⚡ electrical engineering

Development of Design-Oriented Bond Strength Equations for FRP Bars Embedded in Concrete Exposed to Elevated Temperatures Using Explainable Machine Learning

Este estudio desarrolla un modelo de aprendizaje automático híbrido WOA–ETR para predecir con precisión la adherencia de barras de FRP en concreto bajo temperaturas elevadas, aprovecha el análisis SHAP para identificar los factores influyentes clave y deriva ecuaciones de diseño robustas y físicamente interpretables basadas en estos hallazgos.

Autores originales: Gia Toai Truong, Dinh-Nhat Truong, Trong-Phuoc Nguyen, Chinh Van Nguyen, Ngoc Hieu Dinh

Publicado 2026-08-20

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Gia Toai Truong, Dinh-Nhat Truong, Trong-Phuoc Nguyen, Chinh Van Nguyen, Ngoc Hieu Dinh

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

El concreto es la columna vertebral de la infraestructura moderna, pero las barras de acero ocultas en su interior pueden oxidarse y debilitarse con el tiempo, especialmente en entornos salinos o húmedos. Para solucionar esto, los ingenieros han recurrido a las barras de polímero reforzado con fibra, un tipo de refuerzo hecho de fibras fuertes encerradas dentro de una resina plástica. Estas barras no se oxidan, son más ligeras que el acero y no conducen electricidad, lo que las hace ideales para puentes y edificios en condiciones corrosivas. Sin embargo, estas barras a base de plástico tienen una debilidad crítica: son sensibles al calor. Cuando se exponen a altas temperaturas, la resina que mantiene unidas las fibras puede ablandarse y degradarse, de forma muy similar a cómo la cera de una vela pierde su forma bajo el sol. Este ablandamiento debilita el agarre crucial, o unión, entre la barra y el concreto circundante. Si esta unión falla, la estructura puede perder su resistencia, y predecir exactamente cuánto agarre queda después de un incendio o exposición al calor ha sido un rompecabezas difícil para los ingenieros.

Un equipo de investigadores se propuso resolver este rompecabezas combinando datos de ingeniería tradicional con aprendizaje computacional avanzado. Reunieron una colección masiva de 132 experimentos del mundo real donde estas barras de polímero fueron extraídas de bloques de concreto después de haber sido calentadas a diversas temperaturas, que iban desde la temperatura ambiente hasta los 600 grados Celsius. El objetivo era encontrar una forma confiable de predecir qué tan fuerte sería la unión bajo estas condiciones. En lugar de confiar en fórmulas simples que a menudo pasan por alto la complejidad de la situación, los investigadores utilizaron un modelo computacional sofisticado. Entrenaron este modelo utilizando una técnica llamada regresión de árboles extra (extra trees regression), la cual construye muchos árboles de decisión para encontrar patrones en los datos, y luego lo refinaron mediante un algoritmo de optimización de ballenas. Este segundo paso actúa como un motor de búsqueda inteligente, ajustando constantemente la configuración del modelo para encontrar la forma más precisa de predecir los resultados, imitando la manera en que las ballenas jorobadas cazan en grupos coordinados.

El modelo computacional demostró ser notablemente preciso, prediciendo correctamente la fuerza de la unión en el 94.2 por ciento de los casos de prueba. Más importante aún, los investigadores no solo querían una "caja negra" que diera respuestas sin explicación. Utilizaron herramientas especiales para mirar dentro del modelo y comprender exactamente qué factores importaban más. Descubrieron que la temperatura a la que la barra fue expuesta era el factor más importante, seguido de cerca por la textura de la superficie de la barra y cuánto concreto cubría la barra. Mientras que la sabiduría de la ingeniería tradicional suele enfatizar la resistencia del propio concreto, este estudio mostró que para estas barras específicas ante el calor intenso, la temperatura y la textura de la superficie de la barra eran mucho más decisivas. El modelo también reveló que la longitud de la barra embebida en el concreto cambiaba la forma en que la unión se comportaba de distintas maneras, sugiriendo que una sola fórmula no podía describir cada situación.

