Aplicación de la Inteligencia Artificial en el diseño de mezclas de concreto. Estado del Arte

Luis Octavio González-Salcedo; Aydée Patricia Guerrero-Zúñiga; Silvio Delvasto-Arjona

PDF

FLIP

Cómo citar

González-Salcedo, L. O., Guerrero-Zúñiga, A. P., & Delvasto-Arjona, S. (2011). Aplicación de la Inteligencia Artificial en el diseño de mezclas de concreto. Estado del Arte. Cuaderno Activa, 4(2), 55–65. https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/33

Publicado: Apr 5, 2011

Número

Vol. 4 (2012)

Sección

Artículos

Términos de Licencia (VER)

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Cuaderno Activa provee acceso libre inmediato a su contenido bajo el principio de hacer disponible gratuitamente la producción investigativa al público, fomentando un mayor intercambio de conocimiento científico.

Creative-Commons Atribución - No comercial – Compartir igual. CC BY-NC-SA.

Luis Octavio González-Salcedo

Aydée Patricia Guerrero-Zúñiga

Silvio Delvasto-Arjona

Resumen

En este artículo se presentan los diferentes esfuerzos en la aplicación de la técnicas de la Inteligencia Artificial para predecir algunas propiedades del concreto, tanto en estado fresco como endurecido. El Estado del Arte muestra un uso importante de las Redes Neuronales Artificiales y de los Algoritmos Evolutivos, que son aplicados en la predicción de propiedades, la optimización, la dosificación de la materia prima, el control de calidad y la validación de modelos. Finalmente, se revisan los avances para diseños de mezclas en concretos reforzados con fibras.

Palabras clave:

Algoritmos Evolutivos, Concreto reforzado con fibras, Diseño de mezclas de concreto, Inteligencia Artificial, Redes Neuronales Artificiales.

Descargas

Los datos de descargas todavía no están disponibles.

Datos de publicación

Este artículo

Otros artículos

Revisores/as por pares

0

2.4

Perfil evaluadores/as N/D

Declaraciones de autoría

Disponibilidad de datos

N/D

16%

Financiación externa

No

32%

Conflictos de intereses

N/D

11%

Esta revista

Otras revistas

Artículos aceptados

19%

33%

Días para la publicación

1137

145

Indexado en

GS
L
WS

Editor y equipo editorial: Perfiles
Sociedad académica: Tecnológico de Antioquia
Editorial: Tecnológico de Antioquia - Institución Universitaria

Referencias (VER)

Agrawal, V. & Sharma, A. (2010). Prediction of Slump in concrete using Artificial Neural Networks. World Academy of Science, Engineering and Technology, No. 69, pp. 25-32.

Ahn, N., Jang, H. & Park, D.K. (2006). Presumption of Shear Strength of Steel Fiber Reinforced Concrete Beam using Artificial Neural Network Model. Journal of Applied Polymer Science, Vol. 103, pp. 2351-2358.

Alshihri, M.M., Azmy, A.M. & El-Bisy, M.S. (2009). Neural networks of predicting compressive strength of structural light weight concrete. Construction and Building Materials, No. 23, pp. 2214-2219.

Altun, F., Kişi, Ö. & Aydin, K.(2008). Predicting the compressive strength of steel fiber added lightweight concrete using neural network. Computational Materials Science, Vol. 42, No. 2, pp. 259-265.

Bäck, T., Hammel, U. & Schwefel, H.P. (1997). Evolutionary Computation: Comments on the History and Current State. IEEE Transactions of Evolutionary Computation, Vol. 1, No. 1, pp. 3-17.

Bakhary, N., Hao, H. & Deeks, A.J. (2010). Structure damage detection using Neural Network with multi-stage substructuring. Advances in Structural Engineering, Vol. 13, No. 1, pp. 95-110.

Barber, F., Botti, V.J. & Koehler, J. (2002). AI: Past, Present and Future. UPGRADE, Vol. 3, No. 5, pp. 2-5.

Başyigit, C., Akkurt, I., Kilincarslan, S. & Beycioglu, A. (2010). Prediction of compressive strength of heavy weight concrete by ANN and FL models. Neural Computing and Applications, Vol.19, pp. 507-513.

Bektas E., B. & Demirel, B. (2008). Determination of the effects of grounded pumice on compressive strength of concrete with Artificial Neural Networks. E-Journal of New World Sciences Academy, Natural and Applied Sciences, Civil Engineering, Vol. 3, No. 1, pp. 20-29.

