CORRECCIÓN ORTOGRÁFICA Y DE ESTILO Ciro Antonio Rozo Gauta Camilo Andrés González Garzón

DIRECTIVOS Fr. Faustino Corchuelo Alfaro, O.P. Rector Fr. Diego Orlando Serna Salazar, O.P. Vicerrector Académico Fr. Fernando Cajicá Gamboa, O.P. Decano División de Ingenierías y Arquitectura Fr. Rubén Darío López García, O.P. Vicerrector Administrativo-Financiero CORRECCIÓN ORTOGRÁFICA Y DE ESTILO Ciro Antonio Rozo Gauta Camilo Andrés González Garzón PRODUCCIÓN CREATIVA Departamento de Publicaciones C.P. Luz Marina Manrique Cáceres Directora Dpto. Publicaciones Pub. Luis Alberto Barbosa Jaime Diseño y Diagramación IMPRESIÓN Distrigraf PERIODICIDAD Semestral Universidad Santo Tomás ISSN 1692-1798 ISSN DIGITAL 2339-3483 EDITOR Yudy Natalia Flórez Ordóñez, Ph.D. Coordinadora editorial Lizeth Johanna Alvarado Rueda, M.Sc. COMITÉ EDITORIAL Rudy Cepeda Gómez, Ph.D Universidad Santo Tomás Bucaramanga, Colombia Carlos Vicente Rizzo Sierra, Ph.D Universidad Santo Tomás Bucaramanga, Colombia Yudy Natalia Flórez Ordóñez, Ph.D Universidad Santo Tomás Bucaramanga, Colombia Catalina Tobón Zuluaga, Ph.D Instituto Tecnológico Metropolitano Medellín, Colombia Gilma Granados Oliveros, Ph.D Instituto de Investigaciones en Materiales. Universidad Nacional Autonoma de México-UNAM Ángel Alberich Bayarri, Ph.D Grupo Hospitalario Quirón Valencia, España Héctor Esteban Gonzales, Ph.D Universidad Politécnica de Valencia Valencia, España COMITÉ CIENTÍFICO Liliana del Pilar Castro Molano, Ph.D Universidad Santo Tomás Bucaramanga, Colombia Leonor Yamile Vargas Méndez, Ph.D Universidad Santo Tomás Bucaramanga, Colombia Nelson Jair castellanos Márquez, Ph.D Universidad Santo Tomás Bucaramanga, Colombia Ramón Gutiérrez Castrejón, Ph.D Instituto de Ingeniería, UNAM, México Alberto Gonzales Salvador, Ph.D Universidad Politécnica de Valencia, España Mónica Karel Huerta, Ph.D Universidad Simón Bolívar, Venezuela Javier Baliosian de Lazzari, Ph.D Universidad de la Republica, Uruguay Cesar Dario Guerrero, Ph.D Universidad Autónoma de Bucaramanga Bucaramanga, Colombia La revista ITECKNE ha sido aceptada en los siguientes índices bibliográficos y bases bibliográficas: Índice Bibliográfico Nacional - PUBLINDEX Sistema regional de información en línea para revistas científicas de América Latina, el Caribe, España y Portugal. - LATINDEX EBSCO Publishing Índice Actualidad Iberoamericana - CIT Qualis Engenharias III: B5 Cada artículo es responsabilidad de su autor y no refleja la posición de la revista. Se autoriza la reproducción de los artículos siempre y cuando se cite al autor y la revista ITECKNE. Agradecemos el envío de una copia de la reproducción a esta dirección: Universidad Santo Tomás, Facultades de Ingeniería. Carrera 18 No. 9-27 Servicio al Cliente Iteckne Teléfono: + 57 (7) 6800801 Ext. 1411-1421 Fax: 6800801 Ext. 1346 E-mail: iteckne@gmail.com - iteckne@mail.ustabuca.edu.co Bucaramanga, Santander, Colombia

Contenido Revista ITECKNE Vol 10 Nº 2 Julio - Diciembre de 2013 Editorial...147 Yudy Natalia Flórez Ordóñez ARTÍCULOS DE INVESTIGACIÓN E INNOVACIÓN Análisis de expansión de redes de telefonía móvil empleando procesos Gaussianos Analysis of the expansion of a GSM network using Gaussian Processes...149 Jhouben Janyk Cuesta Ramírez, Mauricio Alexánder Álvarez López, Álvaro Ángel Orozco Gutiérrez Uso de metacaolín, vidrio reciclado y fibra óptica en la elaboración de un concreto translúcido Use of metakaolin, wasteglass and optical fiber in the development oftranslucent concrete...158 Diana Marcela Franco Durán, Ricardo Alfredo Cruz Hernández, Edwin Pérez Sánchez Selección de access point en redes inalámbricas 802.11 garantizando mínima capacidad para QoS basado en control de potencia Access point selection in 802.11 Wireless networks ensuring minimum capacity for QoS based on power control...167 Evelio Astaiza Hoyos, Héctor Fabio Bermúdez Orozco, Dora Lucía Trujillo Modulación por división de frecuencia ortogonal para minimizar el ruido en aplicaciones Smart Grid sobre comunicaciones por línea de potencia Frequency division modulation orthogonal to minimize noise in Smart Grid applications over power line communications...178 Hernán Paz Penagos Sistema de inspección y vigilancia utilizando un robot aéreo guiado mediante visión artificial Inspection and monitoring system using an aerial robot guided by artificial vision...190 Andrés Felipe Silva Bohórquez, Luis Enrique Mendoza, César Augusto Peña Cortés Modelamiento del proceso de desgaste de un tribómetro pin-disco: flash temperature y mecanismos de disipación Wear modelling of a pin-on-disk tribometer: Flash temperature and dissipation mechanisms...199 Juan Sebastián Rudas F, Alejandro Toro, Lina María Gómez E Caracterización de la transformación inducida por deformación plástica en aceros 0,23 % C-1,11% Mn-0,23% Ni-0,68% Cr Characterization of the induced transformation by plastic deformation in 0,23 % c-1,11% mn-0,23% ni-0,68% cr steels...209 Andrés Felipe Naranjo Zúñiga, José Manuel Arroyo Osorio, Rodolfo Rodríguez Baracaldo

