Universidad Nacional de San Cristóbal de Huamanga

Facultad de Ingeniería de Minas, Geología y Civil

E.F.P. de Ingeniería Civil

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

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
1 Planteamiento del problema

1.1 Descripción del problema

Un problema importante en ejecución de edificación es el rendimiento de la mano de obra un

porcentaje considerable del presupuesto en los costos unitarios define el rendimiento de la mano de
obra para lo cual la mayoria de los proyectos utilizan las cifras de valores referenciales de la cámara
Peruana de la construcción (CAPECO) para poder realizar su presupuesto por tanto estos valores
referenciales son solo tomados para Lima y Callao mas no para otros departamentos donde se
ejecutan los proyectos de obras de infraestructura los cuales son influenciados por las condiciones
de la zona la capacitación y eficiencia de los operarios y trabajadores, las condiciones climáticas el
tipo de ejecución de la obra y otros factores hacen que cambien el valor del rendimiento por lo
tanto los costos unitarios para los demás departamentos no se tienen establecidos según la CAPECO
por lo que es necesario obtener rendimientos propios para cada región según sus necesidades
una alternativa e instrumento para encontrar estos rendimientos son los rendimientos obtenidos
utilizando redes neuronales artificiales para obtener datos estimados a partir de información
nacional de proyectos de infraestructura el cual se obtendrán de las diversas organizaciones afines
como es la MEF Ministerio de vivienda y construcción e informaciones obtenidos de los expedientes
técnicos.

1.2 Delimitación del problema

1.2.1 Espacial

El trabajo se llevará acabo en la región de:

Departamento: Ayacucho

Provincia: Huamanga

Distrito: Ayacucho

1
 Planteamiento del problema CAPÍTULO 1

Figura 1
Ubicación localización del distrito de Ayacucho.

.759976 .535858 .311740 .087622 .863504

-74 -74 -74 -74 -73

.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

-74 -74 -74 -74 -73

Fuente: Elaboración propia

1.2.2 Temporal

El trabajo lo realizaremos en el año 2021 en el distrito de Ayacucho provincia de Huamanga y

departamento de Ayacucho durante el semestre académico 2021 impar.

1.2.3 Temática y unidad de análisis

1.2.4 Temática

La estimación del rendimiento de mano de obra para los costos unitarios del distrito de Ayacucho
provincia de Huamanga y departamento de Ayacucho

1.2.5 Unidad de análisis

Rendimiento de excavaciones en edificaciones en distrito de Ayacucho

1.3 Formulación del problema

1.3.1 Problema general

¿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

1.3.2 Problemas específicos

1 ¿Cómo se pueden obtener el tiempo para rendimiento de mano de obra en excavaciones

de edificaciones utilizando modelo de redes neuronales artificiales en el distrito de Ayacu-
cho,2021. ?
2 ¿Cómo se pueden comparar los costos unitarios para rendimiento de mano de obra exca-
vaciones de edificaciones utilizando modelo de redes neuronales artificiales del distrito de
Ayacucho,2021. con la cámara peruana de la construción (CAPECO)?
3 ¿Cómo se pueden optimizar costos unitarios para rendimiento de mano de obra en ex-
cavaciones de edificaciones utilizando modelo de redes neuronales artificiales para otros
distritos.?

1.4 Justificación e importancia

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.

1.5 Limitaciones o restricciones

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

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.

1.6.2 Objetivos específicos

1 obtener el tiempo para rendimiento de mano de obra en excavaciones de edificaciones

utilizando modelo de redes neuronales artificiales en el distrito de Ayacucho,2021.
2 comparar los costos unitarios para rendimiento de mano de obra en excavaciones de edifi-
caciones utilizando modelo de redes neuronales artificiales del distrito de Ayacucho con la
cámara peruana de la construción (CAPECO).
3 optimizar costos unitarios para rendimiento de mano de obra en excavaciones de edificacio-
nes utilizando modelo de redes neuronales artificiales para otros distritos

3
2 Marco teórico

2.1 Antecedentes
2.1.1 Investigaciones internacionales.

La mejora de la productividad de la mano de obra ha sido un reto importante en el sector de la

construcción durante décadas. La construcción es una industria que requiere mucha mano de obra,
y en la mayoría de los países los costes de mano de obra suponen entre el 30 y el 50 % del del
proyecto (Hanna et al. 2008). Por lo tanto el rendimiento de la productividad de la mano de obra
desempeña un papel clave en la determinación del éxito financiero de un proyecto de construcción
(Hanna et al. 2008). Las variaciones en la productividad de la mano de obra en la construcción
son el resultado de múltiples factores. La relación entre los factores influyentes y la productividad
resultante puede cuantificarse mediante modelos de modelos de productividad. Estos modelos son
eficaces en la toma de decisiones para estimar programación y planificación de proyectos futuros
(Liu y Ballard, 2008).

