⚡ electrical engineering

Residual strength of corroded reinforced concrete beams: Experimental, analytical, numerical and machine learning approach

Este estudio evalúa la capacidad de flexión residual de vigas de concreto reforzado corroídas mediante un enfoque integrado y exhaustivo que combina pruebas experimentales, formulaciones analíticas modificadas, modelado numérico de elementos finitos y aprendizaje automático, demostrando finalmente que los algoritmos de Bosque Aleatorio ofrecen la herramienta de predicción más eficiente y precisa en comparación con los métodos tradicionales.

Autores originales: Suryansh Sharma, Harish Chandra Arora, Aman Chauhan, Aditya Sharma, Madhu Sharma

Publicado 2026-07-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Suryansh Sharma, Harish Chandra Arora, Aman Chauhan, Aditya Sharma, Madhu Sharma

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 viga de hormigón armado como un sándwich de superhéroe resistente. El pan es el hormigón y las barras de acero en su interior son los músculos súper fuertes que lo mantienen todo unido. Pero con el tiempo, especialmente en aire salino o contaminado, esos músculos de acero comienzan a oxidarse. Al igual que una cadena de bicicleta oxidada, el acero se vuelve más delgado y débil, y todo el sándwich pierde su capacidad para soportar cargas pesadas.

Este estudio es una misión de detective masiva para descubrir exactamente cuánta fuerza le queda a estos "sándwiches oxidados". Los investigadores no solo adivinaron; intentaron cuatro formas diferentes de resolver el misterio: realizando experimentos de la vida real, usando fórmulas matemáticas, ejecutando simulaciones por computadora y enseñando a las computadoras a aprender de los datos.

El Experimento de la Vida Real: El Gimnasio Oxidado
Primero, el equipo construyó cinco vigas de hormigón reales, algunas hechas con hormigón de grado "M30" y otras con el más fuerte grado "M50". No esperaron años para que el óxido ocurriera naturalmente. En su lugar, colocaron las vigas en un tanque de agua salada y las zapatearon con electricidad para acelerar el proceso de oxidación, creando niveles de corrosión de hasta el 16%.

Luego, pusieron estas vigas en una máquina de pruebas y las doblaron hasta que se rompieron. Los resultados fueron dramáticos. Una viga fresca, no corroída, hecha de hormigón M50, podía soportar 68 kN de fuerza. Pero una vez que se oxidó aproximadamente al 12%, esa fuerza cayó a 43.71 kN. Al 15% de óxido, solo podía soportar 38 kN. En resumen, el óxido fue un acosador serio, robando hasta el 44% de la fuerza de la viga.

La Fórmula Matemática: El Libro de Reglas
Después, el equipo intentó predecir estos resultados usando un libro de reglas estándar llamado IS 456:2000. Piensa en esto como usar una receta para adivinar cómo saldrá un pastel. La receta estándar no funcionó del todo porque no tenía en cuenta la realidad desordenada del óxido. Por lo tanto, los investigadores ajustaron la receta con un ajuste especial de "regresión" (un sofisticado ajuste matemático).

Cuando usaron su nueva fórmula ajustada, las predicciones fueron sorprendentemente cercanas a los experimentos reales, con una diferencia promedio de solo 3.95%. Fue un buen cálculo, pero los autores señalan que las fórmulas como esta a veces pueden ser demasiado simples para captar cada pequeño detalle de cómo se comporta el óxido.

La Simulación por Computadora: El Laboratorio Virtual
Dado que construir vigas reales es costoso y consume mucho tiempo, los investigadores construyeron un gemelo digital de las vigas usando un poderoso programa de computadora llamado ABAQUS. Le dijeron a la computadora: "Haz las barras de acero más delgadas para que coincidan con el óxido", y observaron qué sucedía en el mundo virtual.

La simulación por computadora fue un fuerte contendiente. Predijo los puntos de ruptura con un error promedio de aproximadamente 6.91% en comparación con las pruebas reales. Sin embargo, los autores admiten que incluso los mejores modelos computacionales tienen que hacer algunas simplificaciones, como pretender que la unión entre el acero y el hormigón es perfecta, lo cual no siempre es cierto en el desordenoso mundo real.

