Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TRABAJO SEMESTRAL
Estimación de costos unitarios para rendimiento de
mano de obra en excavaciones para edificaciones
con redes neuronales artificiales en el ditrito de
Ayacucho,2021.
PRESENTADO POR:
GRUPO N° 01
DOCENTE:
Msc. Ing. Hemerson LIZARBE ALARCÓN
Ayacucho - Perú
2021
Universidad Nacional de San Cristóbal de Huamanga
Facultad de Ingeniería de Minas, Geología y Civil
E.F.P. de Ingeniería Civil
TRABAJO SEMESTRAL
PRESENTADO POR:
GRUPO N° 01
DOCENTE:
Ayacucho - Perú
2021
1 Planteamiento del problema
Departamento: Ayacucho
Provincia: Huamanga
Distrito: Ayacucho
1
Planteamiento del problema CAPÍTULO 1
Figura 1
Ubicación localización del distrito de Ayacucho.
.041488
-13
-13
.199636
-13
-13
.357784
-13
-13
.515932
-13
-13
.674080
-13
-13
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
.759976 .535858 .311740 .087622 .863504
1.2.2 Temporal
La estimación del rendimiento de mano de obra para los costos unitarios del distrito de Ayacucho
provincia de Huamanga y departamento de Ayacucho
¿Cómo se pueden Estimar costos unitarios para rendimiento de mano de obra en excavaciones de
edificaciones utilizando modelo de redes neuronales artificiales en el distrito de Ayacucho,2021. ?
2
Planteamiento del problema CAPÍTULO 1
Es importante realizar este trabajo porque necesitamos conocer el rendimiento para los costos
unitarios de nuestro distrito de Ayacucho para poder optimizar la productividad en la partida de
excavación en edificaciones el rendimiento y evaluar en que nivel de rendimiento nos encontramos.
Las limitaciones que se va tener va estar relacionado con la falta de información y datos que
necesitamos para hacer la investigación como son datos de nuestra variables ,dimensiones e
indicadores ya que para tener un mejor análisis
1.6 Objetivos
1.6.1 Objetivo general
3
2 Marco teórico
2.1 Antecedentes
2.1.1 Investigaciones internacionales.
los modelos estadísticos y de regresión sistemas expertos y redes neuronales artificiales (RNA)
contribuyen a la comprensión de las variaciones de la productividad; sin embargo, los modelos
no pueden utilizarse para cuantificar la influencia de múltiples factores en la productividad de la
construcción (Liu y Ballard, 2008). Los modelos de regresión suelen estar limitados por el número
de factores que influyen que pueden incluirse y su capacidad para medir el efecto combinado de
los factores de influencia (Sonmez y Rowings, 1998). Los sistemas expertos, en general, tienen
capacidades muy limitadas en cuanto a la identificación de una función de mapeo y la generalización
de soluciones. Las redes neuronales artificiales representan un tipo de computación basado en
la forma en que el cerebro biológico trabaja , el desarrollo de un modelo para medir y predecir
la productividad de la mano de obra en la construcción un complejo mapeo de los factores que
influyen en la productividad laboral. Teniendo en cuenta que una multitud de factores afectan
simultáneamente a la productividad laboral, esta productividad laboral, este mapeo incluye la
cuantificación de los efectos de de los factores sobre la productividad laboral y la cuantificación de
las interacciones entre los factores. Esta tarea es análoga a la realizada por algunos de los modelos
de redes neuronales (Hanna et al. 2008). Las redes neuronales artificiales tienen la capacidad de
aprender de la experiencia para mejorar su rendimiento y adaptarse a cambios en el entorno. Una
vez entrenada, la red neuronal es es capaz de reconocer las similitudes cuando se le presenta un
4
Marco teórico CAPÍTULO 2
nuevo patrón de entrada, lo que da lugar a una predicción de los resultados,son capaces de lidiar
con información incompleta o datos ruidosos y pueden ser muy efectivas, especialmente de la
información incompleta o de los datos ruidosos y pueden ser muy eficaces, especialmente en
situaciones en las que las relaciones entre las entradas y las salidas no se conocen lo suficiente.
Así, las RNA pueden ser alternativas ideales para modelar la productividad laboral. El objetivo de
esta investigación es identificar los factores que influyen en la productividad de la mano de obra
y desarrollar un modelo para medir la mano de obra en proyectos de construcción, utilizando
las RNA. Para cuantificar la relación entre la productividad de la mano de obra y los factores que
influyen en ella, se utilizó un modelo de alimentación multicapa. Para cuantificar la relación entre
la productividad laboral y los factores que influyen, se han utilizado redes neuronales multicapa
feedforward con algoritmo de retropropagación, que son las más extendidas. de retropropagación,
las redes neuronales más utilizadas(Hanna et al. 2008).