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

2.2 Bases teóricas

2.2.1 Costos unitarios
2.2.1.1 CAPECO (Cámara Peruana de la Construcción)

Según Rojas Montoya (2014)

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)

2.2.1.2 Especialización del trabajo de la construcción

Se clasifica el personal de acuerdo a su especialización y cuentan con categorias:

Operario

Es el trabajador calificado en una especialidad. Son operarios de construcción civil los

albañiles, carpinteros, fierreros, pintores, electricistas, gasfiteros, plomeros, almaceneros,
choferes, mecánicos, etc. En esta categoría se considera a los maquinistas, que desempeñan
funciones de operarios: mezcladores, concreteros y wincheros. (D.S. del 02 de marzo de
1945, Pacto sobre condiciones de trabajo del 29 de septiembre de 1958 y Res. Nº 197 del 05
de julio de 1955 - CAPECO)(Rojas Montoya, 2014, p, 7).

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

Trabajador no calificado que es ocupado indistintamente como ayudante en diversas tareas

de la construcción (D.S. del 02 de marzo de 1945 - CAPECO).(Rojas Montoya, 2014, p, 7).

2.2.1.3 Coeficientes de aporte de mano de obra

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.

2.2.1.4 Análisis De Precios Unitarios

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).

2.2.1.5 Jornada de trabajo de mano de obra

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).

2.2.1.6 Turnos de trabajo de mano de obra

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).

2.2.2 Definición de términos en construcción civil

Mano de obra

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

Rendimiento de mano de obra

Es la cantidad de productividad en la ejecución de partidas en la obra completamente ejecutada

por una cuadrilla, compuesta por uno o varios operarios de diferente especialidad por unidad de
recurso humano, normalmente expresada como unidad de medida de la actividad por hora Hombre
(um/hh) (horas Hombre por unidad de medida).

cuadrilla

Es el número de obreros (sea uno o varios) según la necesidad de la actividad a ejecutar.

Edificación

Obra de carácter permanente, cuyo destino es albergar actividades humanas.

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

2.2.3 Rendimiento y productividad

“En un contexto empresarial, el concepto de rendimiento hace referencia al resultado deseado

efectivamente obtenido por cada unidad que realiza la actividad, donde el término unidad puede
referirse a un individuo, un equipo, un departamento o una sección de una organización”(Castillo
Quispe, 2021, p, 12).

En el ámbito de la construcción se utiliza muy a menudo el termino de rendimiento de

mano de obra, el cual se define como la cantidad de mano de obra de alguna actividad
completamente ejecutada por una cuadrilla, compuesta por uno o varios operarios de
diferente especialidad por unidad de recurso humano, normalmente expresada como
um/hH (unidad de medida de la actividad por hora hombre)(Botero Botero, 2002, p, 12)

8
 Marco teórico CAPÍTULO 2

Por productividad debemos entender la relación entre la producción obtenida por un

sistema de producción y los recursos utilizados para obtenerla. Estos recursos productivos,
incluyen el factor trabajo, capital y otros insumos como la tierra, energía, materia prima e
incluso la información (Botero Botero, 2002)

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).

La primera acción de cualquier ingeniero de planificación sobre un proyecto basado en

mano de obra debe ser la determinación de las cantidades y tipos de trabajo que se llevarán
a cabo. El ingeniero debe entonces dividir este trabajo en actividades que puedan ser
llevadas a cabo individualmente o por grupos de trabajadores, y entonces, aplicando tasas
de productividad, determinar la fuerza de trabajo requerida y la duración del proyecto. La
elección de las tasas de productividad correcta es la parte más crítica de este proceso (OIT,
2003, p, 12)

Tabla 1: Indicadores de la distribución de trabajo a nivel de Lima año 2000

Valores Trabajo productivo (TP) Trabajo contributorio (TC) Trabajo no contrib.(TNC)

Promedio Lima 28 % 36 % 36 %
Mínimo 20 % 35 % 45 %
Máximo 37 % 36 % 26 %

Fuente: Ghio 2001

“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

Tabla 2: Indicadores de la distribución de trabajo a nivel de Lima año 2000

Tipo de trabajo % Trabajo

Año 2000 Año 2005

Trabajo productivo 28 % 30.40 %

Trabajo contributorio 36 % 44.20 %
Trabajo no contributorio 36 % 25.40 %

Fuente: Ghio 2001

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)

2.2.4.1 Tipos de metrados

Según Santillán Cotrina (2018),

Metrado por Conteo

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.

Metrado por Acotamiento

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.