El Héroe del Aprendizaje Automático: El Súper Cerebro
Finalmente, el equipo trajo al peso pesado: el Aprendizaje Automático (Machine Learning). No solo usaron sus cinco vigas; reunieron una biblioteca masiva de 201 experimentos de vigas diferentes de otros científicos de todo el mundo. Alimentaron estos datos en cuatro modelos de "cerebro" diferentes: Regresión Lineal, Redes Neuronales Artificiales (ANN), XGBoost y Random Forest.

Les pidieron a estos cerebros digitales que predijeran qué tan fuertes serían las vigas basándose en cosas como el ancho de la viga, la resistencia del hormigón y el porcentaje de óxido.

Aquí está la gran revelación: El modelo Random Forest fue el claro ganador. Predijo la resistencia con un error medio de solo 0.27 (en las unidades específicas utilizadas para esa métrica) y mostró la coincidencia más estrecha con los datos del mundo real. El modelo XGBoost también fue muy bueno. Sin embargo, la Red Neuronal Artificial (ANN) tuvo dificultades, mostrando errores mucho mayores y menos consistencia. El modelo de Regresión Lineal estuvo bien, pero no pudo captar los patrones complejos y no lineales que los otros modelos encontraron.

Cuando los investigadores probaron su modelo ganador de Random Forest con las cinco vigas que construyeron en el laboratorio, fue increíblemente preciso. Para las vigas no corroídas, la predicción falló por aproximadamente 5.68%, y para las vigas oxidadas, el error promedio fue de 5.81%.

El Veredicto
El estudio concluye que, si bien realizar experimentos reales y ejecutar simulaciones computacionales complejas son valiosos, son lentos y costosos. El modelo de aprendizaje automático Random Forest ofrece una forma mucho más rápida y altamente precisa de predecir cuánta fuerza le queda a una viga oxidada. Es como tener una bola de cristal que puede decirte la salud de una estructura en segundos en lugar de meses.

Sin embargo, los autores son cuidadosos al decir que esto no es una varita mágica que reemplaza todos los demás métodos. Los métodos experimentales y numéricos siguen siendo esenciales para entender por qué las cosas se rompen y para validar los modelos. Pero para evaluar rápidamente la seguridad de muchas estructuras, este enfoque de aprendizaje automático es una herramienta poderosa y nueva.

Resumen Técnico: Resistencia Residual de Vigas de Hormigón Armado Corroídas

Planteamiento del Problema
Las estructuras de hormigón armado (HA) son cada vez más susceptibles al deterioro debido a la corrosión de la armadura, impulsada por factores ambientales como los cloruros y la carbonatación. Esta degradación provoca una pérdida de masa en el acero, una reducción de la adherencia y una disminución significativa de la capacidad flexional residual y de la integridad estructural de las vigas de HA. Si bien las investigaciones experimentales proporcionan datos críticos, a menudo son costosas, lentas y requieren mucha mano de obra. Por el contrario, los modelos analíticos existentes suelen basarse en supuestos simplificadores que pueden no capturar comportamientos no lineales complejos o efectos de corrosión localizados, y las simulaciones numéricas, aunque detalladas, requieren una capacidad computacional y conocimientos técnicos considerables. Existe la necesidad de un marco integral que combine la validación experimental con herramientas predictivas eficientes para evaluar con precisión la resistencia residual de las vigas de HA corroídas.

Metodología
El estudio emplea un enfoque de cuatro vertientes para evaluar la capacidad flexional residual de vigas de hormigón armado (HCA) corroídas:

Investigación Experimental:
- Especímenes: Se fundieron cinco vigas de HA utilizando dos grados de hormigón (M30 y M50) con dimensiones de 100 × 150 × 1220 mm.
- Inducción de Corrosión: Se indujo la corrosión acelerada mediante la técnica de corriente impresa (120 V CC) en una solución salina al 5%. Los niveles de corrosión variaron desde el 0% (control) hasta aproximadamente el 16,62%.
- Pruebas: Las vigas fueron sometidas a ensayos de flexión de cuatro puntos para determinar la capacidad flexional última, el comportamiento carga-desplazamiento y los modos de falla.
Enfoque Analítico:
- Los cálculos se basaron en las disposiciones de diseño de estado límite de la norma IS 456:2000.
- Se aplicó una modificación basada en regresión a los resultados analíticos para alinearlos con las observaciones experimentales, estableciendo una relación lineal ( $Y = 3,52458x - 74,073$ ) entre las predicciones analíticas y los valores experimentales.
Modelado Numérico (Análisis de Elementos Finitos):
- Las simulaciones se realizaron utilizando ABAQUS.
- Hormigón: Modelado mediante el modelo de Plasticidad de Daño de Concreto (CDP) para capturar el comportamiento no lineal, el agrietamiento y el aplastamiento.
- Acero: Modelado con comportamiento elástico-plástico, incorporando áreas de sección transversal y resistencias de fluencia reducidas para simular los efectos de la corrosión.
- Adherencia: Se asumió una adherencia perfecta utilizando restricciones de región incrustada.
- Tipo de Análisis: Se utilizó el análisis Dinámico Explícito para gestionar eficazmente las interacciones de contacto y los problemas de convergencia.
Aprendizaje Automático (Predicción por ML):
- Conjunto de Datos: Se compiló un conjunto de datos de 201 especímenes de vigas de HA de la literatura, con 11 parámetros de entrada (p. ej., dimensiones de la viga, resistencia del hormigón, resistencia de fluencia del acero, nivel de corrosión) y la capacidad flexional como salida.
- Modelos: Se entrenaron y evaluaron cuatro algoritmos: Redes Neuronales Artificiales (ANN), Bosque Aleatorio (RF), XGBoost y Regresión Lineal (LR).
- Validación: Los modelos se dividieron en conjuntos de entrenamiento (60%), validación (20%) y prueba (20%). El rendimiento se evaluó mediante métricas como el Error Absoluto Medio (MAE), la Raíz del Error Cuadrático Medio (RMSE), el Error Porcentual Absoluto Medio (MAPE), la Eficiencia de Nash-Sutcliffe (NS) y el coeficiente de determinación ( $R^2$ ).

Resultos Clave

Hallazgos Experimentales: La corrosión redujo significativamente la capacidad flexional de las vigas. La carga última disminuyó hasta un 44% en los especímenes con mayor corrosión. Las vigas con hormigón M50 demostraron una mejor resistencia al deterioro inducido por la corrosión en comparación con las vigas M30.
Desempeño Analítico: El enfoque analítico modificado mostró una estrecha correlación con los resultados experimentales, con una variación promedio general de aproximadamente el 3,95%.
Desempeño Numérico: El modelo de elementos finitos de ABAQUS replicó con éxito el comportamiento de carga-desplazamiento experimental. La variación promedio entre los resultados numéricos y experimentales fue de aproximadamente el 6,94%, aunque las variaciones aumentaron con niveles de corrosión más altos (hasta el 15,88% para M-US-0-16.624).
Desempeño de Aprendizaje Automático (ML):
- El Bosque Aleatorio (RF) emergió como el modelo superior, logrando los errores de prueba más bajos (MAE: 4,9566, RMSE: 9,5603, MAPE: 7,4441) y la eficiencia de Nash-Sutcliffe más alta (0,96084).
- XGBoost también tuvo un desempeño competitivo (MAE: 5,6684, NS: 0,95684).
- ANN y la Regresión Lineal mostraron tasas de error significativamente más altas y una menor consistencia predictiva en comparación con los métodos de ensamble.
- Al ser validados contra las cinco vigas experimentales específicas de este estudio, el modelo de Bosque Aleatorio predijo la capacidad flexional con una variación promedio general del 5,74%.

Significación y Reivindicaciones
El artículo sostiene que, si bien los métodos experimentales, analíticos y numéricos proporcionan información valiosa sobre el comportamiento estructural de las vigas de HA corroídas, estos están limitados por el costo, el tiempo, la intensidad computacional o los supuestos simplificadores. El estudio postula que los modelos de Aprendizaje Automático, particularmente el algoritmo de Bosque Aleatorio, ofrecen una herramienta más eficiente y precisa para predecir la capacidad flexional residual de las vigas de HA corroídas.

El marco integrado presentado permite la evaluación rápida y la predicción futura del desempeño estructural bajo efectos de corrosión. Los autores concluyen que los modelos de ML pueden cerrar eficazmente la brecha entre la alta precisión de los métodos experimentales/numéricos y la necesidad de una evaluación rápida y de bajo costo, lo que los hace altamente adecuados para la evaluación preliminar y la planificación del mantenimiento de estructuras de hormigón armado afectadas por la corrosión.

Más como este