⚡ ingeniería eléctrica

Explainable Machine Learning for Predicting the Splitting Tensile Strength of SCM-Blended Concrete Using Optimized Gaussian Process Regression

Este estudio establece un marco fiable y explicable para predecir la resistencia a la tracción indirecta del hormigón mezclado con materiales cementantes suplementarios mediante la optimización de un modelo de Regresión por Procesos Gaussianos con técnicas bayesianas e identificando el contenido de agua y cemento como los factores influyentes dominantes.

Autores originales: Ali Alnaqbi, Abdalla Mahmoud Salim, Mohammad Al-Zu'bi, Ibrahim Elnaml, Abdulaziz Alotaibi, Ahmed Mohammad Youssef

Publicado 2026-09-28

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ali Alnaqbi, Abdalla Mahmoud Salim, Mohammad Al-Zu'bi, Ibrahim Elnaml, Abdulaziz Alotaibi, Ahmed Mohammad Youssef

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 hormigón es el material de construcción más utilizado en la Tierra, formando el esqueleto de nuestras ciudades, puentes y hogares. Su resistencia y durabilidad provienen en gran medida del cemento Portland, un polvo aglutinante que se endurece al mezclarse con agua. Sin embargo, la producción de este cemento es una fuente importante de emisiones globales de carbono, lo que ha impulsado a los ingenieros a buscar formas de reducir su uso. Para lograrlo, a menudo reemplazan una parte del cemento con subproductos industriales como cenizas volantes, humo de sílice o escoria granulada de alto horno. Estos materiales, conocidos como materiales cementantes suplementarios, pueden reaccionar químicamente para fortalecer el hormigón al tiempo que reducen su huella ambiental. No obstante, predecir cómo se comportarán estas mezclas complejas es difícil. Mientras que los ingenieros pueden medir fácilmente cuánto peso puede soportar un bloque de hormigón antes de aplastarse, medir cuánta fuerza se necesita para separarlo es mucho más desafiante. Esta "resistencia a la tracción por división" es crítica porque el hormigón es naturalmente débil en tensión, y las grietas suelen comenzar cuando el material es estirado. Sin predicciones fiables, el diseño de estructuras más seguras y sostenibles requiere de extensas y costosas pruebas de laboratorio.

Un equipo de investigadores se propuso resolver este problema enseñando a una computadora a predecir la resistencia a la tracción por división de estas mezclas de hormigón ecológicas. Recopilaron datos de una enorme base de datos global que contenía registros de cientos de diferentes recetas de hormigón de todo el mundo. La computadora recibió ocho ingredientes clave para cada receta: las cantidades de cemento, agua, grava gruesa, arena fina y los diversos subproductos industriales utilizados como reemplazos del cemento, junto con un aditivo químico llamado superplastificante que ayuda a que la mezcla fluya. El objetivo era que la computadora aprendiera los patrones ocultos que vinculan estos ingredientes con la resistencia final del hormigón, específicamente su capacidad para resistir ser estirado.

Los investigadores probaron una amplia variedad de modelos matemáticos para ver cuál podía aprender estos patrones mejor. Compararon ecuaciones lineales simples, árboles de decisión y redes neuronales complejas contra un enfoque más sofisticado llamado regresión de proceso gaussiano. Este método es particularmente bueno para manejar datos del mundo real que son desordenados, donde las relaciones no son líneas perfectamente rectas. Después de ejecutar miles de simulaciones, el equipo encontró que una versión específica de este modelo de regresión, utilizando un núcleo "cuadrático racional", superó a todos los demás. Este modelo base podía predecir la resistencia de una nueva mezcla de hormigón con un error promedio de solo 0,34 megapascales, una unidad de presión utilizada para medir la fuerza.

Para hacer el modelo aún más agudo, los investigadores utilizaron una técnica llamada optimización bayesiana para ajustar sus configuraciones internas. Este proceso es similar a ajustar las perillas de una radio de alta gama para encontrar la señal más clara, pero lo hace mediante el ajuste inteligente de diferentes combinaciones en lugar de adivinar al azar. El modelo optimizado mejoró significamente, reduciendo el error de predicción promedio a aproximadamente 0,29 megapascales y aumentando su precisión general. Esta mejora significó que el modelo no solo era más preciso, sino también más rápido para realizar predicciones una vez entrenado, permitiendo a los ingenieros evaluar nuevos diseños de mezcla de forma casi instantánea.

