🤖 machine learning

Predicting the fatigue life of asphalt concrete using neural networks

Este estudio utiliza redes neuronales artificiales con una función de pérdida de error cuadrático medio logarítmico para predecir con precisión la vida a la fatiga del concreto asfáltico basándose en la deformación, el contenido de ligante y el contenido de vacíos de aire, demostrando que un mayor contenido de ligante mejora significamente la durabilidad al tiempo que proporciona herramientas de código abierto para investigaciones futuras.

Autores originales: Jakub Houlík, Jan Valentin, Václav Nežerka

Publicado 2026-02-09

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jakub Houlík, Jan Valentin, Václav Nežerka

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el asfalto (la sustancia de la que están hechas las carreteras) como un pastel gigante y complejo. Los "ingredientes" son piedras trituradas y un pegamento viscoso similar al alquitrán llamado betún. Al igual que un pastel puede agrietarse si lo sigues doblando hacia atrás y hacia adelante, las carreteras se agrietan bajo el peso de millones de coches. Este proceso se llama "fatiga", y determinar cuánto tiempo durará la carretera antes de agrietarse es un gran dolor de cabeza para los ingenieros.

Tradicionalmente, para averiguar cuánto durará una carretera, los ingenieros tienen que hornear pequeños "pasteles de prueba" en un laboratorio y doblarlos una y otra vez. Esto es lento, costoso y toma semanas.

Este artículo trata sobre enseñar a una computadora (específicamente a una "Red Neuronal", que es un tipo de IA que aprende como el cerebro humano) a predecir cuánto durarán estos "pasteles" de carretera sin necesidad de esperar a las lentas pruebas de laboratorio.

Aquí está el desglose de lo que hicieron, utilizando analogías sencillas:

1. Los ingredientes importan más

Los investigadores se centraron en tres "ingredientes" principales que afectan la vida útil de la carretera:

Nivel de deformación (Strain Level): Qué tanto se está doblando la carretera (como cuánto flexionas un clip antes de que se rompa).
Contenido de ligante (Binder Content): Cuánto pegamento viscoso (betún) hay en la mezcla.
Vacíos de aire (Air Voids): Cuántas pequeñas burbujas de aire quedan atrapadas dentro del pastel.

Recopilaron datos de cuatro estudios científicos diferentes, creando un "libro de recetas" de 245 muestras de carretera distintas.

2. Limpieza de datos (La magia de "Box-Cox")

Los datos que recolectaron eran desordenados. La mayoría de las carreteras duraron un tiempo "normal", pero algunas duraron mucho más, creando una cola larga y desigual en los datos (como si hubiera algunas personas gigantes en una habitación mientras todos los demás son promedio).

Para solucionar esto, utilizaron un truco matemático llamado transformación Box-Cox. Piensa en esto como una licuadora que suaviza los datos irregulares para que la computadora pueda digerirlos mejor. También buscaron "valores atípicos" (datos extraños o defectuosos) usando un "Z-score", que es como un detector de metales para datos malos. Afortunadamente, sus datos estaban limpios, por lo que no tuvieron que desechar nada.

3. Entrenando el cerebro de la IA

Construyeron un cerebro digital (una Red Neuronal) para aprender la relación entre los ingredientes y la vida útil de la carretera.

La Arquitectura: Probaron diferentes formas para este cerebro. Descubrieron que un cerebro con dos capas ocultas (dos niveles de pensamiento) y 200 neuronas (200 pequeños pensadores) en cada capa funcionaba mejor.
La Función de Activación (ReLU): Esto es como el interruptor de "encendido/apagado" del cerebro. Descubrieron que el interruptor "ReLU" era el mejor para mantener el cerebro activo y aprendiendo, mientras que otros interruptores hacían que el cerebro se durmiera o actuara de forma demasiado simple.
El Optimizador (RMSprop): Este es el profesor que guía al cerebro. Descubrieron que el profesor "RMSprop" era el más estable y efectivo para corregir errores.

4. Dos formas diferentes de medir el éxito

Debido a que la vida útil de las carreteras varía enormemente (algunas duran unos pocos miles de ciclos, otras millones), probaron dos formas diferentes de calificar la tarea de la IA:

LMSE (Lineal): Este método se preocupa mucho por acertar con los números grandes. Es como calificar un examen donde acertar las preguntas más difíciles otorga más puntos. Este método fue muy preciso en general.
LMSLE (Logarítmico): Este método se preocupa más por acertar con los números pequeños. Es como calificar un examen donde obtienes puntos extra por no fallar en las preguntas fáciles. Este fue mejor para predecir la vida útil de las carreteras que no duran mucho tiempo.

