Importance of artificial neural networks in civil engineering: a systematic review of the literature
Keywords:
Neural Network, concrete properties, soil mechanics, seismic analysis, machine learning, ANN model
Abstract
Artificial neural networks (ANN) have a relevant role nowadays; several areas apply this technique due to the advantages they have to solve complex problems with many constraints compared to traditional methods, which are becoming outdated. Very little is known about this technique and its application in different branches of Civil Engineering. For this reason, the present research aims to conduct a systematic review of the literature to identify the use of this technique and to determine the results of the application of ANN models in civil engineering. A total of 41 scientific articles were included, distributed as follows: 6 in Scopus, 1 in ScienceDirect, 23 in ProQuest, 7 in Google Scholar, 2 in DialNet, 2 in SciELO. It was found that ANNs are used to predict or forecast variables associated with the fields of study in civil engineering; 8 applications of ANN were found for concrete properties, 11 for soil properties, 5 for seismic analysis, 9 for hydraulics, 7 for real estate valuation and 1 for bridge design. Likewise, it was found that the multilayer Perceptron is the most used ANN model, achieving an average R2 of 0.99, which shows advantages to solve problems with precision, in shorter times, with missing data in the data sets, as well as the reduction of the error factor.
Downloads
Download data is not yet available.
References
[1] I. Taleb Bahmed, K. Harichane, M. Ghrici, B. Boukhatem, R. Rebouh, y H. Gadouri, «Prediction of geotechnical properties of clayey soils stabilised with lime using artificial neural networks (ANNs)», Int. J. Geotech. Eng., 2017, doi: 10.1080/19386362.2017.1329966.
[2] S. Khuntia, H. Mujtaba, C. Patra, K. Farooq, N. Sivakugan, y B. M. Das, «Prediction of compaction parameters of coarse grained soil using multivariate adaptive regression splines (MARS) [Predicción de los parámetros de compactación del suelo de grano grueso utilizando líneas de regresión adaptativa multivariable (MARS)]», Int. J. Geotech. Eng., vol. 9, n.o 1, 2015, doi: 10.1179/1939787914Y.0000000061.
[3] Y. Erzin y D. Turkoz, «Use of neural networks for the prediction of the CBR value of some Aegean sands [Uso de redes neuronales para la predicción del valor de CBR de algunas arenas del Egeo]», Neural Comput. Appl., vol. 27, n.o 5, pp. 1415-1426, 2016, doi: 10.1007/s00521-015-1943-7.
[4] A. Ghorbani y H. Hasanzadehshooiili, «Prediction of UCS and CBR of microsilica-lime stabilized sulfate silty sand using ANN and EPR models; application to the deep soil mixing», Soils Found., vol. 58, n.o 1, pp. 34-49, 2018, doi: 10.1016/j.sandf.2017.11.002.
[5] D. C. Ramírez González, G. Pulido Sarmiento, B. Gerardino Arévalo, J. M. Cruz Romero, E. Estupiñán Escalante, y S. Cancino Suárez, «Adquisición y Reconocimiento de Imágenes por Medio de Técnicas de Visión e Inteligencia Artificial», Iteckne, vol. 6, n.o 1, pp. 5-13, 2009, doi: 10.15332/iteckne.v6i1.290.
[6] F. Isik y G. Ozden, «Estimating compaction parameters of fine- and coarse-grained soils by means of artificial neural networks», Environ. Earth Sci., vol. 69, n.o 7, pp. 2287-2297, 2013, doi: 10.1007/s12665-012-2057-5.
[7] D. Alemán Morales, «Técnicas de inteligencia artificial aplicadas a problemas de ingeniería civil», UNICA, vol. 6, n.o 9, pp. 164-175, 2017.
[8] J. B. Medeiros, Escritura científica: la práctica de la fichamentos, resúmenes, comentarios, 5ta ed. Sau Paulo: Atlas, 2003.
[9] A. C. Gil, Cómo elaborar proyectos d einvestigación, 5ta ed. Sau Paulo: Atlas, 2010.