Este enfoque puede utilizarse para medir y predecir la productividad de la mano de obra. con el fin
de lograr estimaciones realistas de los costes y el tiempo de los proyectos de construcción. Además,
la identificación de los factores que influyen productividad de la mano de obra puede ayudar a
reducir los costes y el tiempo de los de los proyectos de construcción mediante la gestión de los
factores más influyentes.
5
Marco teórico CAPÍTULO 2
es una asociación civil sin fines de lucro, de carácter gremial. Agrupa y representa a las
empresas que se desenvuelven en la actividad constructora en el Perú. CAPECO inició sus
actividades un 09 de Mayo de 1958 y por más de 50 años ininterrumpidos viene apoyando la
actividad constructora en nuestro país, tiene como misión brindar servicios a sus asociados,
promover el desarrollo nacional y mejorar la calidad de vida de los ciudadanos a través de
la construcción.(p.6)
Operario
Oficial
Es aquel que no alcanza calificación en el ramo de una especialidad y labora como ayudante
o auxiliar del operario. Por ejemplo, en los trabajos de encofrado y desencofrado, asentado
de ladrillo. También se consideran como oficiales a los guardianes, tanto si prestan sus
servicios a propietarios, como a contratistas o sub-contratistas de construcción civil. (D.S.
del 02 de marzo de 1945; R.M. N° 05 - DT del 05 de enero de 1956 - CAPECO).(Rojas Montoya,
2014, p, 7).
Peón
Los coeficientes de mano de obra en edificación son diferentes para otros trabajos como caminos,
obras hidráulicas, viviendas, etc. Este coeficiente se determina con la siguiente expresión:
6
Marco teórico CAPÍTULO 2
n∗8
HH = (2.1)
R
donde:
HH = Hora hombre
n = cantidad de trabajadores
8 = Jornada de horas de trabajo
R = rendimiento diario.
Según Salinas (2010), “denomina análisis de precios unitarios de una obra o proyecto a la determi-
nación previa de la cantidad de materiales y mano de obra necesaria para realizar el mismo, para
cuyo fin se toma como base la experiencia adquirida en otras construcciones de índole semejante.
La forma o el método para determinar varían de acuerdo a las condiciones que presente la obra
”(p,23).
Según Mejía Galvez (2017), “La jornada de trabajo es fijada por el empleador en función a las
necesidades de la obra de acuerdo a ley el número de horas de trabajo a la semana es de 48 horas y
generalmente para los trabajadores de construcción civil se ha fijado que realicen el trabajo 8 horas
y media de lunes a viernes y 05 horas y media el día sábado ”(p,23).
Según Mejía Galvez (2017), “Existe turno diurno y nocturno, según sea la necesidad que es lo
más común en nuestro país es el primero teniendo un tiempo de receso no menor a 45 minutos
y no forma parte de la jornada ni horario de trabajo salvo convenio colectivo que disponga algo
distinto.”(p,23).
La mano de obra representa el factor humano de la producción, sin esta no podría ejecutarse las
actividades de construcción civil
Rendimiento
Cantidad de trabajo que se obtiene de los recursos de mano de obra y equipo por jornada
7
Marco teórico CAPÍTULO 2
cuadrilla
Edificación
Partida
Es cada uno de los rubros o partes en que se divide convencionalmente una obra para fines de
medición, evaluación y pago
Obra
son el resultado de la ingeniería civil y las cuales son desarrolladas para el beneficio de la población.
Expediente técnico
según la OSCE, es el conjunto de documentos de carácter técnico y/o económico que permiten la
adecuada ejecución de una obra el cual es elaborado por un consultor de obras, de la especialidad o
especialidades que correspondan a las exigencias de cada proyecto en particular.
Cuaderno de obra
documento oficial que registra todos los acontecimientos importantes que se producen en el
recorrer de la construcción de una obra de ingeniería. Este documento es puesto a disposición del
supervisor de la obra por el contratista
8
Marco teórico CAPÍTULO 2
Una productividad mayor significa la obtención de más resultados con la misma cantidad
de recursos, o el logro de una mayor productividad en volumen y calidad con el mismo
insumo (Prokopenko, 1989, p, 12).
Promedio Lima 28 % 36 % 36 %
Mínimo 20 % 35 % 45 %
Máximo 37 % 36 % 26 %
“En el estudio realizado del diagnóstico y evaluación de la relación entre el grado de indus-
trialización y los sistemas de gestión con el nivel de productividad en la construcción, se
estimó que el trabajo productivo en Lima tiene un promedio de 30.4 %. Considerando los
parámetros de 14 estudio realizado en el año 2000 con la asesoría del Ing. Virgilio Ghio, se
puede afirmar que la productividad en Lima incremento en 2,40 % ”(Castillo Quispe, 2021,
p, 12).
