⚡ electrical engineering

Freeze-thaw Damage Model for Compressive Strength of Flowable Solidified Soil Based on Machine Learning

Este estudio desarrolla y evalúa modelos de aprendizaje automático para predecir la resistencia a la compresión del suelo solidificado fluible bajo ciclos de hielo-deshielo, identificando al algoritmo XGBoost como el predictor más eficaz y utilizando el análisis SHAP para revelar que el número de ciclos de hielo-deshielo es el factor dominante que influye en la degradación de la durabilidad.

Autores originales: Baolin Wang, Jinggan Shao, Yunjun Huang, Cong Li, Tingting Han, Bingsen Fan

Publicado 2026-08-12

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Baolin Wang, Jinggan Shao, Yunjun Huang, Cong Li, Tingting Han, Bingsen Fan

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 que estás construyendo un castillo de arena, pero en lugar de solo arena, estás mezclando una pegamento especial y agua para hacerlo súper resistente. Esto es un poco como lo que hacen los ingenieros con el "suelo solidificado fluente". Toman tierra blanda y viscosa (a veces incluso desechos de fábricas) y la mezclan con aglutinantes para crear un material sólido, perfecto para rellenar huecos bajo las carreteras o cimientos de edificios. Es una forma verde e inteligente de reutilizar desechos y construir estructuras fuertes. Pero hay un inconveniente: si construyes esto en un lugar frío, el clima juega un juego de "congelación y descongelación" muy cruel. Cuando el agua dentro del suelo se congela, se expande como un globo, agrietando el material desde el interior. Cuando se derrite, las grietas permanecen. Haz esto una y otra vez, y tu fuerte castillo de arena se convierte en un montón de migas.

Durante mucho tiempo, predecir exactamente cuánta resistencia perdería este suelo tras cientos de estos ciclos de congelación y descongelación fue como intentar adivinar el clima de un mes de antelación usando solo un barómetro. Los ingenieros usaban fórmulas antiguas que estaban bien, pero a menudo fallaban el tiro porque la relación entre los ingredientes de la mezcla y el daño es desordenada y complicada. Ahí es donde entra el artículo que estás a punto de leer. Cambia el viejo barómetro por una bola de cristal de alta tecnología llamada "Aprendizaje Automático" (Machine Learning). En lugar de matemáticas simples, utiliza algoritmos informáticos que aprenden de experimentos reales para detectar patrones que los humanos podrían pasar por alto. La gran pregunta es: ¿Pueden estas computadoras inteligentes predecir exactamente qué tan fuerte será el suelo después de que el clima frío lo golpee, y qué ingrediente es el más importante?

La Bola de Cristal Digital: Prediciendo la Resistencia del Suelo Congelado

En este estudio, un equipo de investigadores de la Universidad de Zhengzhou y socios en Henan, China, decidieron enseñar a las computadoras cómo predecir el destino del suelo solidificado fluente en condiciones de congelación. No se limitaron a adivinar; realizaron un experimento masivo. Tomaron arcilla limosa (un tipo de suelo) y la mezclaron con diferentes cantidades de "solidificador" (el pegamento), "aditivo" (un químico auxiliar) y agua. Crearon 50 lotes diferentes de este suelo, cada uno con una receta única. Luego, sometieron estos cubos de suelo a un ciclo brutal: congelarlos a -10 ℃ y descongelarlos a 20 ℃, repitiendo este proceso hasta 50 veces. Después de cada ronda de congelación y descongelación, trituraron los cubos para medir su resistencia a la compresión.

Con esta montaña de datos, los investigadores construyeron cuatro "cerebros digitales" diferentes (modelos de aprendizaje automático) para aprender las reglas del juego:

Árbol de Decisión (DT): Como un diagrama de flujo que hace preguntas simples de sí o no.
Red Neuronal BP (BP): Un modelo que imita cómo se conectan las neuronas humanas.
Regresión de Vectores de Soporte (SVR): Un método que intenta encontrar la mejor línea para ajustar los puntos de datos.
XGBoost: Un equipo avanzado de árboles de decisión trabajando juntos para hacer una predicción más inteligente.

