Optimization of the Ternary Concrete Mix Design using Gaussian Process Regression

Resumen Técnico: Optimización del Diseño de Mezclas de Concreto Ternario mediante Regresión de Procesos Gaussianos

Planteamiento del Problema
La producción de Cemento Portland Ordinario (OPC) representa aproximadamente el 7–8% de las emisiones globales de CO₂, lo que requiere el desarrollo de alternativas de concreto sostenibles y de bajo carbono. Si bien los materiales cementantes suplementarios (SCM), como la Escoria Granulada de Alto Horno (GGBFS) y el Polvo de Caliza (LSP), ofrecen vías viables para reducir el contenido de clínker, su uso combinado en sistemas de mezclas ternarias presenta interacciones complejas y no lineales. La GGBFS mejora la resistencia a largo plazo mediante actividad hidráulica latente, pero a menudo retrasa el desarrollo de la resistencia a edades tempranas. Por el contrario, el LSP actúa como un agente de nucleación y relleno, lo que potencialmente compensa las pérdidas de resistencia inicial. Sin embargo, un reemplazo excesivo puede diluir las fases cementantes y reducir el desempeño mecánico. El modelado empírico convencional tiene dificultades para capturar estos efectos sinérgicos y el ruido experimental inherente en conjuntos de datos pequeños o moderados. Además, existe una brecha en la aplicación de métodos de aprendizaje automático probabilísticos para predecir múltiples propiedades mecánicas simultáneamente para sistemas ternarios de GGBFS-LSP.

Metodología
Este estudio empleó un enfoque dual que combina la caracterización experimental con el modelado avanzado de aprendizaje automático:

• Programa Experimental: Se prepararon veinticinco diseños de mezclas de concreto ternario distintos con una relación agua-aglomerante constante de 0.40. Las mezclas variaron los niveles de reemplazo de GGBFS del 0 al 40% y los niveles de reemplazo de LSP del 0 al 20% por masa de aglomerante. Los especímenes se curaron a 23 ± 2 °C y se sometieron a pruebas a los 7, 14, 28 y 90 días para resistencia a la compresión, resistencia a la tracción por división y resistencia a la flexión.
• Modelado de Aprendizaje Automático: Se desarrollaron y compararon dos algoritmos:
  • Regresión de Procesos Gaussianos (GPR): Un método bayesiano no paramétrico seleccionado por su capacidad para proporcionar tanto predicciones puntuales como estimaciones de incertidumbre (intervalos de confianza), lo que lo hace adecuado para datos experimentales ruidosos. El modelo utilizó el contenido de cemento, el % de GGBFS, el % de LSP y la edad de curado como características de entrada.
  • Red Neuronal Artificial (ANN): Un perceptrón multicapa (MLP) con tres capas ocultas (100, 50 y 25 neuronas) utilizando activación ReLU, entrenado con el optimizador Adam y regularización L2 para prevenir el sobreajuste.
• Validación: Ambos modelos fueron evaluados mediante validación cruzada de 5 pliegues (5-fold cross-validation). Se evitó el sobremuestreo sintético para preservar la integridad de las relaciones físicas de resistencia-mezcla.

Resultos Clave

• Desempeño Mecánico:
  • Resistencia a la Compresión: La mezcla binaria con 30% de GGBFS y 0% de LSP (B0G30) alcanzó la mayor resistencia a la compresión a los 90 días de 48.75 MPa, superando al control de OPC en un 7.0%. Las mezclas ternarias con 5–15% de LSP y 20–40% de GGBFS generalmente mostraron un mejor desempeño debido a la formación de la fase de carboaluminato. Sin embargo, los contenidos de LSP que exceden el 20% resultaron en reducciones de resistencia en todas las edades.
  • Resistencia a la Tracción por División: La resistencia generalmente mejoró con el aumento del contenido de GGBFS. La mezcla ternaria B10G40 (10% de LSP, 40% de GGBFS) alcanzó la mayor resistencia a la tracción a los 90 días (3.58 MPa).
  • Resistencia a la Flexión: Mientras que la resistencia a la flexión a edades tempranas fue mayor en las mezclas binarias de GGBFS, el desempeño a largo plazo se optimizó en las mezclas ternarias. La mezcla B10G40 alcanzó 6.31 MPa a los 90 días.
• Desempeño del Modelo:
  • Resistencia a la Compresión: La GPR superó significativamente a la ANN, logrando un $R^2$ de 0.848 (MAE = 1.755 MPa, RMSE = 2.289 MPa) frente al $R^2$ de 0.564 de la ANN.
  • Resistencia a la Tracción y Flexión: La precisión de la predicción fue menor para ambos modelos debido a una mayor dispersión experimental. Notablemente, la ANN superó a la GPR para estas propiedades ($R^2$ = 0.440 para tracción y 0.323 para flexión), lo que sugiere que sus funciones de activación no lineales capturan mejor las interacciones complejas que rigen estas propiedades específicas.
  • Cuantificación de la Incertidumbre: Se demostró una ventaja distintiva de la GPR en su capacidad para generar intervalos de confianza del 95% que se amplían en regiones de datos escasos (por ejemplo, resistencia a la flexión con $n=100$), proporcionando métricas de confiabilidad críticas para el diseño estructural.

Contribuciones Clave

1. Caracterización Experimental: Proporcionó un conjunto de datos exhaustivo de 25 mezclas ternarias de GGBFS-LSP evaluadas en cuatro edades de curado para tres propiedades mecánicas.
2. Desarrollo de Modelos: Desarrolló modelos individuales de GPR para cada propiedad mecánica con cuantificación de incertidumbre integrada, una capacidad no reportada previamente para este sistema ternario específico.
3. Análisis Comparativo: Comparó sistemáticamente GPR y ANN, destacando que, si bien la GPR es superior para la predicción de la resistencia a la compresión y la evaluación de la confiabilidad, la ANN puede ser más efectiva para predecir las propiedades de tracción y flexión en este contexto.
4. Optimización: Identificó cuatro diseños de mezcla óptimos basados en criterios de desempeño específicos:
   • B0G30: Mayor resistencia a la compresión a largo plazo.
   • B0G40: Mayor resistencia a la tracción a los 28 días.
   • B15G30: Desempeño más equilibrado en las tres propiedades.
   • B15G10: Mayor resistencia a la compresión a los 28 días.

Significancia y Reivindicaciones
El artículo sostiene que los hallazgos proporcionan orientación práctica para el diseño de sistemas de aglomerantes ternarios sostenibles, demostrando que un reemplazo moderado de LSP (5–15%) combinado con GGBFS puede equilibrar el desempeño de edades tempranas y a largo plazo, reduciendo al mismo tiempo la huella de carbono. El estudio enfatiza el valor complementario de GPR y ANN: se recomienda la GPR como el modelo principal para la resistencia a la compresión debido a sus límites de incertidumbre probabilísticos esenciales para el diseño basado en la confiabilidad, mientras que la ANN muestra promesa para capturar las complejidades no lineales de los comportamientos de tracción y flexión. Los autores concluyen que, si bien la precisión de la predicción para la resistencia a la tracción y la flexión sigue siendo limitada por el tamaño del conjunto de datos y la dispersión experimental, la integración de la GPR ofrece un marco robusto para abordar las incertidumbres en la optimización de mezclas de concreto. Se sugiere como trabajo futuro expandir los conjuntos de datos y explorar la GPR de salida múltiple para la predicción simultánea de múltiples propiedades.