[10] M. Hadzima-Nyarko, E. K. Nyarko, N. Ademović, I. Miličević, y T. K. Šipoš, «Modelling the influence of waste rubber on compressive strength of concrete by artificial neural networks», Materials (Basel)., vol. 12, n.o 2, 2019, doi: 10.3390/ma12040561.
[11] D. Qu, X. Cai, y W. Chang, «Evaluating the effects of steel fibers on mechanical properties of ultra-high performance concrete using artificial neural networks», Appl. Sci., vol. 8, n.o 7, 2018, doi: 10.3390/app8071120.
[12] M. H. Díaz Tello, «Uso de las redes neuronales artificiales en el modelado del ensayo de resistencia a compresión de concreto de construcción según la norma ASTM C39/C 39M (Tesis de grado)», Universidad Nacional de Cajamarca, 2017.
[13] M. A. Villegas Effio, «Aplicación de redes neuronales para la predicción de la resistencia a la compresión del concreto según el ensayo de esclerometría (Tesis de grado)», Universidad Peruana de Ciencias Aplicadas, 2020.
[14] Z. Duan, S. Hou, C. S. Poon, J. Xiao, y Y. Liu, «Using neural networks to determine the significance of aggregate characteristics affecting the mechanical properties of recycled aggregate concrete», Appl. Sci., vol. 8, n.o 11, 2018, doi: 10.3390/app8112171.
[15] M. J. Marriaga Lizarazo y G. J. Cortés Gómez, «Desarrollo de un modelo de redes neuronales artificiales para predecir la resistencia a la compresión y la resistividad eléctrica del concreto», Rev. Ing. E Investig., vol. 27, n.o 1, pp. 11-18, 2007.
[16] M. Lazarevska, A. T. Gavriloska, M. Laban, M. Knezevic, y M. Cvetkovska, «Determination of fire resistance of eccentrically loaded reinforced concrete columns using fuzzy neural networks», Complexity, vol. 2018, 2018, doi: 10.1155/2018/8204568.
[17] M. Vafaei, S. C. Alih, H. Shad, A. Falah, y N. H. F. A. Halim, «Prediction of strain values in reinforcements and concrete of a RC frame using neural networks», Int. J. Adv. Struct. Eng., vol. 10, n.o 1, 2018, doi: 10.1007/s40091-018-0178-0.
[18] T. García-Segura, V. Yepes, y D. M. Frangopol, «Multi-objective design of post-tensioned concrete road bridges using artificial neural networks», Struct. Multidiscip. Optim., vol. 56, n.o 1, 2017, doi: 10.1007/s00158-017-1653-0.
[19] S. Al-Busultan, G. K. Aswed, R. R. A. Almuhanna, y S. E. Rasheed, «Application of Artificial Neural Networks in Predicting Subbase CBR Values Using Soil Indices Data [Aplicación de redes neuronales artificiales en la predicción de valores de CBR de Subbase usando datos Índices de Suelo]», en IOP Conference Series: Materials Science and Engineering, 2020, vol. 671, n.o 1, doi: 10.1088/1757-899X/671/1/012106.
[20] A. Ardakani y A. Kordnaeij, «Soil compaction parameters prediction using GMDH-type neural network and genetic algorithm [Predicción de parámetros de compactación del suelo utilizando red neuronal y algoritmo genético tipo GMDH]», Eur. J. Environ. Civ. Eng., vol. 23, n.o 4, 2019, doi: 10.1080/19648189.2017.1304269.
[21] P. Tizpa, R. Jamshidi Chenari, M. Karimpour Fard, y S. Lemos Machado, «ANN prediction of some geotechnical properties of soil from their index parameters [RNA para predecir algunas propiedades geotécnicas del suelo a partir de sus parámetros índices]», Arab. J. Geosci., vol. 8, n.o 5, 2015, doi: 10.1007/s12517-014-1304-3.
[22] A. Dehghanbanadaki, M. A. Sotoudeh, I. Golpazir, A. Keshtkarbanaeemoghadam, y M. Ilbeigi, «Prediction of geotechnical properties of treated fibrous peat by artificial neural networks», Bull. Eng. Geol. Environ., vol. 78, n.o 3, 2019, doi: 10.1007/s10064-017-1213-2.