El objetivo era ver qué "cerebro" podía predecir mejor la resistencia del suelo tras la tortura de la congelación y descongelación, basándose solo en cuatro entradas: cuánto pegamento se usó, cuánto químico auxiliar, la relación agua-suelo y cuántas veces se congeló.

El Enfrentamiento: ¿Quién Obtuvo las Mejores Calificaciones?

Cuando los modelos fueron probados, los resultados fueron una mezcla de "guau" y "vaya error".

El modelo de Árbol de Decisión (DT) fue un poco presumido en el salón de clases (el conjunto de entrenamiento). Memorizó las respuestas perfectamente, obteniendo una puntuación casi perfecta. Pero cuando se enfrentó a una nueva prueba (el conjunto de prueba), colapsó por completo. Sufrió de "sobreajuste" (overfitting), que es como un estudiante que memoriza el examen de práctica pero entra en pánico cuando las preguntas reales son ligeramente diferentes. Sus predicciones estaban por todos lados, con una puntuación de precisión baja de 0.79.

Los modelos de Red Neuronal BP y SVR fueron mucho más estables. No memorizaron las respuestas de forma obsesiva, por lo que manejaron bien la nueva prueba, logrando una alta precisión de 0.98. Eran confiables, pero aún tenían algunos momentos tambaleantes.

La verdadera estrella del espectáculo fue XGBoost. Este modelo de conjunto, que combina la sabiduría de muchos árboles más pequeños, logró el equilibrio perfecto. No solo memorizó; entendió los patrones. Logró una precisión de prueba de 0.95, que fue ligeramente inferior a los dos primeros, pero vino con un gran beneficio adicional: era el más estable. Cuando los investigadores observaron los errores (qué tan lejos estaban las predicciones), los errores de XGBoost eran pequeños y consistentes, mientras que los otros tenían cambios salvajes. Fue el "cerebro digital" más robusto para este trabajo.

El Ingrediente Secreto: ¿Qué es lo que Realmente Importa?

Una vez que tuvieron su mejor modelo (XGBoost), los investigadores utilizaron una herramienta especial llamada SHAP para preguntarle a la computadora: "¿Qué factor está causando que el suelo se rompa?".

La computadora dio un ranking de importancia claro:

Ciclos de Congelación-Descongelación (F-T): Este fue el jefe indiscutible. El número de veces que el suelo se congeló y descongeló tuvo el mayor impacto en su resistencia. Fue el factor dominante.
Dosificación del Solidificador (SD): Cuánto pegamento pusiste fue lo segundo más importante.
Dosificación del Aditivo (AD): El químico auxiliar importaba, pero menos que el pegamento.
Relación Agua-Sólido (WS): La cantidad de agua fue lo menos influyente de los cuatro, aunque todavía jugaba un papel.

El análisis también mostró cómo funcionaban estos factores. Por ejemplo, más ciclos de congelación-descongelación (un número alto) siempre empujaban la resistencia predicha hacia abajo. Más solidificador (pegamento) empujaba la resistencia hacia arriba. Pero la relación no siempre era una línea recta; a veces, tener demasiado o demasiado poco de un ingrediente específico tenía efectos diferentes, y el modelo de aprendizaje automático fue lo suficientemente inteligente como para captar esos sutiles giros.

La Conclusión

Este artículo no solo dice "las computadoras son geniales". Demuestra que para predecir cómo sobrevive el suelo solidificado fluente en climas fríos, un modelo inteligente de aprendizaje automático (específicamente XGBoost) es muy superior a las conjeturas de la vieja escuela o las fórmulas simples. Puede predecir el daño con alta precisión y, lo que es más importante, le dice a los ingenieros exactamente qué variables vigilar.

Los investigadores descubrieron que, si bien la receta del suelo importa, la cantidad de ciclos de congelación y descongelación es el principal villano. Al usar este modelo, los ingenieros en regiones frías pueden ahora estimar rápidamente cuánto durarán sus estructuras de suelo sin tener que esperar años a que el clima real las ponga a prueba. Es una forma más rápida y más inteligente de construir carreteras y cimientos más seguros, asegurando que los "castillos de arena" del futuro no se desmoronen cuando llegue el invierno.

Resumen Técnico: Modelo de Daño por Ciclos de Hielo-Deshielo para la Resistencia a la Compresión de Suelo Solidificado Fluido Basado en Aprendizaje Automático

Planteamiento del Problema
El suelo solidificado fluido로 es un material crítico para la ingeniería geotécnica en regiones frías, utilizado en aplicaciones como el relleno de subrasantes y el tratamiento de fosas de cimentación. Sin embargo, su durabilidad se ve severamente comprometida por los ciclos de hielo-deshielo, un proceso complejo y no lineal impulsado por el acoplamiento de múltiples factores. Los modelos empíricos y estadísticos tradicionales no logran capturar con precisión el mapeo no lineal entre las variables influyentes y la degradación de la resistencia, lo que resulta en una capacidad de generalización y precisión de predicción limitadas. En consecuencia, existe una falta de modelos de predicción eficientes, precisos y adaptables capaces de evaluar rápidamente el daño por la resistencia a la compresión por ciclos de hielo-deshielo del suelo solidificado fluido bajo condiciones de trabajo complejas.

Metodología
Para abordar estas limitaciones, este estudio desarrolló un marco basado en el aprendizaje automático para predecir la resistencia a la compresión del suelo solidificado fluido bajo ciclos de hielo-deshielo. La metodología consistió en los siguientes pasos:

Generación de Datos y Selección de Parámetros: Se generaron datos experimentales utilizando arcilla limosa mezclada con solidificadores basados en residuos industriales sólidos y aditivos de policarboxilato. Se prepararon probetas cúbicas (5 cm × 5 cm) con diversas proporciones de mezcla (5 dosis de solidificador × 5 dosis de aditivo × 5 relaciones agua-sólido = 125 combinaciones) y se sometieron hasta a 50 ciclos de hielo-deshielo (congelación a -10 °C, descongelación a 20 °C). Se seleccionaron cuatro variables de entrada clave:
- Dosis de Solidificador (SD)
- Dosis de Aditivo (AD)
- Relación Agua-Sólido (WS)
- Número de Ciclos de Hielo-Deshielo (F-T)
  El conjunto de datos cubrió gradientes de ingeniería práctica con distribuciones de variables completas.
Construcción del Modelo: Se emplearon cuatro algoritmos de aprendizaje automático distintos para establecer los modelos de predicción:
- Árbol de Decisión (DT)
- Red Neuronal de Retropropagación (BP)
- Regresión de Vectores de Soporte (SVR)
- Gradient Boosting Extremo (XGBoost)
  El conjunto de datos se dividió en un conjunto de entrenamiento del 80% y un conjunto de prueba del 20%. Los hiperparámetros fueron optimizados para cada modelo.
Evaluación e Interpretabilidad: El rendimiento del modelo se evaluó utilizando el coeficiente de determinación ( $R^2$ ), el Error Cuadrático Medio (RMSE) y el Error Absoluto Medio (MAE) tanto en el conjunto de entrenamiento como en el de prueba. Además, se utilizó el marco de las Explicaciones de Shapley Aditivas (SHAP) para realizar un análisis de sensibilidad de las características, cuantificando la contribución y los efectos no lineales de cada factor de entrada en los resultados de la predicción.

