A Look into How Machine Learning is Reshaping Engineering Models: the Rise of Analysis Paralysis, Optimal yet Infeasible Solutions, and the Inevitable Rashomon Paradox

Resumen Técnico: Una mirada a cómo el Aprendizaje Automático está transformando los modelos de ingeniería

Planteamiento del problema
El artículo aborda una tensión tanto filosófica como práctica dentro de la ingeniería civil: la aceptación generalizada de las disposiciones normativas derivadas empíricamente (por ejemplo, la ecuación de Manning, ecuaciones de resistencia al corte) frente al escepticismo que rodea a los modelos de Aprendizaje Automático (ML). Aunque ambos se basan en fundamentos estadísticos, las fórmulas empíricas tradicionales gozan de confianza debido a décadas de validación, transparencia en la interacción de variables y alineación con el juicio de la ingeniería. En contraste, los modelos de ML suelen ser vistos como "cajas negras" que carecen de interpretabilidad física, lo que desafía la mentalidad tradicional de la ingeniería, la cual prioriza la comprensión de los mecanismos sobre la pura precisión predictiva. El artículo argumenta que esta vacilación surge de una desconexión entre la naturaleza digitalizada del ML y las formas matemáticas familiares de las ecuaciones empíricas, así como de una falta de estandarización y validación histórica del ML en la práctica de la ingeniería.

Metodología
El estudio emplea un enfoque multifacético que combina la discusión filosófica con estudios de caso empíricos para demostrar cómo el ML puede integrarse en el razonamiento de la ingeniería mediante la deducción, la inducción y la abducción.

1. Análisis de la jerarquía de modelos: El artículo categoriza los modelos de ingeniería, desde los basados en la física (por ejemplo, el Método de Elementos Finitos) hasta los puramente basados en datos, mapeándolos con sus equivalentes de ML, tales como las Redes Neuronales Informadas por la Física (PINNs) y los modelos de descubrimiento causal.
2. Estudios de caso de razonamiento:
   • Inducción: Utilizando la biblioteca PySR (Regresión Simbólica) en un conjunto de datos de resistencia a la compresión del concreto (1,030 muestras), el estudio deriva nuevas expresiones matemáticas. Estas se comparan con la Ley de Abram y algoritos de ML tradicionales (Random Forest, XGBoost, etc.) para evaluar la precisión predictiva y la importancia de las variables.
   • Abducción: Se entrena un modelo de Random Forest con datos de resistencia al fuego para columnas de Concreto Reforzado (RC) (140 pruebas) para identificar configuraciones estructurales que cumplan con un objetivo de resistencia al fuego de 120 minutos. El estudio utiliza valores SHAP (SHapley Additive exPlanations) para la interpretabilidad y emplea el agrupamiento (clustering) no supervisado para generar hipótesis de configuraciones de alto rendimiento.
   • Deducción: El artículo discute las limitaciones de la fórmula de pandeo de Euler (suposiciones idealizadas) y propone cómo el ML puede calibrar los modelos de Elementos Finitos o utilizar enfoques Bayesianos para considerar las imperfecciones del mundo real, aunque se omite un estudio de caso específico para la deducción para evitar la redundancia con la literatura existente.
3. Investigación de paradojas: El estudio identifica y analiza tres paradojas específicas derivadas de la adopción del ML:
   • Parálisis por Análisis: Alta precisión a costa del entendimiento físico.
   • Soluciones Óptimas pero Inviables: Optimización que produce diseños que violan la constructibilidad o la estandarización.
   • La Paradoja de Rashomon: Explicaciones contradictorias de diferentes métodos de interpretabilidad (SHAP vs. LIME) que pueden entrar en conflicto con las leyes físicas.