Manejo de Ralstonia Solanacearum raza 2 a través de productos químicos y biológicos Management of Ralstonia Solanacearum race 2 through chemical and biological products...217 Celina Torres-González, Jaime Ernesto Díaz Ortiz, Mauricio Casas Distribución del tamaño de partícula por dispersión dinámica de luz de la tetracarboxifenilporfirina de cobre (II) anclada al dióxido de titanio Particle size distributions by dynamic light scattering of copper (II) tetracarboxyphenilporphyrn anchored on titanium dioxide...224 Carlos Enrique Díaz Uribe, Esneyder Puello Polo, William A. Vallejo Coloración de aceros inoxidables AISI 304 y AISI 316L para uso biomédico Coloration of the AISI 304 and AISI 316L stainless steels for biomedical applications...229 Luis Fernando Padilla Jiménez, Jáder Enrique Guerrero Bermúdez, Ana Emilse Coy Echeverría Nayla Julieth Parada Gamboa, Fernando Viejo Abrante Aharonov-Bohm Effect in Quantum Nanocups...242 Carlos Leonardo Beltrán Ríos, Harold Paredes Gutiérrez Síntesis, caracterización y evaluación de recubrimientos híbridos porosos sol-gel dopados con acetato de cerio sobre la aleación de magnesio WE54-AE Synthesis, characterization and evaluation of porous hybrid sol-gel coatings doped with cerium acetate on the WE54-AE magnesium alloy...249 Carlos Andrés Hernández Barrios, Leidy Milena Hernández Eugenio, Ana Emilse Coy Echeverría Nayda Zuleima Duarte Peñaranda, Darío Yesid Peña Ballesteros, Fernando Viejo Abrante Instrucciones a los autores Revista ITECKNE...259 Instructions to the authors, Iteckne Journal...262 La Revista ITECKNE, Innovación e Investigación en Ingeniería, es una publicación de carácter científico y tecnológico creada en el año 2002 como medio de divulgación de los trabajos de investigación que se realizan al interior de las facultades de Ingeniería y Química Ambiental de la Universidad Santo Tomás Bucaramanga, además de las investigaciones en el área hechas dentro y fuera del país. ITECKNE, circula semestralmente, publica principalmente artículos originales de investigación científica e innovación tecnológica en las áreas de Química Ambiental, Ciencias básicas, Ingeniería Industrial, Ingeniería Mecatrónica, Ingeniería de Telecomunicaciones y otros campos relacionados con la Ingeniería. Ocasionalmente la Revista publica artículos de reflexión y revisión que contribuyan significativamente al estado del arte de un tema de alta relevancia; sólo se publican artículos de reporte de caso que presenten nuevas metodologías a un tema específico no explorado. Todos los artículos publicados se someten a revisión de dos pares o árbitros de conocida idoneidad en el tema. La Revista ITECKNE, está clasificada en el índice Bibliográfico Nacional Publindex, como categoría B, el sistema regional de información en línea para revistas científicas de América Latina, el Caribe, España y Portugal- LATINDEX, Fuente académica EBSCO, Índice Actualidad Iberoamericana y Qualis Engenharias III:B5

Editorial RETOS DE LAS UNIVERSIDADES NACIONALES Las universidades colombianas privadas y públicas durante los últimos años se han visto enfrentadas a diversos retos que las han dinamizado a diferentes ritmos para incorporar estrategias de fortalecimiento de sus funciones universitarias. La pertinencia de la formación del profesional de pregrado es uno de los tantos retos que deben asumir estas instituciones, sin embargo es un aspecto cuestionado por diferentes actores, desde la misma academia, el gobierno y el sector productivo qué le aporta este profesional al país y cómo responde a las necesidades cambiantes de la sociedad? Hoy en día el profesional en las distintas áreas no solo debe ser formado para cubrir el mercado laboral existente, sino que debe estar en condiciónes de crear nuevas empresas y concebir empleo, dar origen a espacios de debate para la generación de conocimiento dentro de las compañías para no ser un profesional más dentro de ellas y así contribuir a la competitividad del país. Lo antes mencionado es claro y estoy segura que no es ajeno a las universidades, lo difícil es hacerlo realidad. Formar profesionales integrales con las capacidades y competencias que demanda y requiere la sociedad actual, que comprendan las necesidades sociales, que se interesen por las poblaciones vulnerables es un reto que debe asumirse día a día. Sin llegar a generalizar, el profesional absorbe y refleja la calidad de los procesos al interior de cada una de las instituciones y más aún de cada uno de los programas, del desarrollo de estos procesos, de las variables de contexto que influyan en estos procesos y de la ágilidad de repuesta al cambio de las necesidades. La pertinencia del profesional es cuestionada en muchos espacios, algunas de las empresas expresan que no reciben el profesional adecuado pero será que la universidad no se acerca a la empresa, o esta última es cerrada y no lo permite? Este es un factor en el cual siempre habrá desacuerdos pero que con toda seguridad si hubiese confianza entre las dos partes las ganancias serian gratificantes.

La formación del profesional está asociada a variables como la relación de la institución y de los mismos docentes y administrativos con el sector productivo, las actividades de proyección social, la transferencia de conocimiento desde los grupos de investigación, los contextos de aprendizaje heterogéneos y flexibles, las estrategias de enseñanza y aprendizaje, la cooperación internacional e interinstitucional, la flexibilidad e interdisciplinariedad de la formación, el uso de las tecnologías de la información y las comunicaciones (TIC) y las tecnologías del aprendizaje y del conocimiento (TAC). Algunas de estas variables pudiesen considerarse no estar directamente relacionadas con la formación del profesional o no dársele la importancia institucional que estas requieren, pero si se analizan a profundidad, si se generan y fortalecen ambientes bajo esas condiciones, se estaría aportando a la formación integral de las profesionales para que adicional a lo disciplinar cuente con capacidad de abordar con responsabilidad ética, social y ambiental los retos de la sociedad y por ende contribuir a una sociedad más incluyente. Ing. Yudy Natalia Flórez Ordoñez Ph.D dectele@mail.ustabuca.edu.co Editor

Análisis de expansión de redes de telefonía móvil empleando procesos Gaussianos Analysis of the expansion of a GSM network using Gaussian Processes Jhouben Janyk Cuesta Ramírez Ingeniero Electricista, Joven Investigador Laboratorio de Investigación en Automática. Universidad Tecnológica de Pereira UTP, Colombia jycuesta@utp.edu.co Álvaro Ángel Orozco Gutiérrez Ph.D. Bioingeniería, Docente Titular Universidad Tecnológica de Pereira UTP, Colombia aaog@utp.edu.co Mauricio Alexánder Álvarez López Ph.D. Ciencias de la Computación, Docente Asociado Universidad Tecnológica de Pereira UTP, Colombia malvarez@utp.edu.co Resumen Durante la formulación de su plan de expansión, una red de telefonía móvil (GSM) requiere del análisis de aquellas variables que resultan clave para el buen desempeño de la red (KPIs). Los operadores de red poseen herramientas que analizan el comportamiento del KPI sólo para aquellos puntos de la red que contienen celdas. Este artículo propone una herramienta que ilustra de manera gráfica el comportamiento en el tiempo de un KPI, no sólo para aquellos puntos donde se encuentren las celdas, sino también en la totalidad de la zona geográfica donde la red de celdas se encuentra ubicada. Se aplica un Proceso Gaussiano de Regresión a mediciones obtenidas de las celdas pertenecientes a la red y se infiere una superficie que representa el comportamiento en el tiempo para toda la zona. Finalmente se observa cómo una región de la red con poca densidad de celdas sostiene valores elevados del KPI la mayoría del tiempo invitando al operador de red a tener en cuenta la solución del problema de dicha región en la formulación del plan de expansión. Palabras clave aprendizaje de máquina, KPIs, Procesos Gaussianos, red global de telefonía (GSM), regresión. Abstract the expansion plan of a Global System Mobile (GSM) network requires the analysis of some important variables known as key performance indicators (KPI) on the network. Network operators have tools for analyzing a KPI behavior on a particular network cell. This paper proposes a tool that illustrates graphically the behavior-in-time of a KPI in a whole geographical zone (including cell positions). A Gaussian process repressor is used over a real data set and time-space inference is performed. Finally we observe how a particular region presents high-kpi values most of the time. This alerts the network operator for including a solution in the formulation phase of the network expansion plan. Keywords Gaussian Processes,GSM networks, KPIs, machine learning, regression. 1. INTRODUCCIÓN Los operadores de las redes globales de telefonía móvil (GSM) intentan siempre estar a la vanguardia en cuanto a calidad y tecnología del servicio prestado; evolucionan a la par de los sistemas y tecnologías para la comunicación, para entregar a sus usuarios un mejor servicio, para ello requieren de la formulación de un buen plan de expansión. Un plan de expansión capaz de asegurar un óptimo manejo de los recursos de telefonía básicamente comprende de: el análisis del desempeño de la red actual; el análisis de la propagación del recurso en la zona; la identificación de celdas que requieran asignación de nuevos controladores de tráfico de la red (RNC) y centros de conmutación de datos móviles (MSC); la asignación de RNC y MSC a nuevas celdas, de acuerdo a las restricciones de la red; y la expansión de la conectividad de la red [1]. Los primeros 2 puntos mencionados requieren del monitoreo constante de indicadores de desempeño (PI) tales como: la tasa máxima a la cual la información puede ser enviada (ancho de banda), la tasa actual a la que se transfieren los datos (throughput) y la variación en el tiempo de llegada al receptor (jitter), entre otros. Aquellos PIs clave Recibido: 30/07/2013/ Aceptado: 06/12/2013/ ITECKNE Vol. 10 Número 2 ISSN 1692-1798 Diciembre 2013 149-157