Metrado por Gráficos

Cuando se metra en base a apoyo gráfico: triángulos, papel milimetrado. Ejemplo. área de cortes y
rellenos de movimiento de tierras, etc.

Metrado con Instrumentos

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

Metrado por fórmulas

Cuando se metra usando formulas definidas. Ejemplo. volúmenes de cortes y rellenos de movi-
miento de tierras, etc.

2.2.4.2 Recomendaciones para metrar

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.

2.2.4.3 Normas legales para metrar

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)

Tabla 3: Ejemplo de valorización metrados a precios unitarios.

Partida Metrado del Exp.Téc. Metrado de obra metrado a avalorizar

concreto
fc=175kg/cm2 100m3 80m3 80m3(20m3 de deductivo
concreto
fc=210kg/cm2 100m3 120m3 120m3(90m3 contractuales
y 30m3 adicionales

Fuente: Salinas (2010)

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

Tabla 4: Ejemplo de valorización metrados a suma alzada

Partida Metrado del Exp.Téc. Metrado de obra metrado a avalorizar

concreto
fc=175kg/cm2 100m3 80m3 100 m3(no hay deductivo por menor metrado)
concreto
fc=210kg/cm2 100m3 120m3 90 m3(no hay Adicionales
por mayor metrado)

Fuente: Salinas (2010)

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)

2.2.4.5 Costos Directos

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)

Costo directo = Metrados∗ Costo unitario (2.2)

2.2.4.6 Costos unitarios

Según Salinas (2010), “nos señala que: “Los costos unitarios están definidos por la sumatoria de
mano de obra, materiales y equipo/herramientas”.(p. 13)

Los Costos Unitarios están definidos por la sumatoria siguiente:

Costo unitario = Manodeobra + materiales + equipos/herramientas (2.3)

2.2.4.7 Costos indirectos

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

Gastos Generales Fijos

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.

Gastos Generales Variables

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.

2.2.4.8 Fórmula polinómica

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

Según Santillán Cotrina (2018):

13
 Marco teórico CAPÍTULO 2

el Anexo Único de Definiciones del Reglamento, la valorización de una obra, es la cuanti-

ficación económica del avance físico en la ejecución de la obra, realizada en un período
determinado. Asimismo, se podría definir a la valorización como el monto de la contra-
prestación que corresponde abonar al contratista, por el trabajo ejecutado en un periodo
de tiempo, usualmente mensual; sin embargo, nada impide establecer en las Bases o el
contrato otra periodicidad. Adicionalmente, cabe señalar que las valorizaciones tienen el
carácter de pagos a cuenta, toda vez que en la liquidación final es donde se define el monto
total de la obra y el saldo a pagar.(p. 20)

2.2.4.10 Liquidación

Según Santillán Cotrina (2018):

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)

Según Santillán Cotrina (2018):

Si el contrato es por el sistema de contratación de precios unitarios, considerando que

bajo este sistema se paga lo realmente ejecutado, corresponderá hacer un remetrado de
todas las partidas de obra a fin de determinar su real ejecución. En este caso se deben tener
también presentes los presupuestos adicionales y deductivos que se hubieran aprobado así
como los planos de replanteo (o "planos según construido") para determinar los metrados
realmente ejecutados también llamados "metrados de post construcción".(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

2.2.5 Producción y tasa de composición

Según john s page (1997), La producción y tasa de composición despues de la comparación de

muchos proyectos construidos bajo diferentes condiciones nosotros tenemos estos elementos de
producción que pueden agruparse en 6 diferenetes clasificaciones y los porcentajes de produccion
puedene clasificarse en 5 diferentes categorias.

1. Economia general
2. Supervisión de proyecto
3. Condiciones laborales
4. Condiciones de trabajo
5. Equipamiento
6. Clima

2.2.6 Normas legales para metrar

Según john s page (1997)

los 5 rangos de porcentajes de la eficiencia de la productividad son:

Tabla 5: Eficiencia de productividad

N° TIPO RANGO DE PORCENTAJE

1 Muy bajo 10 a 40
2 bajo 41 a 60
3 medio 61 a 80
4 bueno 81 a 90
5 muy bueno 91 a 100

Fuente: john s page (1997)

2.2.7 Economía general

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:

a. tendencias y perspectivas empresariales

b. construcción de volumen
c. la situación del empleo

15
 Marco teórico CAPÍTULO 2

2.2.8 Supervisión de proyectos

¿cuál es el calibre de su supervisión?

¿tienen experiencia y están bien curtidos?
cuánto puede pagarles ?
de qué suministro dispone ?

las cosas que deben ser examinadas y evaluadas en este elemento son:

a. experiencia
b. suministro
c. pago

2.2.9 Condiciones laborales

dispone su organización de un buen hombre de relaciones laborales?

a. experiencia
b. suministro
c. pago

2.2.10 Condiciones de trabajo

a. alcance del trabajo

b. condiciones del sitio
c. adquisición de materiales
d. operaciones manuales y mecanizadas

2.2.11 Equipamiento

¿tiene un equipo amplio para completar su proyecto?

