ISSN 0188-7297

Estimación del módulo de resiliencia

usando redes neuronales

Paul Garnica Anguas

Luis Enrique Gómez Carreño
Natalia Pérez García

Publicación Técnica No. 528

Sanfandila, Qro, 2018
SECRETARÍA DE COMUNICACIONES Y TRANSPORTES

INSTITUTO MEXICANO DEL TRANSPORTE

Estimación del módulo de resiliencia usando redes

neuronales

Publicación Técnica No. XXX

Sanfandila, Qro, 2018
Esta investigación fue realizada en la Coordinación de Infraestructura del Instituto
Mexicano del Transporte, por el Dr. Paul Garnica Anguas, el Ing. Luis Enrique
Gómez Carreño (estudiante de maestría de la Universidad Autónoma de
Querétaro) y la Dra. Natalia Pérez García.

Esta investigación es el producto final del proyecto de investigación interna II-

21/16. “Estimación del módulo de resiliencia por medio de redes neuronales”.
Contenido
Índice de figuras v
Índice de tablas vii
Sinopsis ix
Abstract xi
Resumen ejecutivo xiii
Introducción 1
Objetivo general 1
Objetivos específicos 2
1. Las redes neuronales artificiales 3
1.1. Definiciones de red neuronal artificial 4
1.2. Elementos básicos de las redes neuronales artificales 4
1.2.1. Componentes 4
1.2.2.1. Función de entrada 4
1.2.2.2. Función de activación 4
1.2.2.3. Función de salida. 5
1.3. Mecanismos de aprendizaje 5
1.3.1. Aprendizaje supervisado 5
1.3.1.1. Algoritmo de gradiente descendente 6
1.3.1.2. Algoritmo Gauss-Newton 7
1.3.1.3. Algoritmo Levenberg-Marquardt 10
1.3.1.4. Algoritmo Levenberg-Marquardt modificado 12
1.3.2. Aprendizaje no supervisado 15
1.4. Validación de la red neuronal 15
1.5. Aplicaciones de las redes neuronales en ingeniería de 15
pavimentos
1.6. Softwares comerciales 16
2. El módulo de resiliencia 17
2.1. Definición 17
2.2. Factores que afectan el módulo de resiliencia de suelos finos. 18
2.2.1. Efecto del contenido de agua 18
2.2.2. Efecto del peso volumétrico 19
2.2.3. Efecto del estado de esfuerzos 20
2.2.4. Efecto del índice plástico 21
2.2.5. Efecto del tipo de compactación 22
3. Evaluación de las variables de entrada de las redes neuronales 25
3.1. Recopilación de las bases de datos 25
3.1.1. Base de datos de Mao (1995) 25
3.1.2. Base de datos de Maher et al. (2000) 26

iii
 3.1.3. Base de datos de Malla y Joshi (2006) 27
3.1.4. Base de datos de Richardson et al. (2009) 28
3.1.5. Base de datos de Titi et al. (2011) 29
3.1.6. Base de datos desarrollada en el Instituto Mexicano del 30
Transporte
3.2. Evaluación de las variables de entrada para las redes neuronales 32
artificiales
3.2.1. Suelos tipo limo y arcillas 32
3.2.2. Suelos arenosos 35
4. Redes neuronales artificiales para estimar el módulo de resiliencia 39
4.1. Normalización de las bases de datos 39
4.2. Estructura de las redes neuronales 39
4.3. Desarrollo de las redes neuronales artificiales 40
4.4. Entrenamiento de las redes neuronales artificiales 41
4.4.1. Entrenamiento utilizando el algoritmo Levenberg-Marquardt 41
4.4.2. Entrenamiento utilizando el algoritmo Levenberg-Marquardt 43
modificado
4.5. Validación de los modelos de redes neuronales 45
4.6. Valores de Mr estimados verus datos de laboratorio 46
4.7. Aplicación para estimar el módulo de resiliencia 51
5 Conclusiones 55
Bibliografía y Referencias 57
Anexo 1. Programa 63

iv
Índice de figuras
Página
Figura 1.1 Ejemplo de una red neuronal totalmente conectada 4
(fuente: Matich, 2001)
Figura 1.2. Funciones de activación. (A) Escalón unitario, (B) lineal, 5
(C) Logística Sigmoidal, (D) Sigmoidal tangente hiperbólica
(Das, 2013)
Figura 2.1. Deformación de un espécimen bajo carga repetida (Huang, 18
2004)
Figura 2.2. Efecto del contenido de agua en el módulo de resiliencia 19
de un suelo tipo CH (González, 2014)
Figura 2.3. Efecto del contenido de agua en el módulo de resiliencia 19
de un suelo tipo SM (González, 2014)
Figura 2.4. Variación del módulo de resiliencia con el incremento en la 20
energía de compactación
Figura 2.5. Módulo de resiliencia para un suelo tipo ML (González et 21
al., 2014)
Figura 2.6. Efecto del índice de plasticidad en el Mr 21
Figura 2.7. Módulo de resiliencia obtenidos con muestras 22
compactadas 2% abajo del contenido de agua óptimo
Figura 2.8. Módulos de resiliencia obtenidos con muestras 23
compactadas con contenido de agua óptimo
Figura 2.9. Módulos de resiliencia obtenidos con muestras 23
compactadas 2% arriba del contenido de agua óptimo.
Figura 4.1. Número de iteraciones del modelo de red neuronal con 46
arquitectura 6-6-1 (arcillas y limos)
Figura 4.2. Número de iteraciones del modelo de red neuronal con 46
arquitectura 4-7-1 (arenas)
Figura 4.3. Entrenamiento del modelo de red neuronal con 49
arquitectura 6-6-1 para suelos tipo CH, CL, MH y ML
Figura 4.4. Validación del modelo de red neuronal con arquitectura 6- 50
6-1 para suelos tipo CH, CL, MH y MH
Figura 4.5. Entrenamiento del modelo de red neuronal con 50
arquitectura 4-7-1 para suelos tipo SM, SC y SP.
Figura 4.6. Validación del modelo de red neuronal con arquitectura 4- 51
7-1 para suelos tipo SM, SC y SP.
Figura 4.7. Interfaz inicial del programa para la obtención del Mr en 51
suelos finos compactados
Figura 4.8. Interfaz para la obtención del módulo de resiliencia en 52
suelos tipo CH, CL, MH y ML

v
Figura 4.9. Interfaz para la obtención del módulo de resiliencia en 52
suelos tipo SM, SC y SP

vi
Índice de tablas
Página
Tabla 3.1. Propiedades índice, de compactación y clasificación de 25
suelos.
Tabla 3.2. Módulos de resiliencia en la condición óptima de 26
compactación
Tabla 3.3. Resumen de las propiedades de los suelos. 26
Tabla 3.4. Módulos de resiliencia en la condición óptima de 27
compactación.
Tabla 3.5. Propiedades índice, de compactación y clasificación de 27
suelos.
Tabla 3.6. Módulos de resiliencia en la condición óptima de 28
compactación.
Tabla 3.7. Propiedades índice y clasificación de los suelos. 28
Tabla 3.8. Módulos de resiliencia en la condición óptima de 29
compactación.
Tabla 3.9. Propiedades índice y clasificación de suelos. 29
Tabla 3.10. Módulos de resiliencia en condición óptima. 30
Tabla 3.11. Propiedades índice y clasificación de los suelos 31
estudiados.
Tabla 3.12. Módulos de resiliencia en condición óptima de 32
compactación.
Tabla 3.13. Nomenclatura de las variables utilizadas. 33
Tabla 3.14. Análisis de regresión lineal utilizando cuatro variables de 33
entrada.
Tabla 3.15. Análisis de regresión lineal utilizando cinco variables de 33
entrada.
Tabla 3.16. Análisis de regresión lineal utilizando seis variables de 34
entrada.
Tabla 3.17. Rango de las variables y módulo de resiliencia. 35
Tabla 3.18. Tamaño de las arenas de acuerdo con la norma ASTM 35
D2487-06.
Tabla 3.19. Análisis de regresión lineal utilizando cuatro variables de 36
entrada.
Tabla 3.20. Análisis de regresión lineal utilizando cinco variables de 36
entrada.
Tabla 3.21. Análisis de regresión lineal utilizando seis variables de 37
entrada.

vii
Tabla 3.22. Variables de entrada y rangos para las arenas. 37
Tabla 4.1. Tipos de arquitectura de las redes neuronales. 40
Tabla 4.2. Criterio del parámetro R2 de bondad de ajuste. 47
Tabla 4.3. Coeficientes de determinación (R2) para el entrenamiento 48
de las redes neuronales artificiales para suelos tipo arcilla
y limo.
Tabla 4.4. Coeficientes de determinación (R2) para la validación de 48
las redes neuronales artificiales para suelos tipo arcilla y
limo.
Tabla 4.5. Coeficientes de determinación (R2) para el entrenamiento 48
de las redes neuronales artificiales para suelos tipo
arena.
Tabla 4.6. Coeficientes de determinación (R2) para la validación de 49
las redes neuronales artificiales para suelos tipo arena.

viii
Sinopsis
El módulo de resiliencia es un parámetro de suma importancia en los métodos de
diseño de pavimentos actuales, ya que es la base para determinar esfuerzos,
desplazamientos y deformaciones en los mismos. Este parámetro ha sido
estudiado ampliamente y un gran número de estas investigaciones se ha enfocado
en proponer metodologías para predecirlo sin que sea necesario llevar a cabo
pruebas de laboratorio. En este trabajo se propone utilizar las redes neuronales
artificiales para predecir este parámetro, tras conocer las propiedades índice del
suelo y el estado de esfuerzos. En el documento se presenta la programación de
la red neuronal; y como producto final, se pone a disposición del usuario una
aplicación para estimar el módulo de resiliencia.

ix
Estimación del módulo de resiliencia usando redes neuronales

x
Abstract
The resilient modulus is an important parameter in the new pavement design
methods, because it is the basis for determining stresses, displacements and
deformations in the structure. This parameter has been extensively researched and
a large number of the studies have focused on predicting this parameter without
performing laboratory testing. This research indicates that artificial neural networks
provide a reliable tool to predict the resilient modulus of fine grained soils based
only on index properties and stress states. In this document, it is shown the
programming or the neural network, and as a final product, an application is given
to the user to estimate the resilient modulus.

xi
Estimación del módulo de resiliencia usando redes neuronales

xii
Resumen ejecutivo
El diseño de pavimentos requiere conocer varias propiedades de los materiales;
una de ellas es el módulo de resiliencia, el cual es evaluado a través de una
prueba triaxial de laboratorio que requiere equipo con diversos sensores; además,
el tiempo de prueba puede ir desde dos horas -o más- dependiendo del tipo de
material ensayado (suelos finos o materiales granulares). Debido a esto, varios
investigadores se han dado a la tarea de encontrar formas alternativas para
estimar dicho parámetro. Algunos proponen correlaciones con propiedades índice;
algunos otros han encontrado que las redes neuronales artificiales son una forma
adecuada de estimar el módulo de resiliencia al tener como base propiedades
índice y estado de esfuerzos.

En este documento se investigó la pertinencia de estimar el módulo de resiliencia

de suelos tipo arcillas, limos y arenas, a través de redes neuronales.

En el primer capítulo del trabajo, se discuten los conceptos sobre las redes
neuronales y algunas de sus aplicaciones en la ingeniería de pavimentos. En el
capítulo dos, aparecen las gráficas en las que se observa cómo el contenido de
agua, la densidad, el estado de esfuerzos, el índice de plasticidad y el método de
compactación influyen en la determinación del módulo de resiliencia. En el capítulo
tres, se muestran los análisis de regresión llevados a cabo para determinar las
variables de entrada de las redes neuronales. De las variables estudiadas se
pueden mencionar las siguientes:

 Compacidad,

 Índice de grupo,

 Presión de confinamiento,

 Esfuerzo desviador,

 Índice de plasticidad,

 Contenido de agua óptimo,

 Esfuerzo octaédrico, etc.

En este mismo capítulo, se muestran las variables de entrada elegidas para las
redes neuronales. En el capítulo cuatro, se comenta sobre el desarrollo de las
redes neuronales, su entrenamiento y validación. También se desarrolla una
aplicación para estimar el módulo de resiliencia. Esta aplicación utiliza las redes

xiii
Estimación del módulo de resiliencia usando redes neuronales

neuronales artificiales programadas en este trabajo para estimar el módulo de

resiliencia. La publicación lleva adjunta esta aplicación, para que pueda ser
utilizada por todos aquellos involucrados en el diseño de pavimentos.

Finalmente, se exponen las conclusiones derivadas del trabajo. También se

presenta un anexo con el programa de las redes neuronales.

xiv
Introducción
Las nuevas metodologías para el diseño de un pavimento requieren conocer las
propiedades de los materiales que conformarán la estructura. De estas
propiedades, el módulo de resiliencia de los materiales de las capas inferiores a la
carpeta asfáltica o concreto hidráulico es de especial importancia; ya que es la
base para determinar los esfuerzos, desplazamientos y deformaciones en el
pavimento. Posteriormente, estas respuestas son usadas como insumos en los
criterios de falla para predecir el número de repeticiones de carga que soporta el
pavimento antes de fallar (Huang, 2004).

Desde 1986, cuando es introducido el parámetro módulo de resiliencia, se han

realizado diversas investigaciones en torno a éste. Un gran número de ellas ha
sido enfocado a la obtención de modelos para predecir este parámetro, sin llevar a
cabo pruebas de laboratorio. También han propuesto otras alternativas de
predicción como la inteligencia computacional, en donde no es necesario conocer
el modelo físico que rige el fenómeno en cuestión; solo basta tener una base de
datos del comportamiento del fenómeno o parámetro estudiado. Posteriormente,
los algoritmos computacionales se encargan de aprender asociaciones entre los
patrones y con ello obtienen una predicción confiable del fenómeno analizado.

En esta investigación, se utilizó el modelo de redes neuronales artificiales de

aprendizaje supervisado para predecir el módulo de resiliencia. En algunas
investigaciones -como las reportadas por Castro (1998), Honarmand-Ebrahimi
(2006), Dione et al., (2013), Tarawneh y Nazzal (2014), etc.- vemos que esta
técnica es útil para predecir este parámetro. A diferencia de las investigaciones
anteriormente mencionadas, en este documento se propuso utilizar los algoritmos
de entrenamiento de Quasi-Newton, para la creación de los modelos de redes
neuronales; ya que estos no han sido probados para la predicción del módulo de
resiliencia.

Objetivo general

Desarrollar un modelo de red neuronal para estimar el módulo de resiliencia de

suelos finos compactados, en función de propiedades físicas y estado de
esfuerzos; además, poner a disposición una aplicación –que tenga implícita la red
neuronal- para estimar el módulo de resiliencia.

1
Estimación del módulo de resiliencia usando redes neuronales

Objetivos específicos:

 Realizar un estudio exhaustivo sobre el módulo de resiliencia y los factores

que lo afectan.
 Llevar a cabo la recopilación de las bases de datos que contengan las
propiedades físicas, estado de esfuerzos y valores de módulos de
resiliencia de suelos finos en la condición óptima de compactación
(respecto a la prueba Proctor estándar).
 Crear la base de datos para el entrenamiento y validación de la red
neuronal.
 Evaluar las variables de entrada del modelo, utilizando un análisis de
regresión lineal múltiple.
 Programar (en lenguaje Visual Basic) el algoritmo de Levenberg-Marquardt
modificado.
 Validar las redes neuronales artificiales con suelos no utilizados en el
entrenamiento.
 Crear una aplicación para estimar el módulo de resiliencia de suelos finos
compactados en la condición óptima de compactación.

2
1. Las redes neuronales artificiales

1.1. Definiciones de red neuronal artificial

Existen varias definiciones de red neuronal, desde definiciones cortas o las que
intentan explicarla detalladamente. De acuerdo con Matich (2001), algunas de
estas definiciones son:

1. Una nueva forma de computación inspirada en modelos biológicos,

2. Un modelo matemático compuesto por un gran número de elementos

procesales organizados en niveles,

3. Un sistema de computación compuesto por un gran número de elementos

simples, elementos de procesos interconectados, los cuales procesan
información por medio de su estado dinámico como respuesta a entradas
externas,

4. Son redes interconectadas masivamente en paralelo de elementos simples

y con organización jerárquica, las cuales intentan interactuar con los objetos
del mundo real del mismo modo que lo hace el sistema nervioso biológico.

Otra definición es, por ejemplo, la indicada por Rabuñal y Puertas (2006) (citados
por Alemán, 2017):

“Una red neuronal artificial (RNA) es un sistema de procesamiento de información

que está basado en la forma en que funciona el sistema nervioso de los animales.
Constituyen, por tanto, modelos electrónicos o computacionales basados en la
estructura neuronal del cerebro.”

Salas (2004) (citado por Alemán, 2017) señala que las RNA son un método para
resolver problemas de forma individual o combinada con otros métodos, para
aquellas tareas de clasificación, identificación, diagnóstico, optimización o
predicción en las que el balance datos/conocimiento se inclina hacia los datos y
donde, adicionalmente, puede haber la necesidad de aprendizaje en tiempo de
ejecución y de cierta tolerancia a fallos. En estos casos las RNA se adaptan
dinámicamente reajustando constantemente los pesos de sus interconexiones.

De acuerdo con Lefebvre (2005), una red neuronal es un sistema adaptable que
puede aprender relaciones a través de presentación repetida de datos, y es capaz
de generalizar a nuevos datos que no ha visto.

