⚡ electrical engineering

Development of Machine Learning Algorithms to Predict Damage Level of RC Structures Exposed to Extreme Dynamic Loads

Este estudio propone y evalúa cinco algoritmos de aprendizaje automático entrenados con datos de elementos finitos para predecir el daño inducido por explosiones en columnas de concreto reforzado, identificando a CatBoost como el modelo más eficaz y destacando la profundidad estructural, el peso de la carga y la resistencia a la fluencia del refuerzo como los principales factores influyentes.

Autores originales: Masoud Abedini, Chunwei Zhang, Linnan Zhang, Ardashir Mouhamadzadeh, Masoomeh Barmaki

Publicado 2026-07-02

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Masoud Abedini, Chunwei Zhang, Linnan Zhang, Ardashir Mouhamadzadeh, Masoomeh Barmaki

Artículo original bajo licencia CC BY 4.0 (https://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 una columna de hormigón armado (RC) como el tronco robusto de un árbol reforzado con acero. Ahora, imagina que ocurre una explosión masiva justo al lado de ese árbol. La onda de choque golpea al árbol y la gran pregunta es: ¿Qué tanto daño sufrirá ese árbol? ¿Recibirá unos cuantos rasguños, se le romperá una rama o se partirá completamente por la mitad?

Tradicionalmente, los ingenieros tienen que responder a esto construyendo modelos físicos costosos y peligrosos en laboratorios o ejecutando simulaciones computacionales increíblemente complejas y lentas que tardan horas o días en terminar. Es como intentar predecir el clima construyendo una atmósfera nueva de tamaño completo en una habitación cada vez que quieres saber si va a llover.

Este artículo presenta una forma más inteligente y rápida: el Aprendizaje Automático (ML, por sus siglas en inglés). Piensa en el ML como un estudiante superinteligente que ha estudiado miles de escenarios de "qué pasaría si" y ha aprendido los patrones de cómo reaccionan estas columnas de hormigón ante las explosiones. En lugar de construir un nuevo modelo cada vez, solo le preguntamos al estudiante: "Aquí están los detalles de la explosión y la columna; ¿cuál será el daño?".

Aquí hay un desglose de cómo lo hicieron y qué encontraron, utilizando analogías sencillas:

1. El Campo de Entrenamiento (Los Datos)

Antes de que los "estudiantes" (los modelos de IA) pudieran aprender, los investigadores tuvieron que crear una enorme biblioteca de problemas de práctica. No usaron explosiones reales (que son peligrosas y costosas); en su lugar, utilizaron un sofisticado programa informático llamado LS-DYNA para simular cientos de explosiones en columnas virtuales.

Crearon un conjunto de datos con 10 "ingredientes" diferentes para cada escenario, tales como:

Cuánto mide la columna (profundidad y anchura).
Qué tan fuerte es el hormigón y el acero.
Qué tan pesada es la bomba.
Qué tan lejos está la bomba.

2. Los Cinco Estudiantes (Los Algoritmos)

Los investigadores no solo eligieron una IA; contrataron a cinco "estudiantes" diferentes con distintos estilos de aprendizaje para ver quién era el mejor prediciendo el daño.

Random Forest (RF): Como un comité de expertos. Cada uno mira el problema desde un ángulo ligeramente diferente y votan la respuesta.
LightGBM, CatBoost y XGBoost: Estos son como un equipo de detectives que trabajan en secuencia. El primero hace una suposición, el segundo observa los errores del primero e intenta corregirlos, el tercero corrige los errores del segundo, y así sucesivamente. Se vuelven más inteligentes con cada paso.
SVM (Máquina de Vectores de Soporte): Este es como un árbitro estricto que intenta dibujar una línea recta (o una curva suave) para separar lo "seguro" de lo "dañado".

3. La Prueba (¿Quién Ganó?)

Los investigadores les dieron a los cinco estudiantes un nuevo conjunto de problemas que nunca habían visto para ver quién podía predecir el daño con mayor precisión.

El Ganador: CatBoost. Este modelo fue el claro campeón. Fue el más preciso y fiable. Aprendió los patrones complejos y desordenados de las explosiones mejor que los demás.
El Segundo Lugar: Random Forest. Fue muy consistente y estable, aunque ligeramente menos preciso que el ganador.
Los que sufrieron: XGBoost y LightGBM estuvieron bien, pero tuvieron más altibajos en su rendimiento.
El Perdedor: SVM. Este modelo falló por completo. Fue como intentar usar una regla para medir una línea ondulada; el daño por explosión es demasiado desordenado e impredecible para este tipo específico de pensamiento de "línea recta".

