Predicting Concrete Conductivity with Neural Networks

Este estudio demuestra que la integración de Redes Generativas Antagónicas (GAN, por sus siglas en inglés) para la augmentación de datos mejora significativamente la precisión predictiva de los modelos de aprendizaje automático en la ciencia de los materiales de construcción. Al utilizar una GAN condicional para generar datos sintéticos, los investigadores superaron el desafío común de la escasez de conjuntos de datos de entrenamiento, permitiendo que una Red Neuronal Artificial predijera de manera más fiable la conductividad térmica de diversos tipos de hormigón. Este enfoque resultó más efectivo que entrenar únicamente con datos reales, ofreciendo una solución robusta para escenarios en los que los datos experimentales son escasos o costosos de obtener. La relevancia de este trabajo para los datos abiertos radica en el marco metodológico para abordar la escasez de datos mediante la generación sintética. Las iniciativas de datos abiertos en ingeniería y ciencia de materiales a menudo enfrentan limitaciones en cuanto al volumen y la diversidad de los conjuntos de datos disponibles. Esta investigación destaca cómo los datos sintéticos pueden imitar las propiedades estadísticas de las observaciones del mundo real, enriqueciendo así los repositorios públicos y permitiendo análisis más sofisticados sin necesidad de realizar experimentos físicos adicionales. Sugiere una vía para mejorar la utilidad de los datos abiertos al ampliar artificialmente el tamaño y la variabilidad de los conjuntos de datos, manteniendo al mismo tiempo su integridad estructural. En última instancia, esta innovación apoya los objetivos más amplios de sostenibilidad y eficiencia energética en el diseño de edificios. Los modelos de predicción precisos permiten a los ingenieros seleccionar composiciones óptimas de materiales, reduciendo la experimentación por ensayo y error y conservando recursos. Al validar la efectividad de los modelos aumentados con GAN, el estudio fomenta la adopción de técnicas computacionales avanzadas dentro de los ecosistemas de datos abiertos, promoviendo avances más eficientes y basados en datos en las prácticas de construcción sostenible.

Source: azobuild.com
Published on 2024-09-05

Por proyectos del RIGI, la Casa Rosada espera la llegada de más de US$17.000 millones »

Datos Abiertos (Open data)

Related news