3
Estimación del módulo de resiliencia usando redes neuronales

Shahin et al. (2002) dicen que las redes neuronales artificiales son una forma de
inteligencia artificial; la que, por medio de su arquitectura, trata de simular el
comportamiento propio del cerebro humano para la resolución de ciertos
problemas ingenieriles.

1.2. Elementos básicos de las redes neuronales

artificiales

1.2.1. Componentes
La Figura 1.1 indica los elementos de la red neuronal. Se observa que la red está
constituida por neuronas interconectadas y arregladas en tres capas (esto último
puede variar). Los datos ingresan por medio de la “capa de entrada”, pasan a
través de la “capa oculta” y salen por la “capa de salida” (Matich, 2001).

Fuente: Matich, 2001

Figura 1.1. Ejemplo de una red neuronal totalmente conectada

1.2.1.1. Función de entrada

La neurona trata muchos valores de entrada como si fueran uno solo, esto se
conoce con el nombre de entrada global. Algunas de las funciones de entrada más
comúnmente utilizadas son: (a) sumatoria de las entradas pesadas, (b) producto
de las entradas pesadas y (c) máximo de las entradas pesadas.

4
 1 Las redes neuronales artificiales

1.2.1.2. Función de activación

La función de activación calcula el estado de actividad de una neurona; transforma

la entrada global en un valor (estado) de activación, cuyo rango normalmente va
de 0 o 1 o de -1 a 1. Entonces, una neurona puede estar totalmente inactiva (0 o -
1) o activa (1).

Las funciones de activación más utilizadas en ingeniería geotécnica son la función

escalón de Heaviside, lineal, sigmoidal y la tangente hiperbólica. La Figura 1.2
muestra las características de las funciones anteriormente mencionadas (Castro,
1998; Das, 2013).

Figura 1.2. Funciones de activación: (A) Escalón Unitario, (B) Lineal, (C)
Logística sigmoidal, (D) Sigmoidal tangente hiperbólica
(Das, 2013).

1.2.1.3. Función de salida

El último componente que necesita una neurona es la función de salida. El valor

resultante de esta función es la salida de la neurona i; por lo tanto, la función de
salida determina qué valor se transfiere a las neuronas vinculadas. Si la función de
activación está por debajo de un umbral determinado, ninguna salida se pasa a la
neurona subsiguiente. Normalmente, no cualquier valor es permitido como una
entrada para una neurona; por lo tanto, los valores de salida están comprendidos
en el rango [0, 1] o [-1, 1] (Matich, 2001).

1.3. Mecanismos de aprendizaje

El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en
respuesta a una información de entrada; el proceso termina cuando los valores de
los pesos permanecen estables (Matich, 2001).

5
Estimación del módulo de resiliencia usando redes neuronales

1.3.1. Aprendizaje supervisado

Existen dos métodos de aprendizaje: el supervisado y el no supervisado. El
primero se caracteriza porque realiza el proceso de aprendizaje mediante un
entrenamiento controlado por un agente externo (supervisor) que determina la
respuesta que debería generar la red a partir de una entrada determinada. El
supervisor controla la salida de la red y, en caso de que esta no coincida con la
deseada, procederá a modificar los pesos de las conexiones, para conseguir que
la salida obtenida se aproxime a la deseada (Matich, 2001).

El objetivo principal en el aprendizaje supervisado es minimizar la suma de los

cuadrados de los residuales entre la salida predicha por la red y la deseada. Lo
anterior es conocido como la función de rendimiento de la red y se expresa como
(Das, 2013):

(1.1)

(1.2)

Donde:
ep,m = Error en el entrenamiento de la salida m por una entrada P
dp,m = Vector de salida deseada
op,m = Vector de salida actual o de la red
P = Vector de entrada

A continuación, se presentan los diversos algoritmos de Quasi-Newton existentes

en la literatura, para lograr minimizar la suma de los cuadrados de los residuales
entre la salida predicha y la deseada.

1.3.1.1. Algoritmo de gradiente descendente

Este algoritmo usa las derivadas de primer orden de la función de rendimiento
para encontrar el error mínimo en el espacio de soluciones. Normalmente, el
gradiente g está definido como la derivada de primer orden de la función de error
expresada de acuerdo con la ecuación 1.3 (Caglar y Arman, 2007; Yu y
Wilamowski, 2011).

(1.3)

En cada paso de entrenamiento, el conjunto inicial de vectores de peso son

ajustados hacia la dirección de la disminución máxima del error (E) y ordenados

6
 1 Las redes neuronales artificiales

por una tasa de aprendizaje lambda (). Matemáticamente, un peso es actualizado

a su valor nuevo como sigue (Das, 2013).

(1.4)

El algoritmo utilizado con frecuencia en el aprendizaje supervisado es el de

retropropagación de gradiente descendente; también es conocido como un
algoritmo ineficiente, debido a que su convergencia es lenta. Existen dos razones
por la que su convergencia es lenta, la primera razón es que los pasos de
entrenamiento no se adecuan al tamaño de la superficie de error y provoca que la
solución oscile o no converja; mientras que la segunda razón es que la curvatura
de la superficie del error puede no ser la misma en todas las direcciones (Yu y
Wilamowski, 2011).

La convergencia lenta de este método de gradiente descendente puede ser

mejorada utilizando el algoritmo de Gauss-Newton, el cual usa las segundas
derivadas de la función de error para evaluar la curvatura de la superficie de error.
Este método puede encontrar pasos adecuados para cada dirección de la
superficie de error y, por lo tanto, la convergencia es rápida; especialmente si la
función de error tiene una superficie cuadrática (Yu y Wilamowski, 2011).

1.3.1.2. Algoritmo de Gauss-Newton

El algoritmo de Gauss-Newton asume que los componentes del gradiente
son funciones de pesos y también son linealmente independientes:

(1.5)

Donde
= Relaciones no lineales entre los pesos y los componentes del
gradiente

El sistema linealmente independiente puede ser expresado a través de series de

Taylor, y con ello tomar la aproximación de primer orden.

7
Estimación del módulo de resiliencia usando redes neuronales

(1.6)

Por definición, el vector gradiente puede ser expresado también como:

(1.7)

Si se sustituye en el sistema de ecuaciones 1.6, se obtiene el siguiente

sistema.

(1.8)

Para conseguir que el error sea mínimo, el vector gradiente debe igualarse con 0;
por lo tanto.

(1.9)

El sistema anterior puede ser expresado en sistema matricial de la siguiente

forma:

8
 1 Las redes neuronales artificiales

(1.10)

Donde la matriz cuadrada de las derivadas de segundo orden también es conocida

como “Matriz de Hessian”. Los pesos serán actualizados de acuerdo con el
gradiente, de la siguiente forma:

(1.11)

(1.12)

(1.13)

La matriz de Hessian resulta ser difícil de obtener, ya que sus términos contienen
derivadas de segundo orden. Para simplificar los cálculos, el algoritmo de Gauss-
Newton propone introducir la matriz del Jacobiano (Yu y Wilamowski, 2011).

(1.14)

9
Estimación del módulo de resiliencia usando redes neuronales

Integrando la función de rendimiento, se obtiene que el vector gradiente puede ser

expresado como:

(1.15)

(1.16)

La finalidad del algoritmo es simplificar la matriz de Hessian, es por ello que se

toma el enésimo término de esta matriz.

(1.17)

(1.18)

Finalmente, el algoritmo de Gauss-Newton actualiza los pesos de la siguiente

manera:

(1.19)

(1.20)

Si la matriz no es invertible, la red tendrá un error en la convergencia de la

solución.

1.3.1.3. Algoritmo de Levenberg-Marquardt

Para descartar las derivadas de segundo orden de la función de rendimiento, el
método de Levenberg-Marquardt hace uso de la aproximación de Gauss-Newton
que acepta la matriz jacobiana (Nawi et al., 2013). En el caso de sistemas lineales
que tienen una superficie de rendimiento cuadrática, el algoritmo de Levenberg-
Marquardt puede encontrar el mínimo en un solo paso, pero en los sistemas no
lineales, como redes neuronales donde la superficie del error tiende a ser
convexa, se requiere de varios pasos para la convergencia de la solución (Khan et
al., 2013). El algoritmo de Levenberg-Marquardt asegura que la matriz de Hessian
sea invertible. Introduciendo una constante llamada coeficiente de aprendizaje
(positivo), se asegura que la diagonal principal de la matriz de Hessian sea

10
 1 Las redes neuronales artificiales

invertible. Cuando el coeficiente  es muy grande este algoritmo se convierte en el

gradiente descendente, es por ello que este coeficiente debe ser un escalar de
pequeña dimensión para que se pueda controlar el proceso de aprendizaje (Yu y
Wilamowski, 2011; Suratgar et al., 2007; Farajzadeh et al., 2014).

(1.21)

Donde:
 = Coeficiente de combinación (positivo)
I = Matriz identidad

Por lo tanto, los pesos de la red neuronal son actualizados con la siguiente regla:

(1.22)

Donde:
= Vector de pesos actuales
= Vector de pesos
= Matriz del jacobiano
= Vector de error =

Este algoritmo minimiza la función de error al tratar de mantener el paso entre el

vector de pesos anterior y el actualizado. La red puede tomar diversas funciones
de rendimiento como la suma de los errores al cuadrado, el error cuadrático
medio, la raíz del error cuadrático medio, entre otras (Gopinath y Dwarakish,
2015).

El número de capas ocultas determinará la complejidad de la función de salida de

la red neuronal . El número de neuronas ocultas, así como las funciones de
transferencia por utilizar en cada una de las neuronas. Previamente, se determinó
la salida para cualquier arquitectura de una red neuronal

Para implementar el algoritmo de Levenberg-Marquardt en el entrenamiento de

redes neuronales de aprendizaje supervisado, se debe calcular el jacobiano y
posteriormente, el proceso de aprendizaje. El jacobiano lo conforman las
derivadas de primer orden del error saliente de la red con respecto a los pesos
que la integran; a continuación, se presenta la derivación de la matriz jacobiana
(Yu y Wilamowski, 2010).

La matriz del jacobiano tendrá como último término:

(1.23)

11
Estimación del módulo de resiliencia usando redes neuronales

Con lo anterior se obtiene la matriz jacobiana para alcanzar la minimización de la

función de salida de la red.

Implementación del algoritmo de Levenberg-Marquardt

Conociendo cómo actualizar los pesos dentro del algoritmo de Levenberg-

Marquardt, se siguen los siguientes pasos para su optimización (De la Fuente,
1997).

1. Definir el vector de pesos iniciales de la red neuronal (wn) y  = 0.01 (valor

apropiado).

2. Calcular

3. Calcular

4. Si entonces

Si

Si

Volver a calcular

Si no

Volver a calcular , sin calcular

5. Fin del ciclo

6. Fin del programa

1.3.1.4. Algoritmo de Levenberg-Marquardt modificado

Suratgar et al., (2007) propusieron una modificación al algoritmo de Levenberg-
Marquardt. La principal ventaja de este método es que reduce la cantidad de
oscilación en el proceso de aprendizaje.

12
 1 Las redes neuronales artificiales

La función gradiente indica la dirección donde se encuentra el mínimo de la

función de error. El algoritmo de Gauss-Newton para la obtención del gradiente del
error utiliza las segundas derivadas de la función. Este algoritmo podemos
expresarlo de la siguiente forma:

(1.24)

Donde los pesos quedarán actualizados de acuerdo con:

(1.25)

(1.26)

(1.27)

La matriz anterior contiene las derivadas de segundo orden de la función de error

por minimizar, pero esto genera una complejidad en el cálculo; por lo que se
introduce una matriz que contenga solo las derivadas de primer orden o matriz del
Jacobiano (Yu y Wilamowski, 2010).

Sustituyendo las ecuaciones 1.23 y 1.25, los pesos quedarán actualizados de la

siguiente forma:

(1.28)

Como se había mencionado anteriormente, la matriz Hessian puede no ser

invertible; por ello es necesario hacer la siguiente modificación.

(1.29)

Con lo anterior se sopone que los eigenvalores y eigenvectores de la matriz

Hessian son y , por lo tanto:

(1.30)

13
Estimación del módulo de resiliencia usando redes neuronales

(1.31)

(1.32)

Los eigenvectores de son los mismos como los eigenvectores de , y los

eigenvalores de son . La matriz es definida positiva aumentando el
valor de la constante de aprendizaje hasta para todo ; por lo tanto la
matriz será invertible (Suratgar et al., 2007). Entonces, dado que se asegura que
la matriz Hessian sea invertible, la actualización de pesos queda de la forma:

(1.33)

A diferencia del algoritmo de Levenberg-Marquardt clásico, este algoritmo

modificado se distingue porque la constante de aprendizaje no es parámetro
constante, sino que es igual a:

(1.34)

Implementación del algoritmo de Levenberg-Marquardt modificado

Conociendo cómo actualizar los pesos dentro del algoritmo de Levenberg-

Marquardt modificado, se siguen los siguientes pasos para su optimización en
redes neuronales artificiales (Suratgar et al., 2007).

1. Definir el vector de pesos iniciales de la red neuronal

2. Calcular el error en la predicción inicial

3. Calcular

4. Calcular

5. Calcular

6. Hacer las iteraciones necesarias hasta que

14
 1 Las redes neuronales artificiales

7. Fin del programa

1.3.2. Aprendizaje no supervisado

Las redes con aprendizaje sin supervisión no requieren influencia externa para
ajustar los pesos de las conexiones entre sus neuronas. La red no recibe ninguna
información por parte del entorno que le indique si su salida es o no correcta.
Estas redes deben encontrar las características, regularidades, correlaciones o
categorías que puedan ser establecidas entre los datos que se presenten en su
entrada (Matich, 2001).

1.4. Validación de la red neuronal

Después del proceso de entrenamiento, los pesos de las conexiones en la red
neuronal quedan fijos. Como paso siguiente, se debe comprobar si la red neuronal
puede resolver nuevos problemas del tipo general, para los que ha sido entrenada.
Por lo tanto, con el propósito de validar la red neuronal, se requiere de otro
conjunto de datos, denominado conjunto de validación (Matich, 2001).

1.5. Aplicaciones de las redes neuronales en

ingeniería de pavimentos
Las redes neuronales pueden ser utilizadas en un gran número y variedad de
aplicaciones. A continuación, se enumeran algunas de las aplicaciones publicadas
en ingeniería de pavimentos:

 Estimar módulos elásticos en pavimentos (Beltran y Romo, 2011; Vila,

2017),
 Predicción del escalonamiento en pavimentos rígidos (Navarro, 2017),
 Predicción de índice de agrietamiento y condición del pavimento (Yang et
al., 2003),
 Análisis de pavimento de concreto con técnicas no destructivas (Birka,
2008).
 Predicción de módulo de resiliencia (Park et al., 2009; Ibrahim et al., 2017;
Tarawneh y Nazzal, 2014, Kim et al. 2014; etc).
 Predicción de módulo dinámico de mezclas asfálticas (Leiva et al., 2013),
 Predicción del módulo elástico de concreto con agregado de concreto
reciclado (Duan et al., 2013), etc.

La mayoría de las aplicaciones de las redes neuronales consiste en realizar un

reconocimiento de patrones, como puede ser: buscar un patrón en una serie de

15
Estimación del módulo de resiliencia usando redes neuronales

ejemplos, clasificar patrones, completar una señal a partir de valores parciales o

reconstruir el patrón correcto partiendo de uno distorsionado. La ventaja de las
redes neuronales reside en el procesado paralelo, adaptativo y no lineal. El
dominio de aplicación de las redes neuronales también puede ser clasificado de la
siguiente forma: asociación y clasificación, regeneración de patrones, regresión y
generalización, y optimización.

1.6. Softwares comerciales

Cabe mencionar que la mayor parte de los investigadores han demostrado que las
redes predicen de forma adecuada propiedades de materiales o comportamiento
de pavimentos, pero la pregunta es ¿cómo implementar las redes neuronales? En
este sentido, la investigación mostrada en este documento no utilizó un programa
de redes neuronales comercial, sino que la red neuronal se programó y ésta fue
utilizada para formular una aplicación (app) y así poder estimar el módulo de
resiliencia de suelos finos (materiales que pasan la malla No. 4) teniendo como
base propiedades índice de los materiales y estado de esfuerzos.

16
2 El módulo de resiliencia

2.1. Definición
Los materiales que forman parte de la estructura del pavimento son considerados
como no elásticos, ya que después de cada aplicación de carga ocurre una
deformación permanente en el material. Sin embargo; si la carga es pequeña,
comparada con la resistencia del material y es repetida con alta frecuencia, la
deformación es cercana a ser recuperable y puede ser considerada como elástica
(Huang, 2004).

El módulo elástico basado en la deformación recuperable o elástica bajo la acción

de cargas repetidas es llamado módulo de resiliencia. En los años cincuenta fue
introducido este parámetro y quedó definido como la relación de la magnitud del
esfuerzo desviador repetido en compresión triaxial con respecto a la deformación
axial recuperable o resiliente, y se expresa como sigue (Garnica et al., 2000):

(2.1)

Donde:
Mr = Módulo de resiliencia
d = Esfuerzo desviador
r = Deformación recuperable

La Figura 2.1 muestra la deformación de un espécimen (dentro de cualquier capa

del pavimento) bajo la acción de carga repetida. En la etapa inicial de la aplicación
de carga se presenta una deformación permanente tal y como se mencionó
anteriormente. A medida que el número de repeticiones aumenta, la deformación
plástica disminuye, ya que el material llega a comportarse como elástico (Garnica
et al., 2000; Huang, 2004).

17
Estimación del módulo de resiliencia usando redes neuronales

Figura 2.1. Deformación de un espécimen bajo carga repetida

(Huang, 2004).