¿en qué estado se encuentra y si tendrá un buen mantenimiento y ayuda para la reparación?
Los principales elementos de estudio son:

a. Usabilidad
b. condiciones
c. Mantenimiento y reparación

16
 Marco teórico CAPÍTULO 2

2.2.12 Clima

¿compruebe las condiciones meteorológicas anteriores de la zona en la que se va a ubicar su

proyecto, durante los meses en que su empresa va a construir?
¿cuáles son las previsiones meteorológicas basadas en estos informes anteriores?

a. informes meteorológicos anteriores

b. lluvia o nieve
c. frío o caliente

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)

Tabla 6: Productividad en porcentajes( %)

N° elemento porcentaje de productividad

1 ECONOMIA GENERAL …………….. 75

2 SUPERVISIÓN DE PROYECTO ………………. 70
3 CONDICIONES LABORALES ……………… 65
4 CONDICIONES DE TRABAJO …………………. 60
5 EQUIPAMIENTO ……………….. 70
6 CLIMA …………………… 50

Fuente: 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)

390/6=65 porcentaje promedio de eficiencia de productividad.

2.3 La productividad como indicador de gestión

Según Mejía y Hernández (2007):

La productividad concebida como estrategia de gestión en las obras, se convierte en un

indicador importante del desarrollo constructivo, ya que relaciona intrínsecamente diversos
factores claves que inciden directamente sobre el desempeño de los procesos, como la
calidad, la seguridad, el costo, el tiempo, la planeación y el control.(p.47)

17
 Marco teórico CAPÍTULO 2

Figura 2
Principales relaciones de la Productividad

Fuente: Guillermo mejía y Triny Hernández.

Según Mejía y Hernández (2007):

Hablar de productividad en construcción, es hablar de productividad en sus procesos; de

sus recursos materiales; de sus equipos; de sus cuadrillas de trabajo; de su información
y energía. Estos recursos deben estar definidos dentro de los planes de mejoramiento,
para lograr hacer un uso eficiente y eficaz, bajo políticas claras de calidad y seguridad.
Deben además, estar soportados por procedimientos formales y explícitos de planeación y
control, ya que su incidencia se refleja finalmente en los costos y tiempos que demandan
los procesos. La productividad en este sentido, puede entenderse como un indicador de
efectividad en un sistema o proceso, donde relaciona la eficacia y la eficiencia dentro de un
efecto sinérgico. La eficacia expresada como la cuantificación o valoración de un producto
—con un alcance definido, entregado bajo condiciones estándares de calidad y ejecutado
en un período determinado de tiempo, y la eficiencia expresada como el aprovechamiento
de los recursos empleados, para lograr el producto relacionado al menor costo posible.
Productividad entonces, es la relación existente entre la cantidad de obra generada con
respecto a los recursos empleados.(p.47)

Producto
Productividad = (2.6)
Recurso

2.3.1 Productividad de la mano de obra

Según Mejía y Hernández (2007):

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

“Resumiendo se puede decir que, determinar la productividad de la mano de obra es cuantificar el

rendimiento de las cuadrillas de trabajo, interpretado como una evaluación del desempeño en el
proceso constructivo con respecto a una unidad de tiempo.”(Mejía y Hernández, 2007, p.47).
Para cuantificar el rendimiento se requiere definir:

La configuración de la cuadrilla tipo

Las horas laboradas
El costo de las cuadrilla
La cantidad de obra.

2.3.2 Mejoramiento de productividad

“Mejorar la productividad es mejorar el desempeño en los procesos. La implementación de una

estrategia de mejoramiento debe tener como base los siguientes propósitos.”(Mejía y Hernández,
2007, p.47).
Según (Mejía y Hernández, 2007):

19
 Marco teórico CAPÍTULO 2

Mejorar el desempeño del proceso identificando y definiendo sus tareas y actividades

(efectividad).
Mejorar el aprovechamiento de los recursos activos del proceso –mano de obra y
equipos (eficiencia)
Mejorar la calidad del proceso, procurando que su resultado agregue valor (eficacia)
Mejorar las condiciones laborales para incentivar la productividad de las cuadrillas
de trabajo.
Mejorar las habilidades y condiciones para aprovechar la curva de aprendizaje
Mejorar las condiciones laborales para incrementar la seguridad en el desarrollo de
las tareas.(p.47).

“Además de indicar estos propósitos, un plan de mejoramiento se implementa con las siguientes
etapas.”(Mejía y Hernández, 2007, p.47).