El Resultado: La IA se volvió increíblemente buena prediciendo el futuro. Cuando se probó con nuevos datos, alcanzó una puntuación (llamada R²) de 0.967 usando el método lineal. Eso es como sacar un sobresaliente (A+) en un examen muy difícil.

5. Lo que la IA aprendió (La "Receta Secreta")

Al observar cómo la IA realizaba sus predicciones, los investigadores descubrieron reglas claras:

Más pegamento es bueno: Las carreteras con más betún (ligante) tienden a durar más. El pegamento mantiene las piedras unidas y las mantiene flexibles.
Menos burbujas es bueno: Las carreteras con menos burbujas de aire (vacíos de aire) duran más. Demasiadas burbujas hacen que la carretera sea débil y propensa a agrietarse.
El punto ideal: La IA sugirió que para que una carretera sea verdaderamente duradera, debe tener al menos un 5.5% de ligante. Sin embargo, señalaron que esto podría ser demasiado para las capas inferiores de una carretera, donde se suele usar menos pegamento para evitar que la carretera se vuelva demasiado blanda con el calor.

6. El problema (Limitaciones)

Los autores son honestos sobre los límites de su trabajo:

El libro de recetas es pequeño: Solo tenían 245 muestras. Aunque esto es mucho para este tipo específico de prueba, es poco para que una computadora aprenda todo.
Sesgo: La mayoría de sus datos provinieron de solo unos pocos estudios. La IA podría tener un "sesgo" hacia esos tipos específicos de carreteras y no podría ser perfecta para tipos de carreteras totalmente diferentes que no haya visto antes.
Sin bola de cristal: La IA es excelente prediciendo carreteras que se parecen a las del entrenamiento. Si le preguntas por una carretera hecha de materiales completamente diferentes, podría equivocarse.

Conclusión

Este artículo muestra que podemos usar un programa de computadora inteligente para adivinar cuánto durará una carretera basándonos en su receta (cuánto pegamento y cuántas burbujas de aire tiene). Esto podría ahorrar a los ingenieros una enorme cantidad de tiempo y dinero al reducir la necesidad de pruebas de laboratorio lentas y repetitivas. Los investigadores incluso pusieron su código y sus datos en línea para que otros puedan revisar su trabajo o intentar mejorar la "receta".

Resumen Técnico: Predicción de la Vida a la Fatiga del Concreto Asfáltico mediante Redes Neuronales

Planteamiento del Problema
La durabilidad del concreto asfáltico (CA) está fundamentalmente vinculada a su vida a la fatiga, un parámetro que dicta los costos de mantenimiento y la longevidad estructural. Los métodos de evaluación tradicionales, como la prueba de flexión de cuatro puntos (4PB), consumen muchos recursos y tiempo, requiriendo a menudo semanas para la preparación y el curado de las probetas, seguidas de horas o días de pruebas. Si bien el aprendizaje automático (ML) ofrece una vía para predecir la vida a la fatiga utilizando datos existentes, las aplicaciones previas de redes neuronales artificiales (ANN) en este dominio a menudo carecieron de descripciones arquitectónicas detalladas o no lograron utilizar conjuntos de datos extensos y heterogéneos. Además, la variabilidad inherente de los datos de vida a la fatiga, que a menudo sigue una distribución logarítmica con una asimetría significativa, plantea desafíos para los modelos de regresión estándar.

Metodología
El estudio empleó ANN para predecir el número de ciclos hasta la falla ( $N_f$ ) basándose en tres variables de entrada principales: el nivel de deformación ( $\varepsilon$ ), el contenido de ligante y el contenido de vacíos de aire.