2.2. Factores que afectan el módulo de resiliencia

en suelos finos
El módulo de resiliencia de suelos finos compactados depende de varios factores.
A continuación, se resume y demuestra con resultados de laboratorio cómo es el
efecto de algunos de ellos.

2.2.1. Efecto del contenido de agua

González (2014) llevó a cabo pruebas de módulo de resiliencia en varios suelos
compactados. En su investigación, realizó pruebas a tres diferentes contenidos de
agua. En el óptimo de compactación, dos por ciento por debajo del óptimo y dos
por ciento por arriba del óptimo. La Figura 2.2 muestra los valores de módulo de
resiliencia para una arcilla CH, a los contenidos de agua indicados.

Como se puede observar, los valores más altos de módulo de resiliencia aparecen
cuando el material tiene un contenido de agua más bajo respecto del óptimo.
Cuando las muestras tienen contenido de agua óptimo o mayor, los valores de
módulo de resiliencia tienden a valores similares.

Es importante señalar que suelos como las arenas no presentan el mismo

comportamiento. En la Figura 2.3 aparecen los módulos de resiliencia de una
arena clasificada como SM. En este caso, también se ensayó a tres contenidos de
agua, óptimo y ±2% con respecto al óptimo; para este suelo, los módulos de
resiliencia parecen ser independientes del contenido de agua ya que se obtienen
valores similares en los tres casos.

18
 2 El módulo de resiliencia

Figura 2.2. Efecto del contenido de agua en el módulo de resiliencia para un

suelo tipo CH
(González, 2014).

Figura 2.3. Efecto del contenido de agua en el módulo de resiliencia para un

suelo tipo SM
(González, 2014).

2.2.2. Efecto de la energía de compactación

La energía de compactación también es una de las variables que afecta el módulo
de resiliencia. La Figura 2.4 señala los valores de módulo de resiliencia de
muestras que fueron compactadas en la condición óptima tanto para la energía de

19
Estimación del módulo de resiliencia usando redes neuronales

compactación Proctor estándar y modificada. El suelo era una arcilla clasificada

como CH.

Como se observa de la Figura 2.4; a mayor energía de compactación, mayor

módulo de resiliencia. Esta variable involucra directamente el peso volumétrico, ya
que éste se incrementa con la energía de compactación.

500
Módulo de resiliencia (MPa)

Modificada
400

300

200

Estándar
100

0
0 20 40 60 80 100 120
Esfuerzo desviador (kPa)

Figura 2.4. Variación del módulo de resiliencia con el incremento en energía

de compactación.

2.2.3. Efecto del estado de esfuerzos

Otra variable que afecta el Mr es el estado de esfuerzos (esfuerzo de
confinamiento y esfuerzo desviador). Gonzalez et al. (2014), en su investigación,
muestran que para todos los suelos estudiados, el módulo de resiliencia se reduce
a medida que el esfuerzo desviador se incrementa; y por otro lado, este se
incrementa con la presión confinante. La Figura 2.5 muestra resultados típicos de
módulos de resiliencia de un limo de baja plasticidad. En la gráfica se ve
claramente el efecto tanto del esfuerzo desviador como de la presión confinante.

20
 2 El módulo de resiliencia

Figura 2.5. Módulo de resiliencia para un suelo tipo ML

(González et al., 2014).

2.2.4. Efecto del índice plástico

Para observar el efecto del índice de plasticidad, se graficaron los resultados de
módulo de resiliencia de cuatro tipos de suelo con diferentes índices de
plasticidad. En la Figura 2.6 no se ve una tendencia clara con el incremento del
índice de plasticidad.

140
Módulo de resiliencia (MPa)

120
100
80
60
40
20
0
0 2 4 6 8
(d/3)

IP = 62% IP = 41% IP = 26% IP = 11%

Figura 2.6. Efecto del índice de plasticidad en el Mr

21
Estimación del módulo de resiliencia usando redes neuronales

2.2.5. Efecto del tipo de compactación

Pérez et al. (2012) llevaron a cabo una investigación sobre compactación con
equipo giratorio. Como parte de ese estudio, los autores evaluaron el efecto del
tipo de compactación en el módulo de resiliencia. Para ello, compactaron probetas
en equipo giratorio y prepararon otras con compactación dinámica. Las probetas
fueron compactadas con tres contenidos de agua: en el óptimo, 2% abajo del
óptimo y 2% arriba del óptimo. Los resultados indicaron que el tipo de
compactación sí tiene efecto en los módulos de resiliencia cuando las muestras
son compactadas dos porciento abajo del óptimo. Los módulos de resiliencia
fueron independientes del tipo de compactación para probetas compactadas con
contenido de agua óptimo o dos por ciento por encima de éste (Figuras 2.7, 2.8 y
2.9).

250

Muestras compactadas en giratorio

200
Módulo de resiliencia (MPa)

Material de terraplén
Giratorio, w = 29.8 %
150 Dinámico, w = 29.7 %

100

50
Muestras compactadas
dinámicamente

0
20 30 40 50 60 70 80 90 100

Esfuerzo desviador (kPa)

Figura 2.7. Módulos de resiliencia obtenidos con muestras compactadas 2%

abajo del contenido de agua óptimo.

22
 2 El módulo de resiliencia

140
Material de terraplén
Módulo de resiliencia (MPa) 120 Giratorio, w = 32.0 %
Dinámico = w = 31.6%
100

80

60

40

20
Muestras compactadas dinámicamente
Muestras compactadas en equipo giratorio
0
20 30 40 50 60 70 80 90 100
Esfuerzo desviador (kPa)

Figura 2.8. Módulos de resiliencia obtenidos con muestras compactadas con

contenido de agua óptimo.
80

70
Material de terraplén
Módulo de resiliencia (MPa)

Giratori, w = 33.8%
60 Dinámico, w = 33.5%

50

40

30

20
Muestras compactadas dinámicamente
Muestras compactadas en equipo giratorio
10

0
20 30 40 50 60 70 80 90 100

Esfuerzo desviador (kPa)

Figura 2.9. Módulos de resiliencia obtenidos con muestras compactadas 2%

arriba del contenido de agua óptimo.

23
Estimación del módulo de resiliencia usando redes neuronales

24
3 Evaluación de las variables de entrada de
las redes neuronales

3.1. Recopilación de las bases de datos

Las bases de datos utilizadas en las redes neuronales fueron recopiladas de siete
investigaciones. Las investigaciones de Mao (1995), Richardson et al., (2009), Titi
et al., (2011) y González (2014) fueron utilizados para integrar la base de datos
para suelos tipo CH, CL, MH, ML. Mientras que las investigaciones de Maher et
al., (2000), Malla y Joshi (2006), Richardson et al., (2009), Titi et al., (2011),
González (2014) y Curiel (2015) fueron utilizadas para la base de datos de suelos
tipo SM, SC y SP; en los siguientes incisos se presentan los aspectos relevantes
de las investigaciones de las cuales se extrajeron los datos. De igual forma se
resumen en tablas los datos de las propiedades índice y valores de módulo de
resiliencia utilizados en esta investigación.

3.1.1. Base de datos Mao (1995)

Mao (1995) desarrolló un modelo matemático para la predicción del módulo de
resiliencia para suelos tipo CL. Los suelos utilizados fueron muestreados en
diversas zonas de la región de Ohio en los Estados Unidos de América. Después
de realizar el muestreo, determinaron las propiedades índice y de compactación
(Tabla 3.1).

Tabla 3.1. Propiedades índice, de compactación y clasificación de suelos.

wopt
Banco SUCS LL(%) LP (%) IP (%) P200 (%) Ss d (kN/m3)
(%)
NB4 CL 40.4 19 21.4 70.5 2.74 15.7 17.5
NB6 CL 31.1 17.7 13.4 71.3 2.72 15.5 18
SB3 CL 30 16.4 13.6 72.5 2.7 15.1 18.2
SB4 CL 31.7 17.9 13.8 73.2 2.72 14.9 18.1
MN2 CL 27.4 16.7 10.7 65.9 2.69 13.9 18.5
MN4 CL 37.6 19.6 18 75.8 2.76 14.5 18.3
GN2 CL 24.3 15.2 9.1 53.4 2.68 12.9 18.7
GS5 CL 35.6 20.8 14.8 95.1 2.75 17.4 17.5
BN3 CL 33.4 18.2 15.2 73.9 2.73 15.2 18.2
BS2 CL 24.9 16.3 8.6 65.2 2.67 13.2 19.1

Para la obtención de los módulos de resiliencia, se utilizó el protocolo SHRP P46.

Los especímenes de prueba fueron de 10 cm de diámetro y 20 cm de altura; stos

25
Estimación del módulo de resiliencia usando redes neuronales

fueron sometidos a 15 secuencias de carga; en cada secuencia se aplicaron 100

repeticiones de carga; excepto en la de condicionamiento, en donde se aplican
1000 ciclos de carga. La carga fue aplicada durante 0.1 de segundo, seguido por
un periodo de descarga de 0.9 segundo utilizando una señal tipo haversine.

Mao (1995) llevó a cabo una sola prueba de módulo de resiliencia por cada tipo de
suelo; los resultados aparecen en la Tabla 3.2.

Tabla 3.2. Módulos de resiliencia en condición óptima de compactación.

Módulo de resiliencia (MPa)

Banco σ3 = 14 kPa σ3 = 28 kPa σ3 = 41 kPa
σd = 14 kPa 28 41 55 69 14 28 41 55 69 14 28 41 55 69
NB4 64 49 44 40 36 61 50 45 41 36 58 51 44 39 35
NB6 56 40 35 30 25 52 40 35 30 26 47 37 30 26 24
SB3 52 31 25 22 20 49 31 25 22 20 45 30 24 21 20
SB4 56 37 31 28 26 54 39 31 28 25 55 44 37 30 26
MN2 42 33 28 23 19 42 33 29 23 20 43 35 27 24 20
MN4 82 56 47 47 44 80 57 48 47 44 62 54 48 45 43
GN2 45 35 32 30 28 45 36 32 30 28 41 34 28 27 26
GS5 43 31 22 19 17 44 33 24 20 18 42 33 26 21 19
BN3 49 39 31 26 22 51 41 32 26 22 50 44 33 26 22
BS2 30 21 16 15 15 31 22 17 16 15 29 23 17 15 15

3.1.2. Base de datos de Maher et al., (2000)

Maher et al., 2000 propusieron un modelo para la predicción del módulo de
resiliencia para suelos tipo SM, SC, SP. Los suelos utilizados en el desarrollo del
modelo fueron muestreados en diversas zonas de New Jersey en los Estados
Unidos de América. Los autores indicaron que habían utilizado normas ASTM para
determinar las propiedades índice y de compactación de los suelos, las cuales se
resumen en la Tabla 3.3.

Tabla 3.3. Resumen de propiedades de los suelos.

LP
Banco SUCS LL (%) IP (%) P200 (%) P40 (%) Ss wopt (%) d (kN/m3)
(%)
Rt-46 SC 15 N.P N.P 30.1 66.49 2.67 8.5 20.17
Rt-80a SC 0 N.P N.P 33.3 64.9 2.6 9 18.89
Rt 295 SM 0 N.P N.P 9.9 83.03 2.66 9 18.09
Rt 80b SC 20.5 19 1.5 36.6 63.70 2.66 8.25 20.06
Rt-206 SM 21 17 4 43 62.71 2.69 8.5 20.09

En esta investigación se usó el protocolo AASHTO T-307 para la obtención del

módulo de resiliencia. Conforme al protocolo, se prepararon especímenes en

26
 3 Evaluación de las variables de entrada de la red neuronal

moldes cilíndricos de 7 cm de diámetro y 14 cm de altura. Posteriormente, cada

espécimen fue sometido a 15 secuencias de carga; en cada una de ellas, varió
tanto el confinamiento como el esfuerzo desviador. En cada secuencia fueron
aplicadas 100 repeticiones de carga, usando una señal tipo haversine. La carga
fue aplicada durante 0.1 de segundo seguido por un periodo de descarga de 0.9
de segundo.

Maher et al., (2000) reportaron valores de Mr que eran promedio de tres réplicas
(Tabla 3.4), lo cual incrementó la confiabilidad de sus resultados.

Tabla 3.4. Módulos de resiliencia en condición óptima de compactación.

Módulo de resiliencia (MPa)

Banco σ3 = 14 kPa σ3 = 28 kPa σ3 = 41 kPa
σd = 14 kPa 28 41 55 69 14 28 41 55 69 14 28 41 55 69
Rt-46 75 58 50 51 54 80 76 68 66 65 120 104 95 90 82
Rt-80a 77 67 62 56 53 93 77 69 66 64 126 103 88 85 78
Rt 295 63 56 50 50 52 94 71 64 62 66 114 95 91 91 86
Rt 80b 68 59 51 50 52 83 75 70 70 68 104 97 93 90 90
Rt-206 73 59 49 50 52 87 73 65 63 63 120 97 92 80 76

3.1.3. Base de datos Malla y Joshi (2006)

Malla y Joshi (2006) publicaron un catálogo de módulos de resiliencia para suelos
tipo CH, CL, MH, SM, SC. Los suelos utilizados en su estudio fueron muestreados
en diversas zonas de Nueva Inglaterra en los Estados Unidos de América.

Posterior al muestreo, se determinaron las propiedades índice y de compactación

de acuerdo con la normativa AASHTO (Tabla 3.5). La norma AASHTO T307 se
utilizó para determinar los módulos de resiliencia (Tabla 3.6).

Tabla 3.5. Propiedades índice, de compactación y clasificación de los suelos.

Pasa No. 40
Banco SUCS LL (%) LP (%) IP (%) P200 (%) wopt (%) d (kN/m3)
(%)
CT-1 SP-SM 22 NP NP 5 35 11.2 19.07
CT-4 SC-SM 28 22 6 26.9 46 11.1 19.39
CT-7 SP 18 NP NP 3.1 79.3 14.7 16.11
CT-8 SP 18 NP NP 4 69.4 12.5 16.37
CT-14 SP 17 NP NP 2.6 75.5 13.8 16.23

27
Estimación del módulo de resiliencia usando redes neuronales

Tabla 3.6. Módulos de resiliencia en condición óptima.

Módulo de resiliencia (MPa)

Banco σ3 = 14 kPa σ3 = 28 kPa σ3 = 41 kPa
σd = 14 kPa 28 41 55 69 14 28 41 55 69 14 28 41 55 69
CT-1 45 47 51 - - 66 67 71 76 78 90 95 96 97 98
CT-4 57 51 48 48 50 79 70 64 62 62 92 86 77 74 72
CT-7 35 36 40 41 37 51 51 54 58 60 64 66 67 71 73
CT-8 36 37 40 39 29 54 54 56 59 60 67 70 71 72 74
CT-14 32 33 36 38 38 49 49 52 55 57 63 66 67 69 71

3.1.4 Base de datos de Richardson et al., (2009)

Richardson et al., (2009) presentaron un catálogo de módulos de resiliencia para
suelos tipo CH, CL, MH, SM, SC. Los suelos fueron muestreados en diversas
zonas de Missouri en los Estados Unidos de América. Las propiedades de los
suelos aparecen a continuación:

Tabla 3.7. Propiedades índice y clasificación de los suelos.

LL LP IP
Banco SUCS P200 (%) P40 (%) Ss wopt (%) d (kN/m3)
(%) (%) (%)
6MKWM011 CH 50 21 29 59 74 2.7 20 15.85
6MKWM012 SC 30 17 13 24 48 2.66 11 18.83
6MKWM013 SC 23 13 10 37 75 2.66 11 18.99
6MKWM015 CL 32 18 14 82 100 2.68 15 17.57
6MKWM016 CH 63 21 42 92 98 2.7 21 15.06
6MKWM017 CH 65 23 42 67 83 2.7 20 15.22
6MKWM019 CL 48 17 31 74 93 2.68 16 16.95
6MKWM020 CL 35 22 13 97 99 2.68 20 16.01
6MKWM021 CL 37 23 14 82 96 2.68 18 15.85
6MKWM022 MH 61 33 28 76 80 2.68 32 12.56
6MKWM023 CL 46 24 22 90 97 2.68 20 15.70
6MKWM024 CL 49 24 25 91 95 2.68 21 15.07
6MKWM025 SC 44 19 25 46 56 2.66 13 17.58
6MKWM026 CH 57 18 39 75 94 2.7 22 15.54
6MKWM027 SM 27 20 7 25 33 2.66 9 19.78
6MKWM028 CH 52 22 30 96 99 2.7 22 15.23
6MKWM029 CL 34 20 14 75 88 2.68 15 17.11
6MKWM030 SC 38 23 15 36 44 2.66 12 18.52
6MKWM032 CH 60 20 40 97 99 2.7 24 14.75
6MKWM033 CL 43 17 26 90 98 2.68 18 16.16
6MKWM034 CL 48 19 29 98 99 2.68 19 15.85
6MKWM035 CL 36 21 15 93 96 2.68 18 15.69
6MKWM036 CH 55 24 31 96 98 2.7 23 14.75
6MKWM037 CL 48 19 29 88 98 2.7 19 16.48

El módulo de resiliencia fue obtenidocon protocolo AASHTO T-307; los

especímenes compactados fueron de 10 cm de diámetro y 20 cm de altura.

28
 3 Evaluación de las variables de entrada de la red neuronal

Richardson et al., (2009) indicaron que habían utilizado tres réplicas para cada tipo
suelo. En la Tabla 3.8 se presentan los valores promedio de módulo de resiliencia
obtenidos.

Tabla 3.8. Módulos de resiliencia en condición óptima.