9
Marco teórico CAPÍTULO 2
2.2.4 Metrados
Según Santillán Cotrina (2018), “ El metrado es el término que se utiliza para efectos de señalar
magnitudes o cantidades de cada una de las partes o partidas que conforman la ejecución del
proyecto o de la obra”.(p. 9)
Según Santillán Cotrina (2018), “ menciona que: “Podemos definirla como la cantidad a obtener,
definida por el nombre de la partida y su unidad”. El metrado debe realizarse con un proceso
ordenado y sistemático de cálculo, en base a partidas ”.(p. 9)
Consiste en contar la cantidad de unidades y/o piezas de la partida considerados en los planos.
Ejemplo: Partidas Semáforo Vehicular. Centro de luz Poste Kilométrico, etc.
Cuando se metra en base a las cotas que definen un elemento y su partida correspondiente. Ejemplo:
Partida de concreto en columnas Concreto en vigas, etc.
Cuando se metra en base a apoyo gráfico: triángulos, papel milimetrado. Ejemplo. área de cortes y
rellenos de movimiento de tierras, etc.
Cuando se metra en base a instrumentos como el planímetro. Ejemplo. área de cortes y rellenos de
movimiento de tierras, etc.
10
Marco teórico CAPÍTULO 2
Cuando se metra usando formulas definidas. Ejemplo. volúmenes de cortes y rellenos de movi-
miento de tierras, etc.
Según (Salinas, 2010), nos señala como recomendaciones generales para metrar a las siguientes:
1. Que la persona que va a metrar tenga conocimiento y criterio técnico sobre este proceso
2. Estudio integral de los planos y especificaciones técnicas.
3. Aplicación de la normativa vigente (norma técnica).
4. Establecer un orden y sistema de metrar.
5. Apoyarse en colores por elementos o áreas.
Según Salinas (2010), “ manifiesta que de acuerdo a la consigna en el Art. 197° del reglamento de
la ley de contrataciones del estado (D.S. N° 184-2008-EF), se determina lo siguiente: Sistema de
contratación a precios unitarios. en este sistema se valorizan los metrados realmente ejecutados”.(p.
11)
Sistema de contratación a suma alzada. en este sistema se valorizan hasta el total de los metrados
del presupuesto de obra.
11
Marco teórico CAPÍTULO 2
2.2.4.4 Planos
Según Salinas (2010), “define a los Planos como la representación gráfica, en dos dimensiones
(2D), de elementos de tres dimensiones (3D). Los metrados se formulan en base a los siguientes
documentos: Planos del Proyecto, como cantidad. Especificaciones Técnicas, como calidad”.(p. 12)
Según Salinas (2010), “define que: “Los costos directos son aquellos que quedan insumidos en la
obra y este es el resultado de la multiplicación de los metrados por los costos unitarios”.(p. 13)
Según Salinas (2010), “nos señala que: “Los costos unitarios están definidos por la sumatoria de
mano de obra, materiales y equipo/herramientas”.(p. 13)
Según Salinas (2010), “ nos indica que: “Los costos indirectos son todos aquellos gastos que no
pueden aplicarse a una partida determinada, sino al conjunto de la obra”.(p. 14) Estos costos
Indirectos se clasifican en:
Gastos Generales
Según el D.S. N° 184-2008-EF los gastos generales como aquellos como aquellos gastos que debe
efectuar el contratista durante la construcción derivados de la propia actividad empresarial del
mismo, por lo cual no pueden ser incluidos dentro de las partidas de la obra. Estos gastos generales
se dividen a su vez en gastos generales fijos y gastos generales variables.
12
Marco teórico CAPÍTULO 2
El D.S N° 184-2008-EF, establece que:Los gastos generales fijos son aquellos que no están relaciona-
dos con el tiempo de ejecución de obra y que incurren una vez, no volviendo a gastarse aunque la
obra se amplíe en su plazo.
El D.S. N° 184-2008-EF, establece que: Los gastos generales variables son aquellos que están direc-
tamente relacionados con el tiempo de ejecución de obra y por lo tanto dada su naturaleza siguen
existiendo o permanecen a lo largo de todo el plazo de obra incluida su eventual ampliación.
Permite convertir el valor inicial de una obra, en un valor equivalente, tomando en cuenta los
cambios en los precios de los insumos de construcción.
La Fórmula Polinómica de Reajuste Automático adoptará la siguiente fórmula general básica:
Jr Mr Er Vr GUr
K=a +b +c +d +e +...... (2.4)
J0 M 0 E0 V0 GU0
donde:
K: Es el coeficiente de reajuste del valor del Certificado, como resultado de la variación de precios
de los elementos que intervienen en la construcción. Será expresado con aproximación al milésimo.
a, b, c, d y e: Son cifras decimales con aproximación al milésimo que presentan los coeficientes de
incidencia en el costo de la obra, de los elementos mano de obra, materiales, equipo de construcción,
varios, gastos generales y utilidad, respectivamente. La suma de todos los coeficientes de incidencia
(a+b+c+d+e) será igual a la unidad.