[23] V. Y. Katte, S. M. Mfoyet, B. Manefouet, A. S. L. Wouatong, y L. A. Bezeng, «Correlation of California Bearing Ratio (CBR) Value with Soil Properties of Road Subgrade Soil [Correlación del valor del Coeficiente de Soporte de California (CBR) con las propiedades del suelo de la subrasante de la carretera]», Geotech. Geol. Eng., vol. 37, n.o 1, 2019, doi: 10.1007/s10706-018-0604-x.
[24] M. D. Nguyen et al., «Soft-computing techniques for prediction of soils consolidation coefficient [Técnicas de soft-computing para la predicción del coeficiente de consolidación de los suelos]», Catena, vol. 195, 2020, doi: 10.1016/j.catena.2020.104802.
[25] S. K. Alam, A. Mondal, y A. Shiuly, «Prediction of CBR Value of Fine Grained Soils of Bengal Basin by Genetic Expression Programming, Artificial Neural Network and Krigging Method [Predicción del valor de CBR de los suelos de grano fino de la cuenca de Bengala por medio de la programación de», J. Geol. Soc. India, vol. 95, n.o 2, 2020, doi: 10.1007/s12594-020-1409-0.
[26] G. O. Bogado, N. A. Pintos, H. O. Reinert, y D. A. Bressan, «Correlación entre parámetros de compactación y propiedades geotécnicas en suelos tropicales misioneros», Rev. Geol. Apl. a la Ing. y al Ambient., vol. 39, n.o 19, p. 26, 2017.
[27] A. Ghorbani y H. Hasanzadehshooiili, «Prediction of UCS and CBR of microsilica-lime stabilized sulfate silty sand using ANN and EPR models; application to the deep soil mixing [Predicción de UCS y CBR de arena limosa de sulfato estabilizado con microsílice y cal utilizando modelos ANN y EPR»;, Soils Found., vol. 58, n.o 1, 2018, doi: 10.1016/j.sandf.2017.11.002.
[28] T. Fikret Kurnaz y Y. Kaya, «Prediction of the California bearing ratio (CBR) of compacted soils by using GMDH-type neural network [Predicción del coeficiente de rodamiento de California (CBR) de los suelos compactados mediante el uso de la red neural tipo GMDH]», Eur. Phys. J. Plus, vol. 134, n.o 7, 2019, doi: 10.1140/epjp/i2019-12692-0.
[29] H. Dehghani y A. Zilian, «Poroelastic model parameter identification using artificial neural networks: on the effects of heterogeneous porosity and solid matrix Poisson ratio», Comput. Mech., vol. 66, n.o 3, 2020, doi: 10.1007/s00466-020-01868-4.
[30] B. Gordan, D. Jahed Armaghani, M. Hajihassani, y M. Monjezi, «Prediction of seismic slope stability through combination of particle swarm optimization and neural network», Eng. Comput., vol. 32, n.o 1, 2016, doi: 10.1007/s00366-015-0400-7.
[31] M. R. Motahari, «Estimation of the Pre-Consolidation Pressure in Soils Using ANN method», Curr. World Environ., vol. 11, n.o Special Issue 1(2016), 2016, doi: 10.12944/cwe.11.special-issue1.10.
[32] J. Bojórquez Mora, D. Tolentino, S. Ruiz, y E. Bojórquez, «Diseño sísmico preliminar de edificios de concreto reforzado usando redes neuronales artificiales», Concreto y Cem. Investig. y Desarro., vol. 7, n.o 2, pp. 60-78, 2016.
[33] A. Abd-Elhamed, Y. Shaban, y S. Mahmoud, «Predicting dynamic response of structures under earthquake loads using logical analysis of data», Buildings, vol. 8, n.o 4, 2018, doi: 10.3390/buildings8040061.
[34] J. Dhanya y S. T. G. Raghukanth, «Ground Motion Prediction Model Using Artificial Neural Network», Pure Appl. Geophys., vol. 175, n.o 3, 2018, doi: 10.1007/s00024-017-1751-3.