Módulo de resiliencia (MPa)

σ3 = 14 kPa σ3 = 28 kPa σ3 = 41 kPa
Banco
σd = 14
27.6 41.4 55.2 68.9 13.8 27.6 41.4 55.2 68.9 13.8 27.6 41.4 55.2 68.9
kPa
6MKWM011 120 119 116 108 102 147 139 130 123 113 161 150 138 126 115
6MKWM012 153 156 150 146 140 186 183 175 168 161 203 196 191 179 172
6MKWM013 163 146 136 130 123 184 167 160 147 140 209 185 167 152 144
6MKWM015 53 44 41 41 40 63 53 49 47 47 78 70 60 57 38
6MKWM016 86 78 70 64 57 95 86 77 69 61 101 91 81 71 63
6MKWM017 125 78 69 62 57 129 91 79 70 63 134 100 82 73 63
6MKWM019 90 76 68 63 60 118 91 80 72 66 106 87 79 74 68
6MKWM020 53 29 23 21 21 55 34 26 24 23 53 41 31 26 24
6MKWM021 103 70 59 54 51 98 78 69 62 58 97 85 75 68 63
6MKWM022 110 99 92 85 80 128 108 98 90 84 120 112 97 92 87
6MKWM023 165 135 108 96 88 417 148 120 107 99 173 143 124 110 101
6MKWM024 91 90 84 80 75 109 108 98 87 81 125 121 101 92 83
6MKWM025 88 76 75 77 80 103 83 81 80 81 115 97 83 80 83
6MKWM026 60 42 33 27 23 62 44 35 28 24 65 49 36 29 24
6MKWM027 70 52 48 51 55 82 59 55 57 59 104 83 67 59 64
6MKWM028 143 89 75 68 61 120 94 84 73 64 140 106 88 76 64
6MKWM029 63 46 37 33 32 72 54 44 39 37 80 66 52 43 39
6MKWM030 130 121 109 101 97 136 129 118 110 103 145 136 122 114 109
6MKWM032 97 91 84 78 74 110 101 92 85 79 119 109 98 89 82
6MKWM033 125 115 109 105 101 143 131 126 120 114 164 148 136 131 122
6MKWM034 112 105 98 92 89 131 118 109 102 97 135 127 115 107 101
6MKWM035 159 144 135 129 124 171 160 150 143 136 192 170 157 146 140
6MKWM036 62 89 76 68 62 68 105 86 74 66 129 104 87 75 67
6MKWM037 65 47 38 33 31 77 56 44 38 34 77 61 47 39 35

3.1.5 Base de datos de Titi et al., (2011)

En las Tablas 3.9 y 3.10 aparece el resumen de las propiedades y módulo de
resiliencia de suelos de Wisconsin (Titi et al., 2011).

Tabla 3.9. Propiedades índice y clasificación de suelos.

Banco SUCS LL(%) LP (%) IP (%) P200 (%) Ss wopt (%) d (kN/m3)
Fondulac MH 55.5 33.5 22 91 2.81 21.25 16
Deer creek A CL 44.4 25.65 18.75 83.05 2.535 16.5 16.85
Deer creek B CL 42.85 24.95 17.9 80.4 2.5 16.5 17.1
Superior-1 MH 63.4 36.9 26.5 84.65 2.64 24.5 14.8
Racine-1 CL 35.45 22.75 12.7 85.7 2.56 15.95 17.45
Highland-1 CL 37 22.5 14.5 83.25 2.74 15.75 16.7
Highland-2 CL 37 24 13 81.95 2.77 14.5 17.35
Highland-3 CH 58.15 25.9 32.25 87.45 2.525 23 15.5
Antigo CL 29.5 18.5 11 91 2.63 14.5 17.5
Dodgeville CL 37 25 12 97 2.55 18.8 16.1

29
Estimación del módulo de resiliencia usando redes neuronales

Tabla 3.10. Módulos de resiliencia en condición óptima.

Módulo de resiliencia (MPa)

Banco σ3 = 14 kPa σ3 = 28 kPa σ3 = 41 kPa
σd = 14 kPa 28 41 55 69 14 28 41 55 69 14 28 41 55 69
Fondulac 90 88 86 85 83 98 94 92 90 88 102 100 96 93 91
Deer creek A 83 80 77 75 73 93 89 85 81 78 99 95 90 85 80
Deer creek B 111 110 109 109 108 123 123 122 123 120 129 133 130 127 124
Superior-1 99 98 97 96 95 104 104 103 101 99 108 108 107 105 101
Racine-1 79 76 72 70 66 88 83 79 75 71 96 92 85 79 74
Highland-1 103 102 102 103 104 112 115 114 115 113 124 126 124 121 120
Highland-2 86 85 84 82 81 99 96 93 91 89 108 106 102 96 94
Highland-3 125 127 129 131 131 132 137 139 141 143 137 143 144 147 148
Antigo 80 74 71 69 67 88 86 82 78 75 95 97 94 87 82
Dodgeville 49 42 37 34 32 58 51 46 41 39 66 62 57 50 46

3.1.6 Base de datos desarrollada en el Instituto Mexicano

del Transporte
El Instituto Mexicano del Transporte ha estado desarrollando una base de datos
de módulo de resiliencia de suelo finos (pasan la malla No. 4) desde el 2013. Esta
base de datos cuenta con módulos de resiliencia de suelos clasificados como CH,
MH, CL, ML, SC y SM.

Para desarrollar dicha base de datos, se llevaron a cabo muestreos de suelos en

el estado de Querétaro, Guadalajara y Toluca. Después del muestreo,
determinaron las propiedades índice y de compactación de los suelos utilizando
procedimientos ASTM. Los resultados son resumidos en la Tabla 3.11.

Para llevar a cabo la prueba de módulo de resiliencia, primeramente se fabricaron

los especímenes de prueba controlando las condiciones de compactación en el
óptimo de compactación (wopt y dmax con respecto a la prueba Proctor estándar).
Para cada suelo, la prueba de módulo de resiliencia fue evaluada en al menos tres
réplicas, utilizando el protocolo de prueba NCHRP 1-28A; los resultados
mostrados en la Tabla 3.12 son valores promedio.

30
 3 Evaluación de las variables de entrada de la red neuronal

Tabla 3.11. Propiedades índice y clasificación de los suelos estudiados.

Banco SUCS LL LP IP P200 (%) Ss wopt d (kN/m3)

(%) (%) (%) (%)
La Venta CH 69 23 46 87 2.56 33.5 12.49
Santa Rosa CH 56 19.5 36.5 87.6 2.56 27.6 13.99
La Cañada CH 55 30 25 81.4 2.59 31.25 13.07
Pedro CH 70 28 42 79.4 2.65 34.2 12.7
Escobedo
Jalisco (arcilla CH 94 32 62 95.6 2.74 36.1 12.49
negra)
Jalisco (arcilla CH 54 30 24 95.5 2.72 29.25 14.22
roja)
San Pedro CH 81 36 45 95.1 2.67 39.5 11.57
Arcilla IMT CH 66 25 41 85.7 2.61 30 13.3
Mezcla 1 SC 49.5 21.5 28 29.2 2.61 28 13.7
Aeropuerto MH 54 34 20 94.4 2.64 36.5 12.19
La Galera MH 59 33 26 89.6 2.68 33.8 12.92
T. Autobuses ML 46.5 36 10.5 92.4 2.66 36.6 12.21
Misha ML 44 33 11 87 2.56 32 13.03
Comercial ML NP NP NP 57.2 2.38 28.6 12.69
San José SM NP NP NP 13.3 2.43 20.7 14.74
Los Cues SM NP NP NP 37 2.52 23.4 13.98
Mezcla 2 SC 30.5 17.5 13 26.4 2.71 21 15.39
Pueblo Nuevo CL 37 17 20 61.1 2.62 22.5 14.94
Nota: Mezcla 1: 50% Arena – 50% Arcilla Pedro Escobedo; Mezcla 2: 50% Arena – 50% limo
Banco Misha

Tabla 3.11. Propiedades índice y clasificación de los suelos estudiados

(continuación).

Banco SUCS LL (%) LP (%) IP (%) P200 (%) Pasa No. wopt (%) d (kN/m3)
40 (%)
Conin SM NP NP NP 32.86 67.18 24 13
Conin 2 SM NP NP NP 32.21 62.15 25 13.7
HVS SM 51 29.67 21.33 43.66 56.88 25 14.5
Mezcla 1 SC 34.45 17.5 16.95 43.24 65.18 23 15
Mezcla 2 SC 35 22 13 33.86 61.38 21.5 15.6

31
Estimación del módulo de resiliencia usando redes neuronales

Tabla 3.12. Módulos de resiliencia en condición óptima de compactación.

Módulo de resiliencia (MPa)

σ3 = 14 kPa σ3 = 28 kPa σ3 = 41 kPa σ3 = 55 kPa
Banco
σd = 27
48 68 95 27 48 68 95 27 48 68 95 27 48 68 95
kPa
La Venta 83 78 76 73 94 86 82 78 97 89 85 81 99 92 87 83
Santa Rosa 90 85 83 80 105 98 94 89 112 105 100 94 117 109 104 98
La Cañada 95 91 86 80 109 102 96 89 117 108 102 94 122 114 107 99
Pedro
104 93 90 87 128 107 102 96 136 115 107 101 141 119 111 104
Escobedo
Jalisco (Negra) 79 71 68 64 86 75 71 66 87 77 72 67 87 77 72 67
Jalisco (Roja) 72 63 53 43 92 80 66 53 104 89 75 59 109 95 80 64
San Pedro 109 102 100 99 129 118 114 111 139 127 121 116 146 132 124 119
Arcilla IMT 83 66 57 48 90 71 61 51 93 73 63 53 94 75 65 54
Mezcla 1 104 101 100 101 122 118 115 113 135 128 123 120 143 134 128 124
Aeropuerto 62 58 53 47 71 65 59 51 76 70 63 55 80 73 67 59
La Galera 102 86 78 69 110 94 84 74 116 98 89 78 120 102 92 82
T. Autobuses 76 76 75 73 91 89 86 81 100 96 93 87 106 102 97 90
Misha 50 47 42 37 58 54 48 41 63 59 53 46 68 64 58 51
Comercial 95 65 56 50 119 87 77 69 137 106 95 86 154 124 111 102
San José 51 50 46 46 75 73 69 66 98 92 89 84 119 112 107 101
Los Cues 57 56 55 56 78 75 72 72 97 92 88 87 115 108 104 102
Mezcla 2 63 55 47 40 76 66 58 50 87 76 67 60 96 84 75 68
Pueblo Nuevo 69 61 55 48 81 71 64 55 89 78 69 59 96 84 75 65
Conin 56 57 58 61 77 77 78 78 99 96 95 95 121 116 114 113
Conin 2 49 53 54 55 73 76 77 76 95 96 97 96 116 116 116 114
HVS 60 58 56 51 81 75 69 62 94 85 78 70 103 94 87 79
Mezcla 1 112 76 59 45 124 86 68 53 133 93 75 60 146 100 81 66
Mezcla 2 39 35 32 31 53 48 44 40 67 59 54 50 80 71 65 60

3.2 Evaluación de las variables de entrada para las

redes neuronales artificiales

3.2.1. Suelos tipo limo y arcillas

Como ya se observó en el capítulo dos; el módulo de resiliencia depende del peso
volumétrico, del contenido de agua óptimo, del estado de esfuerzos, etc.

Para determinar las variables de entrada de las redes neuronales, se llevó a cabo
un análisis de regresión combinando diferentes variables y para obtener el valor
del coeficiente de determinación. La Tabla 3.13 muestra la nomenclatura de las
variables; las Tablas 3.14. 3.15 y 3.16 muestran los análisis de regresión y sus
correspondientes coeficientes de correlación.

32
 3 Evaluación de las variables de entrada de la red neuronal

Tabla 3.13. Nomenclatura de las variables utilizadas

Símbolo Parámetro Observaciones
LL (%) Límite líquido ---
LP (%) Límite plástico ---
IP (%) Índice de plasticidad IP = LL-LP
IG Índice de grupo IG = (P200-35)[0.2+0.005(LL-40)]+0.01(P200-15)(IP-10)
C Compacidad C = (d)/(Ssw)
w Peso volumétrico del agua ---
P200 (%) Porcentaje de suelo que pasa la malla No. 200. ---
d Peso volumétrico seco máximo (kN/m 3) ---
wopt Contenido de agua óptimo ---
 (kPa) Esfuerzo octaédrico ---
d (kPa) Esfuerzo desviador d = 1-3
3 (kPa) Presión de confinamiento ---
kPa) Esfuerzo volumétrico  = 1+2+3
wIP Porcentaje que pasa la malla No. 200 multiplicado ---
por el índice de plasticidad (uno de los dos
parámetros es decimal)
Fina Porcentaje de arena fina ---
Media Porcentaje de arena media ---
Gruesa Porcentaje de arena gruesa ---
P10 Porcentaje de suelo que pasa la mallas No. 10 ---
P40 Porcentaje de suelo que pasa la malla No. 40 ---

Tabla 3.14. Análisis de regresión lineal utilizando 4 variables de entrada.

Variables de entrada Salida R2

IP P200 σd σ3 Mr 0.1685
IP P200 wopt σd /σ3 Mr 0.139
d P200 wopt σd /σ3 Mr 0.2592
d P200 IP σd /σ3 Mr 0.1502
d wopt IP σd /σ3 Mr 0.263
IP P200   Mr 0.2

Tabla 3.15. Análisis de regresión lineal utilizando 5 variables de entrada.

Variables de entrada Salida R2

IP P200 wopt d σd /σ3 Mr 0.2674

IP P200 wopt σd σ3 Mr 0.174
LP P200 wopt σd σ3 Mr 0.161
wIP  wopt C  Mr 0.296
wopt  d C  Mr 0.309
P200  IG C  Mr 0.2345
IP P200 IG C  Mr 0.19
IP P200 IG C  Mr 0.311
Tabla 3.16. Análisis de regresión lineal utilizando 6 variables de entrada.

33
Estimación del módulo de resiliencia usando redes neuronales

Variables de entrada Salida R2

IP P200 wop d C σd /σ3 Mr 0.2815
IP P200 wop d C  Mr 0.271
IP P200 wop σd /σ3 C  Mr 0.2829
IP P200 d σd /σ3 C  Mr 0.188
IP P200  σd /σ3 C  Mr 0.1933
IP P200  wop C  Mr 0.2968
σ3 wIP  wop C  Mr 0.2432
IP P200  d C  Mr 0.195
IP P200  IG C  Mr 0.206
IP d  IG C  Mr 0.196
IP wop  IG C  Mr 0.2966
P200 wop  IG C  Mr 0.296
wIP wop  IG C  Mr 0.2997
IP σd /σ3  IG C  Mr 0.1937
IP P200 C IG d  Mr 0.1736
IP P200 C IG d  Mr 0.301

De acuerdo con los análisis anteriores, se puede comprobar que la interacción del
módulo de resiliencia con las propiedades físicas y estado de esfuerzos del suelo
es un fenómeno no lineal; ya que los coeficientes de determinación son muy bajos.
A pesar de esto, el análisis proporciona una idea de cuáles son las variables más
significativas.

Tomando en cuenta los coeficientes de correlación, las variables de entrada de la

red neuronal para arcillas y limos fueron:

 Índice de plasticidad (IP)

 Contenido de humedad óptimo (wopt)
 Porcentaje que pasa la malla No. 200 (P200)
 Compacidad (C)
 Esfuerzo de confinamiento (σ3)
 Esfuerzo desviador (σd)

Es importante mencionar que la red neuronal se entrenó con propiedades que

varían dentro de ciertos rangos (Tabla 3.17). Por lo tanto, es recomendable que el
usuario de la herramienta que se propone en este documento la utilice con suelos
cuyas propiedades se encuentran dentro de los rangos indicados.

34
 3 Evaluación de las variables de entrada de la red neuronal

Tabla 3.17. Rango de las variables y módulo de resiliencia.

Rangos
Variables
Inferior Superior
IP (%) 9 62
P200 (%) 54 98
wopt (%) 13 39
C (%) 43 71
σ3 (kPa) 14 55
σd (kPa) 13 95
Mr (MPa) 15 192

3.2.2. Suelos arenosos

Para las arenas, se realizó el mismo análisis; pero en este caso se incluyeron
variables como el porcentaje de arena fina, media y gruesa; tomando en cuenta
que la norma ASTM D2487-06 define los rangos de estas arenas de acuerdo con
lo indicado en la Tabla 3.18.

Tabla 3.18. Tamaño de las arenas de acuerdo con la norma ASTM D2487-06.

Arena Tamaño
Gruesa Pasa la malla No. 4 (4.75 mm) y es retenida en la malla No. 10 (2 mm)
Media Pasa la malla No. 10 (2 mm) y es retenida en la malla No. 40 (0.425 mm)
Fina Pasa la malla No. 40 (0.425 mm) y es retenida en la malla No. 200 (0.074 mm)

En las Tablas 3.19, 3.20 y 3.21 se resumen los coeficientes de correlación

obtenidos del análisis de regresión.

35
Estimación del módulo de resiliencia usando redes neuronales

Tabla 3.19. Análisis de regresión lineal para arenas utilizando cuatro

variables de entrada.

Variables de entrada Salida R2

P200 σ3 σd wopt Mr 0.1782
P10 σ3 σd wopt Mr 0.2453
P40 σ3 σd wopt Mr 0.2272
P200 σd/σ3 C wopt Mr 0.1424
P40 σd/σ3 C wopt Mr 0.192
P10 σd/σ3 C wopt Mr 0.2024
P10 σd/σ3 d wopt Mr 0.1991
P40 σd/σ3 d wopt Mr 0.1878
P200 σd/σ3 d wopt Mr 0.1275
Gruesa σ3 σd wopt Mr 0.1821
Media σ3 σd wopt Mr 0.1692
fina σ3 σd wopt Mr 0.2571

Tabla 3.20. Análisis de regresión lineal utilizando cinco variables de entrada.