150 ITECKNE Vol. 10 Número 2 ISSN 1692-1798 Diciembre 2013 149-157 para el buen desempeño de la empresa son denominados Indicadores Clave de Desempeño (KPIs) [2], [3] (en [4], se propone un listado de KPIs para redes 3G o superiores), por tanto, es necesario que el operador de red entienda de la mejor manera posible el comportamiento de los KPIs y, en consecuencia, pueda conocer las razones de los estados operacionales de la red [5], requeridos para realizar un correcto análisis del desempeño de su desempeño. La cantidad de mediciones obtenidas de redes de telecomunicaciones se ha incrementado sustancialmente durante la última década [2]. Hoy en día es normal contar con grandes bases de datos correspondientes a mediciones como la tasa máxima a la cual la información puede ser enviada (tasa de bits), la tasa actual a la que se transfieren los datos (throughput) y la variación en el tiempo de llegada al receptor (jitter), entre otros. Aquellas que influyen en el desempeño y cumplimiento de los objetivos de una empresa son denominadas indicadores clave de desempeño (KPI). Por tanto, conocer el comportamiento de dichos KPIs resulta imprescindible en la etapa de análisis de la red, y muy especialmente, durante la formulación del plan de expansión. El papel de análisis de los KPIs en telefonía ha sido estudiado con anterioridad en la literatura especializada. En [6] se propone una metodología de análisis basada en la capacidad y cobertura de las celdas, se aplica sectorización para obtener mediciones más precisas del KPI relacionado con la calidad del servicio (QoS) en las celdas. En [7] se emplea un análisis estadístico multivariado (correlación, covarianza, escalamiento dimensional y clasificación) basado en KPIs obtenidos de una red como base para inferir sobre el valor de la capacidad. En [8] se propone un método de clasificación basado en lógica difusa para el análisis y monitoreo automático de la calidad en las celdas pertenecientes a una red 3G, donde a cada celda se le asigna una clase relacionada al funcionamiento de acuerdo a la calidad monitoreada, con la cual el operador de red puede decidir acciones inmediatas o futuras para la solución de problemas así como tener en cuenta dichos comportamientos de la celda en la formulación del plan de expansión. Estos enfoques tienen como objetivo principal servir de herramienta para conocer el comportamiento de los elementos y las variables en los diferentes puntos de la red, fundamentándose en analizar los KPIs en el punto donde las mediciones son obtenidas, sin proveer información alguna sobre puntos del espacio (e intervalos de tiempo) en los cuales no se hayan realizado mediciones. Una forma general de obtener información en puntos geográficos desconocidos es aplicar un enfoque de regresión, para el cual el Proceso Gaussiano (GP) [9] provee un marco único, flexible y de buen desempeño. El Proceso Gaussiano, a pesar de ser una herramienta utilizada recientemente en la estadística, la ingeniería y otros campos [10] y poco utilizada en el área de telefonía [11]-[13]. Algunos de los enfoques existentes realizaban ya fuese la regresión de la posición de un usuario de la red con la intensidad de la señal [11], [12] o la regresión de la densidad de una señal WiFi en un entorno cerrado [14]. Aquí se propone una metodología de regresión basada en Procesos Gaussianos para interpolar el valor de un KPI en diferentes puntos del espacio y diferentes valores de tiempo en una zona geográfica específica donde se encuentra ubicada una red de telefonía 3.5G. El nuevo enfoque que se presenta pretende hacer uso de esta poderosa herramienta para explotar las relaciones entre las diferentes mediciones del KPI, lo cual dada la naturaleza móvil del usuario y el gran espacio geográfico que ocupa la red de celdas sirve (como se mostrará más adelante) como herramienta para capturar patrones que ayudan a entender tanto los valores que toma el KPI en diversos puntos, como el comportamiento de los usuarios de la red lo cual finalmente permite poder plantear mejores planes de expansión. El artículo está compuesto por varias secciones. En la sección 2 se introducen los materiales y métodos utilizados en el experimento: inicialmente se realiza una descripción de la base de datos, luego se presenta el Proceso Gaussiano como herramienta de inferencia, el modelado de los datos seguido del procedimiento de validación utilizado para evaluar el desempeño del modelo y la metodología utilizada tanto para la elección del modelo como para la inferencia sobre la totalidad de la base de datos. La sección

Análisis de expansión de redes de telefonía móvil empleando procesos Gaussianos - Cuesta, Orozco, Álvarez 151 3 contiene los resultados más importantes obtenidos durante la realización del experimento así como un análisis de los mismos. Finalmente, en la sección 4 se presentan las conclusiones y se proponen trabajos futuros al respecto. Fig. 2. SERIE DE TIEMPO CORRESPONDIENTE A LAS CELDAS 1 Y 5 2. MATERIALES Y MÉTODOS 2.1. Base de datos Los datos utilizados en el experimento pertenecen mediciones por estación base de un KPI perteneciente a una red GSM colombiana, ubicada en una zona geográfica determinada. La Fig. 1 muestra la configuración espacial de 11 celdas pertenecientes a una red de telefonía. Se cuenta con mediciones diarias de un KPI relacionado con el manejo del recurso de datos durante 30 días consecutivos para cada una de las celdas mostradas; conformando así la base de datos utilizada durante el experimento. La zona geográfica fue determinada de acuerdo a los límites de la imagen tomando como origen de referencia el borde inferior izquierdo, los ejes X e Y se muestran en la figura, así como un valor representativo en kilómetros de la escala de distancias. A manera de ejemplo, la Fig. 2 representa gráficamente las mediciones correspondientes a las celdas 1 y 5. El eje X muestra el tiempo en días y el eje Y el valor del KPI. Como medida comparativa entre los valores para cada celda y posteriormente entre los valores obtenidos como resultado del proceso de inferencia, se define un valor de KPI medio de 38, el cual corresponde al promedio de todas las mediciones. Fig. 1. DISTRIBUCIÓN GEOGRÁFICA DE LAS CELDAS PERTENECIENTES A LA RED DE TELEFONÍA MÓVIL 2.2. Procesos Gaussianos Un Proceso Gaussiano (GP) está compuesto por una colección posiblemente infinita de variables aleatorias escalares {f(x)} x X indexadas por un espacio de entradas x:r D : R de tal forma que para cada combinación finita X={x 1 x n }, todas las funciones f [f(x 1 ) f(x n )] T siguen una distribución Gaussiana multivariada [13]. Un GP queda formalmente definido con la existencia de una función media y una función de covarianza: Las ecuaciones (1) y (2) definen las propiedades del Proceso Gaussiano. La distribución de probabilidad sobre las funciones puede ser resumida mediante la notación: f(x)~gp(m(x),k(x,x')). En regresión, se parte de un conjunto de datos de entrenamiento D={(x i,y i )ǀi=1,...,n}con los cuales se desea hacer predicciones f * para nuevos valores x * no pertenecientes al conjunto de entrenamiento. Los Procesos Gaussianos cumplen con la propiedad de marginalización, lo cual implica que una distribución de probabilidad formada con