Para hacer que estos hallazgos sean útiles para el diseño en el mundo real, los investigadores tradujeron los conocimientos de la computadora en ecuaciones claras y prácticas. Se dieron cuenta de que, debido a que la unión se comporta de manera diferente dependiendo de qué tan larga sea la parte de la barra enterrada en el concreto, necesitaban dividir los datos en tres grupos: longitudes de empotramiento cortas, medianas y largas. Para las barras más cortas, dividieron aún más los datos según la textura de la superficie de la barra, como si estaba recubierta de arena o estriada. Al crear ecuaciones separadas para cada uno de estos escenarios específicos, produjeron fórmulas que eran casi insesgadas, lo que significa que los valores predichos eran casi exactamente iguales a los resultados experimentales reales. Estas nuevas ecuaciones ofrecen a los ingenieros una herramienta transparente y confiable para diseñar estructuras más seguras que puedan resistir altas temperaturas, cerrando la breancia entre el aprendizaje automático complejo y la seguridad práctica en la construcción.

Resumen Técnico: Desarrollo de ecuaciones de resistencia de adherencia orientadas al diseño para barras de FRP embebidas en concreto expuestas a temperaturas elevadas mediante aprendizaje automático explicable

Planteamiento del problema
Las barras de polímero reforzado con fibra (FRP) ofrecen ventajas significativas de durabilidad sobre el refuerzo de acero en entornos agresivos; sin embargo, su aplicación se ve limitada por la sensibilidad térmica de la matriz de resina polimérica orgánica (típicamente epoxi o viniléster). Cuando se exponen a temperaturas elevadas, la resina experimenta una transición vítrea y degradación térmica, debilitando significamente la adherencia entre la barra de FRP y el concreto circundante. Si bien las relaciones empíricas existentes intentan describir este comportamiento de adherencia dependiente de la temperatura, a menudo sufren de aplicabilidad limitada, baja precisión predictiva e incapacidad para capturar interacciones complejas y no lineales entre parámetros influyentes como la temperatura de exposición, el perfil superficial, la longitud de embebido y las propiedades del concreto. Además, los modelos de aprendizaje automático (ML) existentes suelen funcionar como "cajas negras", careciendo de la interpretabilidad física necesaria para su integración directa en los códigos de diseño de ingeniería.

Metodología
Este estudio propone un marco integrado que combina aprendizaje automático avanzado con inteligencia artificial explicable (XAI) para desarrollar ecuaciones de diseño físicamente interpretables. La metodología procede en tres fases principales:

Compilación y preprocesamiento de la base de datos: Se ensambló una base de datos exhaustiva de 132 especímenes de ensayos de extracción (pull-out) provenientes de la literatura existente. El conjunto de datos incluye variables como la resistencia a la compresión del concreto ( $f'_c$ ), el diámetro de la barra de FRP ( $d_b$ ), la relación recubrimiento-diámetro de la barra ( $c/d_b$ ), la relación longitud de embebido-diámetro de la barra ( $l_e/d_b$ ), el tipo de barra de FRP (GFRP, BFRP), el perfil superficial (recubierto de arena, estriado, envuelto en fibra, etc.) y la temperatura de exposición ( $T$ ). Las variables categóricas fueron codificadas y los datos fueron normalizados.
Modelado de aprendizaje automático híbrido: Se desarrolló un modelo híbrido de Regresión de Árboles Extra (ETR) optimizado por el Algoritmo de Optimización de la Ballena (WOA–ETR). El Algoritmo de Optimización de la Ballena (WOA), un optimizador metaheurístico, se empleó para ajustar automáticamente los hiperparámetros del modelo de Regresión de Árboles Extra (ETR). El modelo fue entrenado y validado utilizando 10 ejecuciones independientes con validación cruzada de 5 pliegues para asegurar su robustez. El desempeño se evaluó mediante $R^2$ , RMSE, MAE y MAPE.
Explicabilidad y derivación de ecuaciones: Para superar la naturaleza de "caja negra" del ML, se utilizaron explicaciones SHapley Aditivas (SHAP) y Gráficos de Dependencia Parcial (PDP) para cuantificar la importancia de las características y visualizar los efectos marginales de las variables de entrada. Basándose en estos hallazgos, la base de datos se clasificó sistemáticamente en subgrupos según los regímenes de longitud de embebido y perfiles superficiales. Posteriormente, se aplicó regresión de mínimos cuadrados no lineales a estos subgrupos para derivar ecuaciones predictivas simplificadas y físicamente interpretables.