Charniak, E. & Mcdermott, D.V. (1985). Introduction to Artificial Intelligence. Massachusetts: Addison-Wesley, Reading.

Charniak, E. (1991). Bayesian Networks without Tears. AI Magazine, 50-63.

Chen, L. (2010). Grey and Neural Network prediction of concrete compressive strength using physical properties of electric arc furnace oxidizing slag. J. Environ. Eng. Manage., Vol. 20, No. 3, pp. 189-194.

Cisneros G., M., Hernández, C. y Arjona, M.A. (2011). Algoritmos genéticos: Características, ventajas y aplicaciones. SEP, Vol. 1, No. 3, pp. 24-31.

Cladera B., A. (2002). Shear design of reinforced high-strength concrete beams. Doctoral Thesis. Universitat Politecnica de Catalunya, Barcelona.

Correa, L.C. (2002). Vida artificial y sistemas complejos. Ventana Informática, No. 10, pp. 55-60.

Fogel, D.B. (1994). An introduction to simulated evolutionary optimization. IEEE Transactions of Neural Networks, Vol. 5, No. 1, pp. 3-14.

Garg, R. (2003). Concrete mix design using Artificial Neural Networks. Thesis (Master of Engineering: Civil Engineering (Structures). Thapar Institute of Engineering & Technology (Deemed University), Patiala, India.

Ghassemzadeh, F., Sajedi, S., Shekarchi, M., Mirghaderi, R. & Khanzadeh, M. (2010). Accuracy of shrinkage prediction models in high performance concretes containing slag and silica fume. Second International Conference on Sustainable Construction Materials and Technologies, Ancona.

González S., L.O., Delvasto A., S., Guerrero Z., A.P., Will, A.L.E. y Díaz, W. (2009). Una exploración sobre el uso de redes neuronales artificiales para estimar propiedades en estado endurecido, de concretos reforzados con fibras metálicas. V Congreso Internacional de Materiales, Santiago de Cali.

González S., L.O. y Will, A.L.E. (2009). Diseño de mezclas de concretos reforzados con fibras metálicas, usando Inteligencia Artificial – Pruebas preliminares. Conferencia en el Seminario de la Maestría en Matemática de la Universidad Nacional de Tucumán, San Miguel de Tucumán.

González-Salcedo, L. y Will, A. (2012). Aplicaciones de redes neuronales a tecnología de materiales. 1er Encuentro Científico de Investigadores de la Facultad de Ciencias Exactas y Tecnología ECI-FACET 12 – Espacio FACET Comunica, San Miguel de Tucumán.

González S., L.O., Guerrero Z., A.P., Delvasto A., S. y Will, A.L.E. (2012). Red Neuronal Artificial para estimar la resistencia a compresión en concretos fibro-reforzados con polipropileno. Ventana Informática, No. 26, pp. 10-25.

González S., L.O., Guerrero Z., A.P., Delvasto A., S. y Will, A.L.E. (2012). Exploración con Redes Neuronales Artificiales para estimar la resistencia a la compresión, en concretos fibro-reforzados con acero. Ciencia e Ingeniería Neogranadina, Vol. 22, No. 1, pp. 19-41.

Gopalakrishnan, K., Ceylan, H. y Guclu, A. (2009). Airfield pavement deterioration assessment using stress-dependent Neural Network models. Structure and Infrastructure Engineering, Vol. 5, No. 6, pp. 487-496.

Guerrero Z., A.P., Delvasto A, S., Will, A.L.E. y González S., L.O. (2012). Elaboración de una arquitectura prototipo, para estimación de propiedades mecánicas en dosificaciones de concretos reforzados con fibras de acero, usando redes neuronales artificiales. Libro de Resúmenes de la 5.ª Jornada de la Ciencia y la Tecnología, Palmira.

Gupta, R., Kewalramani, M.A. y Goel, A. (2006). Prediction of concrete strength using Neural-Expert System. Journal of Materials in Civil Engineering, Vol. 18, No. 3, pp. 426-466.

Gutiérrez P., P.A. (2009). Nuevos modelos de redes neuronales evolutivas y regresión logística generalizada utilizando funciones de base. Aplicaciones. Tesis doctoral (Doctor en Informática). Universidad de Granada, Granada, España.

