Análisis de la variación del valor del índice de regularidad internacional (IRI) del pavimento flexible de 1 Km de longitud mediante redes neuronales y el perfilómetro láser, 2025

Abstract

Este estudio tiene como objetivo analizar la variación del Índice de Regularidad Internacional (IRI) en un tramo de 1 km de pavimento flexible en la Av. Universitaria de Huánuco, comparando los valores obtenidos mediante un modelo de Redes Neuronales Artificiales (RNA) y los valores reales medidos con el perfilómetro láser. El IRI es un indicador clave en la evaluación funcional de pavimentos, y su medición precisa permite tomar decisiones adecuadas para el mantenimiento vial. En contextos como el Perú, donde la tecnología aún no se aplica de forma homogénea, se busca explorar alternativas como las RNA para mejorar la predicción del deterioro vial. El estudio emplea un enfoque cuantitativo, con un diseño no experimental, transversal, de tipo descriptivo y comparativo. Se recopilaron datos de cinco variables agrupadas según la metodología PSI, utilizadas como entradas en diversos modelos de redes neuronales. El entrenamiento y validación de los modelos arrojaron resultados mixtos: se logró una alta correlación en la etapa de entrenamiento (superior a 0.93), pero un bajo ajuste en la validación (alrededor de 0.34), confirmando la hipótesis general de que existen diferencias significativas entre ambos métodos de evaluación. Se concluye que las RNA pueden alcanzar buenos niveles de ajuste en entrenamiento si se definen correctamente las variables de entrada, la arquitectura de la red, el método de aprendizaje y la función de activación. Sin embargo, la validación con datos reales mostró que el modelo aún no generaliza adecuadamente, sugiriendo la necesidad de incorporar datos complementarios como imágenes o vibraciones. Este hallazgo es consistente con investigaciones similares, como la de Mayorga (2023), que destaca la importancia de una adecuada selección de datos y calibración del modelo. Finalmente, se recomienda continuar el desarrollo de modelos híbridos que integren diferentes fuentes de información para mejorar la precisión en la predicción del IRI y contribuir a una gestión vial más eficiente y sostenible en zonas urbanas del Perú.