MODELOS MULTIVARIADOS PARA LA PREDICCIÓN Y CLASIFICACIÓN DE LA ABSORCIÓN Y RESISTENCIA A LA TRACCIÓN INDIRECTA MEDIANTE DENSIDADES EN ADOQUINES DE HORMIGÓN

Los adoquines de hormigón son necesarios para la construcción de vías, aceras y estacionamientos, el ensayo de resistencia a la tracción indirecta es un punto de partida de su resistencia a cargas y el ensayo de absorción indica su capacidad de resistencia climática impermeabilidad y porosidad. Por lo cual predecir y clasificar estas propiedades mediante densidades según parámetros normativos da un mejor control en optimización de procesos. El estudio ocupa las variables explicativas: densidad del adoquín fresco, densidad del adoquín seco y densidad del adoquín saturado en agua para lograr clasificar y predecir las variables respuestas. La información se recopiló mediante ensayos a una muestra representativa, y tras el correspondiente tratamiento de datos, 287 registros de adoquines fueron incluidos en el análisis. Se utilizaron modelos multivariados como regresión lineal múltiple, regresión logística, árboles de decisión y redes neuronales, adicional se grafican los planos de clasificación para visualizar el comportamiento de los datos frente a la calidad. Los resultados muestran que, para la predicción de la resistencia a la tracción indirecta, la regresión lineal múltiple mediante las variables saturado-fresco obtuvo un error cuadrático medio de 0.142 y un Radj2=0.705; para la predicción del porcentaje de absorción, la red neuronal con 1 capa oculta obtuvo un error cuadrático medio de 0.284. En cuanto a la clasificación de la resistencia a la tracción indirecta, la red neuronal con una capa oculta de 3 neuronas alcanzó una exactitud de 0.824 con las variables saturado-fresco; para la clasificación del porcentaje de absorción se obtuvo una exactitud de 0.826 con 1 capa oculta de 7 neuronas mediante las variables seco-fresco. Se concluye que la investigación logró desarrollar modelos multivariados con técnicas estadísticas robustas para la predicción y clasificación de las propiedades influyentes en la calidad de los adoquines de hormigón, constituyendo una contribución significativa en el análisis de calidad en la infraestructura vial. Abstract Concrete paving blocks are necessary for the construction of roads, sidewalks, and parking lots. The indirect tensile strength test is a starting point for their load resistance, and the absorption test indicates their weather resistance capacity, impermeability, and porosity. Therefore, predicting and classifying these properties through densities according to normative parameters provides better control in process optimization. The study uses the explanatory variables: fresh paving block density, dry paving block density, and water-saturated paving block density to classify and predict the response variables. The information was collected through tests on a representative sample, and after the corresponding data treatment, 287 paving block records were included in the analysis. Multivariate models such as multiple linear regression, logistic regression, decision trees, and neural networks were used; additionally, classification planes were plotted to visualize the behavior of the data regarding quality. The results show that for the prediction of indirect tensile strength, multiple linear regression using the saturated-fresh variables obtained a mean squared error of 0.142 and an Radj2=0.705; for the prediction of absorption percentage, the neural network with 1 hidden layer obtained a mean squared error of 0.284. Regarding the classification of indirect tensile strength, the neural network with one hidden layer of 3 neurons achieved an accuracy of 0.824 with the saturated-fresh variables; for the classification of absorption percentage, an accuracy of 0.826 was obtained with 1 hidden layer of 7 neurons using the dry-fresh variables. It is concluded that the research succeeded in developing multivariate models with robust statistical techniques for the prediction and classification of the influential properties in the quality of concrete paving blocks, constituting a significant contribution to quality analysis in road infrastructure.