Quizás la parte más importante de este estudio fue hacer que el "proceso de pensamiento" de la computadora fuera comprensible. Los modelos de aprendizaje automático avanzados son a menudo criticados por ser "cajas negras", donde dan una respuesta sin explicar el porqué. Para solucionar esto, los investigadores utilizaron dos herramientas para abrir la caja y mirar en su interior. Crearon mapas visuales que muestran cómo el cambio en un solo ingrediente afectaba la resistencia predicha. Estos mapas revelaron tendencias claras y lógicas: aumentar la cantidad de agua en la mezcla reducía consistentemente la resistencia predicha, mientras que añadir más cemento la aumentaba consistentemente. Los mapas también mostraron que añadir humo de sílice y escoria granulada de alto horno generalmente mejoraba la capacidad del hormigón para resistir las fuerzas de tracción, mientras que las cenizas volantes tenían un efecto más complejo y menos predecible.

Para confirmar estos hallazgos, el equipo utilizó un método estadístico que mide exactamente cuánto contribuyó cada ingrediente a cada una de las predicciones. Este análisis confirmó que el agua y el cemento eran los dos factores más poderosos que influían en el resultado. Mostró que la computadora había aprendido las mismas reglas físicas que los ingenieros humanos han conocido durante décadas: demasiada agua debilita la unión, mientras que más cemento la fortalece. El estudio concluyó que, al combinar la predicción de alta precisión con explicaciones claras, este nuevo marco ofrece una forma fiable de diseñar hormigón sostenible. Permite a los ingenieros experimentar con confianza con nuevas recetas más verdes sin necesidad de construir y probar cada una de las variaciones en un laboratorio físico, allanando el camino para una construcción más eficiente y respetuosa con el medio ambiente.

Resumen Técnico: Aprendizaje Automático Explicable para la Predicción de la Resistencia a la Tracción por División de Concreto con Mezclas de SCM mediante Regresión de Procesos Gaussianos Optimizada

Planteamiento del Problema
La producción de cemento Portland es una fuente significativa de carga ambiental, lo que impulsa la adopción de Materiales Cementantes Suplementarios (SCM, por sus siglas en inglés) como la ceniza volante (FA), el humo de sílice (SF) y la escoria granulada de alto horno de la fundición (GGBFS) para crear concreto de menor huella de carbono. Mientras que la resistencia a la compresión del concreto mezclado con SCM ha sido ampliamente estudiada, su resistencia a la tracción por división (STS) —una propiedad crítica para la iniciación y propagación de grietas— sigue estando insuficientemente investigada en los estudios basados en datos. La STS es difícil de estimar de manera confiable debido a la naturaleza heterogénea del concreto y las complejas interacciones no lineales entre los constituyentes de la mezcla (cemento, agua, agregados, SCM y aditivos). Las ecuaciones empíricas existentes suelen carecer de aplicabilidad en diseños de mezclas diversos, y muchos modelos de aprendizaje automático (ML) operan como "cajas negras", ofreciendo alta precisión pero una limitada visión de ingeniería sobre cómo variables específicas influyen en las predicciones.

Metodología
Este estudio desarrolló un marco de ML explicable utilizando un conjunto de datos global de 395 mezclas de concreto con SCM válidas, extraídas de una base de datos mayor de 1,456 registros. Las características de entrada incluyeron ocho variables de la mezcla: cemento, agua, agregado grueso, agregado fino, ceniza volante, humo de sílice, GGBFS y superplastificante. La variable objetivo fue la resistencia a la tracción por división (STS) en MPa.