152 ITECKNE Vol. 10 Número 2 ISSN 1692-1798 Diciembre 2013 149-157 cualquier combinación de variables aleatorias dentro del proceso no es afectada por el resto de variables [9], [15]. Durante el modelado de los datos, es necesario definir una función de verosimilitud y una de covarianza. Una función de verosimilitud, es aquella que representa la probabilidad condicional de las observaciones dado el modelo para así, con el teorema de Bayes calcular la distribución posterior (o inferencia) correspondiente. Es requerido también la elección o definición de una función de covarianza. Una función de covarianza o kernel, es aquella que recibe a la entrada dos argumentos x X, x' X y los transfiere al dominio R. En el Proceso Gaussiano, es la función que se encarga de definir el tipo de relación existente entre los valores pertenecientes al conjunto de entrenamiento. Los tipos de kernel más utilizados son del tipo exponencial, del tipo lineal, y de la clase Mátern [16]. En este experimento fueron utilizadas la función exponencial cuadrática (Squared Exponential) definida como:, (El parámetro es la representación de la desviación estándar, el parámetro representa la escala en el rango y la magnitud r=(x-x') T (xx')); al igual que las funciones de la clase Màtern del tipo 1/2,3/2 y 5/2:, (K v es una función de Bessel modificada, v y 1 parámetros positivos). Si se tiene una función de verosimilitud de la forma: y=f(x)+ε, donde el ruido se supone independiente e idénticamente distribuido (i.i.d.), donde corresponde a la varianza del ruido; la función de covarianza para dos salidas cualesquiera, toma la forma (siendo la función delta, la cual entrega un valor de la unidad únicamente cuando p=q y cero en cualquier otro caso). Asumiendo función media cero en el prior, se obtiene la distribución de probabilidad conjunta de las salidas de entrenamiento y, y predicción f * :, donde K(X *, X) corresponde a la matriz de covarianza resultado de evaluar la función de covarianza entre los valores de entrenamiento X y los valores de predicción X *. De igual forma se obtienen K(X, X), K(X *, X * ) y K(X, X * ); y donde I corresponde a la matriz identidad. Aplicado el teorema de Bayes y algunas propiedades de la distribución Gaussiana [15] se obtiene la distribución condicional posterior para laspredicciones, donde, y. Finalmente, para obtener los valores de f*, se requiere primero conocer los parámetros correspondientes al modelo del GP. Una forma de calcularlos, y la utilizada en este trabajo, consiste en maximizar la función de verosimilitud marginal [9]. Los cálculos de inferencia y optimización fueron realizados con ayuda del toolbox de Carl E. Rasmussen y Chris Williams en su versión para MatLab [17]. 2.3. Modelado de los datos Matemáticamente la base de datos se expresó de la siguiente forma: donde los índices x x,i y x y,i indican la coordenada (x,y) de la celda i (con i={1,l,p} ; siendo p=11, la cantidad total de celdas); y el valor t k representa el día en el cual se efectuó la toma del dato (con K={1,L,n}; n=30, es el número total de días); y los valores de y i,k representan el valor promedio de las mediciones de los sectores pertenecientes a la celda i en el día k. Para el modelado Gaussiano se asumió función media cero y función de verosimilitud con ruido Gaussiano independiente e idénticamente distribuido (iid); se utilizaron las funciones de covarianza mencionadas en la sección 2.2 con las cuales se realizó un procedimiento previo con la

Análisis de expansión de redes de telefonía móvil empleando procesos Gaussianos - Cuesta, Orozco, Álvarez 153 finalidad de encontrar cual de las funciones era más apta para el proceso de inferencia (dicho procedimiento será explicado en detalle en las secciones 3.1.1 y 3.1.2). Los parámetros iniciales escogidos para el modelo fueron (1=1,σ f = 1,σ n =0.1) correspondientes al parámetro de escala en longitud, la desviación estándar en las funciones y la desviación estándar del ruido respectivamente, necesarios para hallar los parámetros finales del modelo con el criterio de máxima verosimilitud marginal. 2.4. Validación Se utilizó el procedimiento de validación cruzada (Cross Validation) [15], el cual consta básicamente de subdividir el conjunto inicial de datos en k particiones de igual tamaño, realizar la etapa de entrenamiento con k-1 subconjuntos y validar con el restante, se repite este procedimiento para cada una de las k diferentes particiones. Esto con la finalidad particular de poder comparar el desempeño del modelo para nuevos valores. El desempeño del modelo fue analizado con las métricas de: Error Medio Cuadrático Normalizado o SMSE y la Pérdida Logarítmica Estándar Normalizada o MSLL [18]. Cabe resaltar que un valor de SMSE bajo indica un menor error y un valor de MSLL negativamente alto indica un mejor modelo [9]. 2.5. Procedimiento de pre-selección para la elección del modelo El procedimiento realizado como criterio de selección de la función de covarianza a ser utilizada en la inferencia del KPI para toda la zona geográfica, consistió en formar con las mediciones de cada celda 5 subconjuntos (de a 6 mediciones cada uno) y así proceder de la siguiente manera: 1) Se asume que cada celda de manera independiente y se calcula un GP de regresión para obtener la serie temporal asociada a cada celda. En este caso la entrada del GP corresponde al tiempo y la salida al valor del KPI en la ubicación geográfica específica de la celda. El proceso de entrenamiento del GP se realiza con 4 de los subconjuntos mientras que el subconjunto restante es utilizado en la validación, realizando finalmente 5 diferentes procesos de estimación para cada celda. Este procedimiento fue nombrado por los autores como procedimiento de inferencia Local. 2) Se asume toda la configuración de celdas en la zona geográfica y se estima un único GP para obtener de igual manera que en el ítem anterior, la serie temporal asociada a cada una de las celdas. La entrada esta vez corresponde a la planteada en (3) y la salida el valor del KPI en la ubicación geográfica específica de la celda. Se diferencia del procedimiento descrito en el ítem anterior, debido a la inclusión en el conjunto de entrenamiento, del total de las mediciones de aquellas celdas a las que no corresponda la regresión. De igual forma se realizan 5 diferentes procesos de estimación para cada celda. Este procedimiento fue nombrado por los autores como: procedimiento de inferencia Global. Finalmente, con los valores promedios del SMSE y el MSLL se tuvo un criterio de selección para el modelo más apto. 2.6. Procedimiento para la inferencia espaciotemporal El procedimiento final, consistió en calcular un GP espacio-temporal de la forma indicada en (3), utilizando como entrenamiento la totalidad de la base de datos y así inferir sobre un gran conjunto de puntos pertenecientes a la misma zona geográfica. Dichos puntos fueron tomados de una rejilla formada desde el origen de coordenadas hasta 600 km de distancia (3721 puntos entre 0-6) y tiempos de 1-30 (291 intervalos de tiempo en total) para un total de 1082811 puntos individuales a inferir. Las distancias geográficas fueron divididas en 100, y los intervalos de tiempo fueron más cortos que el día, con la finalidad de obtener una función más suave y de paso tener mayor conocimiento del comportamiento del KPI. 3. RESULTADOS 3.1. Resultados procedimiento de pre-selección Las Tablas I y II, relacionan los errores SMSE y MSLL tanto locales como globales, correspondientes a los procesos de inferencia previamente mencionados en el apartado 3.1.1 y 3.1.2 respectivamente correspondientes a las celdas 09 y 07,