Contribuciones clave

Modelo híbrido WOA–ETR: El desarrollo de un nuevo modelo híbrido que supera a los algoritmos de ML convencionales (incluyendo RF, BR, GB, XGBoost y ETR independiente) en la predicción de la resistencia de adherencia bajo temperaturas elevadas.
Marco de IA explicable: La aplicación de análisis SHAP y PDP al problema de la resistencia de adherencia, proporcionando una jerarquía clara de los factores influyentes y revelando relaciones no lineales que las fórmulas empíricas tradicionales pasan por alto.
Ecuaciones orientadas al diseño: La derivación de una serie de ecuaciones predictivas específicas basadas en la clasificación impulsada por ML. A diferencia de una única ecuación global, estas ecuaciones consideran distintos mecanismos de transferencia de adherencia en regímenes de embebido corto, intermedio y largo, así como perfiles superficiales específicos.
Validación rigurosa: El estudio emplea técnicas de validación extensas, incluyendo 10 ejecuciones independientes, validación cruzada de dejar uno fuera (LOOCV) y remuestreo de bootstrap, para evaluar la estabilidad del modelo, la capacidad de generalización y la incertidumbre de los parámetros.

Resultados

Desempeño predictivo: El modelo WOA–ETR alcanzó una alta precisión en el conjunto de datos de prueba con un $R^2$ de 0.942, un RMSE de 1.536 MPa y un MAPE de 16.812%. Demostró una estabilidad y generalización superiores en comparación con los modelos de referencia.
Importancia de las características: El análisis SHAP identificó la temperatura de exposición como el factor más influyente, seguido por el perfil superficial, la relación recubrimiento-diámetro y la relación de longitud de embebido. Notablemente, la resistencia a la compresión del concreto y el tipo de barra mostraron una importancia relativa menor en este contexto específico de alta temperatura.
Comportamiento no lineal: El análisis PDP reveló que la degradación de la resistencia de adherencia es altamente no lineal con respecto a la temperatura, con un descenso rápido entre la temperatura ambiente y aproximadamente 350°C, tras lo cual la curva se estabiliza. Del mismo modo, la relación de longitud de embebido exhibió tres regiones de respuesta distintas (estable, transición y meseta), justificando el enfoque de clasificación.
Precisión de las ecuaciones: Las ecuaciones predictivas derivadas proporcionaron predicciones casi sin sesgo, con relaciones medias experimental-predicho que oscilaron entre 1.02 y 1.06. Los valores de $R^2$ para las ecuaciones derivadas variaron entre 0.716 y 0.986. Las ecuaciones para longitudes de embebido intermedias y largas mostraron un desempeño excepcional ( $R^2 > 0.96$ ) y baja variabilidad.
Robustez: Los análisis de bootstrap y LOOCV confirmaron que las ecuaciones para el embebido intermedio/largo y las barras estriadas con recubrimiento de arena (SP=5) poseen una alta estabilidad de parámetros. Las ecuaciones para otros subgrupos (por ejemplo, barras recubiertas de arena) mostraron una mayor incertidumbre de parámetros debido a los tamaños de muestra más pequeños, pero mantuvieron una precisión predictiva aceptable.

Significancia y afirmaciones
El artículo afirma que su principal significancia radica en cerrar la brecha entre los modelos de aprendizaje automático de alta precisión de "caja negra" y el diseño de ingeniería práctico. Al utilizar el ML no solo para la predicción, sino como una herramienta de descubrimiento para comprender los mecanismos gobernantes, el estudio logró traducir patrones de datos complejos en ecuaciones analíticas simplificadas y transparentes.

Los autores sostienen que su marco propuesto ofrece una alternativa más adaptable y precisa a las fórmulas empíricas y códigos de diseño existentes (como ACI 440.1R), que a menudo dependen de condiciones experimentales limitadas. El estudio enfatiza que, si bien el modelo WOA–ETR sirve como un predictor poderoso, las ecuaciones derivadas proporcionan una herramienta computacionalmente eficiente y físicamente interpretable para que los ingenieros estimen la resistencia de adherencia bajo temperaturas elevadas. Sin embargo, los autores señalan modestamente que la confiabilidad de ciertas ecuaciones está limitada por el número limitado de especímenes en subconjuntos de datos específicos (particularmente para longitudes de embebido largas y perfiles superficiales específicos), lo que sugiere que se beneficiaría de más datos experimentales para refinar estas formulaciones y extender su aplicabilidad.

Más como este