Jo, Mo, Eo, Vo, GUo : Son los índices de los elementos, mano de obra, materiales, equipos de
construcción, varios y gastos generales y utilidad respectivamente, a la fecha del Presupuesto, los
cuales permanecen invariables durante la ejecución de la obra.
Jr, Mr, Er, Vr, GUr : Son los índices de precio de los mismos elementos, a la fecha del reajuste
correspondiente.
2.2.4.9 valorización
13
Marco teórico CAPÍTULO 2
2.2.4.10 Liquidación
La liquidación final de una obra se puede definir como un cálculo técnico, efectuado
dentro de las condiciones contractuales (penalidades, intereses, gastos generales, etc.),
cuya finalidad es determinar el costo total de la obra, el mismo que al compararlo con
los montos pagados por la Entidad, podrá determinar el saldo económico, ya sea a favor
del contratista o de la Entidad, según corresponda. Si el contrato es por el sistema de
contratación a suma alzada las partidas se liquidan al 100ejecución real, salvo que se hayan
aprobado adicionales o deductivos, en cuyo caso se estará conforme a lo aprobado.(p. 5)
Liquidar el contrato es un proceso mediante el cual se deben establecer los valores de la siguiente
fórmula:
Saldo de liquidacion = Costo final − pagos ejecutados
(2.5)
Saldo de liquidacion = liquidacion − valorizacion
El proceso de liquidación del contrato requiere se cumplan dos condiciones: Que se haya suscrito
el acta de recepción de obra, o el acta de constatación física e inventario 6 de obra si el contrato fue
resuelto. Que no existan controversias pendientes.
14
Marco teórico CAPÍTULO 2
1. Economia general
2. Supervisión de proyecto
3. Condiciones laborales
4. Condiciones de trabajo
5. Equipamiento
6. Clima
Según john s page (1997),“ esto no es más que el estado de la nación o de la zona en la que se va a
construir su proyecto.”(p.1). los aspectos que deben revisarse y evaluarse en esta categoría son:
15
Marco teórico CAPÍTULO 2
las cosas que deben ser examinadas y evaluadas en este elemento son:
a. experiencia
b. suministro
c. pago
a. experiencia
b. suministro
c. pago
2.2.11 Equipamiento
a. Usabilidad
b. condiciones
c. Mantenimiento y reparación
16
Marco teórico CAPÍTULO 2
2.2.12 Clima
Tenemos ahora que considerar y analizar todos los 6 elementos y el ejemplo para cada elemento
individual tenemos que llegar al porcentaje de eficiencia de productividad de la siguiente mane-
ra(john s page, 1997)
como hay seis elementos implicados, ahora debemos dividir el porcentaje total por el número de
elementos para llegar a un porcentaje medio de productividad(john s page, 1997)
17
Marco teórico CAPÍTULO 2
Figura 2
Principales relaciones de la Productividad
Producto
Productividad = (2.6)
Recurso
18
Marco teórico CAPÍTULO 2
La mano de obra dentro de este marco conceptual, debe entenderse entonces, como un
recurso activo que se requiere en un proceso constructivo y que, determina de manera
directa, el tiempo de duración del mismo. La productividad de la mano de obra, indica
la cantidad de obra ejecutada por un hombre o una cuadrilla claramente definida, en
un período de tiempo. Es necesario precisar que, cuando se habla de la productividad
haciendo referencia a un hombre, este debe ser considerado como una unidad promedio de
la cuadrilla a la que pertenece. Una cuadrilla claramente definida, es una cuadrilla con una
configuración típica de oficiales y ayudantes. Cuando la productividad hace referencia a
una cuadrilla, en lo posible debe configurarse, definirse y evaluarse con base en cuadrillas
tipo, que no son más que la conformación de oficiales y ayudantes estrictamente necesarios
y suficientes para realizar una tarea de manera idónea. La productividad puede expresarse
entonces de las siguientes formas.(p.47)
Cantidad de obra
Productividad..de..mano..de..obra = (2.7)
Hora − Obrero
Cantidad de obra
Productividad..de..mano..de..obr = (2.8)
Hora − Cuadrilla
19
Marco teórico CAPÍTULO 2
“Además de indicar estos propósitos, un plan de mejoramiento se implementa con las siguientes
etapas.”(Mejía y Hernández, 2007, p.47).