4. ¿Qué es lo que Realmente Importa? (Los Ingredientes Clave)

El modelo ganador (CatBoost) también le dijo a los investigadores qué "ingredientes" importaban más. Es como un chef diciéndote qué especias hacen que el plato sepa bien.

La Profundidad de la Columna (El Gran Ganador): El factor más importante fue qué tan "profunda" o gruesa era la columna. Hacer una columna más profunda es como hacer el tronco de un árbol más grueso; hace que sea increíblemente difícil de romper. Este único factor representó casi el 38% de la predicción del daño.
El Peso de la Bomba: Obviamente, una bomba más grande causa más daño, pero la relación no es un simple "duplica la bomba, duplica el daño". Es un poco más complejo, pero sigue siendo muy importante (aproximadamente el 27%).
La Resistencia del Acero: La resistencia de las barras de acero que corren dentro del hormigón fue el tercer factor más importante (14%). Un acero más fuerte ayuda a la columna a mantenerse unida incluso después de que el hormigón se agriete.

Hallazgos Sorprendentes:

Resistencia del Hormigón: Sorprendentemente, hacer el hormigón más fuerte no ayudó tanto como se esperaba una vez que superó cierto punto. Es como usar una roca súper dura para un tope de puerta; una vez que es lo suficientemente dura, hacerla más dura no evita que la puerta se mueva.
Refuerzo Transversal (Los "Estribos"): Los pequeños lazos de acero que sujetan las barras principales no importaron mucho si la columna ya estaba construida bajo los estándares de la normativa. Es como añadir cinturones de seguridad extra a un coche que ya tiene unos buenos; no cambia mucho el resultado en un choque.

5. Por qué esto es Importante

El artículo concluye que ya no necesitamos ejecutar simulaciones computacionales lentas y costosas para cada diseño. Podemos usar el modelo CatBoost para predecir instantáneamente cuánto daño recibirá una columna debido a una explosión.

Velocidad: Es instantáneo.
Precisión: Es lo suficientemente fiable como para ayudar a los ingenieros a diseñar edificios más seguros.
Seguridad: Ayuda a identificar qué edificios son vulnerables y qué cambios de diseño (como hacer las columnas más profundas o usar un acero más fuerte) salvarán más vidas.

En resumen, los investigadores construyeron una "bola de cristal" para los ingenieros. En lugar de adivinar o esperar días por una simulación, ahora pueden preguntarle a la IA: "Si construimos una columna de este tamaño con tanto acero, y una bomba de este tamaño estalla aquí, ¿qué tan malo será el daño?", y obtener una respuesta confiable en segundos.

Resumen Técnico: Desarrollo de Algoritmos de Aprendizaje Automático para Predecir el Nivel de Daño en Estructuras de Hormigón Armado Expuestas a Cargas Dinámicas Extremas

1. Planteamiento del Problema

Las estructuras de hormigón armado (HA) son cada vez más vulnerables a las cargas explosivas debido al aumento de la frecuencia de los ataques terroristas y los posibles accidentes industriales. Los métodos tradicionales para evaluar el daño por explosión —las pruebas experimentales y las simulaciones numéricas— enfrentan limitaciones significativas. El análisis experimental es costoso, consume mucho tiempo y plantea graves riesgos de seguridad. Por el contrario, aunque las simulaciones numéricas (por ejemplo, el Análisis de Elementos Finitos mediante LS-DYNA) ofrecen información detallada, requieren recursos computacionales extensos y conocimientos especializados, lo que las hace poco prácticas para el diseño preliminar rápido o el cribado de vulnerabilidad a gran escala.

Existe una necesidad crítica de un método más simple, rápido y preciso para predecir los niveles de daño en columnas de HA bajo carga de explosión. Este estudio aborda esta brecha investigando la eficacia de los algoritmos de Aprendizaje Automático (ML) como alternativas basadas en datos a los métodos de simulación tradicionales.

2. Metodología

2.1 Generación de Datos y Simulación Numérica

La investigación utilizó un conjunto de datos exhaustivo generado mediante simulaciones numéricas en lugar de experimentos físicos.