154 ITECKNE Vol. 10 Número 2 ISSN 1692-1798 Diciembre 2013 149-157 para cada una de las funciones de covarianza estudiadas. Ambas medidas de error se encuentran acompañadas de la respectiva desviación estándar. Se resalta también como el proceso de inferencia espacio-temporal presenta menor error que el proceso que involucra sólo una celda en el tiempo, así como el hecho que la función de covarianza Màtern de tipo 1, presenta parcialmente menores errores SMSE y mayores errores negativos MSLL (resaltados en negrita) para las dos celdas mencionadas. Con los resultados obtenidos en la sección 3.3, se aplicó el procedimiento planteado en 3.2 a los datos, dando los siguientes resultados: La Fig. 3 y la Fig. 4 correspondientes a la superficie de inferencia y al respectivo contorno, ilustran el comportamiento del KPI alrededor de toda la zona geográfica para un valor de tiempo entre los días 10 y 11 de mediciones. Los colores en las figuras corresponden a los niveles del KPI (en escala real), en la barra de la derecha de cada imagen (El color Azul oscuro indica un valor mínimo del KPI de 0 y el color Rojo intenso un valor máximo de 160). La Tabla III, resume los resultados de promedio de las 11 celdas analizadas durante los procedimientos descritos en la sección 3.1. De ésta se resalta la función de covarianza Màtern de tipo 1, la cual presentó menor error SMSE y a su vez mayor MSLL en el caso espacio temporal, por lo cual se escogió para realizar el procedimiento de inferencia descrito en la sección 3.2 3.2. Resultados procedimiento de inferencia espacio-temporal La región superior compuesta por la mayor cantidad de celdas presenta valores promedios normales del KPI, lo cual se interpreta como resultado de la cercanía entre las celdas y que entre las mismas logran repartirse el recurso del KPI y por tanto, no se presentan valores altos del mismo en dicha región. TABLA I RESULTADOS DE LOS ERRORES SMSE Y MSLL CORRESPONDIENTES A LA CELDA 9, PARA LAS DIFERENTES FUNCIONES DE COVARIANZA CELDA 9 Cov.\ Error SMSE Local SMSE Global MSLL Local MSLL Global Exp C. 0.8406±0.2051 0.3563±0.0622 0.4586±1.2612-0.6824±0.0211 Màtern 5 0.7943±0.1516 0.3413±0.0608-0.0527±0.1780-0.6991±0.0263 Màtern 3 0.7731±0.1240 0.3313±0.0590-0.1009±0.1135-0.7096±0.0271 Màtern 1 0.7544±0.0658 0.3083±0.0485-0.1383±0.0439-0.7211±0.0244 Fuente: autores Tabla II RESULTADOS DE LOS ERRORES SMSE Y MSLL CORRESPONDIENTES A LA CELDA 7, PARA LAS DIFERENTES FUNCIONES DE COVARIANZA CELDA 7 Cov.\ Error SMSE Local SMSE Global MSLL Local MSLL Global Exp C. 0.8392±0.1340 0.1772±0.0264-0.0225±0.1757-1.9536±0.3451 Màtern 5 0.7977±0.1022 0.1738±0.0286-0.0744±0.1302-1.8820±0.3899 Màtern 3 0.7818±0.0890 0.1702±0.0302-0.0982±0.1033-1.8896±0.3968 Màtern 1 0.7729±0.0612 0.1606±0.0353-0.1230±0.0466-2.0880±0.2841 Fuente: autores Tabla III RESULTADOS DE LOS ERRORES SMSE Y MSLL CORRESPONDIENTES A LA CELDA 7, PARA LAS DIFERENTES FUNCIONES DE COVARIANZA RESULTADOS PROMEDIO EN TODAS LAS CELDAS PARA CADA FUNCIÓN DE COVARIANZA Cov.\ Error SMSE Local SMSE Global MSLL Local MSLL Global Exp C. 0.7563±0.1525 0.4007±0.3396-0.0329±0.2075-0.7421±0.4594 Màtern 5 0.7429±0.1390 0.3796±0.3212-0.1330±0.0819-0.7534±0.4341 Màtern 3 0.7142±0.1320 0.3678±0.3111-0.1473±0.0649-0.7650±0.4324 Màtern 1 0.7558±0.0986 0.3491±0.2943-0.1483±0.0379-0.7907±0.4844 Fuente: autores

Análisis de expansión de redes de telefonía móvil empleando procesos Gaussianos - Cuesta, Orozco, Álvarez 155 Un resultado diferente presenta la región cercana a la celda 7 ubicada en la parte inferior derecha de la Fig. 5 donde se presentan altos niveles en el KPI, esto sumado al hecho que se encuentra sin celdas vecinas, implicaría indirectamente la necesidad de ubicar una nueva celda cercana que ayude a reducir los altos niveles del KPI y así evitar saturaciones futuras. Las Figuras 5 y 6 contienen varias de las superficies de inferencia calculadas y sus respectivos contornos. La barra de colores es igual a la de las Figuras 4 y 5. Cada contorno de la Fig. 6 corresponde al ubicado en la misma posición en la Fig. 5. Se puede observar parte de la dinámica del KPI en el tiempo. Para poder tener una perspectiva total del comportamiento en el tiempo del KPI y saber si estos comportamientos presentados en las Fig. 3 y 4 son generalizables, se realizó un video para la superficie y para el contorno utilizando las 291 muestras inferidas entre los 30 días. Fig. 5 ALGUNAS SUPERFICIES OBTENIDAS DURANTE EL PROCESO DE INFERENCIA ESPACIO-TEMPORAL Fig. 3 DÍA 10 DE LA INFERENCIA REALIZADA PARA TODA LA ZONA GEOGRÁFICA Fig. 4 CONTORNO CORRESPONDIENTE A LA INFERENCIA REALIZADA PARA TODA LA ZONA GEOGRÁFICA DURANTE EL DÍA 10

156 ITECKNE Vol. 10 Número 2 ISSN 1692-1798 Diciembre 2013 149-157 Fig. 6 ALGUNOS CONTORNOS CORRESPONDIENTES A SUPERFICIES OBTE- NIDAS DURANTE EL PROCESO DE INFERENCIA ESPACIO-TEMPORAL Los videos pueden ser encontrados y descargados de manera gratuita en las siguientes direcciones: http://www.mediafire.com/ download/43aavdn58wvij5r/gpvideosuperficie. rary http://www.mediafire.com/download/dfmxqlg22a2m3rk/gpvideocontorno.wmv. Luego de revisar la herramienta gráfica, se pudo comprobar y corroborar que el comportamiento de la celda 7, se mantenía constante en valores altos la mayor parte del tiempo, así como el hecho que la superficie tendía a comportarse de manera periódica, esto debido a que las series de tiempo asociadas (ver Fig. 2) también lo presentaron. 4. CONCLUSIONES En este artículo se utilizó una metodología de regresión basada en Procesos Gaussianos para conocer de manera gráfica el comportamiento en el tiempo de un KPI perteneciente a una red de telefonía existente, lo cual al proveer información sobre los patrones tanto del KPI como el usuario, ayuda al operador de red durante el proceso de formulación del plan de expansión. Un ejemplo de esto es la celda 7, dado que en su región vecina presentó altos valores del KPI la mayor parte del tiempo. El proceso de inferencia espacio-temporal mostró un comportamiento casi periódico que era de esperarse de variables que dependen de las situaciones diarias del usuario. Sugiere en un futuro, pensar en utilizar una función de covarianza del tipo periódico o cuasi-periódico y comparar los resultados. Como resultado de algunos de los experimentos de regresión se obtuvieron valores pequeños negativos del KPI, lo cual en la realidad carece de algún tipo de significado físico. Para solucionar este problema, se puede plantear un trabajo futuro que incluya restricciones relacionadas con los valores máximos y mínimos que pueda tomar la salida del proceso Gaussiano relacionados a los valores físicos que pueda tomar el KPI. AGRADECIMIENTOS Este trabajo se desarrolló en el marco del proyecto de investigación Análisis de Fallas en Redes de Telefonía Móvil usando reconocimien-