“ La medición bajo estas consideraciones, es entendida como la base fundamental para analizar la
productividad, para establecer los índices de control y para organizar los registros históricos, que
20
Marco teórico CAPÍTULO 2
Figura 3
Esquema de mejoramiento de la productividad
21
Marco teórico CAPÍTULO 2
Tangente hiperbólica
sigmoidal
lineal
utilizaron tanh en sus modelos de redes neuronales. También probaron la función sigmoidea, la
función lineal y otras funciones disponibles en un programa informático NeuroSolution 4, varias
veces, produciendo resultados menos precisos; el El algoritmo de aprendizaje utilizado para todas las
redes neuronales fue el algoritmo de aprendizaje de retropropagación en el que cada capa alimenta
directamente a la capa siguiente. En este estudio, el programa comercial programa informático
comercial NeuroSolution 6.03 para desarrollar, entrenar y probar las redes neuronales. La función
de activación (transferencia) utilizada en todas las redes neuronales fue tanh, que se representa
(Gohary et al. 2017)
e2x −1
f(x) = (2.9)
e2x +1
(dij −yij )2
Pp Pn
j=1 . i=1
MSE = (2.10)
NP
donde:
p= numero de elementos de procesamientos de salidas
N= número de ejemplos en el conjunto de datos
dij= salida deseada
yij= salida actual
El promedio de MSE para todos los modelos de diferentes oficios se muestra en Tabla 1. La red
entrenada se considera aceptable para predecir la productividad con un margen de error satisfacto-
rio. No existe un método específico para determinar el número de capas ocultas y el número de
nodos en cada capa. sugirieron empezar con una capa oculta y luego aumentar a dos capas ocultas
si el rendimiento con una capa oculta es no es satisfactoria. En general, un número reducido de
nodos ocultos dará lugar a un elevado error de entrenamiento y predicción (prueba) porque la
red es incapaz de aprender la función. Por otro lado, demasiados nodos ocultos resultará en un
22
Marco teórico CAPÍTULO 2
bajo error de entrenamiento y un aumento de la potencia de la red, pero requerirá más cálculos
y probablemente producirá un problema de producir un problema de sobreajuste(Gohary et al.
2017).
Por lo tanto, la mejor arquitectura de red para un problema específico podría lograrse utilizando
el enfoque de prueba y error. En esta investigación, el número de entradas es de 29, y la suma de
errores al cuadrado se define como inferior a 0,001. Por lo tanto, una capa oculta y 20 neuronas en
la capa oculta. Esto coincide con (Gohary et al. 2017), que determinaron el número de neuronas de
la capa oculta como 2=3 o el 70-90 % del del tamaño de la capa de entrada. En la capa de salida
se utiliza una neurona que se denomina k. La Fig. 2 muestra la arquitectura de la red utilizada. Es
importante dividir el conjunto de datos en conjuntos de entrenamiento y de prueba (predicción).
El conjunto de datos de entrenamiento es responsable del proceso de aprendizaje de la red. El
conjunto de datos de prueba, sin embargo, tiene datos que la red no ha utilizado en sus cálculos
de entrenamiento. Los datos de prueba miden la capacidad de generalización de la red. No hay
ninguna regla que dicte qué porcentaje se asigna exactamente al conjunto de entrenamiento y
al conjunto de pruebas. Sin embargo, es importante tener suficientes datos de para que la red
converja. El proceso de entrenamiento y prueba es dinámico y continuo, lo que significa que con
la disponibilidad de más datos, se pueden realizar más entrenamientos y pruebas. (Gohary et al.
2017) afirmaron que "para determinar una cantidad adecuada de datos de entrenamiento y prueba,
se consideraron dos divisiones. La primera fue el 90 % de los datos para el entrenamiento y el 10 %
para las pruebas. La segunda fue 50 % de los datos para el entrenamiento y 50 % para las pruebas.
Tras las pruebas iniciales se vio que los resultados de la primera división eran más precisos". En
otro caso, Heravi y Eslamdoost (2015) asignaron el 70 % de los datos para el entrenamiento del
modelo. En este estudio, se realizó una división del 75 % de los datos para el entrenamiento y el
25 % para las pruebas. El algoritmo de aprendizaje en la red neuronal de retropropagación tiene
dos fases. En primer lugar, la capa de entrada recibe un patrón de entrenamiento de entrada y la
red propaga (feedforward) el patrón de entrada de capa a capa hasta que la capa de salida genera el
patrón de salida. capa de salida. Una neurona calcula la entrada ponderada de la red basándose en
la siguiente ecuación.(Gohary et al. 2017)
Xn
X= i=1
xi wi −α (2.11)
donde:
n= número de entradas
α=Límites aplicado a la neurona
23
Marco teórico CAPÍTULO 2
A continuación, este valor se pasa por la función de activación. En segundo lugar, si este patrón es
diferente de la salida deseada se calcula el error correspondiente y se propaga hacia atrás (back-
propagation) a través de la red desde la capa de salida hasta la capa de entrada. A continuación, los
pesos de la red de retropropagación se actualizan con los errores asociados de la neurona de salida
y se se propagan hacia atrás.(Gohary et al. 2017).
Figura 4
Arquitectura de 3 capas de feed forward con algoritmo de apren-
dizaje de backpropagation
Fuente: Khaled Mahmoud El-Gohary1 ; Remon Fayek Aziz, Ph.D.2 ; and Hesham A. Abdel-
Khalek, Ph.D.3.
donde:
24
Marco teórico CAPÍTULO 2
donde:
∆wjk (p) = corrección del peso. Como la salida de la capa anterior (por ejemplo, la capa oculta)
se utiliza como entrada a la siguiente capa (por ejemplo, la capa de salida), ∆wjk (p)) se define como:
donde:
β = tasa de aprendizaje, una constante positiva menor que la unidad; y δk (P) = gradiente de error
en la neurona k. El gradiente de error se determina como la derivada de la función de activación
multiplicada por el error a la salida de la neurona. Para la neurona k en la capa de salida.
