This work aims to study the prediction of bearing capacity of prestressed concrete beams subjected to accelerated corrosion process using Machine Learning (ML) techniques. After data collection, the results were used to model the behavior of flexural stress, and predict their final load capacity, considering position, length, and width of the cracks generated by corrosion as well as loss of bearing capacity. The study presents an analysis of 363 days old beams damaged by corrosion, connected to a galvanostat for 62, and 121 days to make faster the process. Six beams were analyzed; five of them were used to train the model, the other works as a basis to compare the results thrown by the model with the real data. After the treat, the results showed that Bagged Trees Model fits better to real data, it was seen that removing atypical data improves the correlation of predicted and real data. The actual data were compared with two different prediction analyzes; for the first one, the atypical data were not removed; in the second one, the atypical data were eliminated with a statistical analysis. Obtaining relative error percentages of 15.18%, 14.59%, presenting two predictions: final load of 1444 kg and 1126 kg. Which means a resistant moment of 650 T-m, and 506.7 T-m respectively, taking as a prediction the second value in the safe side.
El objetivo de este trabajo es el de predecir la capacidad portante de vigas de concreto presforzado, sujetas a un proceso acelerado de corrosión, incorporando técnicas de Aprendizaje Automático. Después de la recolección de datos, los resultados fueron utilizados para modelar el comportamiento de las vigas al esfuerzo de flexión, y así predecir su capacidad carga última, considerando la posición, el largo y el ancho de las grietas generadas por el proceso de corrosión, así como la diminución de la capacidad portante del elemento. Este estudio presenta el análisis de vigas de concreto presforzado inducidas a un proceso acelerado de corrosión con edad de 363 días, conectadas a un galvanostato durante 62 y 121 días. Se analizaron los datos de seis vigas, cinco de ellas se usaron para entrenar el modelo y la sexta se utilizó como testigo para llevar a cabo la comparación de los datos arrojados por el modelo con los datos reales. Los resultados mostraron que el modelo de Bagged Trees se ajusta mejor a los datos reales. Los datos reales fueron comparados con dos diferentes análisis; para el primero los datos atípicos no fueron eliminados, a diferencia del segundo, donde éstos fueron removidos mediante un estudio estadístico. Obteniendo porcentajes de error relativo de 15.18% y 14.59%, correspondientes a dos predicciones de carga final: 144 kg y 1126 kg. Lo que corresponde a un momento de resistencia de las vigas de 650 T-m, y 506.7 T-m respectivamente, tomando el segundo como valor final, ya que se encuentra del lado de la seguridad estructural.