Variables de entrada Salida R2

wopt P200 σ3 σd C Mr 0.1993
wopt P200 σ3 σd Mr 0.1824
wopt P200 σ3 σd P10 Mr 0.2569
d P200 σ3 σd P10 Mr 0.2558
wopt P200 σ3 σd P40 Mr 0.2571
wopt P200 σ3 σd P40 Mr 0.2454
wopt C σ3 σd P40 Mr 0.234
wopt C σ3 σd P10 Mr 0.2497
wopt C σ3 σd Gruesa Mr 0.1955
wopt C σ3 σd Media Mr 0.1867
wopt C σ3 σd Fina Mr 0.2641
wopt d σ3 σd Gruesa Mr 0.1866
wopt d σ 3 σd Media Mr 0.174
wopt d σ3 σd Fina Mr 0.2572

36
 3 Evaluación de las variables de entrada de la red neuronal

Tabla 3.21. Análisis de regresión lineal utilizando seis variables de entrada.

Variables de entrada Salida R2

wopt P200 σ3 σd C P10 Mr 0.2622
wopt P40 σ3 σd C P10 Mr 0.2498
wopt P200 σ3 σd C P40 Mr 0.2643
wopt P200 σ3 σd P10 P40 Mr 0.2619
wopt P200 σd/σ3 C P10 P40 Mr 0.2236
wopt P200 σd/σ3 P10 P40 Mr 0.2189

Para este caso, las variables de entrada de la red neuronal y sus rangos aparecen
en la Tabla 3.22.
Tabla 3.22. Variables de entrada y rangos para arenas

Variables Rangos
Inferior Superior
wopt (%) 8 25
Porcentaje de arena fina (%) 8 76
σ3 (kPa) 14 55
σd (kPa) 12 97
Mr (MPa) 29 144

37
Estimación del módulo de resiliencia usando redes neuronales

38
4 Redes neuronales artificiales para estimar el
módulo de resiliencia

4.1. Normalización de las bases de datos

Después de obtener las bases de datos, se realiza la normalización conocida
también como escalamiento. Las razones para escalar los datos son: (a) dar a
cada entrada la misma importancia y (b) para evitar la saturación prematura de
funciones de activación sigmoidal. Los datos de salida o de destino se escalan si
las funciones de activación de salida tienen un rango limitado y los objetivos no
escalados no coinciden con este rango.

Las funciones de activación tienen la finalidad de crear salidas ante ciertas

entradas de la red. En este trabajo se utilizó la función tangente hiperbólica en las
neuronas ocultas; y para la neurona de salida, se utilizó la función lineal. Estas
funciones se eligieron porque son un buen aproximador universal.

En este trabajo se utilizó la normalización de [-1,1] por las funciones de activación

elegidas. La base se normaliza de acuerdo con:

(4.1)

Donde:
= Entrada o salida normalizada en el rango [-1,1]
= Entrada o salida máxima
= Entrada o salida mínima

4.2. Estructura de las redes neuronales

En la literatura recomiendan, como primer intento, construir una red neuronal
pequeña en la que se tenga solo una capa de neuronas ocultas con un número
pequeño de neuronas que puede ser determinada de la siguiente forma:

(4.2)

39
Estimación del módulo de resiliencia usando redes neuronales

Donde:
No = Número de neuronas ocultas
Ni = Número de neuronas iniciales = Variables de entrada para los dos casos
Nf = Número de neuronas finales = Mr

La red es entrenada con una arquitectura sencilla. Hasta determinado número de

corridas se entrena y se prueba una siguiente arquitectura incrementándole una
neurona a la vez a la capa oculta y así sucesivamente hasta que parezca grande
el número de estas (sin incrementar a un número excesivo de neuronas ya que
esto produciría un sobreaprendizaje). Es hasta entonces cuando se le adiciona
una capa de neuronas ocultas comenzado ambas de nuevo con un número
pequeño de neuronas como se indica en la Tabla 4.1.

Tabla 4.1. Tipos de arquitecturas de las redes neuronales.

Tipo de Arcillas y limos Arenas

suelo
6-3-1 4-3-1
Tipos de 6-4-1 4-4-1
Arquitecturas 6-5-1 4-5-1
utilizadas
en las redes 6-6-1 4-6-1
neuronales 6-7-1 4-7-1
6-8-1 4-8-1
Nota: La nomenclatura 6-3-1 significa 6 neuronas de entrada, 3 neuronas ocultas y 1 salida.

4.3. Desarrollo de las redes neuronales artificiales

En la creación de las redes neuronales en suelos tipo CH, CL, MH y ML se
utilizaron 698 ejemplos de módulo de resiliencia. Estos quedaron repartidos en
596 ejemplos; 39 suelos para la creación y entrenamiento. Para suelos del tipo
SM, SC y SP se utilizaron 334 ejemplos; 23 suelos para el entrenamiento de la
red.

Existen diferentes tipos de arquitecturas; por lo tanto, existen diversas matrices de

pesos. Para la primera capa de pesos, el tamaño de dicha matriz está dado por la
cantidad de neuronas que contenga y las entradas a la red. En la segunda capa
de neuronas la matriz de pesos debe tener un rango delimitado por el número de
neuronas en cada capa, mientras que la matriz de los pesos propios de cada
neurona será dimensionada de acuerdo con su número de neuronas.

La interacción entre las entradas y la primera capa oculta es de la forma:

40
 4 Redes neuronales artificiales para estimar el módulo de resiliencia

(4.3)

La interacción entre la capa oculta y la salida es:

(4.4)

Una vez creadas las distintas redes neuronales de acuerdo con las arquitecturas
especificadas anteriormente, se procede a obtener la salida de la red utilizando los
596 ejemplos para suelos CH, CL, MH y ML y 334 ejemplos para suelos SM, SC y
SP. La salida de la red se obtuvo de la siguiente manera:

(4.5)

Donde:
= Número de ejemplos en la base de datos

Después de cada ejemplo de entrenamiento presentado a la red, las diferencias

entre las salidas de la red y las esperadas son calculadas; es entonces cuando se
obtiene la función de rendimiento de la red, la cual es el error cuadrático medio.
Esta función es fundamental para los diversos algoritmos de aprendizaje de las
redes.

4.4. Entrenamiento de las redes neuronales

artificiales
Una vez que la red neuronal es desarrollada, se somete a un proceso de
aprendizaje que determina los parámetros adecuados o pesos que participan en la
red con la finalidad de obtener una salida deseada. Para enseñar a una red
neuronal, es necesario entrenarla con un conjunto de datos; el cual consta de
señales de entrada que son asignadas con salidas deseadas. Este entrenamiento
es un proceso iterativo y en cada iteración los pesos de los nodos se modifican
usando nuevos datos del conjunto para el entrenamiento.

A continuación, se describen los distintos tipos de entrenamiento utilizados.

4.4.1 Entrenamiento utilizando el algoritmo de Levenberg-

Marquardt
En este caso, primero se calculó la matriz del jacobiano J(n,m) de cada uno de los
pesos de la red. La matriz jacobiana es la matriz formada por las derivadas

41
Estimación del módulo de resiliencia usando redes neuronales

parciales de primer orden de la función de error que genera las salidas de la red
respecto a las salidas deseadas.

(4.6)

Donde:
E(n,1) = Vector del error en la salida de la red = S(n,1)-Y(n,1)
wm = Peso de la enésima neurona
n = Número de ejemplos en la base de datos (596 ejemplos para suelos CH, CL,
MH y ML y 334 ejemplos para suelos SM, SC y SP)

Una vez generada la matriz del jacobiano, se propuso un valor inicial . Este valor
es conocido como un parámetro de aprendizaje de la red. En el algoritmo de
Levenberg-Marquardt clásico el valor de  es un valor constante. El parámetro de
aprendizaje por utilizar es:

(4.7)

Con la constante de aprendizaje inicial y la matriz del jacobiano, se obtiene el

cambio que tendrán los pesos w(m,1) en esta iteración.

(4.8)

Donde:
J(n,m) = Matriz del jacobiano de las derivadas de primer orden
J(m,n) = Matriz transpuesta del jacobiano de las derivadas de primer orden
 = Parámetro de aprendizaje
l(m,m) = Matriz identidad
e(n,1) = Vector del error en la salida de la red
n = Número de ejemplos en la base de datos (596 ejemplos y 334 ejemplos)
m = Número de pesos en la red (dependiendo de la arquitectura)

Después se procede a la actualización de los pesos

(4.9)

Donde:
w(m,1)i = Vector de pesos actuales de la red

42
 4 Redes neuronales artificiales para estimar el módulo de resiliencia

w(m,1)(i-1) = Vector de pesos anteriores a la actualización

m = Número de pesos en la red

Con los nuevos pesos actualizados se procede a encontrar la nueva salida de la

red

(4.10)

Donde:
S(n,1)i = Salida de la red con los pesos actualizados
F(Wp+b) = Función que genera la salida de la red

Con la nueva salida de la red, se procede a calcular la nueva suma de errores

cuadráticos SSE(1)i.

(4.11)

Donde:
S(n,1)i = Vector de la nueva salida de la red
Y(n,1) = Vector de salida deseada u objetivo
n = Número de ejemplos en la base de datos

Si < entonces

Se calcula J(n,m),

Se recalcula

Si no

Se recalcula

Fin.

4.4.2 Entrenamiento utilizando el algoritmo de Levenberg-

Marquardt modificado
Para este caso, primero se calculó la matriz del jacobiano J(n,m) de cada uno de
los pesos de la red. La matriz jacobiana es la matriz formada por las derivadas
parciales de primer orden de la función de error que genera las salidas de la red
respecto a las salidas deseadas.

43
Estimación del módulo de resiliencia usando redes neuronales

(4.12)

Donde:
E(n,1) = Vector del error en la salida de la red = S(n,1)-Y(n,1)
wm = Peso de la enésima neurona
n = Número de ejemplos en la base de datos (596 ejemplos para suelos CH, CL,
MH y ML y 334 ejemplos para suelos SM, SC y SP)

Una vez que fue generada la matriz del jacobiano, se propuso un valor inicial .
Este valor es conocido como un parámetro de aprendizaje de la red.  en el
algoritmo de Levenberg-Marquardt clásico es un valor constante; en esta
investigación fue modificado -según las investigaciones hechas por (Suratgar et
al., 2007)-, con la finalidad de obtener una mejor predicción. El parámetro de
aprendizaje utilizado es:

(4.13)

Donde:
e(1,n) = Vector transpuesto del error en la salida de la red
e(n,1) = Vector del error en la salida de la red

Con la constante de aprendizaje inicial y la matriz del jacobiano se obtiene el

cambio que tendrán los pesos w(m,1) en esta iteración.

(4.14)

Donde:
J(n,m) = Matriz del jacobiano de las derivadas de primer orden
J(m,n) = Matriz transpuesta del jacobiano de las derivadas de primer orden
 = Parámetro de aprendizaje
l(m,m) = Matriz identidad
e(n,1) = Vector del error en la salida de la red
n = Número de ejemplos en la base de datos a utilizar de acuerdo al tipo de suelo
m = Número de pesos en la red

Enseguida se procede a la actualización de los pesos.

44
 4 Redes neuronales artificiales para estimar el módulo de resiliencia

(4.15)

Donde:
w(m,1)i = Vector de pesos actuales de la red
w(m,1)i-1 = Vector de pesos anteriores a la actualización
m = Número de pesos en la red

Con los nuevos pesos actualizados se procede a encontrar la nueva salida de la

red.

(4.16)

Donde:
S(n,1)i = Salida de la red con los pesos actualizados
f(Wp+b) = Función que genera la salida de la red

Con la nueva salida de la red se calcula la nueva suma de errores cuadráticos

SSE(1)i.

(4.17)

Donde:
S(n,1)i = Vector de la nueva salida de la red
Y(n,1) = Vector de salida deseada u objetivo
n = Número de ejemplos en los dos tipos base de datos

Con el nuevo error de salida se recalcula el valor de  y los pesos nuevamente.

Las iteraciones terminan hasta el momento en que se alcance la tolerancia
deseada.

4.5. Validación de los modelos de redes neuronales

Una vez terminado el proceso de entrenamiento con el algoritmo deseado, se
obtuvieron los pesos de las neuronas e interconexiones entre ellas. Con estos se
puede estimar el módulo de resiliencia y compararlo con una base de datos nueva
que contenga suelos no utilizados en el entrenamiento. La comparación se realiza
para evaluar la capacidad de la red de estimar valores desconocidos.

Para la validación, se utilizaron siete suelos entre limos y arcillas y seis suelos tipo
arena.

45
Estimación del módulo de resiliencia usando redes neuronales

4.6 Valores de Mr estimados versus datos de

laboratorio
El proceso de entrenamiento de las redes neuronales termina hasta un cierto
número de iteraciones en el que se obtiene el valor mínimo de la función de
rendimiento (error cuadrático medio) utilizada. La finalidad de realizar este proceso
iterativo es que la red neuronal llegue a un mínimo global de la superficie del error
evitando que la red tenga un sobreaprendizaje ante la predicción de situaciones
diferentes a las presentadas en el entrenamiento.

Las Figuras 4.1 y 4.2 presentan el proceso de entrenamiento de las redes, con la
mejor predicción.

Figura 4.1. Número de iteraciones del modelo de red neuronal con

arquitectura 6-6-1 (arcillas y limos).

Figura 4.2. Número de iteraciones del modelo de red neuronal con

arquitectura 4-7-1 (arenas).

46
 4 Redes neuronales artificiales para estimar el módulo de resiliencia

En las Figuras 4.1 y 4.2 se observa que los algoritmos de Quasi-Newton tienen
una rápida convergencia para la predicción del módulo de resiliencia ya que en
aproximadamente 70 y 90 iteraciones se logra un valor muy bajo de la función de
rendimiento para suelos tipo arcilla y limos y arenas, respectivamente.

Después del entrenamiento, se llevó a cabo una comparativa de los valores

estimados con respecto a los de laboratorio. Se probaron 3 tipos de algoritmo de
Quasi-Newton: Gauss-Newton, Levenberg-Marquardt y Levenberg-Marquardt
modificado. Para medir la capacidad de predicción del modelo de redes
neuronales se utilizó el valor de R2. De acuerdo con Bayomy et al., (2012), los
valores de la Tabla 4.2 indican cómo se califica un modelo de acuerdo con el valor
de R2. Los valores de esta tabla también fueron utilizados para calificar la red
neuronal.

Tabla 4.2. Criterio del parámetro R2 de bondad de ajuste.

Criterio R2
Excelente > 0.9
Bueno 0.7 - 0.89
Regular 0.4 - 0.69
Mala 0.2 - 0.39
Muy mala < 0.19

Las Tablas 4.3 a 4.6 muestran un resumen de los resultados de los modelos de
redes neuronales desarrollados. Los resultados muestran que los valores del
coeficiente de determinación R2 para la validación del modelo de redes en suelo
tipo arcilla y limo se encuentran entre 0.3159 y 0.8143. Solo un modelo tiene un
valor de R2 mayor a 0.8; nueve modelos tienen valores de R2 mayores de 0.5 pero
menores de 0.8 y dos modelos con valores por debajo del 0.5. Para suelos
arenosos los resultados de validación de los modelos de redes neuronales
muestran que el coeficiente de determinación varía en un rango entre -0.997 y
0.884. Dos modelos tienen valores de R2 mayores a 0.8; cinco modelos tienen
valores mayores a 0.5 pero menores a 0.8 y cinco modelos con valores por debajo
del 0.5.

47
Estimación del módulo de resiliencia usando redes neuronales

Tabla 4.3. Coeficientes de determinación (R2) para el entrenamiento de las

redes neuronales artificiales para suelos tipo arcilla y limos.

Levenberg-
Levenberg-
Arquitectura Gauss-Newton Marquardt
Marquardt
modificado
6-3-1 Sin resultado* 0.6771 0.6996
6-4-1 Sin resultado* 0.7075 0.7449
6-5-1 Sin resultado* 0.8685 0.8713
6-6-1 Sin resultado* 0.9192 0.9256
6-7-1 Sin resultado* 0.937 0.9397
6-8-1 Sin resultado* 0.7634 0.6634

Tabla 4.4. Coeficientes de determinación (R2) para la validación de las redes

neuronales artificiales para suelos tipo arcilla y limo.

Levenberg-
Levenberg-
Arquitectura Gauss-Newton Marquardt
Marquardt
modificado
6-3-1 Sin resultado* 0.691 0.7894
6-4-1 Sin resultado* 0.7287 0.4832
6-5-1 Sin resultado* 0.6023 0.6034
6-6-1 Sin resultado* 0.6301 0.8143
6-7-1 Sin resultado* 0.7611 0.3159
6-8-1 Sin resultado* 0.7809 0.6706

Tabla 4.5. Coeficientes de determinación (R2) para el entrenamiento de las

redes neuronales artificiales para suelos tipo arena.

Levenberg-
Gauss- Levenberg-
Arquitectura Marquardt
Newton Marquardt
modificado
4-3-1 Sin resultado* 0.0343 0.545
4-4-1 Sin resultado* 0.5646 0.8886
4-5-1 Sin resultado* 0.7431 0.8631
4-6-1 Sin resultado* 0.9221 0.9311
4-7-1 Sin resultado* 0.9365 0.9146
4-8-1 Sin resultado* 0.0701 0.4467

48
 4 Redes neuronales artificiales para estimar el módulo de resiliencia

Tabla 4.6. Coeficientes de determinación (R2) para la validación de las redes

neuronales artificiales para suelos tipo arena.

