Propuesta de curva de capacidad en muros de ductilidad limitada basado en algoritmos machine learnig

Abstract

Los Muros de Ductilidad Limitada (MDL) constituyen un sistema estructural ampliamente utilizado en el sector inmobiliario nacional. Se caracterizan principalmente por presentar espesores reducidos, generalmente en el rango de 10 a 12 cm, lo cual los diferencia de los muros de concreto reforzado convencionales. Además, suelen incorporar una sola capa de refuerzo a lo largo del muro, lo que facilita su construcción y reduce costos. La adopción de este sistema estructural permitió, durante varios años, la construcción de edificios con alturas superiores a 8 pisos. Sin embargo, en la actualidad, la normativa peruana ha establecido un límite máximo de 8 pisos para edificaciones que utilizan este tipo de muros, con el objetivo de garantizar un desempeño estructural adecuado frente a eventos sísmicos. El presente estudio profundiza en métodos que permiten la predicción de la curva de capacidad en los de MDL, abarcando desde los estados de fisuración hasta el colapso. En este proceso, se han aplicado técnicas de Machine Learning (ML), las cuales fueron comparadas con los métodos convencionales, métodos FEM y modelos previamente desarrollados en la literatura para evaluar su precisión. La investigación concluye que los métodos de Machine Learning (ML) ofrecen mejores desempeños que los métodos convencionales y mejor ajuste a la curva en comparación con los métodos FEM. No obstante, estos métodos también presentaron limitaciones importantes. Una de las más relevantes es su fuerte dependencia de la calidad y cantidad de datos disponibles. Puesto que, requieren ser alimentados con información limpia y bien estructurada, ya que datos inconsistentes o incompletos pueden afectar significativamente la precisión y confiabilidad de los resultados obtenidos.Limited Ductility Walls (LDW) are a widely used structural system in the national building sector. They are primarily characterized by their reduced thickness typically ranging from 10 to 12 cm. Additionally, LDW usually incorporate a single layer of reinforcement in the core of the wall, simplifying construction and reducing costs. Early adoption of this structural system enabled the construction of buildings which exceed eight stories. However, current Peruvian regulations have set a maximum of eight stories for buildings using this type of wall to ensure adequate structural performance under seismic events. This study explores methods for predicting the capacity curve of Limited Ductility Walls (LDWs). In this process, Machine Learning (ML) techniques have been applied and compared with conventional methods, FEM approaches, and previously developed models in the literature to assess their accuracy. This thesis concludes that Machine Learning (ML) methods are better than conventional approaches and provide a better fit to the capacity curve compared to FEM methods. However, these techniques also have limitations such as their strong dependence on the quality and quantity of available data. ML models require well-structured and clean datasets, as inconsistent or incomplete data can significantly impact the accuracy and reliability of the results.