δYk (P)
δk (P) = xek (p) (2.15)
δxi (P)
donde:
Yk (p) = salida de la neurona k en la iteración p; y Xk (p) = entrada neta entrada ponderada a la
neurona k en la misma iteración. La Fig. 3 muestra el proceso proceso utilizado para el entrenamiento
y la predicción (validación) de la red.
Después de que la red se entrene durante el número de épocas designado, la red congela
los pesos que ha alcanzado. Cuando el sobreajuste y el error de validación comienza a
aumentar para un número determinado de épocas, la prueba se detiene y se devuelven los
parámetros correspondientes al mínimo de este error de validación.(p.6)
25
Marco teórico CAPÍTULO 2
Figura 5
Proceso de aprendizaje y predicción de redes neuronales
feedforward con el algoritmo de retropropagación
Fuente: Khaled Mahmoud El-Gohary1 ; Remon Fayek Aziz, Ph.D.2 ; and Hesham A.
Abdel-Khalek, Ph.D.3.
26
3 Método de la investigación
3.1 Enfoque.
La investigación se realizará con un enfoque Cuantitativo se podra operarcon cifras el valor de los
rendiminetos y costos unitarios
3.2 Alcance
Costos unitarios de rendimiento de mano de obra de todas las regiones del Perú.
3.4.2 Muestra
3.5 Hipótesis
3.5.1 Hipótesis general
Se pueden estimar costos unitarios para rendimiento de mano de obra en excavaciones de edifica-
ciones utilizando modelo de redes neuronales artificiales en el distrito de Ayacucho,2021.
27
Método de la investigación CAPÍTULO 3
2 Se pueden comparar los costos unitarios para rendimiento de mano de obra excavaciones de
edificaciones utilizando modelo de redes neuronales artificiales del distrito de Ayacucho
con la cámara peruana de la construción (CAPECO).
3 Se puede optimizar costos unitarios para rendimiento de mano de obra en excavaciones de
edificaciones utilizando modelo de redes neuronales artificiales para otros distritos
incentivo soles
Elementos de protección Km
edad (años)
costos unitarios habilidad
capacitación
temperatura ambiental C
altitud (Tc ) m.s.n.m
La técnica del procesamiento de datos a partir de la recolección de datos de los expedientes técnicos
a través de instituciones publicas como el MEF , Ministerio de vivienda y otros.
3.7.2 Instrumentos
28
Método de la investigación CAPÍTULO 3
Los datos obtenidos fueron recogidos del SEACE de la MEF y fueron recolectados de todas las obras
por ejecutar y ejecutados de todos los proyectos de nuestro pais de diferentes periodos de ejecución
de proyectos de infraestrura
Figura 6
Ingreso al SEACE para la selección de proyectos
Se seleccionarán los datos de todos los proyectos del pais para poder realizar un análisis de datos ,
seleccionarlos y evaluarlos la relación que tendrán los proyectos el uno al otro respecto al rendi-
miento y para poder analizar las variables claves que definen el rendimiento en la industria de la
construcción.
29
Método de la investigación CAPÍTULO 3
Figura 7
Registro en el SEACE de todos los proyectos
Figura 8
Obtención de los rendimientos atraves de los costos unitarios
30
Untitled5
col_imp = datos_imp.columns
datos= datos_imp.values
print("Cantidad de datos:", datos_imp.shape)
print(datos_imp.describe())
datos_imp.hist()
pyplot.show()
X_e=datos[0:18,1:10]
Y_e=datos[0:18,10]
N=len(X_e)
dat_val=0.15
X_v=datos[18:,1:10]
Y_v=datos[18:,10]
1
X_eval=datos[10:,1:10]
Y_eval=datos[10:,10]
X_num=range(N)
plt.plot(X_num ,X_e, 'o', label="feature", markersize=3)
plt.plot(X_num ,Y_e.T, lw=1.5 , color="red", label="Y")
plt.legend()
plt.show()
2
3
3 Datos mostrados en el python
[43]: datos_imp
4
18 3826.0 7.5 84.600000 12.000000
19 3869.0 10.0 7.260000 2.000000
20 358.2 24.3 13.460000 6.000000
21 279.0 26.8 28.584375 5.998033
[44]: X_e
5
637.0971429, 120.01291709999998, 3.5],
[67.67, 4, 406.0, 28.0, 19.33428571, 3.999408983,
464.02285710000007, 95.9858156, 3.5],
[12.43, 3, 2629.0, 19.0, 4.9719999999999995, 3.002415459,