[35] A. Tahmassebi, A. H. Gandomi, S. Fong, A. Meyer-Baese, y S. Y. Foo, «Multi-stage optimization of a deep model: A case study on ground motion modeling», PLoS One, vol. 13, n.o 9, 2018, doi: 10.1371/journal.pone.0203829.
[36] B. Moseley, T. Nissen-Meyer, y A. Markham, «Deep learning for fast simulation of seismic waves in complex media», Solid Earth Discuss., 2019, doi: 10.5194/se-2019-157.
[37] S. S. Sammen et al., «Enhanced artificial neural network with Harris hawks optimization for predicting scour depth downstream of ski-jump spillway», Appl. Sci., vol. 10, n.o 15, 2020, doi: 10.3390/app10155160.
[38] N. M. Dang, D. Tran Anh, y T. D. Dang, «ANN optimized by PSO and Firefly algorithms for predicting scour depths around bridge piers», Eng. Comput., 2019, doi: 10.1007/s00366-019-00824-y.
[39] R. Norouzi, R. Daneshfaraz, y A. Ghaderi, «Investigation of discharge coefficient of trapezoidal labyrinth weirs using artificial neural networks and support vector machines», Appl. Water Sci., vol. 9, n.o 7, 2019, doi: 10.1007/s13201-019-1026-5.
[40] H. Bonakdari y A. H. Zaji, «New type side weir discharge coefficient simulation using three novel hybrid adaptive neuro-fuzzy inference systems», Appl. Water Sci., vol. 8, n.o 1, 2018, doi: 10.1007/s13201-018-0669-y.
[41] P. Jimeno-Sáez, J. Senent-Aparicio, J. Pérez-Sánchez, D. Pulido-Velazquez, y J. María Cecilia, «Estimation of instantaneous peak flow using machine-learning models and empirical formula in Peninsular Spain», Water (Switzerland), vol. 9, n.o 5, 2017, doi: 10.3390/w9050347.
[42] M. R. Hassanvand, H. Karami, y S. F. Mousavi, «Investigation of neural network and fuzzy inference neural network and their optimization using meta-algorithms in river flood routing», Nat. Hazards, vol. 94, n.o 3, 2018, doi: 10.1007/s11069-018-3456-z.
[43] X. Zhang, X. Chen, y J. Li, «Improving Dam Seepage Prediction Using Back-Propagation Neural Network and Genetic Algorithm», Math. Probl. Eng., vol. 2020, 2020, doi: 10.1155/2020/1404295.
[44] C. Costa Costa, «Predicción de la estabilidad de presas heterogéneas mediante redes neuronales artificiales (Tesis de maestría)», Escuela Técnica Superior de Ingeniería de Caminos, Canales y Puertos, 2016.
[45] Y. A. Vidaurre Siadén, «Aplicación de las redes neuronales artificiales para el pronóstico de la demanda de agua potable en la empresa Epsel S.A. de la ciudad de Lambayque (tesis de grado)», Universidad Católica Santo Toribio de Mogrovejo, 2012.
[46] D. Epley, «The need to reference automatic valuation models to the valuation process», J. Real Estate Lit., vol. 25, n.o 1, 2017.
[47] R. B. Abidoye y A. P. C. Chan, «Artificial neural network in property valuation: application framework and research trend», Property Management, vol. 35, n.o 5. 2017, doi: 10.1108/PM-06-2016-0027.
[48] J. M. Núñez Tabales, J. M. Caridad yOcerin, N. Ceular Villamondos, y A. M. FuentesJiménez, «Estimación del precio de la vivienda mediante redes neuronales artificiales (RNA) en diferentes marcos temporales», Metodol. Encuestas, vol. 11, n.o 1, pp. 79-101, 2009, [En línea]. Disponible en: http://casus.usal.es/pkp/index.php/MdE/article/view/994.
[49] M. C. Canavarro Teixeira, «Modelos econométricos para el precio de los inmuebles: Un caso de estudio en Portugal (Tesis doctoral)», Universidad de Córdoba, 2011.
[50] J. C. Preciado Carrillo, «Valoración De Inmuebles Urbanos : Comparativa modelo regresión multivariable versus redes neuronales artificiales para la ciudad de Morelia, Michoacán, México (Tesis doctoral)», Universidad Politécnica de Valencia, 2015.
