3.00 2.

56
1.98
2.00
1.13
1.00
Propia Ghafor (2022) Kovačević et al. (2022).
0.00
Error cuadratico medio 1.13 2.56 1.98
io
Error absoluto medio 0.88 0.91 0.99 ed
m
Error porcentual absoluto medio 0.80 0.70 0.76 co
r ati
Coeficiente de determinacion 0.99 0.89 0.95 d
cua
r
ro Er
Er

Prop

25 20.295
20
15 8.804
10
5 1.136
0
io
ed
m
co
r ati
ad
ICO cu
r or er
r
RNA CNN RNN er
error cuadratico medio 20.295 8.804 1.136
error absoluto medio 4.02 2.162 0.804
error porcentual absoluto medio 4.315 2.017 0.625
coeficiente de determinacion 0.9942 0.9975 0.9999
 MS
3.00 2.56
1.98
2.00
1.13 0.88 0.91 0.99 0.99 0.89 0.95
1.00 0.80 0.70 0.76

0.00
io io io io
n
ed ed ed ac
m m m in
co to to m
r ati olu olu ter
d bs ab
s de
cua ra al de
r r o tu te
ro Er n n
Er ce ie
por efic
ro
r Co
Er
Propia Ghafor (2022) Kovačević et al. (2022).

ICO
25 20.295
20
15 8.804
10 4.022.162 4.315
5 1.136 0.804 2.0170.625 0.9975
0.9942 0.9999
0
io io io n
ed ed ed acio
m m m in
co ut
o
ut
o
rm
r ati sol sol et
e
ad b b ed
r cu ora ala d
r u te
ro er nt ien
er r ce c
po efi
r co
ro
er
RNA CNN RNN
 12 10.133
8.055
8
4 1.13
RNA CNN RNN
0
error cuadratico medio 10.133 8.055 1.13
io
error absoluto medio 2.636 2.29 0.889 ed
m
error porcentual absoluto medio 2.441 2.087 0.807 co
r ati
coeficiente de determinacion 0.9971 0.997 0.9999 d ab
ua
r c
r or
ro er
er

25
20
15
10
5
0
io
ed
m
co
r ati
ad b
ICO r cu ora
ro r
RNA CNN RNN er er
error cuadratico medio 20.295 8.804 1.136
error absoluto medio 4.02 2.162 0.804
error porcentual absoluto medio 4.315 2.017 0.625
coeficiente de determinacion 0.9942 0.9975 0.9999
 MS
12 10.133
8.055
8
4 2.6362.29 2.4412.087
1.13 0.889 0.807 0.9971 0.997 0.9999
0
io io io io
n
ed ed ed ac
m m m in
co to to m
r ati olu olu ter
d bs ab
s de
cua ra al de
r r o tu te
ro er n n
er ce ie
por efic
r co
ro
er
RNA CNN RNN

ICO
25
20
15
10
5
0
io io io n
ed ed ed acio
m m m in
co ut
o
ut
o
rm
r ati sol sol et
e
ad b b ed
r cu ora ala d
r u te
ro er nt ien
er r ce c
po efi
r co
ro
er
RNA CNN RNN
No de capas ocultas RN1 RN2 RN3
Capacitació
0.77 0.97 0.98
R: Coeficiente de n
determinación Validación 0.71 0.97 0.97
Pruebas 0.82 0.94 0.98
RN1 RN2 RN3
Capacitació
0.87 0.98 0.98
R2: Fracción absoluta de n
la varianza Validación 0.84 0.98 0.97
Pruebas 0.9 0.96 0.98
RN1 RN2 RN3
Capacitació
394.87 47.19 31.62
MSE: Error cuadrado n
medio Validación 395.18 61.93 34.57
Pruebas 346.36 85.1 31.55
RN1 RN2 RN3
Capacitació
19.87 6.86 5.62
RMSE: Error de raíz n
cuadrada media Validación 19.88 7.86 5.87
Pruebas 18.61 9.22 5.61

margen de cemento
autores año f´c n provetas agua
error % (kg/m3)
175 380 188.7

210 342.24 233.4

(Gonzales
2018 79 5%
2018)
280 420.54 176.4

350 586.84 275.6

175 349 219

(Chingay 210 411 230

2020 48 1%
Gonzales 2020)
280 466 217
350 571 226
210 408.52 232.2
(Jimmy et al.
2019 280 79 4% 436.14 235.
2023)
350 480.01 239.4

#¡REF! #¡REF!
0
0 1 0

0 0.5 0

0
0 0
 #¡REF! #¡REF!
0
0 1 0

0 0.5 0

0
0 0

0 0

0 0
 margen de cemento a. fino a. grueso resistencia
etas agua (L)
error % (kg/m3) (kg/m3) (kg/m3) 28 dias
380 188.75 791 876.37 175.6

342.24 233.41 871.58 844.86 250.3

5%
420.54 176.45 735.68 569.76 282.8

586.84 275.65 734.47 564.75 351.2

349 219 812 985 197.775

411 230 768 982 220.91

1%
466 217 734 995 279.55
571 226 649 987 345.53
408.52 232.29 833.97 769.34 245
4% 436.14 235.8 820.14 749.34 294
480.01 239.42 780.96 739.33 364
 Red Red Red
Neuronal Neuronal Neuronal
Recurrente Artificial Convolucion
Característica (RNN) (ANN) al (CNN)
Manejo de
Secuencias Sí No No
Temporales
Conexiones No No
Conexiones
entre conexiones conexiones
Recurrentes
Neuronas recurrentes recurrentes
Procesamient
Procesamient
o de Clasificación
Uso Principal o de Datos
Secuencias y Regresión
Espaciales
Temporales
Capas Capas Capas
Estructura de Ocultas, Ocultas, Convolucion
Capas Capa de Capa de ales, Capa de
Salida Salida Salida
Traducción Imágenes,
Tablas de
Aplicaciones Automática, Reconocimie
Datos,
Típicas Series nto de
Imágenes
Temporales Patrones
Problema de Más Menos
Desvanecimi propenso en Menos propenso en
ento del secuencias propenso comparación
Gradiente largas con RNN
Comparte Comparte Comparte
Parámetros
parámetros a parámetros parámetros a
Compartidos
través del entre todas través de
en Capas
tiempo las neuronas filtros
Puede ser
más lento, Eficiente para
Entrenamient especialment grandes
Más rápido
o e en conjuntos de
secuencias datos
largas
TensorFlow, TensorFlow, TensorFlow,
Ejemplos de
Keras, Keras, Keras,
Bibliotecas
PyTorch PyTorch PyTorch