Hewayde, E., Nehdi, M., Allouche, E. y Nakhla, G. (2007). Neural Network prediction of concrete degradation by sulphuric acid attack. Structure and Infrastructure Engineering, Vol. 3, No. 1, pp. 17-27.

Hola, J. y Schabowicz, K. (2005). Application of Artificial Neural Networks to determine concrete compressive strength based on non-destructive test. Journal of Civil Engineering and Management, Vol. 11, No. 1, pp. 23-32.

Jamil, M., Zain, M.F.M. & Basri, H.B. (2009). Neural Network simulator model for optimization in high performance concrete mix design. European Journal of Scientific Research, Vol. 34, No. 1, pp. 61-68.

Karahan, O.,Tanyildizi, H. & Atis, C.D. (2008). An Artificial Neural Networks approach for prediction of long-term strength properties of steel fiber reinforced concrete containing fly ash. Journal of Zhejiang University SCIENCE A, Vol. 9, No. 11, pp. 1514-1523.

Kim, J.I. & Kim, D.K. (2002). Application of Neural Networks for estimation of concrete strength. KSCF Journal of Civil Engineering, Vol. 6, No. 4, pp. 429-438.

Lee, B.Y., Kim, J.H. & Kim, J.K. (2009). Optimum concrete mixture proportion based on a database considering regional characteristics. Journal of Computing in Civil Engineering, Vol. 23, No. 5, pp. 258-265.

Lee, J.H. & Yoon, Y.S. (2009). Modified harmony search algorithm and Neural Networks for concrete mix proportion design. Journal of Computing in Civil Engineering, Vol. 23, No. 1, pp. 57-61.

Li, Z., Chau, C.K. & Zhou, X. (2005). Accelerate assessment and fuzzy evaluation of concrete durability. Journal of Materials in Civil Engineering, Vol. 17, No. 3, pp. 257-263.

Lizarazo M., J.M. (2006). Desarrollo de un modelo de redes neuronales para predecir la resistencia a la compresión y la resistividad eléctrica del concreto. Tesis (Magíster en Estructuras). Universidad Nacional de Colombia, Bogotá.

Lizarazo M., J.M. y Gómez C., J.G. (2007). Desarrollo de un modelo de redes neuronales artificiales para predecir la resistencia a la compresión y la resistividad eléctrica del concreto. Revista Ingeniería e Investigación, Vol. 27, No. 1, pp. 11-18.

López de Mantarás, R. (2002). Trends and Automatic Learning. UPGRADE, Vol. 3, No. 5, pp. 6-9.

Maldonado, C.E. y Gómez C., N.A. (2010). Modelamiento y simulación de sistemas complejos. Documentos de Investigación. Bogotá: Universidad del Rosario, Facultad de Administración.

Maruyama, I., Kanematsu, M. & Noguchi, T. (2002). Optimization of the concrete mix proportions centered on fresh properties using genetic algorithm. The Indian Concrete Journal, pp. 567-573.

Minsky, M. (1960). Steps toward Artificial Intelligence. The Institute of Radio Engineers.

Mira M., J. & Delgado G., A.E. (2002). Knowledge-Based Systems. UPGRADE, Vol. 3, No. 5, pp. 32-38.

Nataraja, M.C., Jayaram, M.A. & Raykumar, C.N. (2007). Inductive Classifying Artificial Network for fly ash type categorization. Engineering Letters, Vol. 14, No. 1, pp. 185-194.

Nezhad, H.B., Nariman-Zadeh, N. & Ranjbar, M.M. (2010). Multi Objective Optimization of Concrete Mix Design in Persian Gulf with Gmdh-type Neural Networks. 2nd International Conference on Engineering Optimization, Lisbon, Portugal.

Noguchi, T., Maruyama, I. & Kanematsu, M. (2003). Performance based design system for concrete mixture with multi-optimizing genetic algorithm. Proceedings of the 11th International Congress on the Chemistry of Cement “Cement ́s Contribution to the Development in the 21st Century”, Durban.

Oh, J.W., Lee, G.W. & Lee, I.W. (1997). The Proportioning of Concrete Mixture using Artificial Neural Networks. Seventh International Conference on Computing in Civil and Building Engineering, Seoul.

Özgan, E. & Öztürk, A. (2007). Optimization of the hardened concrete properties with GA and LP. Journal of Applied Sciences, Vol. 7, No. 24, pp. 3918-3926.