Análisis de expansión de redes de telefonía móvil empleando procesos Gaussianos - Cuesta, Orozco, Álvarez 157 to estadístico de patrones en el programa de jóvenes investigadores Virginia Gutiérrez de Pineda, fue financiado por medio de Colciencias y la Universidad Tecnológica de Pereira. REFERENCIAS [1] C. Steven and P. Samuel, On the Expansion of Cellular Wireless Networks. Éole Polytechnique de Montréal, 2002. [2] A.R. Mishra, Advanced Cellular Network Planning and Optimization: 2G/2.5G/3G Evolution to 4G, John Wiley & Sons, 2006. [3] J. Laiho, A. Wacker, and T. Novosad, Radio Network Planning and Optimization for UMTS, 2001 :Wiley [4] C. Roberto, I. Tiziano and V. Luca. Network monitoring and performance evaluation in a 3.5G network. Computer Networks Vol. 51. 2007. [5] Sukkhawatchani, P.; Usaha, W., Performance evaluation of anomaly detection in cellular core networks using self-organizing map, Electrical Engineering/ Electronics, Computer, Telecommunications and Information Technology, 2008. ECTI-CON 2008. 5th International Conference, vol.1, no., pp.361, 364, 14-17 May 2008. [6] A.K.M. Fazlul, Mohamed Mir, K. Abu. Performance Analysis of UMTS cellular Network using Sectorization Based on Capacity and Coverage IJACSA International Journal of Advanced Computer Science and Applications Vol. 1, No.6, 2011. [7] Ye Ouyang and M. Hosein Fallah. A performance Analysis for UMTS Packet Switched Network Based on Multivariate KPIs. IJNGN International Journal of Next Generation Network, Vol.2, No.1, March 2010. [9] C.E. Rasmussen and C. Williams, Gaussian Processes for Machine Learning. The MIT Press, 2006. 10 antes [10] J.Q.Shi, R. Murray-Smith and D.M. Titterington, Hierarchical Gaussian Process Mixtures for Regression. Statics and Computing, Springer, 2005. [11] A. Schwaighofer, M. Grigoras, V. Tresp and C. Hoffmann, GPPS: A Gaussian Process Positioning System for Cellular Networks in book: Advances in Neural Information Processing Systems 16. The MIT press, 2004. [12] B. Ferris, D. Hähnel and D. Fox, Gaussian Processes for Signal Strength-Based Location Estimation. Proc. of Robotics: Science and Systems, 2006. [13] Liutkus A. and Badeau R. and Richard G., Multidimensional signal separation with Gaussian processes, IEEE Statistical Signal Processing Workshop (SSP), 2011. [14] F. Duvallet and A.D. Tews, WiFi Position Estimation in Industrial Environments Using Gaussian Processes, Intelligent Robots and Systems, 2008. IROS 2008. IEEE/RSJ International Conference on, vol., no., pp.2216,2221, 22-26 Sept. 2008 [15] C.M. Bishop, Pattern Recognition and Machine Learning. Springer, 2006. [16] K. P. Murphy, Machine Learning a Probabilistic Perspective. The MIT Press, 2012, p. 1067. [17] http://www.gaussianprocess.org/#code [18] K. Chalupka, Empirical evaluation of Gaussian Process approximation algorithms, Master s thesis, School of Informatics, University of Edinburgh, 2011 [8] Kumpulainen P, Särkioja M. et al. Analysing 3G radio network performance with fuzzy methods. Neurocomputing Vol. 107. 2013.

Uso de metacaolín, vidrio reciclado y fibra óptica en la elaboración de un concreto translúcido Use of metakaolin, wasteglass and optical fiber in the development oftranslucent concrete Diana Marcela Franco Durán Ingeniera Civil, Investigador Grupo INME Universidad Industrial de Santander, Colombia. dianita_franco8@hotmail.com Edwin Pérez Sánchez Ingeniero Civil, Investigador Grupo INME Universidad Industrial de Santander, Colombia. edwper@yahoo.es Ricardo Alfredo Cruz Hernández Ph.D., Ciencias Técnicas, Docente, Director Grupo INME Universidad Industrial de Santander, Colombia. racruz@uis.edu.co Resumen Los materiales utilizados en la construcción están día a día en constante evolución y transformación. En su diseño se emplean diferentes materias primas y agregados, que pretenden mejorar sus propiedades físicas, químicas y de durabilidad. Asimismo, se busca que estos nuevos materiales sean una alternativa novedosa a nivel arquitectónico, disminuyan los costos y contribuyan con el medio ambiente. Se propone la creación de un concreto no estructural, modificado con metacaolín y que cuenta con características de translucidez, mediante la adición de vidrio reciclado y fibra óptica. El comportamiento físico-mecánico del material evaluado, a partir de los ensayos de compresión, flexión y tracción, presentó una reducción considerable en su resistencia, debido a la inclusión de fibras ópticas. La adición de una sustancia puzolánica como el metacaolín (MK) al cemento mejoró la resistencia a la reacción álcali-sílice, que comúnmente se presenta por el alto contenido de sílice reactiva del vidrio, contribuyendo a la durabilidad del concreto no estructural. La traslucidez fue medida a partir de los ensayos de transmitancia y espectrofotometría, dando como resultado un material traslúcido. La cantidad de luz que atraviesa los especímenes es suficiente para que el ojo humano la capte. Palabras clave Concreto, Fibra óptica, Reacción álcali-sílice, Traslucidez, Vidrio. Abstract Nowadays, construction materials are in constantly development. They include different raw and aggregates to enhance its physical, chemical and durability properties. Likewise, these new materials should be a remarkable alternative, decreasing the costs and contributing with the environmental concerns. Our research proposes a nonstructural concrete modified with metakaolin(mk),which has translucency features thanksto addition of waste glass and optical fibers.the mechanical and physical behavior of the material was assessed by means of compression strength, flexural and tensile tests. The results indicatedthat each resistance (flexural, compression strength and tensile) significantlydecreasebecause ofaddition ofoptical fibers in the concrete. Besides, the pozzolanic material metakaolin added to the concreteimproved the alkali-silica reactionresistance,reducing the expansion producedin thematerialdue tothe high active silica content. Clearly, metakaolin helps to improvethe durability of the concrete. Translucency was measured from transmittance and spectrophotometry tests. As a result, the amount of light thatpass through the samples is enough to beseen by the human eye. Keywords Concrete, OpticalFiber, Alcali-SilicaReaction, Translucence, Glass. 1. INTRODUCCIÓN En épocas recientes, el criterio de la construcción sustentable ha alcanzado una importancia relevante, así como interés por disponer de materiales con mejores propiedades y características especiales, como en este caso, contar con un concreto que permita ver a través de él. Con el uso de residuos de vidrio, material con alta disponibilidad, se hace un aporte en la disminución de la contaminación generada por su inadecuada disposición final. Concretos base residuos de vidrio se han desarrollado por décadas [1],[2]. Estudios realizados indican que el vidrio por ser un material de naturaleza puzolánica, puede ser utilizado como un sustituto del cemento Portland [2]. Sin embargo, su uso como agregado produce una expansión considerable en la mezcla de concreto, debido a la reacción álcali-sílice que se presenta [3]. Con el fin de contrarrestar esta reacción, Ramlochan et al, (2000) demostraron que es posible controlarla, Recibido: 06/08/2013/ Aceptado: 13/11/2013/ ITECKNE Vol. 10 Número 2 ISSN 1692-1798 Diciembre 2013 158-166

