Antecedentes: el análisis granulométrico destaca en diferentes campos de investigación y aplicación industrial en sectores como el farmacéutico, el alimentario, en la producción de materias primas para la construcción, entre otros. En el campo de la geotecnia, el análisis granulométrico es fundamental para evaluar la distribución de tamaños de un material según una serie de normas establecidas, y determinar en qué tipo de estructuras es posible utilizar dicho material. Actualmente el método más utilizado para la estimación del análisis granulométrico consiste en la segmentación mecánica de las partículas, este proceso consiste en verter una muestra representativa de las partículas en una serie de tamices vibratorios, donde un operario registra el peso de las partículas retenidas y las partículas que pasan por cada tamiz. Estos datos registrados son procesados para poder conocer la distribución de tamaño total de la muestra. En consecuencia, la aplicación y el desarrollo de nuevas tecnologías o el refuerzo de las herramientas existentes que permitan la reducción del tiempo de ejecución, manteniendo niveles de precisión similares a los de la granulometría por tamizado, y la reducción de los costes de ejecución, son necesarios para conseguir un procedimiento más eficiente.
Objetivo: estimar la composición granulométrica de la grava para la fabricación de concreto hidráulico mediante el procesamiento digital de imágenes basado en técnicas de aprendizaje automático, teniendo en cuenta el tiempo de ejecución del proceso y su nivel de precisión.
Métodos: se propuso obtener la distribución de tamaños de un material para construcción de una forma alternativa a la granulometría tradicional por tamizado, buscando reducir el tiempo de ejecución. Mediante un prototipo hardware, capturar una imagen de dicho material (que fue facilitado por un geotecnólogo experto en el área), para ser segmentada mediante procesamiento digital de imágenes, y obtener datos de las partículas que lo componen. Luego con los datos obtenidos, implementar algoritmos de aprendizaje automático de modo que clasifiquen esas partículas y predigan su peso, a fin de alcanzar resultados con una precisión aproximada a los resultados de una granulometría tradicional, en un tiempo menor.
Resultados: el trabajo de grado generó un conjunto de datos que contiene características de cada partícula de la grava. Un prototipo hardware que facilita la captura de la imagen del material para su posterior segmentación, reconocimiento de partículas y obtención de datos con ayuda de un modelo software creado para dicha tarea. Un conjunto de modelos que clasifican las partículas y estiman su peso. Finalmente, un sistema (unificando lo anterior) para adquirir la distribución de tamaños de las partículas, donde en la clasificación, la métrica de evaluación fue exactitud con un resultado de 91.02%; y para la predicción del peso, la métrica de evaluación fue “RMSE” con un resultado de 1.4685. Adicionalmente, el sistema disminuye el tiempo de ejecución en un 75%, comparado con la granulometría tradicional.
Background: the granulometric analysis stands out in different fields of research and industrial application in sectors such as pharmaceutics, food, in the production of raw materials for construction, among others. In geotechnics, the granulometric analysis is a fundamental process to evaluate the distribution of a material according to a series of established standards, and to determine the type of possible structures where such material is suitable. Currently the most used method for the estimation of the granulometric analysis consists of the mechanical segmentation of particles, this process consists of pouring a representative sample of the particles in a series of vibrating sieves, where an operator registers the weight of the particles that pass and those that are retained in ach sieve. The data obtained are processed so the total size distribution of the sample can be known. Consequently, the application and development of new technologies or the reinforcement of existing tools that allow the reduction of the execution time, maintaining levels of precision to the sieving granulometry and reduction of the execution costs, are necessary to achieve a more efficient procedure.
Objective: to estimate the granulometric composition of gravel for the manufacture of hydraulic concrete through digital image processing based on machine learning techniques, taking into account the implementation time of the process and its level of precision.
Materials and methods: an alternative way to get the size distribution of a construction material, seeking to reduce the execution time. By means of hardware prototype that helps to capture an image of the material, to be segmented by digital image processing, and to get particles data that integrate it, to implement machine learning algorithms to classify these particles and predict their weight, in order to achieve results with an approximate accuracy to the results of a traditional granulometry, in less time.
Results: a dataset that contains features of each gravel’s particle. A hardware prototype that helps material image capture for segmentation, particle recognition and data acquisition using a software model created for this task. A set of models that classify the particles and estimate their weight. Finally, a system that joins all of the above to obtain the size distribution of the particles.
