrain-State-in-a-Boxż, que permitieron
modelizar funciones arbitrariamente complejas. En 1982 coincidieron numerosos eventos
que hicieron resurgir el interés en las redes neuronales artificiales. John Hopfield presentó
su trabajo sobre redes neuronales describiendo con claridad y precisión una variante del
Asociador Lineal inspirada en la minimización de la energı́a presente en los sistemas fı́si-
cos, conocida como ńred de Hopfieldż. Además, en ese mismo año Fujitsu comenzó el
desarrollo de ńcomputadoras pensantesż para diversas aplicaciones en robótica. Un avan-

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

la red si la salida obtenida es o no correcta. Sin embargo, no se le proporciona el valor

de la salida esperada. Este tipo de aprendizaje es muy útil en aquellos casos en que se
desconoce cuál es la salida exacta que debe proporcionar la red.

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

PROPIEDADES DEL SUELO

Propiedades fı́sicas del suelo:
Según la norma de Suelos y Cimentaciones (E.050, 2015), menciona que, para determinar
las propiedades del suelo, se tienen que realizar ensayos in situ y de laboratorio, las cuales
estas están basadas en las Normas Técnicas Peruanas NTP. En la mecánica de suelos, es
de suma importancia conocer las principales propiedades fı́sicas del suelo, ya que inter-
pretando correctamente los resultados podemos predecir a un futuro el comportamiento
de un suelo determinado. (Crespo Villalaz, 2004 pág. 41).
Análisis granulométrico del suelo
El análisis granulométrico es la obtención de la distribución de partı́culas expresados
en porcentajes del peso total, ya que el suelo posee partı́culas de diferentes tamaños. Los
métodos generalmente usados para encontrar la distribución de tamaños de partı́culas son:
el análisis granulométrico por tamizado para partı́culas con diámetro superior a 0.075 mm.
y el análisis hidrométrico para partı́culas con diámetro menor a 0.075 mm. (Braja Das,
2013 pág. 33).
La Norma Técnica Peruana (NTP 339.128, 2006), indica la distribución de partı́culas
de los suelos mediante tamices estandarizados. Cabe mencionar que esta distribución de
partı́culas nos ayudará a poder clasificar los suelos mediante los sistemas SUCS o AASH-
TO. El análisis granulométrico del suelo clasifica a estos en función del tamaño de sus
partı́culas. La cual consiste en sacudir la muestra a través de los tamices estandarizados
que tienen aberturas pequeñas gradualmente. (MTC, 2016).
El análisis de los datos se representa de manera gráfica (papel semilogaritmico), el por
ciento de pesos acumulados (escala aritmética) y el tamaño de abertura del tamiz en la
abscisa (escala logarı́tmica), con lo cual se determina la curva de distribución de tamaños
de las partı́culas. (Braja Das, 2013 pág. 35)

Consistencia del suelo

La teorı́a de la consistencia del suelo, fue desarrollada por Albert Atterberg en 1900, quien
menciona que la incorporación de diferentes contenidos de humedad al grano fino, el cual
con un contenido de humedad muy bajo el comportamiento del suelo es como un sólido
quebradizo, pero cuando el contenido de humedad es muy alto, el suelo y el agua pueden
fluir como un lı́quido. Debido a esto el comportamiento natural del suelo se divide en
cuatro estados básico: solido, semisólido, plástico y lı́quido. (Braja Das, 2013 pág. 64).

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).

Ángulo de fricción interna (ϕ)

La resistencia al deslizamiento en los contactos entre partı́culas llamada como la ‘’fricción
verdadera” está en función a los minerales que se encuentran en contacto, normalmente
se estima constantes y cooperan a la mitad o más de la resistencia máxima. La fricción de
deslizamiento entre partı́culas será menor que el ángulo de fricción corregido por dilatancia
ya que la rotura de granos es ensayado a altas presiones (Segovia, 2012). “el ángulo de
fricción Interna es la representación matemática del coeficiente de rozamiento en el plano
de falla, el cual es un concepto básico de la fı́sica: Coeficiente de rozamiento = Tan
ϕ (Rosales, 2007, pág. 2). Indica que tiene varios factores entre los más importantes
menciona: Tamaño de los granos, forma de los granos, distribución de los tamaños de
granos y la densidad (Rosales, 2007). “La fricción interna actúa en las arenas y proviene
de la rugosidad de los granos” (Iriondo, 1993, pág. 85). El valor del ángulo de fricción
interna de los suelos granulares seco (gravas y arenas) dependen de la compacidad relativa
de las probetas de suelo ensayadas. Terzaghi determino la variación del ángulo según su
compacidad relativa en arena informe, ası́ como en arena de buena graduación.