Según (Mejía y Hernández, 2007):

Planeación: etapa donde se definen los índices de productividad con respecto al

trabajo, al presupuesto y al tiempo, para servir como marco de referencia a los
programas de control.
Seguimiento y medición:etapa donde se definen las metodologías y técnicas para
tomar, procesar y analizar la información registrada en campo.
Control y evaluación:es la fase de diagnóstico, de identificación de problemas, de
definición de alternativas de solución, para adoptar medidas correctivas o de mitiga-
ción.
Implementación: es la etapa de implantación e implementación de las acciones
definidas en la etapa de control y evaluación.(p.47).

“Como actividad importante a lo largo de estas etapas de implementación, se debe considerar la

medición, actividad que facilita la determinación de la productividad y permite identificar los
aspectos de vulnerabilidad que la afectan, tales como.”(Mejía y Hernández, 2007, p.47).

el nivel de gestión en las obras.

situaciones que requieren de manera oportuna implementar correctivos.
el nivel de impactos generado por los cambios de planes realizados.
el nivel de desempeño con respecto a otras obras y proyectos.

“ 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

servirán en evaluaciones y proyecciones a futuro.”(Mejía y Hernández, 2007, p.48).

Figura 3
Esquema de mejoramiento de la productividad

Fuente: Guillermo mejía y Triny Hernández.

2.4 Marco Conceptual

2.4.1 Modelamiento de redes neuronales artificiales

La arquitectura de las redes neuronales artificiales se refiere a la composición de los elementos de

las redes neuronales, su organización y los parámetros que les afectan. La red neuronal de retropro-
pagación es una de las arquitecturas de redes neuronales más comunes. Esta arquitectura de red
neuronal es muy popular porque puede aplicarse a muchas tareas diferentes. La retroalimentación
describe cómo esta red neuronal procesa y procesa y recuerda patrones. En una red neuronal de
avance, las neuronas sólo están conectadas hacia delante. Cada capa de la red neuronal contiene
conexiones con la capa siguiente (por ejemplo, desde la entrada a la capa oculta), pero no hay
conexiones hacia atrás. La retropropagación describe cómo se entrena este tipo de red neuronal. se
entrena este tipo de red neuronal. La retropropagación es una forma de entrenamiento supervisado.
Cuando Cuando se utiliza un método de entrenamiento supervisado, se debe proporcionar a la
red con entradas de muestra y salidas anticipadas. Las salidas previstas Las salidas previstas se
comparan con las salidas reales para una entrada determinada. A partir de las salidas previstas, el
algoritmo de entrenamiento por retropropagación toma un error calculado y ajusta los pesos de las
varias capas hacia atrás desde la capa de salida hasta la capa de entrada. La mayoría de las redes
neuronales tienen las funciones principales de procesamiento de peso, suma y paso de la salida de
sus capas a través de funciones de activación (transferencia). Estas funciones de activación escalan
la salida de la red neuronal en rangos adecuados de valores máximos y mínimos. Hay un total de

21
 Marco teórico CAPÍTULO 2

tres funciones de activación(Gohary et al. 2017).

proporcionadas:

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

El error cuadratico medio es:

(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).

La señal de error en la salida de la neurona k (capa de salida) en la iteración p se define como:

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.

ek (p) =Yd,k (p)−Yk (p) (2.12)

donde:

24
 Marco teórico CAPÍTULO 2

Yd,k (p) = salida deseada de la neurona k en la iteración p;

Yk (p)= salida calculada pertinente de la neurona k utilizando la función de activación función de
activación utilizada (tanh). El peso wjk se actualiza mediante:

wjk (p + 1) =wjk (p) + ∆wjk (p) (2.13)

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:

∆wjk (p) = βxYj (p)xδk (P) (2.14)

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.

2.4.1.1 Prueba de modelo de productividad y validación

Según Gohary et al. (2017):

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

La investigación corresponde a un alcance Aplicativo porque se aplicará redes neuronales artificiales

para estimar el costo unitario del rendimiento de mano de obra en excavaciones de edificaciones.

3.3 Diseño de investigación

El diseño es transversal porque se va recolectar y procesar datos en un solo momento de la inves-

tigación de la investigación y no en varios momentos, a esta investigación tambien se le conoce
como transeccional.

3.4 Población y muestra

3.4.1 Población

Costos unitarios de rendimiento de mano de obra de todas las regiones del Perú.

3.4.2 Muestra

El costo unitario de rendimiento de mano de obra para el Distrito de Ayacucho.

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.

3.5.2 Hipótesis específicas

1 se pueden obtener el tiempo 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

3.6 Operacionalización de variables, definición conceptual y opera-

cional
3.6.1 Variables e indicadores

La operacionalización de variables se muestra acontinuación en la siguiente tabla:

Tabla 7: Variables e Indicadores.

