Resumen

La resistencia a la compresión y la resistencia a la tracción por división son parámetros

importantes que se utilizan para caracterizar las propiedades mecánicas del hormigón.
Este documento tiene como objetivo mostrar una posible aplicabilidad de la máquina de
vectores de soporte (SVM) para predecir la resistencia a la tracción del concreto a partir
de la resistencia a la compresión del concreto. Se construyó, entrenó y probó un modelo
SVM utilizando los datos experimentales disponibles recopilados de la literatura. Todos
los resultados pronosticados por el modelo SVM se comparan con los resultados
obtenidos a partir de datos experimentales, y encontramos que la resistencia a la tracción
por hendimiento pronosticada del concreto concuerda bien con los datos experimentales.
Los resultados de resistencia a la tracción por división predichos por SVM también se
comparan con los obtenidos mediante el uso de resultados empíricos de los códigos de
construcción y varios modelos. Estas comparaciones muestran que SVM tiene un gran
potencial como una herramienta factible para predecir la división de la resistencia a la
tracción de la resistencia a la compresión.

1. Introducción
La resistencia a la compresión () y la resistencia a la tracción por división () son dos
índices importantes en el diseño de estructuras de hormigón. La resistencia a la tracción
es importante para las estructuras de hormigón simple, como las presas bajo excitaciones
sísmicas. Otras estructuras, por ejemplo, losas de pavimento y pistas de aterrizaje, que se
diseñan en función de la resistencia a la flexión, están sujetas a esfuerzos de tracción. Por
lo tanto, en el diseño de estas estructuras, la resistencia a la tracción es más importante
que la resistencia a la compresión [1, 2]. Idealmente, la resistencia a la tracción por
hendimiento se mide directamente en muestras de hormigón bajo tensiones uniformes.
Sin embargo, esto no siempre es fácil desde un punto de vista experimental. Para evitar
las exigentes y lentas mediciones directas de la resistencia a la tracción por división, los
ingenieros e investigadores han tratado de predecir la tracción por división utilizando
enfoques teóricos y empíricos basados en la resistencia a la compresión. En general, la
resistencia a la tracción del hormigón a menudo se suponía proporcional a la raíz
cuadrada de su resistencia a la compresión [3]. Sin embargo, ha habido muy pocos
trabajos publicados que traten de investigaciones experimentales y analíticas de la
relación de Fc y Ftr de concretos.

En general, la resistencia a la tracción por división se puede establecer a partir de la

resistencia a la compresión. Los códigos de construcción nacionales proponen varias
fórmulas para la resistencia a la tracción y la resistencia a la compresión. Se dieron varias
relaciones para el concreto de la siguiente manera:
Larrad y Malier [5] encontraron que los cálculos obtenidos de las regulaciones francesas
concordaban bien con los datos experimentales. Kim et al. [6, 7] encontraron que el
modelo ACI sobreestima el valor para concreto con resistencia a la compresión menor a
20 MPa y subestima el valor para concreto con resistencia a la compresión mayor a 30 
MPa. Zain et al. [2] determinaron las relaciones entre la resistencia a la tracción con la
resistencia a la compresión, la edad del concreto y el agua/aglutinante (A/B). Shaaban y
Gesund [8] investigaron la resistencia a la tracción por hendimiento y la resistencia a la
compresión del hormigón armado con fibra de acero pero, desafortunadamente, no
analizaron la relación entre la resistencia a la tracción y la resistencia a la compresión.
Choi y Yuan [4] investigaron la relación entre la resistencia a la tracción y la resistencia a
la compresión del hormigón reforzado con fibra de vidrio y el hormigón reforzado con fibra
de polipropileno. Xu y Shi [1] desarrollaron la formulación entre el y el hormigón armado
con fibras de acero. Los modelos de regresión matemática suelen ser una descripción
imperfecta de fenómenos físicos complejos. La precisión del resultado estimado depende
del tamaño de los datos disponibles. Saridemir [9] propuso la predicción a partir de cilindro
de hormigón o edad del espécimen (AS) y cilindro de hormigón por programación de
expresión génica (GEP). La máquina de vectores de soporte (SVM) es un enfoque nuevo,
eficiente y novedoso para mejorar el rendimiento de la generalización, y puede alcanzar
un mínimo global. SVM logra una buena capacidad de generalización al adoptar un
principio de inducción de minimización de riesgos estructurales que apunta a minimizar un
límite en el error de generalización de un modelo en lugar de minimizar el error solo en los
datos de entrenamiento. Tiene la capacidad de evitar el sobreentrenamiento y tiene una
mejor capacidad de generalización que el modelo de redes neuronales artificiales (ANN).
Además, SVM siempre se puede actualizar para obtener mejores resultados al presentar
nuevos ejemplos de capacitación a medida que se dispone de nuevos datos.

En este artículo, se aplica una máquina de vectores de soporte para predecir la

resistencia a la tracción del hormigón mediante el uso de los datos recopilados por
Saridemir [9]. La resistencia a la compresión utilizada para predecir la resistencia a la
tracción por división se considera como entrada en el modelo SVM que se compara con
datos experimentales y otros métodos. El error de paternidad absoluto medio (MAPE), el
error cuadrático medio (RMSE) y -square () se utilizan como criterios para comparar el
rendimiento de los modelos SVM y otros modelos.

2. Máquina de vectores de soporte

SVM es un algoritmo de aprendizaje automático basado en la teoría del aprendizaje
estadístico. La idea principal de SVM es transformar el espacio de entrada en un espacio
de alta dimensión mediante una transformación no lineal definida por una función de
producto interno. El cálculo de SVM toma la forma de un problema de optimización
cuadrática convexa, asegurando que la solución sea óptima. Es mejor que las redes
neuronales artificiales tradicionales, que se basan en el principio tradicional de
minimización del riesgo de experiencia [10]. El SVM tiene una buena capacidad para
generalizar y resolver algunos problemas prácticos, como muestras pequeñas, no
linealidad y espacio de entrada de alta dimensión.

En esta sección se presenta una breve descripción del proceso de construcción de una
SVM para un problema de regresión. Hay tres características distintas a considerar
cuando se usa una SVM para resolver un problema de regresión [11]. Primero, SVM
estima la regresión por un conjunto de funciones lineales que se definen en un espacio de
alta dimensión. En segundo lugar, el SVM realiza la estimación de regresión por
minimización de riesgos, donde el riesgo se mide utilizando la función de pérdida
insensible de Vapnik. En tercer lugar, la SVM utiliza una función de riesgo que consiste en
el error empírico y un término de regularización, que se deriva del principio de
minimización de riesgos estructurales (SRM).

Considere un conjunto de muestras de entrenamiento, donde es un vector de entrada, es

el valor de salida correspondiente y es el número de muestras de entrenamiento. El
problema de regresión consiste en seleccionar una función que prediga el valor real de lo
más cerca posible, con una precisión de . Por lo tanto, el propósito de la SVM es buscar la
función de regresión óptima: