Modelo de aprendizaje automático para la selección de estabilizantes utilizados en la geotecnia de suelos viales

Simple item page
dc.contributor.advisorGil González, Julián
dc.contributor.authorPérez Niño, Álvaro
dc.date.accessioned2025-02-24T14:05:13Z
dc.date.available2025-02-24T14:05:13Z
dc.date.issued2024
dc.description.abstractLa ingeniería geotécnica enfrentó el reto de comprender la complejidad de los suelos en la construcción de infraestructuras, donde la selección adecuada de estabilizantes era crucial. Esta problemática surgió de la necesidad de mejorar las propiedades geotécnicas y minimizar el impacto ambiental mediante decisiones más eficientes en tiempo real. El proyecto se enfocó en desarrollar un modelo de aprendizaje automático para seleccionar estabilizantes específicos en suelos viales, buscando superar las limitaciones de los métodos tradicionales, caracterizados por ensayos prolongados y de costoso elevados. La investigación se centró en recolectar y analizar datos sobre las propiedades de suelos y estabilizantes, aplicando técnicas de aprendizaje automático supervisado para predecir su interacción. El modelo validado permitió asistir en la selección de estabilizantes adecuados según las características geotécnicas de los suelos. Los principales resultados incluyeron un repositorio detallado de datos, un modelo predictivo para la selección de estabilizantes, y una herramienta informática interactiva que facilitaba su aplicación. Las aplicaciones de este proyecto de investigación, se enfocaron en optimizar el uso de recursos en la construcción y mantenimiento de infraestructuras viales, mejorando su calidad, durabilidad y reduciendo el impacto ambiental al utilizar materiales geotécnicos más eficientes desde la toma de decisiones en tiempo real basada en datos, contribuyendo a una mejor gestión y planificación de los proyectos de infraestructura vial. En resumen, esta investigación ofreció una solución innovadora y precisa para la selección de estabilizantes en suelos viales, abordando de manera efectiva la complejidad geotécnica y promoviendo prácticas sostenibles en la ingeniería de infraestructuras.
dc.description.abstractengGeotechnical engineering faced the challenge of understanding the complexity of soils in infrastructure construction, where the proper selection of stabilizers was crucial. This problem arose from the need to improve the properties geotechnical and minimize the environmental impact through more efficient decisions in real time. The project focused on developing a machine learning model to select specific stabilizers in road soils, seeking to overcome the limitations of traditional methods, characterized by prolonged trials and expensive high. The research focused on collecting and analyzing data on soil properties and stabilizers, applying supervised machine learning techniques to predict their interaction. The validated model allowed assisting in the selection of stabilizers suitable according to the geotechnical characteristics of the soils. The main results included a detailed data repository, a predictive model for stabilizer selection, and an interactive computer tool that facilitated its application. The applications of this research project focused on optimizing the use of resources in the construction and maintenance of road infrastructure, improving its quality, durability and reducing the environmental impact by using more efficient geotechnical materials from real-time decision making based on data, contributing to better management and planning of road infrastructure projects. In summary, this research offered an innovative and precise solution for the selection of stabilizers in road soils, effectively addressing geotechnical complexity and promoting sustainable practices in infrastructure engineering.
dc.format.extent81 p.
dc.format.mimetypeapplication/pdf
dc.identifier.urihttp://hdl.handle.net/11522/4521
dc.language.isospa
dc.publisherPontificia Universidad Javariana Cali
dc.publisher.facultyFacultad de Ingeniería y Ciencias
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonshttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectGeotecnia
dc.subjectSuelos viales
dc.subjectEstabilización de carreteras
dc.subjectInteligencia artificial
dc.subjectAprendizaje automático
dc.subjectGeotechnics
dc.subjectRoad Soils
dc.subjectRoad Stabilization
dc.subjectArtificial Intelligence
dc.subjectMachine Learning
dc.thesis.disciplineFacultad de Ingeniería y Ciencias. Maestría en Ciencia de Datos - Modalidad virtual
dc.thesis.grantorPontificia Universidad Javeriana Cali
dc.thesis.levelMaestría
dc.thesis.nameMagíster en Ciencia de Datos
dc.titleModelo de aprendizaje automático para la selección de estabilizantes utilizados en la geotecnia de suelos vialesspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
dc.type.redcolhttps://purl.org/redcol/resource_type/TM
Files
Original bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
Trabajo Grado-Alvaro Perez Niño.pdf
Size:
3.34 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Licencia Autorizacion (1).pdf
Size:
128.84 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ciencia de Datos