[51] J. C. Preciado Carrillo, «Redes neuronales artificiales , una aplicación al mercado inmobiliario habitacional de segmento medio de la ciudad de Morelia Michoacán , México», vol. XIV, n.o 1, pp. 49-68, 2019.
[52] J. M. Núñez Tabales, F. J. Rey Carmona, y J. M. Caridad y Ocerin, «Redes neuronales (RN) aplicadas a la valoración de locales comerciales», Inf. la Constr., vol. 69, n.o 545, 2017, doi: 10.3989/ic.15.053.
[2] S. Khuntia, H. Mujtaba, C. Patra, K. Farooq, N. Sivakugan, y B. M. Das, «Prediction of compaction parameters of coarse grained soil using multivariate adaptive regression splines (MARS) [Predicción de los parámetros de compactación del suelo de grano grueso utilizando líneas de regresión adaptativa multivariable (MARS)]», Int. J. Geotech. Eng., vol. 9, n.o 1, 2015, doi: 10.1179/1939787914Y.0000000061.
[3] Y. Erzin y D. Turkoz, «Use of neural networks for the prediction of the CBR value of some Aegean sands [Uso de redes neuronales para la predicción del valor de CBR de algunas arenas del Egeo]», Neural Comput. Appl., vol. 27, n.o 5, pp. 1415-1426, 2016, doi: 10.1007/s00521-015-1943-7.
[4] A. Ghorbani y H. Hasanzadehshooiili, «Prediction of UCS and CBR of microsilica-lime stabilized sulfate silty sand using ANN and EPR models; application to the deep soil mixing», Soils Found., vol. 58, n.o 1, pp. 34-49, 2018, doi: 10.1016/j.sandf.2017.11.002.
[5] D. C. Ramírez González, G. Pulido Sarmiento, B. Gerardino Arévalo, J. M. Cruz Romero, E. Estupiñán Escalante, y S. Cancino Suárez, «Adquisición y Reconocimiento de Imágenes por Medio de Técnicas de Visión e Inteligencia Artificial», Iteckne, vol. 6, n.o 1, pp. 5-13, 2009, doi: 10.15332/iteckne.v6i1.290.
[6] F. Isik y G. Ozden, «Estimating compaction parameters of fine- and coarse-grained soils by means of artificial neural networks», Environ. Earth Sci., vol. 69, n.o 7, pp. 2287-2297, 2013, doi: 10.1007/s12665-012-2057-5.
[7] D. Alemán Morales, «Técnicas de inteligencia artificial aplicadas a problemas de ingeniería civil», UNICA, vol. 6, n.o 9, pp. 164-175, 2017.
[8] J. B. Medeiros, Escritura científica: la práctica de la fichamentos, resúmenes, comentarios, 5ta ed. Sau Paulo: Atlas, 2003.
[9] A. C. Gil, Cómo elaborar proyectos d einvestigación, 5ta ed. Sau Paulo: Atlas, 2010.
[10] M. Hadzima-Nyarko, E. K. Nyarko, N. Ademović, I. Miličević, y T. K. Šipoš, «Modelling the influence of waste rubber on compressive strength of concrete by artificial neural networks», Materials (Basel)., vol. 12, n.o 2, 2019, doi: 10.3390/ma12040561.
[11] D. Qu, X. Cai, y W. Chang, «Evaluating the effects of steel fibers on mechanical properties of ultra-high performance concrete using artificial neural networks», Appl. Sci., vol. 8, n.o 7, 2018, doi: 10.3390/app8071120.
[12] M. H. Díaz Tello, «Uso de las redes neuronales artificiales en el modelado del ensayo de resistencia a compresión de concreto de construcción según la norma ASTM C39/C 39M (Tesis de grado)», Universidad Nacional de Cajamarca, 2017.
[13] M. A. Villegas Effio, «Aplicación de redes neuronales para la predicción de la resistencia a la compresión del concreto según el ensayo de esclerometría (Tesis de grado)», Universidad Peruana de Ciencias Aplicadas, 2020.