Variables Exogenas Indicadores Medición

incentivo soles
Elementos de protección Km
edad (años)
costos unitarios habilidad
capacitación
temperatura ambiental C
altitud (Tc ) m.s.n.m

Estimación de costos unitarios Indicadores Medición

Estimación horas hombre hh

Fuente: Elaboración Propia

3.7 Técnicas e instrumentos

3.7.1 Técnicas
3.7.1.1 La técnica del procesamiento de datos

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

El instrumento de la red neuronal artificial para el procesamiento de datos.

Herramienta de hojas de calculo como el excel.
Servidores de obtención de datos en páginas de navegación internacional.

28
 Método de la investigación CAPÍTULO 3

3.8 Desarrollo de la investigación

3.8.1 Recolección de datos en la investigación

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

Fuente: Servidor SEACE

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

Fuente: Servidor SEACE

Seleccionando los rendimientos a partir de los costos unitarios

Figura 8
Obtención de los rendimientos atraves de los costos unitarios

Fuente: Servidor SEACE

30
 Untitled5

July 19, 2021

1 Ingreso de librerias en python

[41]: import pandas as pd
import matplotlib.pyplot as plt
from matplotlib import pyplot
import numpy as np

from sklearn.preprocessing import PowerTransformer

from sklearn.metrics import mean_squared_error
from sklearn import preprocessing
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split

from keras.wrappers.scikit_learn import KerasRegressor

from keras.models import Sequential
from keras.layers import Dense
from keras import backend as K
from keras.models import model_from_json

2 Importación de datos del excel

[52]: datos_imp = pd.read_csv('RED_NEURONAL.csv', encoding=('ISO-8859-1'), low_memory␣
,→=False)

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()

Cantidad de datos: (22, 11)

METRADO TIEMPO DE EJECUCIÓN(DIAS) ALTITUD DEL PROYECTO(msnm) \
count 22.000000 22.000000 22.000000
mean 258.283636 12.272727 1329.418182
std 533.222333 13.628338 1397.314683
min 3.060000 2.000000 40.000000
25% 32.557500 3.000000 173.250000
50% 75.225000 6.500000 570.500000
75% 208.132500 17.250000 2697.250000
max 2493.680000 50.000000 3869.000000

TEMPERATURA MEDIA (C°) TU(EXPED) TU(REAL) HH-EXPE \

count 22.000000 22.000000 22.000000 22.000000
mean 20.545455 42.339787 12.271685 1016.154893
std 7.116428 50.905759 13.625196 1221.738223
min 7.500000 1.020000 1.997947 24.480000
25% 17.500000 8.648333 3.001518 207.560000
50% 22.000000 20.770476 6.499933 498.491429
75% 25.600000 60.656875 17.250389 1455.765000
max 32.000000 199.494400 50.003609 4787.865600

HH-REAL REND. EXP (m3/dia) REND. REAL (m3/dia)

count 22.000000 22.000000 22.000000
mean 294.520431 5.477273 18.267727
std 327.004707 7.994994 18.263987
min 47.950719 2.500000 1.530000
25% 72.036444 3.000000 6.450000
50% 155.998385 3.100000 11.320000
75% 414.009334 3.875000 26.137500
max 1200.086625 40.000000 74.300000

2
3
 3 Datos mostrados en el python
[43]: datos_imp

[43]: Unnamed: 0 METRADO TIEMPO DE EJECUCIÓN(DIAS) \

0 NaN 732.85 19
1 NaN 520.09 7
2 NaN 286.93 45
3 NaN 82.78 3
4 NaN 66.62 10
5 NaN 3.06 2
6 NaN 214.51 7
7 NaN 28.87 2
8 NaN 92.91 5
9 NaN 67.67 4
10 NaN 12.43 3
11 NaN 2493.68 50
12 PASCO 29.95 11
13 PASCO 9.73 2
14 PASCO 24.61 3
15 PIURA 161.32 21
16 PIURA 66.82 22
17 PIURA 189.00 28
18 PUNO 423.00 12
19 PUNO 43.56 2
20 SAN MARTÍN 40.38 6
21 SAN MARTIN 91.47 6

ALTITUD DEL PROYECTO(msnm) TEMPERATURA MEDIA (C°) TU(EXPED) TU(REAL) \

0 161.0 21.0 18.321250 19.000519
1 40.0 22.0 148.597143 6.999865
2 154.0 25.8 95.643333 44.973354
3 182.0 25.8 33.112000 3.000362
4 177.0 32.0 22.206667 10.003003
5 172.0 30.0 1.020000 2.000000
6 2900.0 10.0 53.627500 7.000979
7 735.0 22.0 6.415556 1.999307
8 750.0 25.0 26.545714 5.000538
9 406.0 28.0 19.334286 3.999409
10 2629.0 19.0 4.972000 3.002415
11 1675.0 17.0 199.494400 50.003609
12 3179.0 9.1 9.983333 11.011029
13 1811.0 19.5 3.475000 1.997947
14 3121.0 10.3 8.203333 3.001220
15 2720.0 23.0 64.528000 21.005208
16 62.0 22.1 19.091429 21.980263
17 41.0 21.8 63.000000 28.000000

