Fuente: AZO Build

 

En un estudio reciente publicado en la revista Scientific Reports , los investigadores informaron un avance en la predicción de la resistencia a la compresión del hormigón que incorpora ceniza de cáscara de arroz (RHA) mediante la combinación de pruebas de laboratorio con técnicas avanzadas de aprendizaje automático (ML).

Este enfoque tiene como objetivo apoyar la construcción sustentable mediante el uso de desechos agrícolas en el hormigón y al mismo tiempo aprovechar el aprendizaje automático para realizar pronósticos de rendimiento eficientes.

¿Cómo se puede utilizar la ceniza de cáscara de arroz en el hormigón sostenible?

El hormigón es el material de construcción más utilizado a nivel mundial, pero la producción de su aglutinante principal, el cemento Portland, consume mucha energía y es una fuente importante de dióxido de carbono. Investigadores e ingenieros buscan una alternativa para reducir esta huella ambiental. 

El subproducto agrícola de la producción de arroz, la ceniza de cáscara de arroz, es rico en sílice amorfa y ha surgido como un material complementario prometedor en el cemento debido a sus propiedades puzolánicas, que mejoran la resistencia y la durabilidad al tiempo que minimizan los desechos de la producción de arroz.

Sin embargo, predecir la resistencia a la compresión del hormigón modificado con RHA es difícil, ya que las interacciones entre el RHA y otros componentes de la mezcla son no lineales, al igual que las condiciones de curado. Las pruebas de laboratorio tradicionales son fiables, pero requieren mucho tiempo y son costosas. 

Los modelos de aprendizaje automático (ML) pueden ser una solución. Al capturar eficientemente relaciones complejas dentro de las mezclas de hormigón, el ML podría permitir predicciones de resistencia rápidas y precisas.

El uso de este enfoque ayudará a los equipos de I+D en el desarrollo de materiales de construcción sustentables al facilitar la optimización de los diseños de mezclas y promover el uso de materiales ecológicos, como RHA.

Los investigadores señalan que las propiedades de RHA pueden variar significativamente dependiendo de la temperatura de combustión, el material de origen y el posprocesamiento, lo que significa que los modelos entrenados en un tipo de RHA pueden necesitar volver a entrenarse antes de aplicarse a otras fuentes de material.

Metodología: Evaluación de algoritmos de aprendizaje automático

El equipo de investigación evaluó doce algoritmos ML para predecir la resistencia a la compresión a los 28 días del hormigón que contiene RHA.

Desarrollaron un conjunto de datos de 500 muestras probadas en laboratorio variando parámetros clave de la mezcla, incluida la relación agua-aglutinante, el contenido de cemento, el contenido de RHA, el contenido de agua, la dosis de superplastificante y las proporciones de agregado fino y grueso. 

Se utilizó un conjunto adicional de 30 puntos de datos de estudios publicados para la validación externa.

Antes del entrenamiento, el conjunto de datos se sometió a una rigurosa limpieza, estandarización y análisis estadístico.

Se aplicaron técnicas como la correlación de Pearson y la información mutua para identificar dependencias no lineales entre variables. La regresión por pasos, respaldada por el Criterio de Información de Akaike (AIC), confirmó la significancia de todas las características de entrada.

Todos los algoritmos fueron entrenados y optimizados utilizando ajuste de hiperparámetros de búsqueda en cuadrícula y validación cruzada estratificada de k pliegues (k = 5).

Los algoritmos evaluados incluyeron regresión de vectores de soporte (SVR), redes neuronales artificiales (ANN), bosque aleatorio (RF) y árboles de decisión comúnmente utilizados.

Los algoritmos adicionales utilizados fueron regresión de proceso gaussiano (GPR), SVR de espacio nulo (NuSVR), regresor de refuerzo de gradiente (GBR), refuerzo de gradiente basado en histograma (HGBR), refuerzo de gradiente extra (XGBoost), regresión de perceptrón multicapa (MLPR), árboles extra (ETR), regresor de árbol de decisión (DTR) y un conjunto de regresores de votación. 

Para medir el rendimiento de cada modelo, los investigadores utilizaron métricas estándar: 

• – R ² (coeficiente de determinación) para mostrar en qué medida las predicciones coincidieron con los resultados reales,
• – MAPE (error porcentual absoluto medio) para cuantificar el error promedio como porcentaje, 
• – RMSE (error cuadrático medio) para enfatizar errores más grandes e
• – índice a20, que verifica cuántas predicciones cayeron dentro del 20 % de las mediciones de laboratorio.  