MECÁNICA DE SUELOS II 13
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH

Ensayo con el equipo triaxial

Su principal objetivo de ese ensayo es obtener parámetros del suelo y la relación esfuerzo
– deformación a través de la determinación del esfuerzo cortante. El resultado que entrega
es la más representativa de esfuerzo cortante que sufre una masa de suelo al ser cargada.
Se trata de colocar una muestra cilı́ndrica de suelo dentro de una membrana, la cual se
ubica en una cámara especial o celda y a aquello se aplica una presión igual en todo
sentido y dirección en la que en el transcurso se aumenta la presión axial o normal (σ1 ),
sin modificar la presión lateral aplicada (σ3 ), hasta que llega a fallar. Procedimiento del
ensayo:
a) Ensayo triaxial no consolidado y no drenado (CC)
Se extrae y se talla la muestra obteniéndose un molde de suelo con las medidas geométricas
solicitadas por el equipo triaxial, se acopla la placa base inferior a la base de la cámara
triaxial y se monta la membrana de caucho, dentro encima de la membrana se coloca las
piedras porosas seguidamente se sujeta la celda con las varillas, y se procede a cargar
hasta la falla con los drenajes cerrados.
b) Ensayo triaxial consolidado y no drenado (CU)
Se extrae y se talla la muestra obteniéndose un molde de suelo con las medidas geométricas
solicitadas por el equipo triaxial, a diferencia de los demás se sujeta la celda con las
varillas, y se procede a cargas hasta la falla manteniendo las válvulas abiertas al aplicar
dicha presión de confinamiento. Al terminar la consolidación, se cierra la válvula y se
aplica la presión axial (σ1 ).
c) Ensayo triaxial consolidado y drenado (CD)
Se mantiene la válvula de drenaje abierta todas las fases del ensayo. La presión axial
deberá ser aplicada a una velocidad más baja que las anteriores, de modo de evitar que
los resultados se vean afectados por la presión de poros.

4 CONSTRUCCIÓN DE LA RED

En las siguientes secciones se menciona paso a paso la arquitectura 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

5 RESULTADOS DEL ENTRENAMIENTO

Figura 3. Graficas de aprendixaje de la red.

Fuente: Software Matlab

5.1. Interpretación de la Red

Después de ejecutar los códigos mostrados, se despliega un cuadro con la información del
aprendizaje y comprobación de la red, obteniéndose un valor superior al 0.9 en cada caso,
esto quiere decir que la red tiene más del 90 por ciento de confiabilidad lo cual es muy
aceptable para este tipo de redes. Todo lo mencionado se traduce en que la red neuro-
nal aprendió de una manera correcta y puede ser usada para predecir otros casos similares.

MECÁNICA DE SUELOS II 20
Ing.
Civil
TRABAJO SEMESTRAL
UNSCH

Figura 4. Grafica de la perdida y precisión.

Fuente: Software Matlab

En la anterior imagen se presenta la gráfica épocas vs el error. Mostrando una mejora en

cada época que tuvo la red hasta poder llegar a un error muy bajo en cuanto a datos de
entrenamiento, validación y prueba en conjunto.

El esquema mostrado posteriormente es la forma que se adopto para el diseño de la

arquitectura la red:

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

Se recomienda que este trabajo de investigación se lleve a cabo según la zonificación

por tipo de formación geológica que se encuentra el suelo, porque las propiedades
fı́sico mecánicas del suelo dependen de su historia geológica, el mismo que influye en
el comportamiento de suelo - estructura, la cual conlleva a la toma de decisiones del
tipo de cimentación en la fundación de diferentes estructuras de ingenierı́a.

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

Boza, M. & Merino, R.(2018). PARÁMETROS DE RESISTENCIA AL CORTE DE

SUELOS A PARTIR DE SUS PROPIEDADES FÍSICAS, UTILIZANDO REDES
NEURONALES ARTIFICIALES Y EQUIPO TRIAXIAL, UNH. Huancavelica-Peru.
Recuperado de:
https://repositorio.unh.edu.pe/bitstreams/f6d96ed4-d9ec-4181-8a06-395425c38993/download
Armesto, D. & Pinto, Y. (2018) ”DETERMINACIÓN DEL ÁNGULO DE FRIC-
CIÓN SUELO – MURO PARA EL DIMENSIONAMIENTO DE MUROS DE CON-
TENCIÓN SOBRE SUELOS ARENOSOS DE LA QUEBRADA PALMICHAL”.
Bucaramanca - Bolivia. Recuperado de:
https://repository.upb.edu.co/bitstream/handle/20.500.11912/5623/digital
37578.pdf?sequence=1&isAllowed=y
Garcı́a, S. (2013) .ESTIMACIÓN DE LA VARIACIÓN ESPACIAL DE LA RESIS-
TENCIA AL CORTE EN SUELOS MARINOS USANDO REDES NEURONALES”.
Recuperado de:
http://132.248.52.100:8080/xmlui/bitstream/handle/132.248.52.100/6237
/tesis.pdf?sequence=1isAllowed=y
Manrique, D. (2019). Predicción de propiedades mecánicas de suelos utilizando redes
neuronales artificiales. Huancayo-Peru. Recuperado de:
https://repositorio.continental.edu.pe/bitstream/20.500.12394/7191/2/IV FIN 105 TE
Manrique Davila 2019.pdf

MECÁNICA DE SUELOS II 25
Ing.
Civil