Recopilación y Preprocesamiento de Datos: El conjunto de datos comprendió 245 muestras extraídas de cuatro publicaciones científicas revisadas por pares, todas las cuales utilizaron pruebas 4PB a una tasa de deformación constante, una frecuencia de 10 Hz y temperaturas de 20°C (o 70°F). Para abordar la asimetría significativa y la distribución de cola larga de los datos originales de $N_f$ , se aplicó una transformación de Box–Cox con un parámetro óptimo $\lambda = -0.09$ . Esta normalización fue validada mediante pruebas de Shapiro–Wilk y gráficos Q-Q. La detección de valores atípicos se realizó utilizando tanto puntuaciones Z estándar como puntuaciones Z modificadas (basadas en la desviación absoluta de la mediana); no se identificaron valores atípicos, lo que permitió la retención de la totalidad del conjunto de datos.
Arquitectura y Entrenamiento del Modelo: La ANN se desarrolló utilizando la biblioteca Keras (modelo secuencial). Las variables de entrada se normalizaron mediante MinMaxScaler. La arquitectura del modelo se optimizó mediante una búsqueda sistemática de hiperparámetros, evaluando el número de capas ocultas ( $n_h$ ), neuronas por capa ( $n_{neur,h}$ ), funciones de activación y optimizadores. La arquitectura seleccionada finalmente presentó dos capas ocultas con 200 neuronas cada una, utilizando la función de activación ReLU y el optimizador RMSprop.
Funciones de Pérdida y Validación: Para dar cabida al amplio rango de los datos de vida a la fatiga, se emplearon dos funciones de pérdida distintas: el Error Cuadrático Medio (LMSE) y el Error Logarítmico Cuadrático Medio (LMSLE). El conjunto de datos se dividió en un 75% para entrenamiento (dividido posteriormente en 80% de entrenamiento y 20% de validación) y un 25% para prueba. Se utilizó un enfoque de validación cruzada de cuatro pliegues para asegurar la robustez y minimizar el sobreajuste. El rendimiento del modelo se evaluó utilizando el coeficiente de determinación ( $R^2$ ), el $R^2$ ajustado y el Índice de Dispersión (SI).

Resultados Clave

Optimización de Hiperparámetros: La configuración de $n_h = 2$ y $n_{neur,h} = 200$ produjo el mayor rendimiento. ReLU superó consistentemente a las funciones de activación lineales y sigmoideas. Entre los optimizadores, RMSprop demostró una estabilidad y un rendimiento superiores en comparación con Adam y Nadam, particularmente cuando se combinaba con ReLU.
Desempeño de las Funciones de Pérdida: El modelo basado en LMSE logró un $R^2$ más alto (0.967) en el conjunto de prueba, lo que indica una fuerte alineación con las observaciones de $N_f$ altas. Por el contrario, el modelo basado en LMSLE logró un $R^2$ menor (0.86), pero un Índice de Dispersión significativamente menor (0.503 para LMSE frente a 0.926 para LMSLE), lo que sugiere que el LMSLE captura mejor el orden relativo y la distribución de las muestras con valores de vida a la fatiga más bajos.
Influencia de las Variables: Los gráficos de dependencia parcial revelaron que un menor contenido de vacíos de aire (idealmente por debajo de 3–4%) y un mayor contenido de ligante (generalmente por encima del 5.5%) se correlacionan con una vida a la fatiga prolongada. Los modelos confirmaron que un alto contenido de vacíos de aire combinado con un bajo contenido de ligante reduce notablemente la resistencia a la fatiga.

Significancia y Contribuciones
Los autores afirman que este estudio representa una aplicación integral de las redes neuronales para predecir la vida a la fatiga del CA en especímenes de laboratorio, distinguiéndose por la disponibilidad abierta tanto del código como del conjunto de datos a través de un repositorio de GitHub. Las contribuciones clave incluyen:

Transparencia de Datos: Proporcionar una base de acceso abierto para que investigaciones futuras refinen los modelos y potencialmente los expandan para incluir variables como los tipos de asfalto y agregados, que fueron excluidos en este estudio debido a su alta variabilidad.
Rigor Metodológico: Demostrar la eficacia de la optimización de hiperparámetros y la selección de funciones de pérdida apropiadas (específicamente LMSLE) para manejar la naturaleza logarítmica de los datos de fatiga.
Utilidad Práctica: Ofrecer una herramienta para la estimación preliminar de la vida a la fatiga esperada, permitiendo a los ingenieros ajustar los parámetros de diseño de la mezcla (contenido de ligante y de vacíos de aire) en una etapa temprana del proceso de diseño para reducir la dependencia de las pruebas experimentales extensas.

Limitaciones
El artículo reconoce modestamente que el conjunto de datos es relativamente pequeño y desequilibrado, con una parte sustancial derivada de un número limitado de estudios. Esto puede introducir un sesgo hacia las tendencias de las fuentes dominantes y limitar la generalizabilidad, particularmente para valores de $N_f$ extremos o escenarios de fatiga poco comunes. Los autores señalan que el modelo funciona mejor para mezclas que se asemejan a las fuentes de datos dominantes utilizadas en el entrenamiento, y que es necesaria una mayor recolección de datos experimentales para mejorar la robustez y la generalizabilidad del modelo.