Levenberg-
Levenberg-
Arquitectura Gauss-Newton Marquardt
Marquardt
modificado
4-3-1 Sin resultado* -0.997 0.5578
4-4-1 Sin resultado* 0.5196 0.7971
4-5-1 Sin resultado* 0.776 0.0476
4-6-1 Sin resultado* 0.4109 0.4848
4-7-1 Sin resultado* 0.8596 0.884
4-8-1 Sin resultado* -0.007 0.6519

De acuerdo con el criterio de R2 de la Tabla 4.2 y utilizando los resultados de la

validación, se observa que la arquitectura 6-6-1 (modelo de Levenberg-Marquardt
modificado) y la arquitectura 6-3-1 (mismo modelo), proporcionan una predicción
de Mr en suelos tipo arcilla y limo que puede ser calificada como buena. En el
caso de las arenas, la arquitectura 4-4-1 y 4-7-1 son un modelo bueno para
predecir el Mr. En las Figuras 4.3 a 4.6 se grafica el entrenamiento y validación de
los modelos de redes neuronales que utilizaron los algoritmos de Levenberg-
Marquardt modificado, ya que mostraron la mejor predicción del módulo de
resiliencia. El modelo para suelos tipo CH, CL, MH y ML consiste de seis variables
de entrada, una capa oculta con seis neuronas intermedias y una variable de
salida. Mientras para suelos tipo SM, SC, SP el modelo consiste de cuatro
variables de entrada, una capa oculta con siete neuronas intermedias y una
variable de salida.

49
Estimación del módulo de resiliencia usando redes neuronales

Figura 4.3. Entrenamiento del modelo de red neuronal con arquitectura 6-6-1
para suelos tipo CH, CL, MH y ML.

Figura 4.4. Validación del modelo de red neuronal con arquitectura 6-6-1 para
suelos tipo CH, CL, MH y ML.

Figura 4.5. Entrenamiento del modelo de red neuronal con arquitectura 4-7-1
para suelos tipo SM, SC y SP.

50
 4 Redes neuronales artificiales para estimar el módulo de resiliencia

Figura 4.6. Validación del modelo de red neuronal con arquitectura 4-7-1 para
suelos tipo SM, SC y SP.

4.7. Aplicación para estimar el módulo de

resiliencia
Una vez que se obtuvieron los modelos de redes neuronales, se procedió a la
realización de un programa ejecutable utilizando el lenguaje computacional Visual
Basic y realizado a través de Visual Studio 2015. La Figura 4.7 muestra la ventana
principal del programa.

Figura 4.7. Interfaz inicial del programa para la predicción del Mr en suelos
finos compactados.

51
Estimación del módulo de resiliencia usando redes neuronales

El programa tiene embebidos los modelos desarrollados presentados

anteriormente. Al seleccionar cualquiera de los dos modelos aparecerá una
interfaz como muestran las Figuras 4.8 y 4.9.

Figura 4.8. Interfaz para la obtención del módulo de resiliencia en suelos tipo
CH, CL, MH y ML.

Figura 4.9. Interfaz para la obtención del módulo de resiliencia en suelos tipo
SM, SC y SP.

52
 4 Redes neuronales artificiales para estimar el módulo de resiliencia

La aplicación anterior solo requiere del conocimiento de propiedades básicas de

los suelos y el estado de esfuerzos para poder estimar el módulo de resiliencia. La
aplicación se publica en conjunto con este documento de tal forma que los
interesados puedan utilizarla y tener una idea de los módulos de resiliencia que
puedan ser empleados cuando lleven a cabo diseños preliminares de pavimentos.

53
Estimación del módulo de resiliencia usando redes neuronales

54
Conclusiones
Con base en los resultados del presente estudio, se puede concluir lo siguiente:

 Las propiedades IP, P200, wopt, C, 3 y d son variables significativas para la

predicción del módulo de resiliencia en suelos finos tipo CH, CL, MH y ML.

 Las propiedades % de arena fina, wopt, 3 y d son variables significativas

para la predicción del módulo de resiliencia en suelos finos tipo SM, SC y
SP.

 El uso de redes neuronales artificiales de aprendizaje supervisado para la

modelación del fenómeno de módulo de resiliencia mostró ser eficiente con
respecto al análisis estadístico de regresión multivariable. El análisis de
regresión lineal múltiple probó que el fenómeno de módulo de resiliencia
muestra algunas deficiencias en la modelación de este.

 El algoritmo de Levenberg-Marquardt modificado muestra mayor eficiencia

para predecir el módulo de resiliencia. El Algoritmo de Levenberg-
Marquardt modificado presenta una mejor optimización en la superficie del
error, ya que los valores de la constante de aprendizaje son variables y
tienden a cambiar respecto a la nueva predicción del modelo; mientras que
en el algoritmo clásico de Levenberg-Marquardt los valores de este
parámetro de aprendizaje son constantes.

 Para los suelos tipo CH, CL, MH, y ML el modelo con arquitectura 6-6-1
alcanzó una mejor optimización, pues mostró un coeficiente de
determinación (R2) de 0.93 para la predicción de suelos dentro de la base
de datos utilizada; mientras que para la validación con suelos diferentes
proporcionó un coeficiente de determinación (R2) de 0.8143. De acuerdo
con la prueba de bondad de ajuste el modelo es bueno ante la predicción
de nuevos ejemplos.

 Para suelos tipo SM, SC y SP, el modelo neuronal con arquitectura 4-7-1
obtuvo una mejor optimización al mostrar un coeficiente de determinación
(R2) de 0.9146 para la predicción de suelos de entrenamiento; mientras que
para la predicción del Mr de nuevos suelos se obtuvo un coeficiente (R2) de
0.884; el cual es bueno.

 Se puede concluir que las redes neuronales son una técnica que ayuda a la
predicción de fenómenos no lineales; pues a diferencia de las técnicas de
regresión, las redes neuronales artificiales plantean un sistema de

55
Estimación del módulo de resiliencia usando redes neuronales

ecuaciones no lineales, y a mayor número de ejemplos se puede obtener

una mejor aproximación. Dentro de las desventajas de los modelos de
redes neuronales se puede observar la extrapolación y la predicción
cercana a los límites de las variables de entrada.

 El programa ejecutable presentado, se creó con la finalidad que el Mr se

obtenga rápidamente. Este programa no pretende sustituir la prueba triaxial
sino que puede ser usado como una herramienta preliminar en los diseños
de pavimentos. En futuras investigaciones se pretende aumentar la base de
datos de suelos finos así como de granulares para enriquecer este proyecto
y con ello tener un rango de suelos más amplio respecto al que se tiene
actualmente.

Recomendaciones

En la creación de las redes neuronales artificiales, se recomienda tener una base

de datos con una correcta distribución; ya que si esto no se cumple, las redes
neuronales pueden llegar a predecir correctamente suelos de entrenamiento, pero
no podrá predecir situaciones futuras.

Para redes neuronales de aprendizaje supervisado en las que se requiera

optimizar parámetros de entrada, es necesaria una correcta selección de las
funciones de activación; la función tangente hiperbólica es una de las más
utilizadas en la literatura de redes neuronales.

Si se requiere trabajar con el algoritmo de Levenberg-Marquardt modificado para

cualquier investigación, se recomienda programar el algoritmo; ya que en los
programas computacionales que emplean redes neuronales no utilizan este
algoritmo de entrenamiento.

Para investigaciones futuras, se recomienda que la base de datos sea de una sola
fuente, ya que durante la selección de las bases de datos se encontraron muchas
variables involucradas en su generación; lo cual complicó el estudio.

56
Bibliografía y Referencias
Abo-Hashema, M. (2009). Artificial Neural Network Approach for Overlay Design of
Flexible Pavements. The International Arab Journal of Information Technology.
Vol. 6, No. 2. April, 2009.

Alemán, M. D. (2017). Técnicas de inteligencia artificial aplicadas a problemas de

Ingeniería civil. Universidad & Ciencia. Vol 6. No. especial UNICA. Pp. 164-175.
Noviembre (2017).

Beltran, G. y Romo, M. (2011). Estimación de módulos elásticos en pavimentos

usando redes neuronales artificiales. Pan-Am CGS. Geotechnical Conference.
Toronto, Canadá.

Birkan, M. (2008). Analysis of jointed plain concrete pavement systems wih

nondestructive test results using artificial neural networks. Iowa State University.

Barksdale, R. G. (1971). "Compressive Stress Pulse Times in Flexible Pavements

for Use in Dynamic Testing" Highway Research Record 345, Highway Research
Board: 32–44.

Brown, S. F. (1973). "Determination of Young's Modulus for Bituminous Materials

in Pavement Design", Highway Research Record 431, Highway Research Board:
38-49.

Caglar, N., Arman, H. (2007), "The applicability of Neural Networks in the

determination of soil profiles", Bull Eng Geol Environ, pp: 295–301.

Castro, G.S. (1998), “Aplicación de las redes neuronales para la obtención del
módulo de resiliencia utilizando información producida mediante deflectómetros de
impacto”. Tesis de maestría, Universidad Autónoma de Chihuahua, Chihuahua,
Chihuahua.

Coleri, E., Guler, M., Gungor, A.G., Harvey, J.T. (2010), “Prediction of subgrade
resilient modulus using genetic algorithm and curve shifting methodology:
Alternative to nonlinear constitutive models”, Transportation Research Record
(2170): 64-73.

Curiel, N.P. (2015), “Catálogo de módulos de resiliencia para suelos finos y

materiales granulares”. Informe técnico de proyecto de residencia, Instituto
Tecnológico de Tepic, Tepic, Nayarit.

57
Estimación del módulo de resiliencia usando redes neuronales

Das, S.K. (2013), “Artificial Neural Networks in Geotechnical Engineering:

Modeling and Application Issues”, Metaheuristics in Water, Geotechnical and
Transport Engineering, DOI 10.1016/B978-0-12-398296-4.00010-6.

De la Fuente, J.L. (1997), “Técnicas de cálculo para sistemas de ecuaciones,

programación lineal y programación entera”, Universidad Politécnica de Madrid.
España.

Demuth, H., Beale, M., Hagan, M. (2008). Neural network toolbox 6. User’s guide.

Dione, A., Fall, M., Bâ, M. (2013), "Estimation of Resilient Modulus of Unbound
Granular Materials from Senegal (West Africa)" Geomaterials, 3(4):172-178. Doi:
10.4236/gm.2013.34022.

Duan, Z. H., Kou, S.C. y Poon, C.S. (2013). Using artificial neural networks for
predicting the elastic modulus of recycled aggregate concrete. Construction and
Building Materials. 44 (2013). Pp. 524-532.

Farajzadeh, J., Fard, A.F., Lotfi, S. (2014), “Modeling of monthly rainfall and runoff
of Urmia lake basin using feed-forwaard neural network and time series analysis
model”, Water resources and industry (7-8): 38-48.

Garnica, P., Pérez, N y Gómez, J.A. (2000), “Módulos de resiliencia en suelos

finos y materiales granulares”, Publicación Técnica No. 142. Sanfandila,
Querétaro.

González, J.L. (2014), “Catálogo de módulos de resiliencia para suelos finos (fase
1. Materiales de Querétaro y Guadalajara)”. Tesis de licenciatura, Universidad
Autónoma de Querétaro, Querétaro, Querétaro.

Gopinath, D.I., Dwarakish, G.S. (2015), “Wave prediction using neural networks at
New Mangalore Port along west coast of India”, International conference on water
resources, coastal and ocean engineering, DOI: 10.1016/j.aqpro.2015.02.020.
(4):143-150.

Honarmand-Ebrahimi, A. (2006), “Regression and neural network modeling of

resilient modulus based on routine soil properties and stress states”, Tesis de
doctorado, University of Oklahoma, Oklahoma, United States of America.

Ibrahim, S. F., Kadhim, A. J. y Athman, H. A. (2017). Prediction of resilient

modulus using artificial neural network and extreme learning machine from index
properties for Iraqi subgrade soil. Imperial Journal of Interdisciplinary Research.
Vol. 3. Issue 2. 2017.

Huang, Y. H. (2004), “Pavement Analysis and Design”, 2da edición, Pearson Hall,
Estados Unidos de América: 279-330.

58
 Bibliografía y Referencias

Karray, F., Silva, C. (2004), “Soft Computing and Intelligent Systems Design”,
Pearson Addison Wesley. England.

Khan, N., Gaurav, D., Kandl, T. (2013), “Performance evaluation of Levenberg-

Marquardt technique in error reduction for diabetes condition classification”,
International conference on Computational Science (18): 2629-2637.

Kim, S-H., Yang, J., Jeong, J-H. (2014). Prediction of Subgrade Resilient Modulus
using artificial neural network. KSCE Journal of Civil Engineering (0000) 00(0): 1-8.

Khoury, C.N., Khoury, N.N., Miller, G.A. (2011), “Effect of Cyclic Suction History
(Hydraulic Hysteresis) on Resilient Modulus of Unsaturated Fine-Grained Soil”,
Transportation Research Record: Journal of the Transportation Research Board,
2232(1): 68-75.

Leiva, F., Aguilar, J. P., y Loría, L. G. (2013). Desarrollo de un modelo mejorado

para la predicción de modulo dinámico E* para mezclas asfálticas. XVII Congreso
Ibero-Latinoamericano del asfalto (CILA). Antigua Guatemala, Guatemala.

Maher, A., Gucunski, N., Bennert, T. (2000). “Resilient modulus properties of New
Jersey subgrade soils” New Jersey Department of Transportation, Division of
Research and Technology, U.S Department of Transportation.

Malla, R. B., Joshi, S. (2006). “Establish subgrade support values for typical soils in
New England”, New England Transportation Consortium, University of Connecticut,
Department of Civil and Environmental Engineering.

Malla, R.B., Joshi, S. (2007), “Resilient Modulus Prediction Models based on

Analysis of LTPP Data for Subgrade Soils and Experimental Verification”, Journal
of Transportation Engineering Vol 133, No. 9.

Mao, B. (1995), “Predicting resilient modulus of highway subgrade soils in Ohio”,

Tesis de maestría, Ohio University, Ohio, United States of America.

Matich, D. (2001). Redes neuronales: Conceptos básicos y aplicaciones.

Universidad Tecnológica Nacional. Facultad Regional Rosario. Departamento de
Ingeniería Química.

National Cooperative Highway Research Program, (2008) “Guide for mechanistic-

empirical design of new and rehabilitated pavement structures”, submitted by ARA,
Inc., Division), National Research Council, Transportation Research Board, Final
Rep. NCHRP 1-37A (submitted by ARA, Inc., ERES Consultants Division.

Navarro, C. J. I. (2017). Desarrollo de un modelo de predicción del escalonamiento

en pavimentos rígidos. Memoria de Ingeniería Civil. Universidad Técnica Federico
Snta María. Julio 2017.

59
Estimación del módulo de resiliencia usando redes neuronales

Nawi, N.M., Khan, A., Rehman, M.Z. (2013), “A new Levenberg Marquardt based
back propagation algorithm trained with cuccko search”, The 4th International
conference on electrical engineering and informatics (11):18-23.

Osorio, J.R. (2015), “Módulos de resiliencia para materiales granulares”. Tesis de

maestría, Instituto Politécnico Nacional, México, México.

Park, H. I., Kweon, G.C., y Lee, R. (2009). Prediction of resilient modulus of

granular subgrade soils and subbase materials using artificial neural network.
Road Material sand Pavement Design. Pp. 647-665.

Pérez, G. N., Garnica, A. P., Flores, M. B., Mendoza, P. I., y Reyes, R. M. (2012).
Comportamiento de suelos finos compactados con altos niveles de esfuerzo
cortante. Publicación técnica No. 350. Instituto Mexicano del Transporte.

Ponce, P. (2010), “Inteligencia Artificial con Aplicaciones a la Ingeniería”, 1ra

Edición, Alfaomega, Grupo Editor, S.A de C.V., México, ISBN: 978-607-7854-83-8.

Puppala, A.J. (2008), “Estimating Stiffness of Subgrade and Unbound Materials for
Pavement Design”, NCHRP Synthesis 382, Transportation Research Board,
National Research Council, Washington, DC. 139 pp.

Rani, Ch.S., Vaddi, P.K., Togati, N.V. (2013), “Predicting settlement of shallow
foundations using Neural Networks”, International Journal of Innovative
Technology and Exploring Engineering (IJITEE), 3: 123–130.
Richardson, D., Petry, T., Ge, L., Han, Y., Lusher, S. M. (2009). “Resilient moduli
of Typical Missouri Soils and Unbound Granular Base Materials”, Missouri
University of Science and Technology and Missouri Department of Transportation.

Shahin, M.A., Maier, H.R., Jaksa, M.B. (2002), “Predicting settlement of shallow
foundations using neural network”, J. Geotech. Geoenviron. Eng. ASCE. 128 (9):
785-793.

Shahin, M.A., Jaksa, M.B., Maier, H.R. (2008), “State of the Art of Artificial Neural
Networks in Geotechnical Engineering”, The Electronic Journal of Geotechnical
Engineering Bouquest08: 1-26.

Suratgar, A., Tavakoli, M., Hoseinabadi, A. (2007), “Modified Levenberg-Marquardt

method for neural networks training”, International Journal of Computer, Control,
Quantum and Information Engineering (1): 1719-1721.

Taghavifar, H., Mardani, A., Karim-Maslak, H., Kalbkhani, H. (2013), “Artificial

neural network estimation of wheel rolling resistance in clay loam soil”, Applied soft
computing, Doi: 10.1016/j.asoc.2013.03.017. (13): 3544-3551.