Uso de metacaolín, vidrio reciclado y fibra óptica en la elaboración de un concreto translúcido - Franco, Pérez, Cruz 159 bajo la adición de metacaolín (MK) en proporciones de 10-15% [4]. Por otra parte, se ha demostrado que la fibra óptica puede ser agregada al concreto, para permitir la transmisión de la luz visible [5]. Si bien estas investigaciones exponen que cada uno de estos materiales aporta diferentes propiedades y características al concreto, se han enfocado básicamente en éstos por separado. Con este trabajo se propone la creación de un concreto no estructural modificado con metacaolín y que cuenta con características de translucidez, mediante la adición de vidrio reciclado y fibra óptica. Se busca además, un material que interactúe y contribuya con el medio ambiente y cumpla con los requisitos mínimos de resistencia, dureza y transmisión de la luz. 2.1. Materiales 2. PROGRAMA EXPERIMENTAL El diseño de la mezcla se realizó con la intención de obtener un concreto traslúcido, de resistencia 21 Megapascales (MPa). Se utilizó un cemento hidráulico blanco (Cemento Portland Blanco Tipo I) y una relación agua-cemento (a/c) de 0.58. Algunas de las características principales del cemento se indican en la Tabla I. TABLA I CARACTERÍSTICAS DEL CEMENTO PORTLAND BLANCO TIPO I % Óxidos Por Bolsa De Sílice (SiO 2 ) 22.4 De Aluminio (Al 2 O 3 ) 5.04 De Hierro (Fe 2 O 3 ) 0.20 De Calcio (CaO) 67.2 De Magnesio (MgO) 1.30 Peso Específico [gr/cm 3 ] 3.14 Tiempo de Fraguado [h] 1.00 Consistencia Normal del Cemento [%] 28.8 La dosificación del concreto modificado se presenta en la Tabla II. TABLA II DOSIFICACIÓN DE LA MEZCLA DE CONCRETO PARA UN VOLUMEN DE 0.0025 m 3 MATERIAL VOLUMEN NETO [m3] PESO [Kg] Cemento 0.0003 1.2 Agregado fino 0.0009 2.7 Agregado grueso 0.0005 1.3 Agua 0.0006 0.6 Aire atrapado 0.01 0 Se remplazó alrededor de un 83.3% del total de los agregados fino y grueso por vidrio reciclado, obtenido de diferentes clases y tonalidades, con peso específico de 2.5 g/cm3. El tamaño del vidrio utilizado como agregado grueso se encuentra entre el rango de tamices que pasan el No. 4 y son retenidos por el No. 8. El vidrio usado como agregado fino corresponde a tamaños que pasan el tamiz No. 8 hasta los retenidos por el No. 100. Se utilizó caolín, procedente de Arcabuco, Boyacá, el cual fue pre-activado mediante su calcinación, a una temperatura aproximada de 800ºC, durante un periodo de dos horas. Este proceso, permitió la obtención de metacaolín (MK). Se remplazó cemento por metacaolín (MK) en proporción del 15% de su peso. Su adición en el concreto se realizó para mitigar la reacción álcali-sílice, producto del contenido de sílice reactiva presente en el vidrio (CaO 12.9%, SiO 2 74.4%, Na 2 O 10.3%) [6]- [7]. La fibra utilizada es un filamento de vidrio bastante delgado y flexible (de 2 a 125 micrones), capaz de conducir rayos ópticos (señales en base a la transmisión de luz). La fibra óptica se adicionó en un 5% del peso total de la mezcla. En la Tabla III se presentan las dosificaciones respectivas para cada uno de estos sustitutos. TABLA III DOSIFICACIÓN DEL VIDRIO, METACAOLÍN Y FIBRA ÓPTICA Sustituto Porcentaje [%] Cantidad [gr] Vidrio 83.3 3332 Metacaolín 15 180 Fibra Óptica 5 290 Adicionalmente la Tabla IV indica la dosificación de un concreto (con una relación agua-cemento (a/c) de 0.65) caracterizado por Arciniegas y Fonseca, (2004) [8], denominado probeta de comparación. Los autores remplazaron parte del agregado fino por vidrio molido en proporciones del 10, 20 y 30 % del volumen total de la mezcla. Esta probeta se utilizó para contrastar los resultados obtenidos de los ensayos de compresión, flexión y tracción. TABLA IV DOSIFICACIÓN DE LA PROBETA DE COMPARACIÓN MATERIAL VOLUMEN NETO [m3] PESO [Kg] Cemento 466.55 0.16 Agua 303.26 0.30 Arena 1399.65 0.33

160 ITECKNE Vol. 10 Número 2 ISSN 1692-1798 Diciembre 2013 158-166 2.2. Métodos Se realizaron ensayos para caracterizar el concreto translucido en su comportamiento físico-mecánico, durabilidad y transmisión de la luz. Se ensayaron concretos con y sin contenido de fibras ópticas, para evaluar su resistencia a la compresión, tracción y flexión a los 7,14 y 28 días. Las muestras utilizadas en los diferentes ensayos, designadas como M1, M2 y M3 no contienen metacaolín (MK), mientras que, las designadas como M4, M5 y M6 incluyen metacaolín (MK) (15% del peso del cemento). Para el ensayo de compresión, se utilizaron probetas de forma cúbica, de 5cm de lado, fabricadas conforme a la norma NTC220 [9] y ensayadas en la Máquina Universal de Ensayos Trebel, como se muestra en la Fig. 1a. En el ensayo a flexión se emplearon probetas de sección cuadrada 4x4cm y de 16 cm de longitud (Ver Fig. 1b), fabricadas de acuerdo a la norma NTC 120 [10] y ensayadas en la Máquina Universal de Ensayos Trebel. La caracterización de la resistencia a tracción del concreto, se determinó según la norma NTC 119 [11]. Las probetas se ensayaron en la Máquina Italiana de Ensayos de Mortero a Tracción (Officine Galileo Di Milano). Un esquema de su montaje se presenta en la Fig. 1c. Estos ensayos se realizaron para muestras con y sin contenido de fibra ópticas (5% del peso del cemento). Los resultados obtenidos se compararon con los valores de la probeta de comparación caracterizada por [8]. Para evaluar la porosidad del concreto, se fabricaron 3 probetas cúbicas de 5cm de lado, sometidas a un curado de 28 días. De cada una de ellas, se cortó una muestra cúbica de 2cm de lado, descartando su parte superior e inferior y se escogieron aquellas con la forma más regular posible. Para esta prueba se utilizó el Porosímetro de Campo Ruska mostrado en la Fig. 2, y la porosidad del material se obtuvo a partir de la ley de Boyle, representada en la ecuación (1). Donde P es la porosidad, Vt es el volumen total, Vg es el volumen de los granos del especimen. Fig. 1. MONTAJES DE LOS ENSAYOS A COMPRESIÓN (A), FLEXION (B) Y TRACCIÓN (C) A B C Fuente: Autores Fig. 2. POROSÍMETRO DE CAMPO RUSKA Y PROBETAS CÚBICAS Fuente: Autores