119.32799999999999, 72.05797101, 2.5],
[2493.68, 50, 1675.0, 17.0, 199.4944, 50.00360938, 4787.8656,
1200.086625, 12.5],
[29.95, 11, 3179.0, 9.1, 9.983333333, 11.01102941, 239.6,
264.26470589999997, 3.0],
[9.73, 2, 1811.0, 19.5, 3.475, 1.9979466119999998, 83.4,
47.95071869, 2.8],
[24.61, 3, 3121.0, 10.3, 8.203333333, 3.001219512, 196.88,
72.02926829, 3.0],
[161.32, 21, 2720.0, 23.0, 64.528, 21.00520833, 1548.672, 504.125,
2.5],
[66.82, 22, 62.0, 22.1, 19.09142857, 21.98026316,
458.19428569999997, 527.5263158, 3.5],
[189.0, 28, 41.0, 21.8, 63.0, 28.0, 1512.0, 672.0, 3.0]],
dtype=object)
[45]: Y_e
[45]: array([38.57, 74.3, 6.38, 27.59, 6.66, 1.53, 30.64, 14.44, 18.58, 16.92,
4.14, 49.87, 2.72, 4.87, 8.2, 7.68, 3.04, 6.75], dtype=object)
modelo.add(Dense(45, activation='relu'))
modelo.add(Dense(20, activation='relu'))
modelo.add(Dense(1, activation='linear'))
modelo.compile(loss='mean_squared_error', optimizer='adam',␣
,→metrics=['mae','mse'])
modelo.summary()
Model: "sequential_1"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_1 (Dense) (None, 60) 600
_________________________________________________________________
dense_2 (Dense) (None, 45) 2745
_________________________________________________________________
6
dense_3 (Dense) (None, 20) 920
_________________________________________________________________
dense_4 (Dense) (None, 1) 21
=================================================================
Total params: 4,286
Trainable params: 4,286
Non-trainable params: 0
_________________________________________________________________
print(history)
Y_entr_RN = modelo.predict(X_e)
loss= modelo.evaluate(X_eval,Y_eval, verbose=0)
print(" El error promedio es: %.3f " % loss[-1])
print('Keys:', history.history.keys())
plt.plot(Y_e , label=" Y original", color ='skyblue')
plt.plot(Y_entr_RN , label=" Y_entrenamiento", color ='salmon')
plt.legend()
plt.show()
7
6 Errorde la red neuronal
[48]: plt.subplot(1,2,1)
plt.plot(history.history['loss'], color ='skyblue')
plt.plot(history.history['val_loss'], color ='salmon')
plt.ylabel('Mean error')
plt.xlabel('Epocas')
plt.legend(['Entrenamiento', 'Validación'])
plt.subplot(1,2,2)
plt.plot(history.history['mae'], color ='skyblue')
plt.plot(history.history['val_mae'], color ='salmon')
plt.ylabel('Mean squared error')
plt.xlabel('Epocas')
plt.legend(['Entrenamient0', 'Validacion'])
ax = plt.gca()
ax.yaxis.set_label_position("right")
ax.yaxis.tick_right
8
7 Validación de la red neuronal
[49]: Y_eval_RN = modelo.predict(X_eval)
loss, mae, mse = modelo.evaluate(X_eval, Y_eval, verbose=0)
xcal = xcal.reshape(1,-1)
print(xcal)
y_krm = modelo.predict(xcal)
print('y_norm :', y_krm)
print()
9
[[ 286.93 45. 154. 25.8 95.64333333
44.97335423 2295.44 1079.360502 3. ]]
y_norm : [[6.3044586]]
10
Referencias Bibliográficas
Gohary, K. M. E., Aziz, R. F. y Khalek, H. A. (2017). Engineering Approach Using ANN to Impro-
ve and Predict Construction Labor Productivity under Different Influences. sci hub (vid.
págs. 22-25).
Hanna, C., Sullivan y Lackney, J. A. (2008). Impact of shift work on labor productivity for labor
intensive contractor.” J. Constr. Eng. Manage. ASCE (vid. págs. 4, 5).
john s page. (1997). Estimator general coonstruction Man hour manual. (Vid. págs. 15, 17).
Liu, M. y Ballard, G. (2008). Improving labor productivity through production control. Proc., 11th
Annual Conf. of Int. Group for Lean Construction, International Group for Lean Construction
(IGLC), Manchester, U.K. (vid. pág. 4).
OIT. (2003). Tasas de productividad para la construcción basada en mano de obra. Editorial Art.
Lautrec, Lima, PE. 44 317p. (vid. pág. 9).
Prokopenko, J. (1989). La gestión de la productividad Ginebra, SU. 317p. (Vid. pág. 9).
Salinas, M., S. (2010). Costos, Presupuestos, Valorizaciones y Liquidaciones de Obr. (Vid. págs. 7, 11,
12).