[14] Z. Duan, S. Hou, C. S. Poon, J. Xiao, y Y. Liu, «Using neural networks to determine the significance of aggregate characteristics affecting the mechanical properties of recycled aggregate concrete», Appl. Sci., vol. 8, n.o 11, 2018, doi: 10.3390/app8112171.
[15] M. J. Marriaga Lizarazo y G. J. Cortés Gómez, «Desarrollo de un modelo de redes neuronales artificiales para predecir la resistencia a la compresión y la resistividad eléctrica del concreto», Rev. Ing. E Investig., vol. 27, n.o 1, pp. 11-18, 2007.
[16] M. Lazarevska, A. T. Gavriloska, M. Laban, M. Knezevic, y M. Cvetkovska, «Determination of fire resistance of eccentrically loaded reinforced concrete columns using fuzzy neural networks», Complexity, vol. 2018, 2018, doi: 10.1155/2018/8204568.
[17] M. Vafaei, S. C. Alih, H. Shad, A. Falah, y N. H. F. A. Halim, «Prediction of strain values in reinforcements and concrete of a RC frame using neural networks», Int. J. Adv. Struct. Eng., vol. 10, n.o 1, 2018, doi: 10.1007/s40091-018-0178-0.
[18] T. García-Segura, V. Yepes, y D. M. Frangopol, «Multi-objective design of post-tensioned concrete road bridges using artificial neural networks», Struct. Multidiscip. Optim., vol. 56, n.o 1, 2017, doi: 10.1007/s00158-017-1653-0.
[19] S. Al-Busultan, G. K. Aswed, R. R. A. Almuhanna, y S. E. Rasheed, «Application of Artificial Neural Networks in Predicting Subbase CBR Values Using Soil Indices Data [Aplicación de redes neuronales artificiales en la predicción de valores de CBR de Subbase usando datos Índices de Suelo]», en IOP Conference Series: Materials Science and Engineering, 2020, vol. 671, n.o 1, doi: 10.1088/1757-899X/671/1/012106.
[20] A. Ardakani y A. Kordnaeij, «Soil compaction parameters prediction using GMDH-type neural network and genetic algorithm [Predicción de parámetros de compactación del suelo utilizando red neuronal y algoritmo genético tipo GMDH]», Eur. J. Environ. Civ. Eng., vol. 23, n.o 4, 2019, doi: 10.1080/19648189.2017.1304269.
[21] P. Tizpa, R. Jamshidi Chenari, M. Karimpour Fard, y S. Lemos Machado, «ANN prediction of some geotechnical properties of soil from their index parameters [RNA para predecir algunas propiedades geotécnicas del suelo a partir de sus parámetros índices]», Arab. J. Geosci., vol. 8, n.o 5, 2015, doi: 10.1007/s12517-014-1304-3.
[22] A. Dehghanbanadaki, M. A. Sotoudeh, I. Golpazir, A. Keshtkarbanaeemoghadam, y M. Ilbeigi, «Prediction of geotechnical properties of treated fibrous peat by artificial neural networks», Bull. Eng. Geol. Environ., vol. 78, n.o 3, 2019, doi: 10.1007/s10064-017-1213-2.
[23] V. Y. Katte, S. M. Mfoyet, B. Manefouet, A. S. L. Wouatong, y L. A. Bezeng, «Correlation of California Bearing Ratio (CBR) Value with Soil Properties of Road Subgrade Soil [Correlación del valor del Coeficiente de Soporte de California (CBR) con las propiedades del suelo de la subrasante de la carretera]», Geotech. Geol. Eng., vol. 37, n.o 1, 2019, doi: 10.1007/s10706-018-0604-x.
[24] M. D. Nguyen et al., «Soft-computing techniques for prediction of soils consolidation coefficient [Técnicas de soft-computing para la predicción del coeficiente de consolidación de los suelos]», Catena, vol. 195, 2020, doi: 10.1016/j.catena.2020.104802.
[25] S. K. Alam, A. Mondal, y A. Shiuly, «Prediction of CBR Value of Fine Grained Soils of Bengal Basin by Genetic Expression Programming, Artificial Neural Network and Krigging Method [Predicción del valor de CBR de los suelos de grano fino de la cuenca de Bengala por medio de la programación de», J. Geol. Soc. India, vol. 95, n.o 2, 2020, doi: 10.1007/s12594-020-1409-0.
[26] G. O. Bogado, N. A. Pintos, H. O. Reinert, y D. A. Bressan, «Correlación entre parámetros de compactación y propiedades geotécnicas en suelos tropicales misioneros», Rev. Geol. Apl. a la Ing. y al Ambient., vol. 39, n.o 19, p. 26, 2017.
[27] A. Ghorbani y H. Hasanzadehshooiili, «Prediction of UCS and CBR of microsilica-lime stabilized sulfate silty sand using ANN and EPR models; application to the deep soil mixing [Predicción de UCS y CBR de arena limosa de sulfato estabilizado con microsílice y cal utilizando modelos ANN y EPR»;, Soils Found., vol. 58, n.o 1, 2018, doi: 10.1016/j.sandf.2017.11.002.
[28] T. Fikret Kurnaz y Y. Kaya, «Prediction of the California bearing ratio (CBR) of compacted soils by using GMDH-type neural network [Predicción del coeficiente de rodamiento de California (CBR) de los suelos compactados mediante el uso de la red neural tipo GMDH]», Eur. Phys. J. Plus, vol. 134, n.o 7, 2019, doi: 10.1140/epjp/i2019-12692-0.
[29] H. Dehghani y A. Zilian, «Poroelastic model parameter identification using artificial neural networks: on the effects of heterogeneous porosity and solid matrix Poisson ratio», Comput. Mech., vol. 66, n.o 3, 2020, doi: 10.1007/s00466-020-01868-4.
[30] B. Gordan, D. Jahed Armaghani, M. Hajihassani, y M. Monjezi, «Prediction of seismic slope stability through combination of particle swarm optimization and neural network», Eng. Comput., vol. 32, n.o 1, 2016, doi: 10.1007/s00366-015-0400-7.
[31] M. R. Motahari, «Estimation of the Pre-Consolidation Pressure in Soils Using ANN method», Curr. World Environ., vol. 11, n.o Special Issue 1(2016), 2016, doi: 10.12944/cwe.11.special-issue1.10.
[32] J. Bojórquez Mora, D. Tolentino, S. Ruiz, y E. Bojórquez, «Diseño sísmico preliminar de edificios de concreto reforzado usando redes neuronales artificiales», Concreto y Cem. Investig. y Desarro., vol. 7, n.o 2, pp. 60-78, 2016.
[33] A. Abd-Elhamed, Y. Shaban, y S. Mahmoud, «Predicting dynamic response of structures under earthquake loads using logical analysis of data», Buildings, vol. 8, n.o 4, 2018, doi: 10.3390/buildings8040061.
[34] J. Dhanya y S. T. G. Raghukanth, «Ground Motion Prediction Model Using Artificial Neural Network», Pure Appl. Geophys., vol. 175, n.o 3, 2018, doi: 10.1007/s00024-017-1751-3.
[35] A. Tahmassebi, A. H. Gandomi, S. Fong, A. Meyer-Baese, y S. Y. Foo, «Multi-stage optimization of a deep model: A case study on ground motion modeling», PLoS One, vol. 13, n.o 9, 2018, doi: 10.1371/journal.pone.0203829.
[36] B. Moseley, T. Nissen-Meyer, y A. Markham, «Deep learning for fast simulation of seismic waves in complex media», Solid Earth Discuss., 2019, doi: 10.5194/se-2019-157.
[37] S. S. Sammen et al., «Enhanced artificial neural network with Harris hawks optimization for predicting scour depth downstream of ski-jump spillway», Appl. Sci., vol. 10, n.o 15, 2020, doi: 10.3390/app10155160.
[38] N. M. Dang, D. Tran Anh, y T. D. Dang, «ANN optimized by PSO and Firefly algorithms for predicting scour depths around bridge piers», Eng. Comput., 2019, doi: 10.1007/s00366-019-00824-y.
[39] R. Norouzi, R. Daneshfaraz, y A. Ghaderi, «Investigation of discharge coefficient of trapezoidal labyrinth weirs using artificial neural networks and support vector machines», Appl. Water Sci., vol. 9, n.o 7, 2019, doi: 10.1007/s13201-019-1026-5.
[40] H. Bonakdari y A. H. Zaji, «New type side weir discharge coefficient simulation using three novel hybrid adaptive neuro-fuzzy inference systems», Appl. Water Sci., vol. 8, n.o 1, 2018, doi: 10.1007/s13201-018-0669-y.
[41] P. Jimeno-Sáez, J. Senent-Aparicio, J. Pérez-Sánchez, D. Pulido-Velazquez, y J. María Cecilia, «Estimation of instantaneous peak flow using machine-learning models and empirical formula in Peninsular Spain», Water (Switzerland), vol. 9, n.o 5, 2017, doi: 10.3390/w9050347.
[42] M. R. Hassanvand, H. Karami, y S. F. Mousavi, «Investigation of neural network and fuzzy inference neural network and their optimization using meta-algorithms in river flood routing», Nat. Hazards, vol. 94, n.o 3, 2018, doi: 10.1007/s11069-018-3456-z.
[43] X. Zhang, X. Chen, y J. Li, «Improving Dam Seepage Prediction Using Back-Propagation Neural Network and Genetic Algorithm», Math. Probl. Eng., vol. 2020, 2020, doi: 10.1155/2020/1404295.
[44] C. Costa Costa, «Predicción de la estabilidad de presas heterogéneas mediante redes neuronales artificiales (Tesis de maestría)», Escuela Técnica Superior de Ingeniería de Caminos, Canales y Puertos, 2016.
[45] Y. A. Vidaurre Siadén, «Aplicación de las redes neuronales artificiales para el pronóstico de la demanda de agua potable en la empresa Epsel S.A. de la ciudad de Lambayque (tesis de grado)», Universidad Católica Santo Toribio de Mogrovejo, 2012.
[46] D. Epley, «The need to reference automatic valuation models to the valuation process», J. Real Estate Lit., vol. 25, n.o 1, 2017.
[47] R. B. Abidoye y A. P. C. Chan, «Artificial neural network in property valuation: application framework and research trend», Property Management, vol. 35, n.o 5. 2017, doi: 10.1108/PM-06-2016-0027.
[48] J. M. Núñez Tabales, J. M. Caridad yOcerin, N. Ceular Villamondos, y A. M. FuentesJiménez, «Estimación del precio de la vivienda mediante redes neuronales artificiales (RNA) en diferentes marcos temporales», Metodol. Encuestas, vol. 11, n.o 1, pp. 79-101, 2009, [En línea]. Disponible en: http://casus.usal.es/pkp/index.php/MdE/article/view/994.
[49] M. C. Canavarro Teixeira, «Modelos econométricos para el precio de los inmuebles: Un caso de estudio en Portugal (Tesis doctoral)», Universidad de Córdoba, 2011.
[50] J. C. Preciado Carrillo, «Valoración De Inmuebles Urbanos : Comparativa modelo regresión multivariable versus redes neuronales artificiales para la ciudad de Morelia, Michoacán, México (Tesis doctoral)», Universidad Politécnica de Valencia, 2015.
[51] J. C. Preciado Carrillo, «Redes neuronales artificiales , una aplicación al mercado inmobiliario habitacional de segmento medio de la ciudad de Morelia Michoacán , México», vol. XIV, n.o 1, pp. 49-68, 2019.
[52] J. M. Núñez Tabales, F. J. Rey Carmona, y J. M. Caridad y Ocerin, «Redes neuronales (RN) aplicadas a la valoración de locales comerciales», Inf. la Constr., vol. 69, n.o 545, 2017, doi: 10.3989/ic.15.053.
Published
2021-01-01
How to Cite
Valderrama Purizaca, F., Chávez Barturen, D., Muñoz Pérez, S., Tuesta-Monteza, V., & Mejía-Cabrera, H. (2021). Importance of artificial neural networks in civil engineering: a systematic review of the literature. ITECKNE, 18(1), 71-83. https://doi.org/https://doi.org/10.15332/iteckne.v18i1.2542
Issue
Section
Research and Innovation Articles