Peng, J., Li, Z. & Ma, B. (2002). Neural Network Analysis of Chloride Diffusion in Concrete. Journal of Materials in Civil Engineering, Vol. 14, No. 4, pp. 327-333.

Pignani, J.M. (2000). Sistemas expertos. Rosario, Argentina: Universidad Tecnológica Nacional, Facultad Regional Rosario.

Pulgarín P., A.J. (2001). Aplicación de herramientas de Inteligencia Computacional en la Planificación de Recursos. Tesis de Maestría (Magíster en Aprovechamiento de los Recursos Hidráulicos). Universidad Nacional de Colombia, Sede Medellín, Medellín, Colombia.

Saridakis, K.M. & Dentsoras, A.J. (2008). Soft computing in engineering design – A review. Advanced Engineering Informatics, Vol. 22, pp. 202-221.

Setién, J., Carrascai, I.A., Figueroa, J.F. y Polanco, J.A. (2003). Aplicación de una red neuronal artificial a la dosificación de hormigones premezclados. Materiales de Construcción, Vol. 53, No. 270, pp. 5-19.

Sierra, C. (2002). Autonomous Agents and Multi-Agent Systems. UPGRADE, Vol. 3, No. 5, pp. 46-52.

Sipper, M. (1995). An Introduction to Artificial Life. Explorations in Artificial Life.

Sridevi, G. (1999). Optimization of Interfacial Zone characteristics of the fiber-cement matrix. Thesis (MSc.). Arizona State University.

Suryadi, A. & Triwulan, Aji, P. (2011). Predicting the initial setting time of self-compacting concrete using artificial neural networks (Anns) with the various of learning rate coefficient. Journal of Applied Sciences Research, Vol. 7, No. 3, pp. 314-320.

Tesfamariam, S. & Najjaran, H. (2007). Adaptive network-fuzzy inference to estimate concrete strength using mix design. Journal of Materials in Civil Engineering, July, Vol. 19, N.º 7, pp. 550-560.

Torra, V. (2002). A review of the construction of hierarchical fuzzy systems. International Journal of Systems, Vol. 17, pp. 807-820.

Trujillo H., A.D. y Gómez A., L.E. (2007). Inteligencia Artificial: Emulación de mecanismos. TecnoINTELECTO, Vol. 4, No. 2, pp. 116-120.

Ukrainczyk, N., Banjad P., I. & Bolf, N. (2007). Evaluating rebar corrosion damage in RC structu-res exposed to marine environment using neural network. Civil Engineering and Environment Sys-tems, Vol. 24, No. 1, pp. 15-32.

Ukrainczyk, N. y Ukrainczyk, V. (2007). A Neural Network method for analyzing concrete durability. Magazine of Concrete Research, Vol. 60, No. 7, pp. 475-486.

Vallejos, S.J. (2006). Minería de Datos. Trabajo Final de Curso: Diseño y Administración de Datos (Licenciado en Sistemas de Información). Universidad Nacional del Nordeste, Corrientes, Argentina.

Wang, J.Z., Wang, X.J. & Ni, H.G. (2003). An algorithm of Neural Network and application to data processing in concrete engineering. Informática, Vol. 14, No. 1, pp. 95-110.

Wildberger, A.M. (1996). Introduction y Overview of “Artificial Life” – Involving Intelligent Agents for modeling and simulation. Proceedings of the 1996 Winter Simulation Conference.

Yasarer, H.I. (2010). Characterizing the permeability of concrete mixes used in transportation applications: a neuronet approach. Thesis (MSc.). Kansas State University, Manhattan, KA, USA.

Yeh, I.C. (1999). Design of high-performance concrete mixture using Neural Networks and Nonlinear Programming. Journal of Computing in Civil Engineering, January, Vol. 13, No. 1, pp. 36-42.

Yeh, I.C. (2006, July-August). Analysis of strength of concrete using design of experiments and Neural Networks. Journal of Materials and Civil Engineering, Vol. 18, No. 4, pp. 597-604.

Yeh, I.C. (2009). Optimization of concrete mix proportioning using a flattened simplex-centroid mixture design and Neural Networks. Engineering with Computers, Vol. 25, pp. 179-190.

Zadeh, I.A. (1965). Fuzzy sets. Information Control, Vol. 8, pp. 338-353.