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

HH-EXPE HH-REAL REND. EXP (m3/dia) REND. REAL (m3/dia)

0 439.710000 456.012445 40.0 38.57
1 3566.331429 167.996770 3.5 74.30
2 2295.440000 1079.360502 3.0 6.38
3 794.688000 72.008699 2.5 27.59
4 532.960000 240.072072 3.0 6.66
5 24.480000 48.000000 3.0 1.53
6 1287.060000 168.023499 4.0 30.64
7 153.973333 47.983379 4.5 14.44
8 637.097143 120.012917 3.5 18.58
9 464.022857 95.985816 3.5 16.92
10 119.328000 72.057971 2.5 4.14
11 4787.865600 1200.086625 12.5 49.87
12 239.600000 264.264706 3.0 2.72
13 83.400000 47.950719 2.8 4.87
14 196.880000 72.029268 3.0 8.20
15 1548.672000 504.125000 2.5 7.68
16 458.194286 527.526316 3.5 3.04
17 1512.000000 672.000000 3.0 6.75
18 2030.400000 288.000000 5.0 35.25
19 174.240000 48.000000 6.0 21.78
20 323.040000 144.000000 3.0 6.73
21 686.025000 143.952787 3.2 15.25

[44]: X_e

[44]: array([[732.85, 19, 161.0, 21.0, 18.32125, 19.00051854, 439.71,

456.0124449, 40.0],
[520.09, 7, 40.0, 22.0, 148.5971429, 6.99986541, 3566.331429,
167.9967699, 3.5],
[286.93, 45, 154.0, 25.8, 95.64333333, 44.97335423, 2295.44,
1079.360502, 3.0],
[82.78, 3, 182.0, 25.8, 33.111999999999995, 3.00036245, 794.688,
72.0086988, 2.5],
[66.62, 10, 177.0, 32.0, 22.20666667, 10.003003, 532.96,
240.07207209999999, 3.0],
[3.06, 2, 172.0, 30.0, 1.02, 2.0, 24.48, 48.0, 3.0],
[214.51, 7, 2900.0, 10.0, 53.6275, 7.0009791120000004, 1287.06,
168.0234987, 4.0],
[28.87, 2, 735.0, 22.0, 6.415555556, 1.999307479, 153.9733333,
47.9833795, 4.5],
[92.91, 5, 750.0, 25.0, 26.54571429, 5.0005382130000005,

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)

4 Arquitectura de la red neuronal

[46]: K.clear_session()
modelo = Sequential()
modelo.add(Dense(60, input_dim=9, activation='relu',␣
,→kernel_initializer='he_uniform'))

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
_________________________________________________________________

5 Entrenamiento de la red neuronal

[47]: batch_size = X_e.shape[0]
history = modelo.fit(X_e,Y_e , epochs=1500, validation_data=(X_v ,Y_v),␣
,→batch_size =batch_size, verbose=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()

<keras.callbacks.callbacks.History object at 0x0000000011B9E6C8>

El error promedio es: 47.324
Keys: dict_keys(['val_loss', 'val_mae', 'val_mse', 'loss', 'mae', 'mse'])

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

[48]: <bound method YAxis.tick_right of <matplotlib.axis.YAxis object at

0x0000000005DF4708>>

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)

print(" Error promedio para la verificación de la RNA: %.3f " % loss)

plt.title(' Datos de verificación (PREDICCIÓN DE NUEVO VALORES)')

plt.plot(Y_eval, label="Y_ORIGINAL", color ='salmon')
plt.plot(Y_eval_RN, label="Y_PREDICTED", color ='skyblue')
plt.legend()
plt.show()

Error promedio para la verificación de la RNA: 47.324

8 Resultados de la red neuronal

[53]: xcal=np.array([286.93,45,154,25.8,95.64333333,44.97335423,2295.44,1079.
,→360502,3])

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

Botero Botero, L. (2002). Análisis de rendimiento y consumo de mano de obra en actividades de

construcción. Revista Universidad EAFIT. CL. (vid. págs. 8, 9).

