Cuando un ingeniero civil diseña un proyecto, se generan y registra múltiple información en documentos físicos o digitales. En el pasado, la mayor parte de esta información se escribía en papel y esta se extraviaba o degradaba con el tiempo, lo que provocaba la pérdida de datos. Actualmente la mayor parte de la información se registra digitalmente en ordenadores, a través de documentos txt, pdf, CSV, bases de datos SQL, imágenes, capturas de sonido, etc. Todos estos datos se acumulan generalmente de forma desordenada y sin un uso específico. ¿Se podría utilizar toda esta información? Mediante el aprendizaje automático y la creación de una base de datos adecuada, la información recopilada por diseños anteriores puede utilizarse para realizar predicciones que nos permitan conocer algún atributo de interés, por ejemplo, si un diseño es adecuado en relación con el estándar ACI 318-11. En este artículo, se utilizó el software WEKA para entrenar y probar modelos con algoritmos como J48, Naive Bayes, Logistic y AdaBoostM1. Se seleccionó el mejor modelo y posteriormente se realizaron predicciones con datos externos al conjunto de datos de entrenamiento.
When a civil engineer designs a project, multiple information is generated and recorded in physical or digital documents. In the past, most of this information was written on paper and was lost or degraded over time, causing data loss. Currently most of the information is recorded digitally on computers, through txt, pdf, CSV documents, SQL databases, images, sound captures, etc. All this data is generally accumulated in a disorderly way and without a specific use. Could all this information be used? Through machine learning and the creation of a suitable database, the information collected by previous designs can be used to make predictions that allow us to know some attribute of interest, for example, if a design is suitable in relation to the standard ACI 318- eleven. In this article, WEKA software was used to train and test models with algorithms such as J48, Naive Bayes, Logistic, and AdaBoostM1. The best model was selected and then predictions were made with data external to the training data set.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados