Sistema de Bibliotecas

Comparación del estado del pavimento flexible mediante métodos de inspección visual con el modelo Deep Learning en la carretera Yunguyo-Copani, 2025. / Briza Edith Catachura Aycaya / Puno: Universidad Nacional del Altiplano. Facultad de Ingeniería Civil y Arquitectura. Escuela Profesional de Ingeniería Civil (2026)  

Público ISBD Vista personalizada Título : Comparación del estado del pavimento flexible mediante métodos de inspección visual con el modelo Deep Learning en la carretera Yunguyo-Copani, 2025. Tipo de documento: documento electrónico Autores: Briza Edith Catachura Aycaya, Autor ; Miguel Bernardino Quispe Arias, Autor Editorial: Puno: Universidad Nacional del Altiplano. Facultad de Ingeniería Civil y Arquitectura. Escuela Profesional de Ingeniería Civil Fecha de publicación: 2026 Número de páginas: 259 páginas Il.: diagramas, tablas Dimensiones: 30 cm Nota general: Para Optar el Título Profesional de: Ingeniero Civil Idioma : Español (spa) Resumen: Las carreteras son fundamentales para el desarrollo social y económico. No obstante, muchas vías se encuentran deterioradas por falta de mantenimiento como es el caso de la carretera Yunguyo-Copani. Para la evaluación del estado del pavimento se usan métodos de inspección visual que son de larga duración y requieren personal capacitado, por ende, la presente investigación tuvo como objetivo comparar el estado del pavimento flexible mediante métodos de inspección visual con el modelo Deep Learning en la carretera Yunguyo-Copani. El estudio se desarrolló bajo un enfoque cuantitativo, tipo aplicado, nivel correlacional, diseño no experimental, con una población de 18 km y el muestreo es de tipo no probabilístico de 5 km. El proceso de trabajo consistió en estimar las fallas, comparar los métodos PCI, MTC y VIZIR de la forma tradicional con el modelo, y la incidencia de tiempos y costos. Los resultados promedios de cada método mostraron lo siguiente: para el Índice de Condición de Pavimento (PCI), se obtuvo un valor de 64.12 mediante el método tradicional, frente a 65.84 con Deep Learning, clasificándose en ambos como “Bueno”, para el método MTC, la Calificación de Condición es 951.47 y 949.48 respectivamente, lo que significa un tipo de condición “Bueno”, y con el método VIZIR, el valor de Índice de Deterioro Superficial resultó 4 en ambas formas, que clasifican como “Marginal”. El análisis estadístico entre el método tradicional y el modelo determinó coeficientes de Rho Spearman de 0.966 para PCI, 0.962 para MTC dando una correlación positiva muy alta y 0.806 para VIZIR lo que significa correlación positiva alta. Por otro lado, la prueba Wilcoxon evidencia diferencias significativas en los resultados del PCI, pero no en MTC y VIZIR. El modelo redujo los costos respecto al método tradicional de S/ 3,475.00 a S/ 2,570.00, lo que representa un 26.04 % para PCI; de S/ 3,394.50 a S/ 2,570.00, con una reducción del 24.29 % en MTC; y de S/ 3,159.00 a S/ 2,570.00, con una reducción del 18.65 % en VIZIR. Asimismo, los tiempos de ejecución disminuyeron de 6,483 min a 1,585 min, lo que representa una reducción del 75.55 %; de 6,288 min a 1,583 min, con una reducción del 74.79 %; y de 5,753 min a 1,585 min, con una reducción del 72.45 %, respectivamente. En conclusión, el modelo de Deep Learning constituye una herramienta eficiente para la evaluación del estado del pavimento flexible. En línea: https://repositorio.unap.edu.pe/handle/20.500.14082/26714 Link: https://biblioteca.unap.edu.pe/opac_css/index.php?lvl=notice_display&id=120578 Comparación del estado del pavimento flexible mediante métodos de inspección visual con el modelo Deep Learning en la carretera Yunguyo-Copani, 2025. [documento electrónico] / Briza Edith Catachura Aycaya, Autor ; Miguel Bernardino Quispe Arias, Autor . - Puno: Universidad Nacional del Altiplano. Facultad de Ingeniería Civil y Arquitectura. Escuela Profesional de Ingeniería Civil, 2026 . - 259 páginas : diagramas, tablas ; 30 cm. Para Optar el Título Profesional de: Ingeniero Civil Idioma : Español (spa) Resumen: Las carreteras son fundamentales para el desarrollo social y económico. No obstante, muchas vías se encuentran deterioradas por falta de mantenimiento como es el caso de la carretera Yunguyo-Copani. Para la evaluación del estado del pavimento se usan métodos de inspección visual que son de larga duración y requieren personal capacitado, por ende, la presente investigación tuvo como objetivo comparar el estado del pavimento flexible mediante métodos de inspección visual con el modelo Deep Learning en la carretera Yunguyo-Copani. El estudio se desarrolló bajo un enfoque cuantitativo, tipo aplicado, nivel correlacional, diseño no experimental, con una población de 18 km y el muestreo es de tipo no probabilístico de 5 km. El proceso de trabajo consistió en estimar las fallas, comparar los métodos PCI, MTC y VIZIR de la forma tradicional con el modelo, y la incidencia de tiempos y costos. Los resultados promedios de cada método mostraron lo siguiente: para el Índice de Condición de Pavimento (PCI), se obtuvo un valor de 64.12 mediante el método tradicional, frente a 65.84 con Deep Learning, clasificándose en ambos como “Bueno”, para el método MTC, la Calificación de Condición es 951.47 y 949.48 respectivamente, lo que significa un tipo de condición “Bueno”, y con el método VIZIR, el valor de Índice de Deterioro Superficial resultó 4 en ambas formas, que clasifican como “Marginal”. El análisis estadístico entre el método tradicional y el modelo determinó coeficientes de Rho Spearman de 0.966 para PCI, 0.962 para MTC dando una correlación positiva muy alta y 0.806 para VIZIR lo que significa correlación positiva alta. Por otro lado, la prueba Wilcoxon evidencia diferencias significativas en los resultados del PCI, pero no en MTC y VIZIR. El modelo redujo los costos respecto al método tradicional de S/ 3,475.00 a S/ 2,570.00, lo que representa un 26.04 % para PCI; de S/ 3,394.50 a S/ 2,570.00, con una reducción del 24.29 % en MTC; y de S/ 3,159.00 a S/ 2,570.00, con una reducción del 18.65 % en VIZIR. Asimismo, los tiempos de ejecución disminuyeron de 6,483 min a 1,585 min, lo que representa una reducción del 75.55 %; de 6,288 min a 1,583 min, con una reducción del 74.79 %; y de 5,753 min a 1,585 min, con una reducción del 72.45 %, respectivamente. En conclusión, el modelo de Deep Learning constituye una herramienta eficiente para la evaluación del estado del pavimento flexible. En línea: https://repositorio.unap.edu.pe/handle/20.500.14082/26714 Link: https://biblioteca.unap.edu.pe/opac_css/index.php?lvl=notice_display&id=120578 Comparación del estado del pavimento flexible mediante métodos de inspección visual con el modelo Deep Learning en la carretera Yunguyo-Copani, 2025. Las carreteras son fundamentales para el desarrollo social y económico. No obstante, muchas vías se encuentran deterioradas por falta de mantenimiento como es el caso de la carretera Yunguyo-Copani. Para la evaluación del estado del pavimento se usan métodos de inspección visual que son de larga duración y requieren personal capacitado, por ende, la presente investigación tuvo como objetivo comparar el estado del pavimento flexible mediante métodos de inspección visual con el modelo Deep Learning en la carretera Yunguyo-Copani. El estudio se desarrolló bajo un enfoque cuantitativo, tipo aplicado, nivel correlacional, diseño no experimental, con una población de 18 km y el muestreo es de tipo no probabilístico de 5 km. El proceso de trabajo consistió en estimar las fallas, comparar los métodos PCI, MTC y VIZIR de la forma tradicional con el modelo, y la incidencia de tiempos y costos. Los resultados promedios de cada método mostraron lo siguiente: para el Índice de Condición de Pavimento (PCI), se obtuvo un valor de 64.12 mediante el método tradicional, frente a 65.84 con Deep Learning, clasificándose en ambos como “Bueno”, para el método MTC, la Calificación de Condición es 951.47 y 949.48 respectivamente, lo que significa un tipo de condición “Bueno”, y con el método VIZIR, el valor de Índice de Deterioro Superficial resultó 4 en ambas formas, que clasifican como “Marginal”. El análisis estadístico entre el método tradicional y el modelo determinó coeficientes de Rho Spearman de 0.966 para PCI, 0.962 para MTC dando una correlación positiva muy alta y 0.806 para VIZIR lo que significa correlación positiva alta. Por otro lado, la prueba Wilcoxon evidencia diferencias significativas en los resultados del PCI, pero no en MTC y VIZIR. El modelo redujo los costos respecto al método tradicional de S/ 3,475.00 a S/ 2,570.00, lo que representa un 26.04 % para PCI; de S/ 3,394.50 a S/ 2,570.00, con una reducción del 24.29 % en MTC; y de S/ 3,159.00 a S/ 2,570.00, con una reducción del 18.65 % en VIZIR. Asimismo, los tiempos de ejecución disminuyeron de 6,483 min a 1,585 min, lo que representa una reducción del 75.55 %; de 6,288 min a 1,583 min, con una reducción del 74.79 %; y de 5,753 min a 1,585 min, con una reducción del 72.45 %, respectivamente. En conclusión, el modelo de Deep Learning constituye una herramienta eficiente para la evaluación del estado del pavimento flexible. Catachura Aycaya, Briza EdithQuispe Arias, Miguel Bernardino - - [S.l.] : Puno: Universidad Nacional del Altiplano. Facultad de Ingeniería Civil y Arquitectura. Escuela Profesional de Ingeniería Civil - 2026 Para Optar el Título Profesional de: Ingeniero Civil

Ejemplares (1)

Código de barras	Signatura	Tipo de medio	Ubicación	Sección	Estado
DET32-0279-01	DET0279	Tesis Profesional	Bib. Esp. Ing Civil	Estantería (Tesis-Digital)	Tesis (Virtual) Excluido de préstamo

---

1 (1 - 1 / 1)