Uso de metacaolín, vidrio reciclado y fibra óptica en la elaboración de un concreto translúcido - Franco, Pérez, Cruz 161 La permeabilidad se obtuvo utilizando probetas con características similares a las anteriores, mediante el Permeámetro de Gas Ruska. Este valor se calculó a partir del caudal de gas que pasa a través del núcleo, el gradiente de presión, la viscosidad del gas y las dimensiones de la probeta. A través del especimen, se hizo pasar gas Nitrógeno de Viscosidad μ=0.0176 centipoises (Cp) a una temperatura de 23 C en dirección paralela y perpendicular a las fibras ópticas. La permeabilidad determinada es absoluta y se calculó mediante la siguiente ecuación (2). ± 2 ºC, durante un periodo de 16 días, tiempo en el cual se hicieron mediciones diarias, para observar la expansión que se producía en las muestras. Se evaluó la reactividad de las muestras con y sin contenido de metacaolín. Para las muestras M1, M2 y M3 se utilizó un recipiente de cuarzo dentro de otro metálico, sellado herméticamente (Ver Fig. 3a) y para las muestras M4, M5 y M6 se realizó un montaje de recirculación de agua, para condensar y retornar los vapores que se producían a una temperatura de 80ºC (Ver Fig. 3b). Fig. 3. MONTAJE METÁLICO HERMÉTICO Y DE RECIRCULACIÓN DE AGUA (A) Y CONDENSACIÓN DE LOS VAPORES LIBERADOS EN EL PROCESO (B) Donde k es la permeabilidad, μ es la viscosidad del gas, Q es el caudal del gas que pasa a través del material, A es el área transversal expuesta al flujo de gas y ΔP es el gradiente de presión incidido a la muestra. El ensayo de absorción capilar se desarrolló seguida la norma de ensayo Swiss Standard - SIA 162/1 [12]. Esta prueba se realizó con el fin de evaluar la reactividad del vidrio reciclado con los álcalis del cemento y el efecto de mitigación que produce la adición de la puzolana obtenida del caolín (Metakaolín). Se elaboraron 4 probetas cúbicas de 5cm de lado, sometidas a un curado de 28 días. A cada probeta se le hizo un corte de 5 milímetros en cada uno de sus extremos y se sumergieron hasta 3mm de altura en agua. Las muestras M1 y M2 se colocaron con la superficie frontal en contacto con el agua (sentido paralelo a las fibras ópticas) y las muestras M3 y M4 con la superficie lateral en contacto con el agua (sentido perpendicular a las fibras ópticas). El peso de agua absorbida por unidad de superficie (W/A) en el tiempo t, se determinó a partir de las leyes de Darcy y de Laplace, mediante la ecuación (3). (A) S es la capacidad de absorción capilar. El ensayo para la determinación de la reactividad de los agregados (Vidrio), respecto a los álcalis del cemento y mitigación de la reacción álcali-sílice, se realizó seguidas las especificaciones descritas por la norma ASTM C1260-07[13]. En este ensayo se utilizaron 6 barras de mortero con vidrio reciclado, según la norma ASTM C490/C [14]. Estas barras fueron expuestas a una solución 1N de NaOH a 80 Fuente: Autores (B)

162 ITECKNE Vol. 10 Número 2 ISSN 1692-1798 Diciembre 2013 158-166 Para medir la cantidad de luz (transmitancia) que podía pasar por el material de concreto modificado y traslúcido, se elaboraron 3 especímenes cúbicos de 5cm de lado designados como M1, M2 y M3 (con adición de fibras ópticas), sometidas a un curado de 28 días. Para descubrirlas y obtener traslucidez, cada especimen se cortó 5mm en cada uno de sus extremos. Estas muestras fueron expuestas a radiación directa de rayos láser (Rojo y Verde) y luz directa del sol, se introdujo cada una de las probetas en una caja de color negro para evitar pérdidas y enfocar mejor la luz que provenía de las fuentes. Las intensidades de los rayos incidentes (I) utilizados, se indican en la Tabla V. Láser TABLA V INTENSIDAD DEL RAYO LÁSER Intensidad Rojo 7.84 μw Verde 7.89 μw Solar 19.2 mw La transmitancia de cada una de las muestras se obtuvo a partir de la ecuación (4). Los valores obtenidos de resistencia a la tracción a los 28 días, que se observan en la Fig. 6, fueron: 1.22 MPa para el concreto sin fibras ópticas y 1.05 MPa para el concreto con adición de fibras, valor 14 % menor. El tipo de falla generada en cada una de las probetas ensayadas, corresponde a la característica para cada uno de los sistemas sometidos a esfuerzos de compresión, tracción y flexión. Los ensayos de permeabilidad, indican que el material es más permeable, cuando el flujo pasa en dirección paralela a la ubicación de las fibras ópticas. Debido a que las fibras son continuas de extremo a extremo de la probeta, se generan capilaridades que hacen que sea más permeable, mientras que en el sentido transversal su permeabilidad disminuye un 60% ya que, existen menos espacios vacíos por donde pueda pasar el fluido. Los datos de permeabilidad se presentan en la Tabla VI. TABLA VI RESULTADOS ENSAYO PERMEABILIDAD Muestras Permeabilidad Dirección a las Fibras Perpendicular a las Fibras M1 K [Md] 9.59 4.48 M2 K [Md] 11.75 3.71 Donde I 0 es la intensidad del rayo incidente e I es la intensidad de la luz que viene de la muestra. La capacidad del material para permitir el paso del espectro visible, se determinó mediante un espectrofotómetro de marca UV-2401PC. Para esto, se hizo incidir luz del espectro visible a cada una de las muestras (M1, M2 y M3) utilizadas en el ensayo de transmitancia, en un área de aproximadamente 1 cm 2, durante 5 minutos. 3. DISCUSIÓN DE RESULTADOS Los resultados que se presentan en las Fig. 4,5 y 6 denominados como probeta con fibra óptica corresponden a los obtenidos para un concreto modificado con 5% de fibra óptica y 83.3% de vidrio reciclado. La Fig. 4 indica que la resistencia a la compresión del concreto sin contenido de fibras ópticas, a los 28 días, alcanzó 18.41 MPa; mientras que el concreto con fibras redujo esta resistencia un 20%, obtenido un valor de 14.73 MPa. La resistencia a la flexión del concreto sin fibras, a los 28 días fue de 3.83 MPa, valor que disminuyó un 14.36% para el concreto con adición de fibras ópticas, cuya resistencia obtenida fue de 3.28 MPa. Estos resultados se muestran en la Fig. 5. M3 K [Md] 11.96 5,24 Los valores de porosidad obtenidos, resultan ser similares para todas las muestras ensayadas. Los resultados se muestran en la Tabla VII. Muestras Porosidad [%] M1 21.85 TABLA VII RESULTADOS ENSAYO DE POROSIDAD M2 21.57 M3 21.94 % Porosidad Promedio Probeta de Comparación 16.82 En el ensayo de reactividad álcali-agregado, se midió la expansión y deformación de cada una de las muestras con y sin adición de metacaolín (MK). Los especímenes sin adición de metacaolín (M1, M2 y M3), presentaron la mayor expansión y deformación, respecto a las muestras con adición de metacaolin (M4, M5 y M6), cuyas deformaciones se encuentran dentro del rango admisible especificado en la ASTM C1260. El porcentaje promedio de expansión para muestras sin adición de metacaolín (MK) es de 0.287% y para muestran con contenido de metacaolín (MK) es de 0.056%. Los resultados del ensayo se muestran en la Fig. 7.