Metaheuristic-Optimized Machine Learning Models for Predicting Shear Strength of Circular Concrete-Filled Steel Tubes with SHAP-Based and PDP Interpretability

Imagina que estás construyendo un rascacielos o un puente masivo. Para hacer que estos gigantes se mantengan erguidos contra el viento, los terremotos y el tráfico pesado, los ingenieros suelen usar un truco ingenioso: vierten hormigón dentro de un tubo de acero hueco. Piensa en esto como un malvavisco cubierto de chocolate, pero en lugar de un dulce suave, tienes una superresistente cáscara de acero abrazando un núcleo de hormigón. El acero evita que el hormigón se agriete, y el hormigón evita que el acero se deforme por pandeo, creando un supermaterial que puede soportar un peso increíble. Esto se llama Tubo de Acero Relleno de Hormigón (CFST, por sus siglas en inglés).

Sin embargo, existe un peligro sigiloso en estas estructuras. Aunque son excelentes para soportar cargas pesadas desde arriba, pueden romperse repentinamente hacia los lados si se les empuja con demasiada fuerza. Esto se llama "falla por cortante", y ocurre tan rápido que los edificios no tienen oportunidad de avisarte antes de desmoronarse. Durante décadas, los ingenieros han intentado predecir exactamente cuánta fuerza pueden soportar estos tubos antes de romperse usando complejas fórmulas matemáticas. Pero estas viejas fórmulas son como intentar adivinar el clima mirando una sola nube; a menudo pasan por alto las formas complicadas en que el acero y el hormigón interactúan. Es por eso que los científicos están recurriendo al "aprendizaje automático" (machine learning)—programas informáticos que aprenden de experimentos pasados para encontrar patrones que los humanos podrían pasar por alto. La gran pregunta es: ¿Puede una computadora aprender la receta secreta para un tubo seguro e indestructible mejor que los viejos libros de matemáticas?

Este artículo profundiza en esa pregunta enseñando a cuatro diferentes "cerebros" informáticos a predecir la resistencia al corte de tubos circulares de hormigón rellenos de acero. Los investigadores recopilaron datos de 230 experimentos pasados, como un chef que recolecta 230 recetas diferentes para el pastel perfecto. Luego, introdujeron estos datos en cuatro modelos inteligentes: dos que utilizan un método llamado "Optimización por Enjambre de Partículas" (que funciona como una bandada de aves buscando la mejor fuente de alimento) y dos que utilizan la "Optimación Bayesiana" (que actúa como un detective haciendo suposiciones educadas para resolver un misterio). Estos modelos fueron combinados con dos estilos de aprendizaje diferentes: "Bosque Aleatorio" (Random Forest, que hace muchas preguntas y toma un promedio de respuestas) y "CatBoost" (un aprendiz superrápido que es excelente manejando datos desordenados).

Los resultados fueron emocionantes. Los modelos informáticos no solo adivinaron; aprendieron los patrones con una precisión increíble. El mejor ejecutor fue una combinación llamada "BO-Cat" (Optimización Bayesiana con CatBoost). En la fase de prueba, donde el modelo se enfrentó a datos nuevos que no había visto antes, obtuvo una puntuación de precisión (R²) de 0.9817. Para ponerlo en perspectiva, si la puntuación perfecta es 1.0, este modelo estuvo casi en el clavo. El segundo mejor modelo, "PSO-Cat", también hizo un trabajo fantástico con una puntuación de 0.9874. El artículo muestra explícitamente que estos modelos inteligentes son mucho mejores que las fórmulas matemáticas tradicionales y antiguas, que a menudo luchan con la compleja danza no lineal entre el acero y el hormigón.

Pero los investigadores no solo querían una "caja negra" que diera respuestas sin explicar el porqué. Querían saber por qué la computadora hacía esas predicciones. Usando una herramienta llamada SHAP (que actúa como un reflector, resaltando qué ingredientes importaban más), descubrieron que los factores más importantes eran el tamaño del núcleo de hormigón y el tamaño del tubo de acero. Curiosamente, la relación entre la longitud y el ancho del tubo también jugó un papel crucial, mientras que la resistencia específica del acero o del hormigón importaba menos de lo que se podría pensar. El equipo incluso construyó una "Interfaz Gráfica de Usuario" sencilla (una herramienta tipo aplicación amigable) para que cualquier ingeniero pudiera introducir sus números y obtener instantáneamente una predicción segura, completa con una explicación de qué impulsó ese número.

En resumen, este estudio sugiere que, al combinar algoritmos de búsqueda inteligentes con modelos de aprendizaje potentes, podemos predecir la seguridad de estos componentes críticos con mucha más exactitud que antes. El artículo confirma que los nuevos modelos son fiables, demostrando que los modelos BO-Cat y PSO-Cat son los guías más dignos de confianza para diseñar estructuras más seguras y fuertes. Si bien el artículo señala que más datos y diferentes tipos de tubos podrían hacer que estos modelos sean aún mejores en el futuro, los hallazgos actuales ofrecen una nueva herramienta poderosa para mantener nuestros puentes y edificios erguidos y estables.