Software: Se utilizó LS-DYNA para modelar la respuesta dinámica de las columnas de HA bajo carga explosiva.
Detalles del Modelo: Los modelos representaron columnas de HA rectangulares (sección transversal de 500×700 mm, altura de 4400 mm) con refuerzo longitudinal y transversal específico.
Modelos de Material:
- Hormigón: Modelado mediante MAT_CONCRETE_DAMAGE_REL3 (MAT 72Rel3) para capturar el comportamiento no lineal, la acumulación de daño y los efectos de la tasa de deformación.
- Acero: Modelado mediante MAT_PIECEWISE_LINEAR_PLASTICITY (MAT 24).
- Tasa de Deformación: Se aplicaron Factores de Incremento Dinámico (DIF) basados en el Código de Modelos CEB-FIB para considerar las altas tasas de deformación típicas de los eventos de explosión.
Carga: Las cargas de explosión se simularon utilizando un historial de presión-tiempo triangular simplificado aplicado a la superficie de la columna, definido por la sobrepresión máxima y la duración de la fase positiva.
Validación: El modelo numérico se validó frente a los datos experimentales de Baylot y Benvis (2007), mostrando una estrecha concordancia en la deflexión a media altura y el desplazamiento residual.

2.2 Evaluación del Daño

Se definió un índice de daño ( $D$ ) basado en la capacidad de carga axial residual de la columna:
$D = 1 - \frac{P_{residual}}{P_d}$
Donde $P_{residual}$ es la capacidad de la columna dañada y $P_d$ es la capacidad de la columna no dañada. Los niveles de daño se clasificaron en cuatro categorías: Bajo ( $0 < D < 0.2$ ), Medio ( $0.2 < D < 0.5$ ), Alto ( $0.5 < D < 0.8$ ) y Colapso ( $0.8 < D < 1$ ).

2.3 Marco de Aprendizaje Automático (Machine Learning)

Se entrenaron y probaron cinco algoritmos distintos de ML en el conjunto de datos derivado de los modelos de elementos finitos:

Random Forest (RF)
Light Gradient Boosting Machine (LightGBM)
Categorical Boosting (CatBoost)
Extreme Gradient Boosting (XGBoost)
Support Vector Machine (SVM)

Características de Entrada (10 parámetros):

Geométricos: Profundidad de la columna ( $D$ ), ancho ( $w$ ), altura ( $H$ ).
Materiales: Resistencia a la compresión del hormigón ( $f_c$ ), resistencia a la fluencia del acero longitudinal ( $f_y$ ), resistencia a la fluencia del acero transversal ( $f_{yt}$ ), razón de refuerzo longitudinal ( $\rho$ ), razón de refuerzo transversal ( $\rho_s$ ).
Explosión: Peso de la carga ( $W$ ), Distancia escalada ( $Z$ ).

3. Contribuciones Clave

Análisis Comparativo: El estudio proporciona una comparación rigurosa de cinco algoritmos de vanguardia de ML específicamente para el problema no lineal y rico en umbrales de la predicción de daños por explosión en columnas de HA.
Identificación del Algoritmo Óptimo: Identifica a CatBoost como el modelo superior para esta aplicación específica, superando a RF, XGBoost, LightGBM y SVM en términos de precisión y fiabilidad.
Cuantificación de la Importancia de las Características: La investigación cuantifica la influencia relativa de los parámetros geométricos, de materiales y de explosión sobre la severidad del daño, ofreciendo información basada en datos para la optimización del diseño.
Análisis de Sensibilidad: El estudio mapea las relaciones no lineales entre las variables de entrada (por ejemplo, peso de la carga, profundidad de la columna) y el índice de daño resultante, identificando umbrales críticos en el comportamiento estructural.

4. Resultados

4.1 Rendimiento del Modelo

El rendimiento se evaluó utilizando $R^2$ , Error Cuadrático Medio (MSE), Error Absoluto Medio (MAE), Puntuación de Varianza Explicada (EVS), Error Porcentual Absoluto Medio (MAPE) y Error Logarítmico Cuadrático Medio (MSLE).

