Vásquez Ramírez, Abbon AlexPalomino Valenzuela, Janio Ignacio2026-08-132026-08-132026-07https://hdl.handle.net/20.500.14512/1715La presente investigación tuvo como objetivo desarrollar un modelo de red neuronal artificial capaz de predecir la resistencia a la compresión del concreto a partir de sus parámetros de fabricación, con el propósito de fortalecer el control de calidad y reducir la dependencia exclusiva de ensayos destructivos. El estudio se desarrolló bajo un enfoque cuantitativo, de tipo aplicado y diseño experimental, considerando datos experimentales obtenidos en el Laboratorio de Suelos, Concreto y Pavimentos Lunix Ingenieros S.R.L., de Abancay, así como información procedente de tesis realizadas en la misma ciudad durante el periodo 2016-2025. La base de datos estuvo conformada por 687 registros de mezclas de concreto, integrados por 17 variables de entrada, entre ellas la relación agua/cemento, edad del espécimen, temperatura y contenido de materiales. Se implementó una red neuronal multicapa, entrenada mediante el algoritmo Adam, y su desempeño fue evaluado mediante los indicadores R², MAE y RMSE. Además, los resultados fueron comparados con modelos de aprendizaje automático, como Decision Tree, Random Forest y XGBoost. El modelo propuesto alcanzó un R² de 0,963, un MAE de 13,94 kg/cm² y un RMSE de 17,61 kg/cm², evidenciando una alta correspondencia entre los valores reales y estimados. La edad del concreto, la relación agua/cemento y el contenido de cemento fueron las variables más influyentes. Se concluye que la red neuronal artificial desarrollada predice con alta precisión la resistencia a compresión del concreto y constituye una herramienta confiable para optimizar el diseño de mezclas y el control de calidad en laboratorios locales de Abancay.application/pdfspahttp://purl.org/coar/access_right/c_abf2Redes neuronales artificialesnResistencia a compresión del concretoPredicción de propiedades del concretoParámetros de fabricaciónInteligencia artificial aplicada a la ingeniería civilDiseño de mezclaModelos predictivos en materiales de construcciónhttp://purl.org/coar/resource_type/c_7a1fhttps://purl.org/pe-repo/ocde/ford#2.01.01