Un enfoque integrado de aprendizaje automático guiado por la física para predecir parámetros de fractura del hormigón asfáltico

Por qué importan mejores carreteras

Cada día, millones de conductores dependen de las carreteras asfaltadas para ir al trabajo, mover mercancías y mantener las ciudades en funcionamiento. Sin embargo, las grietas y los baches aparecen con mucha más rapidez de la que desearíamos, provocando costes y frustración. Este estudio explora una nueva forma de predecir cómo y cuándo se agrietará el asfalto: combinando ensayos de laboratorio tradicionales, simulaciones por ordenador y aprendizaje automático moderno. El objetivo es diseñar pavimentos de mayor duración de forma más rápida y económica.

Cómo se estudian normalmente las grietas en el asfalto

Para entender cómo se rompe el asfalto, los ingenieros suelen emplear muestras en forma de viga con un pequeño corte, llamado muesca, en el centro. Estas «vigas con muesca en un solo borde» se doblan hasta que se fracturan, mientras los instrumentos registran la carga que soporta la viga y su desplazamiento. A partir de estas mediciones, los investigadores calculan la energía de fractura: un valor que indica cuánta energía puede absorber el material antes de que se propague una grieta. Estos ensayos son fiables, pero son lentos, requieren equipamiento especial y solo pueden abarcar un número limitado de mezclas y temperaturas.

Añadiendo experimentos virtuales en el ordenador

Para ir más allá de lo que puede realizarse en el laboratorio, los autores construyeron un modelo por ordenador detallado de la viga con muesca usando el método de elementos finitos, una técnica estándar de simulación en ingeniería. Recrearon la misma geometría, la configuración de carga y la temperatura que en los ensayos, y emplearon propiedades realistas del asfalto para que el modelo reprodujera su comportamiento viscoelástico dependiente del tiempo. Al ajustar la finura de la malla del modelo, encontraron un nivel de detalle que producía curvas de fuerza‑desplazamiento precisas sin un coste computacional excesivo. Los resultados simulados coincidieron estrechamente con las pruebas reales en términos de fuerza máxima, rigidez y la manera en que la viga se ablanda tras la fractura, confirmando que el modelo digital capturó el comportamiento esencial de la fractura.

Enseñar a las máquinas a reconocer patrones

A continuación, el equipo recurrió al aprendizaje automático para conectar propiedades de la mezcla que son fáciles de medir con la resistencia del asfalto a la fractura. Utilizaron un conjunto de datos existente de mezclas asfálticas que incluía propiedades como contenido de betún, vacíos de aire, peso unitario, estabilidad, fluidez y una medida de rigidez a la temperatura típica de la carretera. Antes de modelar, examinaron la fuerza de las relaciones entre estas propiedades: por ejemplo, las mezclas más rígidas tendían a soportar cargas mayores pero se comportaban de forma más frágil, mientras que contenidos de betún más altos hacían las mezclas más blandas pero más deformables. Se entrenaron y evaluaron tres enfoques de aprendizaje automático—regresión lineal simple, Gradient Boosting y AdaBoost—usando validación cruzada. Entre ellos, Gradient Boosting ofreció las predicciones más fiables de la rigidez y del comportamiento de fractura asociado.

Una fórmula abreviada para la resistencia a la grieta

Para que las predicciones tuvieran sentido físico, los autores introdujeron una ecuación sustituta para la energía de fractura. En lugar de pedir al ordenador que estimara la energía de fractura directamente a partir de docenas de entradas, propusieron una expresión compacta que combina solo unas pocas magnitudes clave: estabilidad, fluidez, rigidez a 20 °C y una dimensión característica de la viga. Esta ecuación respeta las unidades y las tendencias conocidas: una mayor estabilidad y rigidez suelen aumentar la resistencia a la grieta, mientras que la fluidez refleja cuánto puede deformarse la mezcla. Con esta fórmula calcularon una energía de fractura «sustituta» para cada mezcla y la compararon con las energías medidas y simuladas. El valor medio sustituto difirió de los valores de laboratorio y de ordenador en solo alrededor del 2 por ciento, lo que muestra que este atajo sencillo, guiado por la física, capta la esencia del proceso de fractura.

Qué significa esto para las carreteras del futuro

Para el público general, el mensaje principal es que ahora podemos estimar cuán resistente a la grieta será una mezcla asfáltica usando un pequeño conjunto de mediciones de rutina y una ecuación cuidadosamente diseñada, respaldada por aprendizaje automático y simulaciones por ordenador. En lugar de realizar ensayos complejos de fractura para cada nueva mezcla, los ingenieros pueden cribar diseños con rapidez, afinar el contenido de betún y la estructura del árido, y centrar los trabajos de laboratorio donde realmente importa. Con el tiempo, este tipo de modelado de datos integrado y consciente de la física podría contribuir a pavimentos más duraderos, menos baches y un mejor aprovechamiento del dinero invertido en la construcción y el mantenimiento de carreteras.

Cita: Elahi, M., Khan, R., Mabood, T. et al. An integrated physics-guided machine learning approach for predicting asphalt concrete fracture parameters. Sci Rep 16, 7938 (2026). https://doi.org/10.1038/s41598-025-32041-7

Palabras clave: fractura del asfalto, diseño de pavimentos, aprendizaje automático, simulación por elementos finitos, modelado sustituto