La investigación siguió un flujo de trabajo estructurado:

Selección de Características: La relevancia de los predictores se evaluó mediante cuatro métodos distintos: redundancia mínima y relevancia máxima (mRMR), prueba F, RReliefF y la importancia de Random Forest. Se derivó un ranking general promediando los rangos de estos métodos.
Tamizaje de Modelos Base: Se evaluó una amplia gama de algoritmos de regresión (regresión lineal, árboles de decisión, máquinas de vectores de soporte, métodos de ensamble, redes neuronales y Regresión de Procesos Gaussianos) en MATLAB Regression Learner utilizando validación cruzada de 5 pliegues (5-fold cross-validation). El rendimiento se midió mediante RMSE, MSE, MAE, MAPE y $R^2$ .
Optimización de Hiperparámetros: La familia de modelos base con mejor desempeño fue optimizada mediante tres estrategias: optimización bayesiana, búsqueda aleatoria (random search) y búsqueda de cuadrícula (grid search). El espacio de búsqueda incluyó funciones de base, funciones de núcleo (kernel), escalas de núcleo, parámetros de ruido y opciones de estandarización.
IA Explicable (XAI): El modelo optimizado final se interpretó utilizando Gráficos de Dependencia Parcial (PDP) para visualizar los efectos marginales y explicaciones de Shapley (SHAP) para cuantificar la importancia global de las características y las contribuciones individuales.

Resultos Clave

Desempeño de la Línea Base: Entre más de 30 modelos probados, la Regresión de Procesos Gaussianos (GPR) de Cuadrática Racional emergió como la línea base superior, logrando un $R^2$ de 0.85, un RMSE de 0.51 MPa y un MAPE de 10.02%. Esto superó a los modelos lineales, SVM y redes neuronales.
Impacto de la Optimización: Las tres estrategias de optimización (bayesiana, aleatoria y de cuadrícula) convergieron a la misma precisión predictiva para el modelo final ( $R^2$ = 0.89, RMSE = 0.41898 MPa, MAPE = 8.9%). Sin embargo, la optimización bayesiana fue la más eficiente computacionalmente, requiriendo 89.72 segundos de tiempo de entrenamiento frente a los 187.81 segundos de la búsqueda aleatoria y los 316.86 segundos de la búsqueda de cuadrícula.
Ganancias de Desempeño: En relación con la GPR Cuadrática Racional base, el modelo optimizado por Bayes redujo el RMSE en un 17.85% y el MSE en un 32.48%, mientras que aumentó la velocidad de predicción en aproximadamente un 101%.
Importancia de las Características: El ranking de características varió según el método, pero los resultados promediados identificaron al superplastificante, el agua y el cemento como los tres predictores principales. El análisis SHAP confirmó que el agua y el cemento son los influyentes globales dominantes.
Interpretación Física: Los gráficos de dependencia PDP y SHAP revelaron tendencias físicamente consistentes:
- Cemento: Un mayor contenido se correlaciona positivamente con un aumento en la STS.
- Agua: Un mayor contenido se correlaciona negativamente con la STS.
- SCMs: El humo de sílice, el GGBFS y el superplastificante generalmente mostraron tendencias positivas, mientras que la ceniza volante mostró un efecto negativo conforme aumentaba la dosis.
- Agregados: Los agregados gruesos y finos exhibieron respuestas complejas y no lineales con interacciones dependientes de otros componentes de la mezcla.

Significancia y Reivindicaciones
El artículo sostiene que el marco propuesto proporciona una herramienta confiable y basada en datos para predecir el desempeño de tracción de los concretos sostenibles mezclados con SCM. Al integrar la optimización de hiperparámetros con técnicas de IA explicable (PDP y SHAP), el estudio demuestra que se puede lograr una alta precisión predictiva sin sacrificar la interpretabilidad de ingeniería. Los autores afirman que el modelo captura con éxito las relaciones no lineales entre la composición de la mezcla y la resistencia a la tracción, ofreciendo una alternativa transparente a los modelos de caja negra.

El estudio concluye que, si bien el modelo actual es preciso dentro de los límites del conjunto de datos compilado, su aplicación práctica requiere una validación externa futura con datos experimentales independientes y la inclusión de variables adicionales, como las condiciones de curado y propiedades específicas de los materiales, para mejorar su robustez. El trabajo no propone nuevos protocolos experimentales, sino que establece un marco computacional validado para apoyar el diseño informado por el desempeño de materiales cementantes sostenibles.

Más como este