Optimización de modelos de aprendizaje automático con Optuna para la predicción precisa de la resistencia y el comportamiento de fisuras en vigas de hormigón pretensado

Por qué es importante predecir las fisuras en el hormigón

Puentes y edificios de gran tamaño dependen de largas vigas de hormigón que soportan de forma discreta el tráfico pesado y las inclemencias del tiempo durante décadas. Muchas de estas vigas están "pretensadas": cables de acero se tensan dentro del hormigón para que resista mejor el agrietamiento y la deformación. Cuando estas vigas pierden resistencia o comienzan a agrietarse de forma inesperada, las consecuencias pueden ser graves: reparaciones costosas, cierres de tráfico o incluso accidentes. Sin embargo, ensayar vigas a escala real en laboratorio es caro y lento. Este estudio explora cómo el aprendizaje automático moderno, afinado cuidadosamente con una herramienta de optimización llamada Optuna, puede predecir la resistencia de estas vigas y el comportamiento de sus fisuras, utilizando datos de ensayos existentes en lugar de nuevos experimentos a gran escala.

De resultados de ensayo dispersos a un recurso de datos enriquecido

Los investigadores recopilaron primero una amplia colección de resultados de ensayos sobre vigas de hormigón pretensado de 22 estudios publicados, terminando con 626 conjuntos de datos de vigas. Cada viga se describió mediante 21 características mensurables, como su ancho y altura, la cantidad y ubicación del refuerzo de acero y detalles de los cables de pretensado. Los resultados de interés incluyeron cuándo aparece la primera fisura significativa (momento de fisuración), la carga que la viga puede soportar antes de fallar (momento último), la separación típica entre fisuras y el ancho de la fisura mayor. Limpiaron y estandarizaron cuidadosamente estos datos mixtos para que las diferencias en unidades y en montajes de ensayo no engañaran a los modelos, y reservaron parte de los datos para pruebas independientes y justas.

Enseñar a las máquinas a leer las señales de fallo

En lugar de fiarse de fórmulas tradicionales, que a menudo tienen dificultades con las realidades desordenadas de las estructuras reales, el equipo entrenó cuatro modelos populares de aprendizaje automático para que aprendieran los patrones directamente de los datos: árboles de decisión, Random Forest, XGBoost y LightGBM. Estos modelos operan construyendo muchas reglas de decisión basadas en las características de entrada para predecir el comportamiento de una viga. Sin embargo, su rendimiento depende en gran medida de afinar "mandos" conocidos como hiperparámetros—por ejemplo, la profundidad máxima de cada árbol, cuántos árboles usar y la velocidad de aprendizaje. Configuraciones inapropiadas pueden dar lugar a modelos lentos, inexactos o sobreajustados que fallan ante vigas nuevas.

Permitir que Optuna busque las mejores configuraciones

Para afrontar este desafío de ajuste, los investigadores usaron Optuna, un marco de optimización moderno que explora automáticamente combinaciones prometedoras de hiperparámetros en lugar de probarlas a mano. Para cada configuración candidata, Optuna entrenaba un modelo, comprobaba qué tan bien predecía el comportamiento de la viga y luego usaba ese feedback para proponer mejores configuraciones a continuación. El equipo también analizó curvas de aprendizaje para elegir un número adecuado de rondas de entrenamiento, evitando modelos que se detuvieran demasiado pronto o que sobreentrenaran. Este proceso dio lugar a un claro ganador: el modelo LightGBM, ajustado por Optuna, predijo la resistencia de las vigas con un R² superior a 0,98 y la resistencia a la fisuración con un R² superior a 0,8, lo que significa que sus predicciones seguían muy de cerca los datos de ensayo.

Abrir la "caja negra" del aprendizaje automático

La alta precisión por sí sola no es suficiente para los ingenieros, que necesitan entender por qué un modelo realiza ciertas predicciones antes de confiar en él para diseño o verificaciones de seguridad. Para añadir esta transparencia, los autores utilizaron SHAP, un método que descompone cada predicción en contribuciones de las características de entrada individuales. SHAP mostró, por ejemplo, que la profundidad de la zona de compresión de la viga, la cantidad de acero pretensado que contiene y la resistencia del hormigón influyen fuertemente en cuándo se forman las fisuras y en cuánto se abren—insights que concuerdan con la mecánica estructural básica. En efecto, el modelo de aprendizaje automático no solo coincidió con el entendimiento humano sino que también cuantificó el impacto relativo de diferentes decisiones de diseño.

Qué significa esto para las estructuras del mundo real

Para quienes no son especialistas, el mensaje clave es que el aprendizaje automático bien afinado puede convertir resultados de ensayo dispersos en una herramienta práctica para comprobar la salud y seguridad de vigas de hormigón pretensado. Los modelos LightGBM y XGBoost optimizados con Optuna pueden ayudar a los ingenieros a estimar cuándo se agrietarán las vigas y cuánta carga pueden soportar con seguridad, sin tener que fabricar y destruir tantos especímenes a escala real. Dado que los modelos son a la vez precisos y explicables, pueden orientar decisiones de diseño más inteligentes—como cuántas armaduras usar y dónde colocarlas—ayudando a prolongar la vida útil de puentes y edificios al mismo tiempo que se ahorra tiempo, dinero y materiales.

Cita: Wen, Y., Guo, R., Duan, Z. et al. Machine learning model optimization with optuna for accurate prediction of strength and crack behavior in prestressed concrete beams. Sci Rep 16, 5822 (2026). https://doi.org/10.1038/s41598-026-36692-y

Palabras clave: vigas de hormigón pretensado, predicción de fisuras, aprendizaje automático, optimización de hiperparámetros, ingeniería estructural