Modelo de resistencia al corte de elementos de hormigón ligero basado en red neuronal profunda y optimización COVID-19

Por qué importan un hormigón más ligero y las matemáticas inteligentes

Los edificios y puentes son cada vez más altos, largos y eficientes, y los ingenieros buscan materiales que sean resistentes pero ligeros. El hormigón ligero ayuda a reducir el peso de las estructuras y mejora el aislamiento, pero predecir cómo se fisurará y fallará bajo ciertos tipos de esfuerzos es complicado. Este estudio muestra cómo una forma moderna de inteligencia artificial, combinada con un algoritmo inspirado en la propagación del COVID-19, puede predecir una propiedad clave del hormigón ligero con más precisión que las normas de diseño actuales, lo que podría conducir a estructuras más seguras y eficientes.

El reto de evitar que el hormigón se desgarre

Cuando una viga de hormigón en un edificio o puente soporta cargas, puede fallar de distintas maneras. Uno de los modos más súbitos y difíciles de predecir se denomina corte, donde aparecen fisuras diagonales que atraviesan la viga. Las fórmulas de diseño tradicionales usadas en los principales códigos de construcción del mundo son deliberadamente conservadoras, pero a menudo discrepan entre sí y pueden juzgar erróneamente el comportamiento real de las vigas. El problema se complica aún más con el hormigón ligero, cuyo menor peso y agregados distintos modifican la formación de fisuras y la transmisión de esfuerzos a través del material, debilitando ciertos mecanismos internos que normalmente ayudan a resistir el corte.

Cómo una red de aprendizaje profundo interpreta el comportamiento estructural

Para abordarlo, los autores construyeron una red neuronal profunda, un tipo de modelo de IA formado por muchas capas de unidades de procesamiento simples que detectan patrones en los datos. Entrenaron esta red con resultados experimentales de vigas de hormigón ligero, proporcionándole detalles geométricos, resistencias del material, propiedades del armado de acero y la forma de aplicación de la carga. En lugar de partir de parámetros iniciales aleatorios, ajustaron los parámetros internos iniciales de la red usando una estrategia de búsqueda especial apodada algoritmo de optimización COVID-19, que toma ideas de cómo se propaga, extingue o contiene una infección. Este punto de partida más inteligente ayuda a la red a aprender más rápido y a evitar quedarse atrapada en soluciones pobres.

Pruebas frente a vigas reales y normas de diseño

Los investigadores pusieron luego su modelo a prueba comparando sus predicciones con mediciones de laboratorio reales y con tres códigos de diseño ampliamente utilizados de Estados Unidos, Europa y Japón. Prestaron especial atención a las regiones de datos donde el comportamiento se vuelve altamente no lineal, es decir, donde pequeños cambios en las entradas pueden producir grandes y bruscos saltos en la resistencia al corte. Precisamente en estas zonas desafiantes, la red profunda siguió los resultados de ensayo mucho más de cerca que las ecuaciones de los códigos, que tendían a desviarse. Medido sobre todo el conjunto de datos, el nuevo modelo produjo el error medio más bajo y el ajuste más estrecho entre resistencias predichas y observadas, manteniendo además un buen rendimiento en comprobaciones cruzadas repetidas que protegen contra el sobreajuste.

Lo que el modelo revela sobre los ingredientes clave

Más allá de simplemente predecir cifras, los autores utilizaron su red entrenada para sondear qué propiedades de la viga y del material son las más importantes. El análisis destacó la profundidad efectiva de la viga, la resistencia a compresión del hormigón, su peso unitario y el ancho de la viga como los factores que más influyen en la capacidad de corte del hormigón ligero. En contraste, algunos factores que a menudo se consideran relevantes, como el tamaño del árido y la cantidad de acero a flexión, mostraron una influencia sorprendentemente baja en este conjunto de datos, lo que plantea interrogantes para experimentos futuros y sugiere que los diseñadores podrían centrarse más en un grupo más reducido de parámetros al refinar las reglas para mezclas ligeras.

Qué implica esto para las estructuras del futuro

Para quienes no son especialistas, la conclusión principal es que un modelo de aprendizaje profundo cuidadosamente entrenado puede actuar como un intérprete experto entre las pruebas de laboratorio y la práctica de diseño cotidiana. En este estudio, la red optimizada con el algoritmo COVID-19 hizo un mejor trabajo que las fórmulas de los códigos existentes al estimar cómo las vigas de hormigón ligero resisten las fuerzas de corte, especialmente en casos difíciles donde el comportamiento está lejos de ser simple. Aunque los ingenieros seguirán dependiendo de los códigos para la aprobación reglamentaria, herramientas como este modelo podrían ayudarles a detectar diseños excesivamente conservadores o potencialmente inseguros y avanzar hacia estructuras más ligeras y eficientes que aprovechen de forma más inteligente los materiales.

Cita: Shamseldin, M.A., Deifalla, A.F., Kontoni, DP.N. et al. Shear strength of light weight concrete elements model based on deep neural network and COVID-19 optimization. Sci Rep 16, 15513 (2026). https://doi.org/10.1038/s41598-025-20538-0

Palabras clave: hormigón ligero, resistencia al corte, red neuronal profunda, ingeniería estructural, algoritmo de optimización