CatBoost (Nivel 1): Alcanzó el mayor rendimiento con un $R^2$ de 0.7125, un MAE de 1,061.09 y un MAPE de 17.63%. Demostró el mejor equilibrio entre precisión y fiabilidad.
Random Forest (Nivel 2): Mostró un buen rendimiento ( $R^2 = 0.6274$ ) con la mayor estabilidad (menor desviación estándar en $R^2$ ), lo que lo convierte en una alternativa robusta.
XGBoost (Nivel 2): Logró una precisión media competitiva ( $R^2 = 0.6109$ ) pero exhibió una alta variabilidad (desviación estándar de 0.2313), lo que sugiere sensibilidad a las divisiones de datos.
LightGBM (Nivel 3): Entregó un rendimiento marginal ( $R^2 = 0.5043$ ), probablemente debido a su estrategia de crecimiento por hojas que sobreajusta patrones localizados.
SVM (Nivel 4): Falló completamente con un $R^2$ de -0.0170, lo que indica una incapacidad para capturar las complejidades no lineales y las transiciones discontinuas (por ejemplo, del daño localizado al colapso) inherentes a la carga de explosión.

4.2 Importancia de las Características

Basado en el modelo CatBoost, los parámetros de entrada fueron clasificados por su influencia en la predicción del daño:

Profundidad del Elemento Estructural ( $D$ ): 38.45% (Factor dominante).
Peso de la Carga: 27.25%.
Resistencia a la Fluencia del Refuerzo Longitudinal ( $f_y$ ): 14.55%.
Distancia Escalada ( $Z$ ): 6.42%.
Razón de Refuerzo Transversal ( $\rho_s$ ): 3.04%.
Resistencia a la Fluencia del Refuerzo Transversal ( $f_{yt}$ ): 2.71%.
Resistencia a la Compresión del Hormigón ( $f_c$ ): 2.66%.
Altura de la Columna ( $H$ ): 2.21%.
Ancho de la Columna ( $w$ ): 1.78%.
Razón de Refuerzo Longitudinal ( $\rho$ ): 0.93%.

4.3 Sensibilidad y Umbrales

Profundidad: Existe un umbral distintivo entre 550 mm y 650 mm. Aumentar la profundidad más allá de 600 mm ofrece rendimientos decrecientes en la reducción del daño.
Peso de la Carga: El daño aumenta logarítmicamente con el peso de la carga, estabilizándose a medida que la estructura se acerca al colapso total.
Resistencia del Hormigón: Aumentar $f_c$ más allá de los 45 MPa ofrece un beneficio adicional mínimo debido al efecto de la tasa de deformación (DIF) que normaliza las diferencias de resistencia estática.
Refuerzo Transversal: Dentro del rango estudiado, las variaciones en el refuerzo transversal tuvieron un impacto insignificante en la métrica de daño de la capacidad de carga axial residual, siempre que se cumplieran los requisitos mínimos de la normativa.

5. Significación y Reivindicaciones

El artículo afirma que los modelos de ML desarrollados, particularmente CatBoost, proporcionan una herramienta rápida y precisa para predecir el daño estructural y los modos de falla de las columnas de HA bajo carga de explosión.

Utilidad Práctica: Los modelos pueden reemplazar las costosas simulaciones de elementos finitos para el diseño preliminar y el cribado de vulnerabilidad, siempre que se apliquen los factores de seguridad adecuados.
Guía de Diseño: El estudio ofrece recomendaciones de diseño específicas respaldadas por datos:
- Priorizar el aumento de la profundidad de la columna sobre el aumento de la resistencia del hormigón o la adición de refuerzo transversal para la resistencia a explosiones.
- Utilizar acero longitudinal de alta resistencia ( $f_y \ge 500$ MPa) para aprovechar los beneficios de la tasa de deformación.
- Evitar especificar resistencias de hormigón significativamente superiores a 45 MPa para la resistencia a explosiones, ya que la ganancia marginal es baja.
- Centrarse en la distancia escalada (distancia de separación) como una medida de protección primaria durante la planificación del sitio.

Los autores concluyen que, si bien los modelos están limitados a los rangos de parámetros y los datos de simulación numérica utilizados, representan un paso significativo hacia un diseño resistente a explosiones más eficiente y basado en datos. El estudio evita explícitamente pretender una aplicabilidad universal más allá de los rangos probados y sugiere que trabajos futuros incorporen datos experimentales y se extiendan a otros elementos estructurales.