Evaluación de la precisión predictiva de modelos supervisados de aprendizaje automático para explorar la resistencia mecánica del hormigón incorporado con escoria de alto horno

Por qué importa un hormigón más inteligente

El hormigón da forma a nuestras ciudades, pero fabricar el cemento que lo une libera enormes cantidades de dióxido de carbono—aproximadamente el 8 % de las emisiones globales. Una vía prometedora para reducir esta huella es sustituir parte del cemento ordinario por subproductos industriales como la escoria de alto horno, un material vítreo procedente de la siderurgia. El problema: encontrar la receta adecuada para un hormigón resistente, duradero y con baja huella de carbono suele requerir meses de trabajo de laboratorio. Este estudio muestra cómo el aprendizaje automático moderno puede realizar gran parte de ese ensayo y error de forma virtual, acelerando el diseño de hormigones más ecológicos.

Un ingrediente más limpio procedente de la siderurgia

La escoria de alto horno se produce cuando el mineral de hierro se funde para obtener arrabio. Cuando este subproducto fundido se enfría rápidamente y se muele hasta obtener un polvo fino, se comporta como un cemento de acción lenta. Mezclada en el hormigón, reacciona con los compuestos formados durante la hidratación del cemento para crear geles de unión adicionales que cierran los poros internos. Los beneficios son tres: se necesita menos cemento (reduciendo las emisiones de CO₂), la resistencia a ataques químicos por sales y ácidos aumenta, y la resistencia continúa creciendo durante períodos más largos. Pero el rendimiento depende de forma sensible de cuánto se añade de escoria, cómo interactúa con otros materiales y cuánto tiempo se cura el hormigón.

Convertir experimentos dispersos en un único conjunto de datos

En lugar de realizar nuevas pruebas de laboratorio para cada mezcla posible, los investigadores revisaron estudios anteriores y conjuntos de datos abiertos sobre hormigones con escoria. Reunieron 675 registros de datos, cada uno describiendo una receta de hormigón y su resistencia a la compresión medida (la presión que soporta antes de romperse). Se siguieron ocho ingredientes y condiciones clave: cantidades de cemento, escoria de alto horno, ceniza volante, áridos gruesos y finos, agua, un aditivo reducto de agua de alto alcance llamado superplastificante, y la edad de curado en días. Todos los valores se verificaron, estandarizaron a unidades comunes, se limpiaron de errores evidentes y se reescalaron para que los modelos de aprendizaje automático pudieran comparar las variables en pie de igualdad.

Entrenar máquinas para predecir la resistencia del hormigón

Con esta base de datos, el equipo entrenó seis modelos supervisados de aprendizaje automático diferentes para predecir la resistencia a la compresión a partir del diseño de la mezcla: AdaBoost, un único Árbol de Decisión, Gradient Boosting, k-Nearest Neighbors y dos métodos avanzados basados en árboles conocidos como LightGBM y XGBoost. Usaron el 80 % de los datos para el entrenamiento y el 20 % para probar cómo funcionaba cada modelo con recetas nuevas y no vistas. Para evitar el sobreajuste —cuando un modelo memoriza datos pasados pero falla en la práctica— ajustaron sistemáticamente los parámetros con búsqueda en cuadrícula y validación cruzada, y luego evaluaron el rendimiento usando medidas estándar de precisión como el coeficiente de determinación (R²) y varias estadísticas de error.

Qué controla la resistencia en mezclas más verdes

Los dos modelos más potentes, LightGBM y XGBoost, reprodujeron con alta precisión las resistencias de laboratorio, capturando más del 94 % de la variación en los datos de prueba. Para hacer comprensibles estos modelos “caja negra”, los autores aplicaron SHAP (un método que asigna a cada entrada una parte de la predicción) y gráficos de dependencia parcial, que muestran cómo cambiar una variable desplaza la resistencia predicha mientras las demás se mantienen constantes. Estas herramientas revelaron que la edad de curado tenía el mayor efecto positivo: curados más largos implicaban consistentemente hormigones más resistentes. El superplastificante y el contenido de cemento fueron los siguientes en influencia, incrementando la resistencia al mejorar el empaquetamiento y reducir agua innecesaria. El agua mostró un fuerte efecto negativo—demasiada agua debilita la mezcla—mientras que la escoria de alto horno ayudaba hasta cierto punto y luego se estabilizaba.

Encontrar el punto óptimo para la escoria

Al barrer los modelos a través de diferentes contenidos de escoria, los investigadores identificaron una ventana óptima de reemplazo: cuando la escoria de alto horno representaba aproximadamente el 30–40 % del total de material cementante, el hormigón tendía a alcanzar mayores resistencias a la compresión, especialmente a edades de curado de 28 días o más. Incrementar la escoria mucho más, en particular por encima del 50 %, con frecuencia ralentizaba el crecimiento de la resistencia temprana, lo que puede ser crítico para los calendarios de construcción. Estos conocimientos, extraídos de muchos estudios pequeños, ofrecen una guía práctica: los ingenieros pueden orientar con confianza este rango intermedio de escoria para equilibrar resistencia, durabilidad y ahorro de carbono sin necesidad de ensayos exhaustivos para cada proyecto.

Qué significa esto para la construcción futura

Para quienes no son especialistas, el mensaje clave es directo: los ordenadores ahora pueden aprender de experimentos pasados sobre hormigón lo bastante bien como para sugerir mezclas resistentes y bajas en carbono antes de verter una sola tanda. En este trabajo, el modelo LightGBM resultó ligeramente más preciso que XGBoost, pero ambos fueron lo bastante precisos e interpretables como para mostrar qué ingredientes importan más y dónde funciona mejor la escoria. Esa combinación de velocidad y transparencia permite a los diseñadores ahorrar tiempo, costes y desperdicio de material mientras aprovechan mejor los subproductos industriales. A medida que los conjuntos de datos crezcan y se estandaricen, estas herramientas podrían ayudar a que la industria de la construcción reduzca su impacto climático sin renunciar a estructuras seguras y duraderas.

Cita: Sobuz, M.H.R., Majumder, S., Afrin, M.S. et al. Evaluating the predictive accuracy of supervised machine learning models to explore the mechanical strength of blast furnace slag incorporated concrete. Sci Rep 16, 6712 (2026). https://doi.org/10.1038/s41598-026-36437-x

Palabras clave: hormigón con escoria de alto horno, aprendizaje automático, resistencia a la compresión, construcción sostenible, reemplazo de cemento