60
 Bibliografía y Referencias

Tarawneh, B., Nazzal, M. (2014), “Optimization of resilient modulus prediction from

FWD results using artificial neural network”, Periodica Polytechnica, 58(2):143-154.
Doi 10.3311/PPci.2201.

Titi, H. H., Elias, M. B., Helwany, S. (2011). "Determination of Typical Resilient

Modulus Values for Selected Soils in Wisconsin" Wisconsin Highway Research
Program Project ID 0092-03-11, University of Wisconsin-Milwaukee, Department of
Civil Engineering and Mechanics.

Tutumluer, E. y Meier, R. (1996). Attempt at resilient modulus modeling using

artificial neural networks. Transportation Research Record 1540. Pp. 1-6.

Yang, J., Lu, J. J., G., M. (2003). Application of neural network models for
forecasting of pavement crack index and pavement condition rating. University of
South Florida. March, 2003.

Yasin, Y., Ahmad, F., Ghaffari-Moghaddam, M., Khajeh, M. (2014), “Application of

a hybrid artificial neural network-genetic algorithm approach to optimize the lead
ions removal from aqueous solutions using intercalated tartrate -Mg-Al layered
double hydroxides”, Environmental Nanotechnology, Monitoring & Management,
Doi: 10.1016/j.enmm.2014.03.001. (1): 2-7.

Yu, H., Wilamowski, B. M. (2011). Levenberg-marquardt training. Industrial

Electronics Handbook, 5, 12-1.

Roberts, C.A., y –attah-Okine, N. (1998). A comparative analysis of two Artificial

Neural Networks using Pavement Performance Prediction. Computer-Aided and
Infrastructure Engineering 13 (1998). 339-348.

Vila, Z. R. (2017). Análisis del comportamiento lineal de la estructura del

pavimento flexible mediante redes neuronales en la carretera Panamericana
Norte. Tesis de licenciatura. Universidad Nacional del Centro de Perú.

61
Estimación del módulo de resiliencia usando redes neuronales

62
Anexo 1. Programa
Sub Programa()
‘Programa creado por Ing. Luis Enrique Gómez Carreño
'Tesis de maestría en Geotecnia
'Universidad Autónoma de Querétaro – IMT
‘Red neuronal artificial tipo 6-6-1 utilizando el algoritmo de Levenberg-Marquardt
‘6 = número de variables de entrada
‘364 = número de datos a analizar

Dim We(49, 1) As Double 'Pesos y biases de la red

Dim f(596, 1) As Double 'Salida de la red neuronal
Dim w(596, 1) As Double 'Error
Dim y(596, 1) As Double 'Salida deseada
Dim J(596, 49) As Double 'Jacobiano
Dim JT(49, 596) As Double 'Jacobiano transpuesto
Dim JTJ(49, 49) As Double
Dim JTe(49, 1) As Double
Dim WW(49, 1) As Double
Dim MuI(49, 49) As Double
Dim MJ(49, 49) As Double
Dim ID(49, 49) As Double

'Pesos y biases de la red neuronal

For i = 1 To 49
We(i, 1) = Cells(2 + i, 11)
Next i

'Salida de la red y jacobianos

ssa = 0
For i = 1 To 596

p = Cells(3 + i, 2)
q = Cells(3 + i, 3)
r = Cells(3 + i, 4)
s = Cells(3 + i, 5)
t = Cells(3 + i, 6)
u = Cells(3 + i, 7)
y(i, 1) = Cells(3 + i, 8) 'Salida deseada

63
Estimación del módulo de resiliencia usando redes neuronales

A = p * We(1, 1) + q * We(2, 1) + r * We(3, 1) + s * We(4, 1) + t * We(5, 1) + u *

We(6, 1) + We(7, 1)
b = p * We(8, 1) + q * We(9, 1) + r * We(10, 1) + s * We(11, 1) + t * We(12, 1) + u *
We(13, 1) + We(14, 1)
c = p * We(15, 1) + q * We(16, 1) + r * We(17, 1) + s * We(18, 1) + t * We(19, 1) + u
* We(20, 1) + We(21, 1)
h = p * We(22, 1) + q * We(23, 1) + r * We(24, 1) + s * We(25, 1) + t * We(26, 1) +
u * We(27, 1) + We(28, 1)
l = p * We(29, 1) + q * We(30, 1) + r * We(31, 1) + s * We(32, 1) + t * We(33, 1) + u
* We(34, 1) + We(35, 1)
n = p * We(36, 1) + q * We(37, 1) + r * We(38, 1) + s * We(39, 1) + t * We(40, 1) +
u * We(41, 1) + We(42, 1)

d = (Exp(A) - Exp(-1 * A)) / (Exp(A) + Exp(-1 * A))

e = (Exp(b) - Exp(-1 * b)) / (Exp(b) + Exp(-1 * b))
g = (Exp(c) - Exp(-1 * c)) / (Exp(c) + Exp(-1 * c))
o = (Exp(h) - Exp(-1 * h)) / (Exp(h) + Exp(-1 * h))
m = (Exp(l) - Exp(-1 * l)) / (Exp(l) + Exp(-1 * l))
ni = (Exp(n) - Exp(-1 * n)) / (Exp(n) + Exp(-1 * n))

d1 = (Exp(A) + Exp(-1 * A))

d2 = (Exp(A) - Exp(-1 * A))
e1 = (Exp(b) + Exp(-1 * b))
e2 = (Exp(b) - Exp(-1 * b))
g1 = (Exp(c) + Exp(-1 * c))
g2 = (Exp(c) - Exp(-1 * c))
o1 = (Exp(h) + Exp(-1 * h))
o2 = (Exp(h) - Exp(-1 * h))
m1 = (Exp(l) + Exp(-1 * l))
m2 = (Exp(l) - Exp(-1 * l))
ni1 = (Exp(n) + Exp(-1 * n))
ni2 = (Exp(n) - Exp(-1 * n))

'Salida de la red neuronal

f(i, 1) = d * We(43, 1) + e * We(44, 1) + g * We(45, 1) + o * We(46, 1) + m * We(47,
1) + ni * We(48, 1) + We(49, 1)

'Error en la salida
w(i, 1) = f(i, 1) - y(i, 1)

ssa = ssa + (w(i, 1) * w(i, 1))

Next i

'Cells(26, 10) = ss(1)

mu = 0.01

64
 Anexo 1. Programa

For nu = 1 To 280

For i = 1 To 22
Cells(27 + i, 20 + nu) = We(i, 1)

Next i

For i = 1 To 596

p = Cells(3 + i, 2)
q = Cells(3 + i, 3)
r = Cells(3 + i, 4)
s = Cells(3 + i, 5)
t = Cells(3 + i, 6)
u = Cells(3 + i, 7)

y(i, 1) = Cells(3 + i, 8) 'Salida deseada

A = p * We(1, 1) + q * We(2, 1) + r * We(3, 1) + s * We(4, 1) + t * We(5, 1) + u *

We(6, 1) + We(7, 1)
b = p * We(8, 1) + q * We(9, 1) + r * We(10, 1) + s * We(11, 1) + t * We(12, 1) + u *
We(13, 1) + We(14, 1)
c = p * We(15, 1) + q * We(16, 1) + r * We(17, 1) + s * We(18, 1) + t * We(19, 1) + u
* We(20, 1) + We(21, 1)
h = p * We(22, 1) + q * We(23, 1) + r * We(24, 1) + s * We(25, 1) + t * We(26, 1) +
u * We(27, 1) + We(28, 1)
l = p * We(29, 1) + q * We(30, 1) + r * We(31, 1) + s * We(32, 1) + t * We(33, 1) + u
* We(34, 1) + We(35, 1)
n = p * We(36, 1) + q * We(37, 1) + r * We(38, 1) + s * We(39, 1) + t * We(40, 1) +
u * We(41, 1) + We(42, 1)

d = (Exp(A) - Exp(-1 * A)) / (Exp(A) + Exp(-1 * A))

e = (Exp(b) - Exp(-1 * b)) / (Exp(b) + Exp(-1 * b))
g = (Exp(c) - Exp(-1 * c)) / (Exp(c) + Exp(-1 * c))
o = (Exp(h) - Exp(-1 * h)) / (Exp(h) + Exp(-1 * h))
m = (Exp(l) - Exp(-1 * l)) / (Exp(l) + Exp(-1 * l))
ni = (Exp(n) - Exp(-1 * n)) / (Exp(n) + Exp(-1 * n))

d1 = (Exp(A) + Exp(-1 * A))

d2 = (Exp(A) - Exp(-1 * A))
e1 = (Exp(b) + Exp(-1 * b))
e2 = (Exp(b) - Exp(-1 * b))
g1 = (Exp(c) + Exp(-1 * c))
g2 = (Exp(c) - Exp(-1 * c))

65
Estimación del módulo de resiliencia usando redes neuronales

o1 = (Exp(h) + Exp(-1 * h))

o2 = (Exp(h) - Exp(-1 * h))
m1 = (Exp(l) + Exp(-1 * l))
m2 = (Exp(l) - Exp(-1 * l))
ni1 = (Exp(n) + Exp(-1 * n))
ni2 = (Exp(n) - Exp(-1 * n))

'Obtener la matriz del jacobiano

J(i, 1) = ((We(43, 1)) / (d1 * d1)) * ((d1 * d1 * p) - (p * d2 * d2))
J(i, 2) = ((We(43, 1)) / (d1 * d1)) * ((d1 * d1 * q) - (q * d2 * d2))
J(i, 3) = ((We(43, 1)) / (d1 * d1)) * ((d1 * d1 * r) - (r * d2 * d2))
J(i, 4) = ((We(43, 1)) / (d1 * d1)) * ((d1 * d1 * s) - (s * d2 * d2))
J(i, 5) = ((We(43, 1)) / (d1 * d1)) * ((d1 * d1 * t) - (t * d2 * d2))
J(i, 6) = ((We(43, 1)) / (d1 * d1)) * ((d1 * d1 * u) - (u * d2 * d2))
J(i, 7) = ((We(43, 1)) / (d1 * d1)) * ((d1 * d1 * 1) - (1 * d2 * d2))

J(i, 8) = ((We(44, 1)) / (e1 * e1)) * ((e1 * e1 * p) - (p * e2 * e2))

J(i, 9) = ((We(44, 1)) / (e1 * e1)) * ((e1 * e1 * q) - (q * e2 * e2))
J(i, 10) = ((We(44, 1)) / (e1 * e1)) * ((e1 * e1 * r) - (r * e2 * e2))
J(i, 11) = ((We(44, 1)) / (e1 * e1)) * ((e1 * e1 * s) - (s * e2 * e2))
J(i, 12) = ((We(44, 1)) / (e1 * e1)) * ((e1 * e1 * t) - (t * e2 * e2))
J(i, 13) = ((We(44, 1)) / (e1 * e1)) * ((e1 * e1 * u) - (u * e2 * e2))
J(i, 14) = ((We(44, 1)) / (e1 * e1)) * ((e1 * e1 * 1) - (1 * e2 * e2))

J(i, 15) = ((We(45, 1)) / (g1 * g1)) * ((g1 * g1 * p) - (p * g2 * g2))

J(i, 16) = ((We(45, 1)) / (g1 * g1)) * ((g1 * g1 * q) - (q * g2 * g2))
J(i, 17) = ((We(45, 1)) / (g1 * g1)) * ((g1 * g1 * r) - (r * g2 * g2))
J(i, 18) = ((We(45, 1)) / (g1 * g1)) * ((g1 * g1 * s) - (s * g2 * g2))
J(i, 19) = ((We(45, 1)) / (g1 * g1)) * ((g1 * g1 * t) - (t * g2 * g2))
J(i, 20) = ((We(45, 1)) / (g1 * g1)) * ((g1 * g1 * u) - (u * g2 * g2))
J(i, 21) = ((We(45, 1)) / (g1 * g1)) * ((g1 * g1 * 1) - (1 * g2 * g2))

J(i, 22) = ((We(46, 1)) / (o1 * o1)) * ((o1 * o1 * p) - (p * o2 * o2))

J(i, 23) = ((We(46, 1)) / (o1 * o1)) * ((o1 * o1 * q) - (q * o2 * o2))
J(i, 24) = ((We(46, 1)) / (o1 * o1)) * ((o1 * o1 * r) - (r * o2 * o2))
J(i, 25) = ((We(46, 1)) / (o1 * o1)) * ((o1 * o1 * s) - (s * o2 * o2))
J(i, 26) = ((We(46, 1)) / (o1 * o1)) * ((o1 * o1 * t) - (t * o2 * o2))
J(i, 27) = ((We(46, 1)) / (o1 * o1)) * ((o1 * o1 * u) - (u * o2 * o2))
J(i, 28) = ((We(46, 1)) / (o1 * o1)) * ((o1 * o1 * 1) - (1 * o2 * o2))

J(i, 29) = ((We(47, 1)) / (m1 * m1)) * ((m1 * m1 * p) - (p * m2 * m2))

J(i, 30) = ((We(47, 1)) / (m1 * m1)) * ((m1 * m1 * q) - (q * m2 * m2))
J(i, 31) = ((We(47, 1)) / (m1 * m1)) * ((m1 * m1 * r) - (r * m2 * m2))
J(i, 32) = ((We(47, 1)) / (m1 * m1)) * ((m1 * m1 * s) - (s * m2 * m2))
J(i, 33) = ((We(47, 1)) / (m1 * m1)) * ((m1 * m1 * t) - (t * m2 * m2))

66
 Anexo 1. Programa

J(i, 34) = ((We(47, 1)) / (m1 * m1)) * ((m1 * m1 * u) - (u * m2 * m2))

J(i, 35) = ((We(47, 1)) / (m1 * m1)) * ((m1 * m1 * 1) - (1 * m2 * m2))

J(i, 36) = ((We(48, 1)) / (ni1 * ni1)) * ((ni1 * ni1 * p) - (p * ni2 * ni2))
J(i, 37) = ((We(48, 1)) / (ni1 * ni1)) * ((ni1 * ni1 * q) - (q * ni2 * ni2))
J(i, 38) = ((We(48, 1)) / (ni1 * ni1)) * ((ni1 * ni1 * r) - (r * ni2 * ni2))
J(i, 39) = ((We(48, 1)) / (ni1 * ni1)) * ((ni1 * ni1 * s) - (s * ni2 * ni2))
J(i, 40) = ((We(48, 1)) / (ni1 * ni1)) * ((ni1 * ni1 * t) - (t * ni2 * ni2))
J(i, 41) = ((We(48, 1)) / (ni1 * ni1)) * ((ni1 * ni1 * u) - (u * ni2 * ni2))
J(i, 42) = ((We(48, 1)) / (ni1 * ni1)) * ((ni1 * ni1 * 1) - (1 * ni2 * ni2))

J(i, 43) = d2 / d1
J(i, 44) = e2 / e1
J(i, 45) = g2 / g1
J(i, 46) = o2 / o1
J(i, 47) = m2 / m1
J(i, 48) = ni2 / ni1
J(i, 49) = 1

'Matriz transpuesta del Jacobiano

JT(1, i) = ((We(43, 1)) / (d1 * d1)) * ((d1 * d1 * p) - (p * d2 * d2))
JT(2, i) = ((We(43, 1)) / (d1 * d1)) * ((d1 * d1 * q) - (q * d2 * d2))
JT(3, i) = ((We(43, 1)) / (d1 * d1)) * ((d1 * d1 * r) - (r * d2 * d2))
JT(4, i) = ((We(43, 1)) / (d1 * d1)) * ((d1 * d1 * s) - (s * d2 * d2))
JT(5, i) = ((We(43, 1)) / (d1 * d1)) * ((d1 * d1 * t) - (t * d2 * d2))
JT(6, i) = ((We(43, 1)) / (d1 * d1)) * ((d1 * d1 * u) - (u * d2 * d2))
JT(7, i) = ((We(43, 1)) / (d1 * d1)) * ((d1 * d1 * 1) - (1 * d2 * d2))

JT(8, i) = ((We(44, 1)) / (e1 * e1)) * ((e1 * e1 * p) - (p * e2 * e2))

JT(9, i) = ((We(44, 1)) / (e1 * e1)) * ((e1 * e1 * q) - (q * e2 * e2))
JT(10, i) = ((We(44, 1)) / (e1 * e1)) * ((e1 * e1 * r) - (r * e2 * e2))
JT(11, i) = ((We(44, 1)) / (e1 * e1)) * ((e1 * e1 * s) - (s * e2 * e2))
JT(12, i) = ((We(44, 1)) / (e1 * e1)) * ((e1 * e1 * t) - (t * e2 * e2))
JT(13, i) = ((We(44, 1)) / (e1 * e1)) * ((e1 * e1 * u) - (u * e2 * e2))
JT(14, i) = ((We(44, 1)) / (e1 * e1)) * ((e1 * e1 * 1) - (1 * e2 * e2))

JT(15, i) = ((We(45, 1)) / (g1 * g1)) * ((g1 * g1 * p) - (p * g2 * g2))

JT(16, i) = ((We(45, 1)) / (g1 * g1)) * ((g1 * g1 * q) - (q * g2 * g2))
JT(17, i) = ((We(45, 1)) / (g1 * g1)) * ((g1 * g1 * r) - (r * g2 * g2))
JT(18, i) = ((We(45, 1)) / (g1 * g1)) * ((g1 * g1 * s) - (s * g2 * g2))
JT(19, i) = ((We(45, 1)) / (g1 * g1)) * ((g1 * g1 * t) - (t * g2 * g2))
JT(20, i) = ((We(45, 1)) / (g1 * g1)) * ((g1 * g1 * u) - (u * g2 * g2))
JT(21, i) = ((We(45, 1)) / (g1 * g1)) * ((g1 * g1 * 1) - (1 * g2 * g2))