Los investigadores también utilizaron SHAP (Explicaciones Aditivas de SHapley) para desglosar la contribución de cada variable de entrada. De esta manera, las decisiones de los modelos de aprendizaje automático fueron más interpretables. 

Hallazgos clave: Rendimiento de los modelos de aprendizaje automático

Los resultados indicaron que SVR, GPR y NuSVR ofrecieron el desempeño predictivo más sólido, con valores R ² superiores a 0,93 tanto en las pruebas de retención como en las de validación cruzada de cinco veces.

El SVR demostró la mayor precisión y estabilidad en todas las métricas de evaluación. En cambio, el DTR tuvo el peor rendimiento, con valores de R₂ ^inferiores a 0,53 debido al sobreajuste.

La validación externa mediante conjuntos de datos independientes confirmó la fiabilidad de los modelos de mayor rendimiento. Los autores también realizaron una validación limitada con muestras cilíndricas y reportaron una alta consistencia en las predicciones, aunque esto se presentó como una verificación secundaria y no como un objetivo principal del estudio.

Curiosamente, el modelo SVR alcanzó un valor R ² de 0,98 en muestras de hormigón cilíndricas, lo que indica una fuerte adaptabilidad a diferentes geometrías de muestra y condiciones de prueba.

El análisis del contenido de RHA reveló una tendencia clara, donde la resistencia a la compresión aumentó con la dosis de RHA, alcanzando un rango óptimo de aproximadamente 80-100 kg/ ^m3 .

Más allá de este nivel, la resistencia disminuyó debido a los efectos de dilución y a la menor trabajabilidad. Este hallazgo proporciona una guía práctica para optimizar los diseños de mezclas que incorporan RHA.

La cuantificación de la incertidumbre mediante análisis bootstrap arrojó intervalos de confianza del 95% para las predicciones de SVR, mejorando así la confiabilidad de las estimaciones.

El estudio también desarrolló una interfaz gráfica de usuario (GUI) fácil de usar que permite a los ingenieros ingresar parámetros de mezcla y obtener la resistencia a la compresión prevista, lo que hace que el aprendizaje automático avanzado sea accesible para un uso práctico.

Aplicaciones de la ceniza de cascarilla de arroz en la construcción

Esta investigación tiene importantes implicaciones para la industria de la construcción, en particular para el avance de las tecnologías de hormigón sostenible. Al incorporar el hormigón RHA como sustituto parcial del cemento Portland, los ingenieros pueden reducir la huella de carbono asociada a la producción de hormigón convencional, aprovechando al mismo tiempo el potencial puzolánico del hormigón RHA.

La interfaz gráfica de usuario fácil de usar facilita la toma rápida de decisiones en el sitio, reduce la dependencia de costosos procedimientos de laboratorio y agiliza la adopción de RHA en aplicaciones del mundo real.

Esta herramienta garantiza que las predicciones se mantengan precisas y basadas en el conjunto de datos subyacente. Sin embargo, los investigadores advierten que la generalización del modelo está vinculada a las características específicas de RHA utilizadas en el estudio, y que los ingenieros que apliquen la herramienta a diferentes fuentes podrían necesitar recalibrar o reentrenar los modelos subyacentes.

Mejorar los modelos predictivos para su uso futuro

En resumen, este estudio representa un avance significativo en la tecnología del hormigón sustentable al demostrar cómo las técnicas de ML pueden predecir con precisión la resistencia a la compresión del hormigón que incorpora RHA.

Los hallazgos resaltan el valor del RHA como material suplementario bajo en carbono que mejora el rendimiento del hormigón y reduce la dependencia del cemento tradicional. La alta precisión predictiva de modelos como SVR, GPR y NuSVR demuestra que el aprendizaje automático puede ser una herramienta práctica para optimizar el diseño de mezclas.

Los trabajos futuros deberían considerar variables adicionales, como las condiciones de curado y los datos reales del proyecto, para mejorar la fiabilidad del modelo. También se requiere más investigación para evaluar la robustez de los modelos en RHA obtenidos en diferentes condiciones geográficas y de procesamiento, lo que podría influir en la estabilidad de la predicción.

Mejorar la interpretabilidad del modelo y refinar la cuantificación de la incertidumbre ayudará a los ingenieros a utilizar las predicciones de ML con mayor confianza.

En general, esta investigación demuestra cómo la integración de materiales sustentables y métodos predictivos avanzados puede respaldar prácticas de construcción más ecológicas, acercando a la industria a lograr soluciones de concreto de alto rendimiento y bajas emisiones de carbono para la infraestructura futura.