Resultados Clave

• Inducción (Resistencia del concreto): La regresión simbólica (PySR) generó expresiones para la resistencia a la compresión del concreto que superaron significativamente a la Ley de Abram (R² = 0.926 vs. 0.724) cuando se utilizó únicamente la relación agua-cemento. Al incorporar todas las proporciones de la mezcla, los modelos de ML (Gradient Boosting, LightGBM, XGBoost) alcanzaron valores de R² de hasta 0.9477, superando las extensiones empíricas tradicionales. El análisis de importancia de variables confirmó que el ML identificó variables físicamente relevantes (por ejemplo, relación agua-cemento, edad, contenido de cemento).
• Abducción (Resistencia al fuego): El modelo de Random Forest logró un R² de de 0.748 en el conjunto de prueba para predecir la resistencia al fuego de columnas de RC. El análisis SHAP identificó con éxito las configuraciones que cumplían con el objetivo de 120 minutos, revelando que la altura de la columna y la excentricidad reducen la resistencia al fuego, mientras que el espesor del recubrimiento y el ancho la aumentan. El agrupamiento no supervisado agrupó con éxito los datos en cinco clústeres distintos basados en la carga y las propiedades de los materiales, permitiendo la generación de nuevas configuraciones plausibles para un objetivo de 240 minutos.
• Paradojas Identificadas:
  • Parálisis por Análisis: Un modelo de regresión simbólica para la capacidad axial de Tubos de Acero Rellenos de Concreto (CFST) superó las disposiciones de AISC 360, Eurocódigo 4 y AS 2327 en términos de MAE y RMSE. Sin embargo, la expresión resultante carecía de una justificación física clara, ilustrando el compromiso entre precisión e interpretabilidad.
  • Soluciones Inviables: Un estudio de optimización para columnas CFST utilizando el algoritmo SPINEX produjo una solución teóricamente óptima (380 mm de diámetro) que satisfacía la resistencia al fuego y las restricciones de volumen, pero era inviable debido a la inexistencia de una sección de acero estándar de 380 mm.
  • Paradoja de Rashomon: La comparación de SHAP y LIME en el modelo de columnas de RC reveló atribuciones de características conflictivas. Por ejemplo, un método sugirió que una mayor resistencia a la fluencia mejoraba la resistencia al fuego, mientras que el otro sugirió que la reducía, contradiciendo los principios termomecánicos establecidos, a pesar de la alta precisión estadística del modelo.

Significancia y Reivindicaciones
El artículo sostiene que, si bien el ML ofrece una capacidad predictiva superior y la habilidad de manejar relaciones complejas y no lineales en la ingeniería estructural, su integración requiere un replanteamiento de la epistemología y la educación en ingeniería. El autor argumenta que el ML no debe reemplazar los métodos tradicionales, sino servir como una extensión del conjunto de herramientas del ingeniero.

La significancia del trabajo radica en la identificación de tres paradojas críticas que deben resolverse para que el ML pueda adoptarse de forma segura:

1. Cerrar la brecha de interpretabilidad: Los ingenieros deben ir más allá de la aceptación de la "caja negra" mediante el uso de enfoques híbridos (por ejemplo, Redes Neuronales Informadas por la Física) y marcos de validación que aseguren que las predicciones del ML se alineen con los mecanismos físicos.
2. Garantizar la constructibilidad: Los algoritmos de optimización deben incorporar restricciones discretas y sistemas basados en el conocimiento para evitar la generación de diseños teóricamente óptimos pero prácticamente inviables.
3. Resolver conflictos de explicabilidad: El artículo aboga por un enfoque de múltiples métodos para la explicabilidad, donde los resultados de herramientas como SHAP y LIME se sinteticen y filtren a través de una capa de verificación física para asegurar que las atribuciones de las características no contradigan las leyes fundamentales de la ingeniería.

En última instancia, el artículo concluye que el futuro de la educación y la práctica de la ingeniería debe armonizar los principios tradicionales con el ML, abordando el papel decreciente de la intuición humana y la necesidad de marcos de ML estandarizados, interpretables y éticamente sólidos en la profesión.