JT(22, i) = ((We(46, 1)) / (o1 * o1)) * ((o1 * o1 * p) - (p * o2 * o2))

JT(23, i) = ((We(46, 1)) / (o1 * o1)) * ((o1 * o1 * q) - (q * o2 * o2))

67
Estimación del módulo de resiliencia usando redes neuronales

JT(24, i) = ((We(46, 1)) / (o1 * o1)) * ((o1 * o1 * r) - (r * o2 * o2))

JT(25, i) = ((We(46, 1)) / (o1 * o1)) * ((o1 * o1 * s) - (s * o2 * o2))
JT(26, i) = ((We(46, 1)) / (o1 * o1)) * ((o1 * o1 * t) - (t * o2 * o2))
JT(27, i) = ((We(46, 1)) / (o1 * o1)) * ((o1 * o1 * u) - (u * o2 * o2))
JT(28, i) = ((We(46, 1)) / (o1 * o1)) * ((o1 * o1 * 1) - (1 * o2 * o2))

JT(29, i) = ((We(47, 1)) / (m1 * m1)) * ((m1 * m1 * p) - (p * m2 * m2))

JT(30, i) = ((We(47, 1)) / (m1 * m1)) * ((m1 * m1 * q) - (q * m2 * m2))
JT(31, i) = ((We(47, 1)) / (m1 * m1)) * ((m1 * m1 * r) - (r * m2 * m2))
JT(32, i) = ((We(47, 1)) / (m1 * m1)) * ((m1 * m1 * s) - (s * m2 * m2))
JT(33, i) = ((We(47, 1)) / (m1 * m1)) * ((m1 * m1 * t) - (t * m2 * m2))
JT(34, i) = ((We(47, 1)) / (m1 * m1)) * ((m1 * m1 * u) - (u * m2 * m2))
JT(35, i) = ((We(47, 1)) / (m1 * m1)) * ((m1 * m1 * 1) - (1 * m2 * m2))

JT(36, i) = ((We(48, 1)) / (ni1 * ni1)) * ((ni1 * ni1 * p) - (p * ni2 * ni2))

JT(37, i) = ((We(48, 1)) / (ni1 * ni1)) * ((ni1 * ni1 * q) - (q * ni2 * ni2))
JT(38, i) = ((We(48, 1)) / (ni1 * ni1)) * ((ni1 * ni1 * r) - (r * ni2 * ni2))
JT(39, i) = ((We(48, 1)) / (ni1 * ni1)) * ((ni1 * ni1 * s) - (s * ni2 * ni2))
JT(40, i) = ((We(48, 1)) / (ni1 * ni1)) * ((ni1 * ni1 * t) - (t * ni2 * ni2))
JT(41, i) = ((We(48, 1)) / (ni1 * ni1)) * ((ni1 * ni1 * u) - (u * ni2 * ni2))
JT(42, i) = ((We(48, 1)) / (ni1 * ni1)) * ((ni1 * ni1 * 1) - (1 * ni2 * ni2))

JT(43, i) = d2 / d1
JT(44, i) = e2 / e1
JT(45, i) = g2 / g1
JT(46, i) = o2 / o1
JT(47, i) = m2 / m1
JT(48, i) = ni2 / ni1
JT(49, i) = 1

Next i

'Cells(26, 11) = ss
'Valor de mu
'Cells(29, 11) = Mu

'Multiplicación de JT(22,318)*J(318,22)

For k = 1 To 49
For n = 1 To 49
multiplicacion = 0
For m = 1 To 596
multiplicacion = multiplicacion + JT(k, m) * J(m, n)
Next m
JTJ(k, n) = multiplicacion
'Cells(27 + k, 10 + n) = JTJ(k, n)

68
 Anexo 1. Programa

Next n
Next k

'Matriz identidad multiplicada por Mu

For x = 1 To 49
For Z = 1 To 49
If x = Z Then
MuI(x, Z) = mu
Else
MuI(x, Z) = 0
End If
'Cells(27 + x, 10 + Z) = MuI(x, Z)
Next Z

Next x

'Multiplicación de JT(x,z)*w(x,z)

For k = 1 To 49
For n = 1 To 1
multiplicacion = 0
For m = 1 To 596
multiplicacion = multiplicacion + JT(k, m) * w(m, n)
Next m
JTe(k, n) = multiplicacion
'Cells(27 + k, 10 + n) = JTe(k, n)
Next n
Next k
For x = 1 To 49
For Z = 1 To 49
MJ(x, Z) = JTJ(x, Z) + MuI(x, Z)
'Cells(27 + x, 10 + Z) = MJ(x, Z)
Next Z
Next x
'Calculo de la inversa
'Inversa de la matriz MJ(x,z)

'Agrega 1 a la diagonal de la Matriz

For x = 1 To 49
For Z = 1 To 49
If x = Z Then
ID(x, Z) = 1
Else

69
Estimación del módulo de resiliencia usando redes neuronales

ID(x, Z) = 0
End If
'Cells(27 + x, 10 + Z) = MuI(x, Z)
Next Z

Next x

'For x = 1 To 22
'For Z = 1 To 22
'Cells(27 + x, 10 + Z) = ID(x, Z)
'Next
'Next

For i = 1 To 49
If MJ(i, i) = 0 Then
For t = i + 1 To 49
If MJ(t, i) <> 0 Then
For k = 1 To 49
MJ(i, k) = MJ(i, k) + MJ(t, k)
ID(i, k) = ID(i, k) + ID(t, k)
Next
Exit For
End If
Next
End If
c = MJ(i, i)
For k = 1 To 49
MJ(i, k) = MJ(i, k) / c
ID(i, k) = ID(i, k) / c
Next

For t = i + 1 To 49
If MJ(t, i) <> 0 Then
c = MJ(t, i)
For k = 1 To 49
MJ(t, k) = MJ(t, k) - c * MJ(i, k)
ID(t, k) = ID(t, k) - c * ID(i, k)
Next
End If
Next
Next

70
 Anexo 1. Programa

For i = 49 To 1 Step -1
For t = i - 1 To 1 Step -1
If MJ(t, i) <> 0 Then
c = MJ(t, i)
For k = 49 To 1 Step -1
MJ(t, k) = MJ(t, k) - c * MJ(i, k)
ID(t, k) = ID(t, k) - c * ID(i, k)
Next
End If
Next
Next

'Imprime la Matriz Identidad en la Posición indicada

'For x = 1 To 22
'For Z = 1 To 22
'Cells(27 + x, 10 + Z) = ID(x, Z)
'Next
'Next

'Multiplicación de ID(x,z)*JTe(x,z)

For k = 1 To 49
For n = 1 To 1
multiplicacion = 0
For m = 1 To 49
multiplicacion = multiplicacion + ID(k, m) * JTe(m, n)
Next m
WW(k, n) = multiplicacion
'Cells(27 + k, 10 + n) = WW(k, n)
Next n
Next k
For i = 1 To 49
'Cells(27 + i, 11) = WW(i, 1)
We(i, 1) = We(i, 1) - WW(i, 1)
Cells(2 + i, 11 + nu) = We(i, 1)
Next i

ssp = 0
For i = 1 To 596

p = Cells(3 + i, 2)
q = Cells(3 + i, 3)

71
Estimación del módulo de resiliencia usando redes neuronales

r = Cells(3 + i, 4)
s = Cells(3 + i, 5)
t = Cells(3 + i, 6)
u = Cells(3 + i, 7)

y(i, 1) = Cells(3 + i, 8) 'Salida deseada

A = p * We(1, 1) + q * We(2, 1) + r * We(3, 1) + s * We(4, 1) + t * We(5, 1) + u *

We(6, 1) + We(7, 1)
b = p * We(8, 1) + q * We(9, 1) + r * We(10, 1) + s * We(11, 1) + t * We(12, 1) + u *
We(13, 1) + We(14, 1)
c = p * We(15, 1) + q * We(16, 1) + r * We(17, 1) + s * We(18, 1) + t * We(19, 1) + u
* We(20, 1) + We(21, 1)
h = p * We(22, 1) + q * We(23, 1) + r * We(24, 1) + s * We(25, 1) + t * We(26, 1) +
u * We(27, 1) + We(28, 1)
l = p * We(29, 1) + q * We(30, 1) + r * We(31, 1) + s * We(32, 1) + t * We(33, 1) + u
* We(34, 1) + We(35, 1)
n = p * We(36, 1) + q * We(37, 1) + r * We(38, 1) + s * We(39, 1) + t * We(40, 1) +
u * We(41, 1) + We(42, 1)

d = (Exp(A) - Exp(-1 * A)) / (Exp(A) + Exp(-1 * A))

e = (Exp(b) - Exp(-1 * b)) / (Exp(b) + Exp(-1 * b))
g = (Exp(c) - Exp(-1 * c)) / (Exp(c) + Exp(-1 * c))
o = (Exp(h) - Exp(-1 * h)) / (Exp(h) + Exp(-1 * h))
m = (Exp(l) - Exp(-1 * l)) / (Exp(l) + Exp(-1 * l))
ni = (Exp(n) - Exp(-1 * n)) / (Exp(n) + Exp(-1 * n))

d1 = (Exp(A) + Exp(-1 * A))

d2 = (Exp(A) - Exp(-1 * A))
e1 = (Exp(b) + Exp(-1 * b))
e2 = (Exp(b) - Exp(-1 * b))
g1 = (Exp(c) + Exp(-1 * c))
g2 = (Exp(c) - Exp(-1 * c))
o1 = (Exp(h) + Exp(-1 * h))
o2 = (Exp(h) - Exp(-1 * h))
m1 = (Exp(l) + Exp(-1 * l))
m2 = (Exp(l) - Exp(-1 * l))
ni1 = (Exp(n) + Exp(-1 * n))
ni2 = (Exp(n) - Exp(-1 * n))

'Salida de la red neuronal

f(i, 1) = d * We(43, 1) + e * We(44, 1) + g * We(45, 1) + o * We(46, 1) + m * We(47,
1) + ni * We(48, 1) + We(49, 1)

'Error en la salida
w(i, 1) = f(i, 1) - y(i, 1)

72
 Anexo 1. Programa

ssp = ssp + (w(i, 1) * w(i, 1))

Next i

Cells(53, 10 + nu) = ssp

If (ssp < ssa) Then

mu = mu / 10

For i = 1 To 49
'Cells(27 + i, 11) = WW(i, 1)
We(i, 1) = We(i, 1)
Cells(2 + i, 11 + nu) = We(i, 1)
Next i

ssa = 0

For i = 1 To 596

p = Cells(3 + i, 2)
q = Cells(3 + i, 3)
r = Cells(3 + i, 4)
s = Cells(3 + i, 5)
t = Cells(3 + i, 6)
u = Cells(3 + i, 7)

y(i, 1) = Cells(3 + i, 8) 'Salida deseada

A = p * We(1, 1) + q * We(2, 1) + r * We(3, 1) + s * We(4, 1) + t * We(5, 1) + u *

We(6, 1) + We(7, 1)
b = p * We(8, 1) + q * We(9, 1) + r * We(10, 1) + s * We(11, 1) + t * We(12, 1) + u *
We(13, 1) + We(14, 1)
c = p * We(15, 1) + q * We(16, 1) + r * We(17, 1) + s * We(18, 1) + t * We(19, 1) + u
* We(20, 1) + We(21, 1)
h = p * We(22, 1) + q * We(23, 1) + r * We(24, 1) + s * We(25, 1) + t * We(26, 1) +
u * We(27, 1) + We(28, 1)
l = p * We(29, 1) + q * We(30, 1) + r * We(31, 1) + s * We(32, 1) + t * We(33, 1) + u
* We(34, 1) + We(35, 1)
n = p * We(36, 1) + q * We(37, 1) + r * We(38, 1) + s * We(39, 1) + t * We(40, 1) +
u * We(41, 1) + We(42, 1)

d = (Exp(A) - Exp(-1 * A)) / (Exp(A) + Exp(-1 * A))

e = (Exp(b) - Exp(-1 * b)) / (Exp(b) + Exp(-1 * b))
g = (Exp(c) - Exp(-1 * c)) / (Exp(c) + Exp(-1 * c))
o = (Exp(h) - Exp(-1 * h)) / (Exp(h) + Exp(-1 * h))
m = (Exp(l) - Exp(-1 * l)) / (Exp(l) + Exp(-1 * l))
ni = (Exp(n) - Exp(-1 * n)) / (Exp(n) + Exp(-1 * n))

73
Estimación del módulo de resiliencia usando redes neuronales

d1 = (Exp(A) + Exp(-1 * A))

d2 = (Exp(A) - Exp(-1 * A))
e1 = (Exp(b) + Exp(-1 * b))
e2 = (Exp(b) - Exp(-1 * b))
g1 = (Exp(c) + Exp(-1 * c))
g2 = (Exp(c) - Exp(-1 * c))
o1 = (Exp(h) + Exp(-1 * h))
o2 = (Exp(h) - Exp(-1 * h))
m1 = (Exp(l) + Exp(-1 * l))
m2 = (Exp(l) - Exp(-1 * l))
ni1 = (Exp(n) + Exp(-1 * n))
ni2 = (Exp(n) - Exp(-1 * n))

'Salida de la red neuronal

f(i, 1) = d * We(43, 1) + e * We(44, 1) + g * We(45, 1) + o * We(46, 1) + m * We(47,
1) + ni * We(48, 1) + We(49, 1)

'Error en la salida
w(i, 1) = f(i, 1) - y(i, 1)

ssa = ssa + (w(i, 1) * w(i, 1))

Next i

Else
mu = mu * 10

For i = 1 To 49
'Cells(27 + i, 11) = WW(i, 1)
We(i, 1) = We(i, 1) + WW(i, 1)
Cells(2 + i, 11 + nu) = We(i, 1)
Next i

ssa = 0

For i = 1 To 596

p = Cells(3 + i, 2)
q = Cells(3 + i, 3)
r = Cells(3 + i, 4)
s = Cells(3 + i, 5)
t = Cells(3 + i, 6)
u = Cells(3 + i, 7)

y(i, 1) = Cells(3 + i, 8) 'Salida deseada

74
 Anexo 1. Programa

A = p * We(1, 1) + q * We(2, 1) + r * We(3, 1) + s * We(4, 1) + t * We(5, 1) + u *

We(6, 1) + We(7, 1)
b = p * We(8, 1) + q * We(9, 1) + r * We(10, 1) + s * We(11, 1) + t * We(12, 1) + u *
We(13, 1) + We(14, 1)
c = p * We(15, 1) + q * We(16, 1) + r * We(17, 1) + s * We(18, 1) + t * We(19, 1) + u
* We(20, 1) + We(21, 1)
h = p * We(22, 1) + q * We(23, 1) + r * We(24, 1) + s * We(25, 1) + t * We(26, 1) +
u * We(27, 1) + We(28, 1)
l = p * We(29, 1) + q * We(30, 1) + r * We(31, 1) + s * We(32, 1) + t * We(33, 1) + u
* We(34, 1) + We(35, 1)
n = p * We(36, 1) + q * We(37, 1) + r * We(38, 1) + s * We(39, 1) + t * We(40, 1) +
u * We(41, 1) + We(42, 1)

d = (Exp(A) - Exp(-1 * A)) / (Exp(A) + Exp(-1 * A))

e = (Exp(b) - Exp(-1 * b)) / (Exp(b) + Exp(-1 * b))
g = (Exp(c) - Exp(-1 * c)) / (Exp(c) + Exp(-1 * c))
o = (Exp(h) - Exp(-1 * h)) / (Exp(h) + Exp(-1 * h))
m = (Exp(l) - Exp(-1 * l)) / (Exp(l) + Exp(-1 * l))
ni = (Exp(n) - Exp(-1 * n)) / (Exp(n) + Exp(-1 * n))

d1 = (Exp(A) + Exp(-1 * A))

d2 = (Exp(A) - Exp(-1 * A))
e1 = (Exp(b) + Exp(-1 * b))
e2 = (Exp(b) - Exp(-1 * b))
g1 = (Exp(c) + Exp(-1 * c))
g2 = (Exp(c) - Exp(-1 * c))
o1 = (Exp(h) + Exp(-1 * h))
o2 = (Exp(h) - Exp(-1 * h))
m1 = (Exp(l) + Exp(-1 * l))
m2 = (Exp(l) - Exp(-1 * l))
ni1 = (Exp(n) + Exp(-1 * n))
ni2 = (Exp(n) - Exp(-1 * n))

'Salida de la red neuronal

f(i, 1) = d * We(43, 1) + e * We(44, 1) + g * We(45, 1) + o * We(46, 1) + m * We(47,
1) + ni * We(48, 1) + We(49, 1)

'Error en la salida
w(i, 1) = f(i, 1) - y(i, 1)

ssa = ssa + (w(i, 1) * w(i, 1))

Next i

End If

75
Estimación del módulo de resiliencia usando redes neuronales

Next nu

End Sub

76
Anexo 1. Programa

77
 Km 12+000 Carretera Estatal 431 “El Colorado-Galindo”
Parque Tecnológico San Fandila
Mpio. Pedro Escobedo, Querétaro, México
CP 76703
Tel +52 (442) 216 9777 ext. 2610
Fax +52 (442) 216 9671

[email protected]

http://www.imt.mx/

Esta publicación fue desarrollada en el marco de un sistema de gestión de calidad

certificada bajo la norma ISO 9001:2015