Castillo Quispe, C. F. (2021). PRODUCTIVIDAD Y RENDIMIENTO DE MANO DE OBRA EN EL PROYECTO

DE MEJORAMIENTO DE LA I.E. CÉSAR A. VALLEJO, DE LA CIUDAD DE HUAMACHUCO, PROVINCIA
DE SÁNCHEZ CARRIÓN, LA LIBERTAD. Universidad nacional de cajamarca. (Vid. págs. 8, 9).

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).

Mejía, G. y Hernández, T. (2007). Seguimiento de la Productividad en obra: técnicaS de medición

de rendimientoS de mano de obra (vid. págs. 17-21).

Mejía Galvez, G. (2017). Evaluación de rendimiento de mano de obra en la construcción de locales

multiusos en el distrito de Chota. Universidad nacional de Cajamrca. (Vid. pág. 7).

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).

Rojas Montoya, A. M. (2014). “RENDIMIENTO DE MANO DE OBRA EN LA CONSTRUCCIÓN DE VIVIENDAS

EN EL DISTRITO DE CAJAMARCA EN LA PARTIDA: CONSTRUCCIÓN DE MUROS Y TABIQUES DE
ALBAÑILERÍA”. Univsersidad privada del norte Cajamarca. (Vid. pág. 6).

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

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
Problema general
¿Cómo 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. ?
Problemas específicos
1 ¿Cómo se pueden obtener el
tiempo para rendimiento de
mano de obra en excavaciones
de edificaciones utilizando mo-
delo de redes neuronales arti-
ficiales en el distrito de Ayacu-
cho,2021. ?
2 ¿Cómo se pueden comparar los
costos unitarios para rendimien-
to de mano de obra excavacio-
nes de edificaciones utilizando
modelo de redes neuronales ar-
tificiales del distrito de Ayacu-
cho,2021. con la cámara perua-
na de la construción (CAPECO)?
3 ¿Cómo se pueden optimizar cos-
tos unitarios para rendimiento
de mano de obra en excavacio-
nes de edificaciones utilizando
modelo de redes neuronales ar-
tificiales para otros distritos.?
Objetivo general
Estimar costos unitarios para rendimiento
de mano de obra en excavaciones de edifi-
caciones utilizando modelo de redes neu-
ronales artificiales en el distrito de Ayacu-
cho,2021.
Objetivos específicos
obtener el tiempo para rendimiento de
mano de obra en excavaciones de edifica-
ciones utilizando modelo de redes neuro-
nales artificiales en el distrito de Ayacu-
cho,2021.
comparar los costos unitarios para ren-
dimiento de mano de obra en excavacio-
nes de edificaciones utilizando modelo de
redes neuronales artificiales del distrito
de Ayacucho con la cámara peruana de la
construción (CAPECO).
optimizar costos unitarios para rendi-
miento de mano de obra en excavaciones
de edificaciones utilizando modelo de re-
des neuronales artificiales para otros dis-
tritos
Referencias Bibliográficas ANEXO
Tabla 8: Matriz de consistencia
Matriz de consistencia
Hipótesis general Variables Metodología Población y muestra Técnicas e Instrumentos de investi-
gación
Se pueden estimar costos unitarios para Variable 1 Investigación Cuantitativa. Población : Técnicas:
rendimiento de mano de obra en excava- costos unitarios Costos unitarios de rendi- La técnica de la recolección de datos
Nivel de investigación
ciones de edificaciones utilizando modelo miento de mano de obra de los costos unitarios para el rendi-
Aplicativo.
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
trito de Ayacucho,2021. Perú. de excavación en edificaciones de los
Estimación Cuantitativo.
Muestra : expedientes técnicos .
Diseño de la investigación El costo unitario de rendi- Instrumentos:
Hipótesis específicos
No experimental - aplicativo miento de mano de obra Base de datos del MEF ,SNIP,Ministerio
se pueden obtener el tiempo para rendi-
transeccional. para el Distrito de Ayacu- de Vivienda Construcción y Sanea-
miento de mano de obra en excavaciones
cho. miento y expedientes técnicos.
de edificaciones utilizando modelo de re-
des neuronales artificiales en el distrito
de Ayacucho,2021.
Se pueden comparar los costos unitarios
para rendimiento de mano de obra excava-
ciones de edificaciones utilizando modelo
de redes neuronales artificiales del distri-
to de Ayacucho con la cámara peruana de
la construción (CAPECO).
Fuente: Elaboración propia.
Se puede optimizar costos unitarios para
rendimiento de mano de obra en excava-
ciones de edificaciones utilizando modelo
de redes neuronales artificiales para otros
distritos
34
 Referencias Bibliográficas ANEXO

Tabla 9: Matriz de operacionalización de variables

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 operacionalización de variables

Variable Definición conceptual Definición operacional Dimensiones Indicadores Instrumentos

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

ciones de construcción y normas de calidad. rística y particularidad de cada región . habilidad

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