Técnica de inteligencia artificial para la selección de concreto en construcciones residenciales. Una revisión sistemática
DOI:
https://doi.org/10.59282/reincisol.V3(5)1490-1514Palabras clave:
calidad, eficiencia, informática, seguridad, urbanismos.Resumen
La selección de los materiales de construcción en obras residenciales es clave para garantizar la durabilidad y calidad de la obra, así como seguridad de los usuarios. El proceso de selección antes se basaba en rigurosos ensayos que resultaban costosos, lentos e imprecisos, pero con la tecnología y el avance de la informática han mejorado; por lo tanto, el objetivo de la presente investigación fue describir las técnicas de inteligencia artificial existente para la selección del concreto usado en construcciones residenciales. Para ello se llevó a cabo una revisión de 240 artículos en base de datos como Scopus, Scielo, Latindex y Google académico, sobre técnicas de machine learning, deep learning, redes neuronales y Big data, de los cuales se seleccionaron 24 de los artículos más relevantes en función de los criterios de inclusión y calidad. Los resultados de la revisión muestran que los métodos de selección basados en inteligencia artificial han sido eficientes para la evaluación de la calidad del concreto, por lo que se pueden usar para la elección de materiales resistente a los riesgos más predominantes como son los incendios, terremotos y huracanes.
Descargas
Métricas
Citas
Afzal, M., Liu, Y., Cheng, J. C., & Gan, V. J. (2020). Reinforced concrete structural design optimization: A critical review. Journal of Cleaner Production, 260, 120623. Disponible en: https://doi.org/10.1016/j.jclepro.2020.120623
Ai, D., & Cheng, J. (2023). A deep learning approach for electromechanical impedance based concrete structural damage quantification using two-dimensional convolutional neural network. Mechanical Systems and Signal Processing, 183, 109634. Disponible en: https://doi.org/10.1016/j.ymssp.2022.109634
Akingbonmire, S. L., Afolayan, J. O., & Ikumapayi, C. M. (2021). Quality Assessment Of Reinforced Concrete Structural Elements Of Some Selected University Buildings Using Ultrasonic Pulse Velocity Test. Journal of Multidisciplinary Engineering Science Studies, 7(12), 4162-4169. Disponible en:https://www.jmess.org/wpcontent/uploads/2021/12/JMESSP13420815.pdf
Amini, M., & Memari, A. M. (2020). Review of literature on performance of coastal residential buildings under hurricane conditions and lessons learned. Journal of performance of constructed facilities, 34(6), 04020102. Disponible en: https://doi.org/10.1061/(asce)cf.1943-5509.0001509
Arbaoui, A., Ouahabi, A., Jacques, S., & Hamiane, M. (2021). Concrete cracks detection and monitoring using deep learning-based multiresolution analysis. Electronics, 10(15), 1772. Disponible en: https://doi.org/10.3390/electronics10151772
Archer, R., Choi, H., Vasconez, R., Najm, H., & Gong, J. (2023). Adaptive coastal construction: designing amphibious homes to resist hurricane winds and storm surges. Journal of Ocean Engineering and Marine Energy, 9(2), 273-290. Disponible en: https://doi.org/10.1007/s40722-022-00267-6
Asteris, P. G., & Mokos, V. G. (2020). Concrete compressive strength using artificial neural networks. Neural Computing and Applications, 32(15), 11807-11826. Disponible en: https://doi.org/10.1007/s00521-019-04663-2
Asteris, P. G., Skentou, A. D., Bardhan, A., Samui, P., & Pilakoutas, K. (2021). Predicting concrete compressive strength using hybrid ensembling of surrogate machine learning models. Cement and Concrete Research, 145, 106449. Disponible en: https://doi.org/10.1016/j.cemconres.2021.106449
Baduge, S. K., Thilakarathna, S., Perera, J. S., Arashpour, M., Sharafi, P., Teodosio, B., ... & Mendis, P. (2022). Artificial intelligence and smart vision for building and construction 4.0: Machine and deep learning methods and applications. Automation in Construction, 141, 104440. Disponible en: https://doi.org/10.1016/j.autcon.2022.104440
Bojórquez, J., Ponce, S., Ruiz, S. E., Bojórquez, E., Reyes-Salazar, A., Barraza, M., ... & Baca, V. (2021). Structural reliability of reinforced concrete buildings under earthquakes and corrosion effects. Engineering Structures, 237, 112161. Disponible en: https://doi.org/10.1016/j.engstruct.2021.112161
Castaldo, P., Gino, D., Bertagnoli, G., & Mancini, G. (2020). Resistance model uncertainty in non-linear finite element analyses of cyclically loaded reinforced concrete systems. Engineering Structures, 211, 110496. Disponible en: https://doi.org/10.1016/j.engstruct.2020.110496
Crowley, H., Despotaki, V., Rodrigues, D., Silva, V., Toma-Danila, D., Riga, E., ... & Gamba, P. (2020). Exposure model for European seismic risk assessment. Earthquake Spectra, 36(1_suppl), 252-273. Disponible en: https://doi.org/10.1177/8755293020919429
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Luis Leonardo Zambrano Salazar , Enma Katherine Gamboa López
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