31
Referencias Bibliográficas
Santillán Cotrina, C. P. (2018). Liquidación del proyecto: de la línea de conducción del mejoramiento del
sistema de agua del distrito de rioja región San Martin. Universidad nacional de San Martin -
Tarapoto. (Vid. págs. 10, 13, 14).
Sonmez, R. y Rowings, J. E. (1998). Construction labor productivity modeling with neural network.
J. Constr. Eng. Manage., 10.1061/ (ASCE)0733-9364(1998)124:6(498), 498–504 (vid. pág. 4).
32
Referencias Bibliográficas ANEXO
.1 ANEXO
.1.1 Matriz de consistencia y operacionalización de variables
33
Referencias Bibliográficas ANEXO
Título : Estimación de costos unitarios para rendimiento de mano de obra en excavaciones para edificaciones con redes neuronales artificiales en el ditrito de Ayacucho,2021.
Autor : GRUPO N° 01
Matriz de consistencia
Problema general Objetivo general Hipótesis general Variables Metodología Población y muestra Técnicas e Instrumentos de investi-
gación
¿Cómo se pueden Estimar costos Estimar costos unitarios para rendimiento Se pueden estimar costos unitarios para Variable 1 Investigación Cuantitativa. Población : Técnicas:
unitarios para rendimiento de mano de mano de obra en excavaciones de edifi- rendimiento de mano de obra en excava- costos unitarios Costos unitarios de rendi- La técnica de la recolección de datos
Nivel de investigación
de obra en excavaciones de edifica- caciones utilizando modelo de redes neu- ciones de edificaciones utilizando modelo miento de mano de obra de los costos unitarios para el rendi-
Aplicativo.
ciones utilizando modelo de redes ronales artificiales en el distrito de Ayacu- de redes neuronales artificiales en el dis- de todas las regiones del miento de mano de obra en la partida
Variable 2 Tipo de investigación
neuronales artificiales en el distrito cho,2021. trito de Ayacucho,2021. Perú. de excavación en edificaciones de los
Estimación Cuantitativo.
de Ayacucho,2021. ? Muestra : expedientes técnicos .
Diseño de la investigación El costo unitario de rendi- Instrumentos:
Problemas específicos Objetivos específicos Hipótesis específicos
No experimental - aplicativo miento de mano de obra Base de datos del MEF ,SNIP,Ministerio
1 ¿Cómo se pueden obtener el obtener el tiempo para rendimiento de se pueden obtener el tiempo para rendi-
transeccional. para el Distrito de Ayacu- de Vivienda Construcción y Sanea-
tiempo para rendimiento de mano de obra en excavaciones de edifica- miento de mano de obra en excavaciones
cho. miento y expedientes técnicos.
mano de obra en excavaciones ciones utilizando modelo de redes neuro- de edificaciones utilizando modelo de re-
de edificaciones utilizando mo- nales artificiales en el distrito de Ayacu- des neuronales artificiales en el distrito
delo de redes neuronales arti- cho,2021. de Ayacucho,2021.
ficiales en el distrito de Ayacu-
cho,2021. ?
2 ¿Cómo se pueden comparar los comparar los costos unitarios para ren- Se pueden comparar los costos unitarios
costos unitarios para rendimien- dimiento de mano de obra en excavacio- para rendimiento de mano de obra excava-
to de mano de obra excavacio- nes de edificaciones utilizando modelo de ciones de edificaciones utilizando modelo
nes de edificaciones utilizando redes neuronales artificiales del distrito de redes neuronales artificiales del distri-
modelo de redes neuronales ar- de Ayacucho con la cámara peruana de la to de Ayacucho con la cámara peruana de
tificiales del distrito de Ayacu- construción (CAPECO). la construción (CAPECO).
cho,2021. con la cámara perua-
na de la construción (CAPECO)?
34
Referencias Bibliográficas ANEXO
Título : Estimación de costos unitarios para rendimiento de mano de obra en excavaciones para edificaciones con redes neuronales artificiales en el ditrito de Ayacucho,2021.
Autor : GRUPO N° 01
costos unitarios . el costo unitario es el importe de la remune- La Variación del costo unitario para ren- Aspecto laboral incentivo Técnica e instrumentos
ración o pago total que debe cubrirse al con- dimiento de mano de obra en excavación Equipamiento de la recoleción de datos y
elementos de protección
tratista por unidad de concepto terminado y de edificaciones depende de muchos fac- técnica del procesamien-
Personal
edad (años)
ejecutado conforme al proyecto, especifica- tores externos uno de ellos es la caracte- to de datos
capacitación
Estimación . La estimación es el conjunto de técnicas que La estimación depende de la variable in- Clima
temperatura ambiental (C°)
permiten dar un valor aproximado de un pa- dependiente del costo unitario y esta de-
altitud (m.sn.m)
rámetro de una población a partir de los da- terminado por las características de cada
Rendimiento
tos proporcionados por una muestra. región. Horas hombre (hh)
35