Resultos Clave

Rendimiento del Modelo: Los cuatro modelos lograron una alta precisión de ajuste en el conjunto de entrenamiento ( $R^2 > 0.99$ $R^{2} > 0.99$ ). Sin embargo, surgieron diferencias significativas en la generalización en el conjunto de prueba:
- DT: Sufrió un sobreajuste severo, arrojando un $R^2$ de 0.79 en el conjunto de prueba con fluctuaciones drásticas de error.
- BP y SVR: Demostraron una generalización estable con valores de $R^2$ de 0.98 en el conjunto de prueba. No obstante, exhibieron algunas desviaciones y fluctuaciones en la predicción.
- XGBoost: Logró un $R^2$ de 0.95 en el conjunto de prueba. Aunque fue ligeramente inferior a BP y SVR en términos de $R^2$ bruto, demostró un equilibrio superior en general, el rango de fluctuación más pequeño en los errores de predicción y la menor dispersión en la relación entre los valores predichos y los experimentales. Suprimió eficazmente los problemas de sobreajuste observados en el árbol de decisión único.
Importancia de las Características: El análisis SHAP reveló el ranking de importancia de los factores como: F-T > SD > AD > WS.
- El Número de Ciclos de Hielo-Deshielo (F-T) fue identificado como el factor de control dominante.
- El análisis SHAP indicó que los valores altos de F-T (representados por los puntos azules en el gráfico de resumen) corresponden a valores SHAP positivos, lo que aumenta el valor de salida predicho por el modelo. Sin embargo, en el contexto físico del estudio, un aumento en F-T representa la acumulación de daño, lo que conduce a una reducción en la resistencia a la compresión. El modelo captura este mecanismo de degradación no lineal donde la variable de entrada impulsa la predicción de salida del estado dañado.
- La Dosis de Solidificador (SD) mostró una correlación positiva con la resistencia (valores altos de SD aumentan la salida del modelo).
- El análisis confirmó que cada factor ejerce efectos no lineales positivos o negativos distintos dependiendo de la magnitud de su valor.

Contribuciones Clave

Modelado Comparativo: El estudio comparó sistemáticamente cuatro algoritmos de aprendizaje automático, identificando a XGBoost como el modelo más robusto para este problema específico de regresión no lineal multivariante, ofreciendo un mejor equilibrio entre la capacidad de ajuste y la generalización que DT, BP o SVR.
Interpretabilidad: Al integrar el análisis SHAP, el estudio fue más allá de las predicciones de "caja negra" para cuantificar la influencia específica y el comportamiento no lineal de los parámetros de ingeniería clave (SD, AD, WS, F-T) sobre la resistencia a la compresión.
Marco Basado en Datos: La investigación proporciona una metodología validada para predecir rápidamente los índices mecánicos del suelo solidificado fluido, reduciendo la dependencia de las pruebas experimentales tradicionales que consumen mucho tiempo.

Significancia
El artículo afirma que el método de modelado y análisis interpretativo basado en XGBoost propuesto ofrece una referencia técnica para la predicción rápida de índices mecánicos para especímenes de compresión similares. Su objetivo es superar las ineficiencias de los métodos experimentales tradicionales y la baja precisión de los modelos empíricos convencionales. Los autores postulan que estos resultados proporcionan un apoyo técnico innovador y referencias teóricas para:

La evaluación de la durabilidad de la ingeniería de suelo solidificado fluido en regiones frías.
La optimización de las proporciones de materiales.
Garantizar la seguridad del servicio a largo plazo de tales proyectos de ingeniería.

El estudio concluye que, si bien las técnicas de aprendizaje automático se han aplicado a diversos materiales, anteriormente faltaban modelos específicos para el daño por resistencia a la compresión por ciclos de hielo-deshielo del suelo solidificado fluido, y este trabajo aborda ese vacío específico.

La Bola de Cristal Digital: Prediciendo la Resistencia del Suelo Congelado

El Enfrentamiento: ¿Quién Obtuvo las Mejores Calificaciones?

El Ingrediente Secreto: ¿Qué es lo que Realmente Importa?

La Conclusión

Más como este