Predicción basada en aprendizaje en conjunto de la curva backbone para pilares de hormigón armado corroídos usando una base de datos experimental

Por qué importan los pilares de hormigón envejecidos

Muchos de los puentes y edificios de los que dependemos a diario se apoyan en pilares de hormigón armado que se oxidan de forma silenciosa con el paso de las décadas. La sal de los tratamientos anticongelantes, la bruma marina y el aire contaminado pueden corroer lentamente el acero oculto en su interior, debilitando estos apoyos justo cuando pueden ser requeridos para resistir terremotos. Este artículo presenta una nueva forma de usar grandes cantidades de datos experimentales y el aprendizaje automático moderno para predecir cómo se comportarán dichos pilares dañados durante movimientos sísmicos fuertes, ayudando a los ingenieros a decidir cuándo repararlos, reforzarlos o reemplazarlos.

Cómo el óxido cambia la historia de la resistencia

Cuando el acero dentro de un pilar de hormigón se corroe, el óxido ocupa más volumen que el metal original. Esta expansión fisura el hormigón circundante, primero como finas líneas internas y más tarde como fisuras visibles y desprendimientos. Al mismo tiempo, las barras de acero pierden sección, resistencia y ductilidad, y su adherencia al hormigón se debilita. Bajo cargas de vaivén similares a las sísmicas, los pilares sanos trazan bucles anchos y redondeados en una gráfica fuerza–desplazamiento, mostrando una fuerte absorción de energía. Los pilares corroídos, en cambio, describen bucles más estrechos y con estrangulamiento y pierden resistencia más rápido tras el primer fluencia, señalando un giro hacia un comportamiento frágil y menos tolerante que puede dejar las estructuras más vulnerables al colapso.

De ensayos dispersos a una visión unificada

Investigadores de todo el mundo han ensayado pilares corroídos individualmente en distintos laboratorios, empleando una amplia variedad de tamaños, disposiciones de barras, materiales, niveles de corrosión y condiciones de carga. Este estudio reúne 200 de esos especímenes en una única base de datos experimental que abarca rangos realistas de geometría del pilar, resistencia del acero y del hormigón, carga axial y corrosión medida tanto de las barras principales como de los estribos. En lugar de simplificar el comportamiento de cada pilar a unos pocos puntos ideales, los autores extraen la curva backbone completa: la envolvente suave que traza cómo la resistencia lateral crece, alcanza un pico y luego decae a medida que el pilar oscila. A continuación usan estas curvas medidas como objetivos para modelos basados en datos que aprenden directamente de los experimentos, en lugar de partir de fórmulas predefinidas.

Enseñar a las máquinas a leer el daño

El equipo entrena varios métodos de aprendizaje en conjunto —familias de muchos árboles de decisión pequeños que votan conjuntamente— para predecir etapas clave a lo largo de la backbone de cada pilar: la resistencia en la primera fluencia, la resistencia máxima y la resistencia remanente tras daños severos. Usando parte de la base de datos para el entrenamiento y reservando el resto para pruebas, afinan los modelos con búsqueda bayesiana para que capten patrones generales sin memorizar especímenes individuales. Entre todos los enfoques probados, un modelo de extreme gradient boosting resulta el más fiable, alcanzando alta precisión en las etapas de fluencia, pico y residual y, de forma crucial, reproduciendo el pronunciado ablandamiento post‑pico que los modelos más simples e idealizados suelen omitir o subestimar.

Ver qué detalles importan más

Para ir más allá de una predicción de caja negra, los autores aplican una técnica llamada SHAP, tomada de la teoría de juegos, para medir cuánto empuja cada factor de entrada la resistencia predicha hacia arriba o hacia abajo. Encuentran que la forma y las proporciones básicas —como el claro por cortante y la profundidad total del pilar— junto con la degradación de la resistencia de las barras de acero, son las más importantes cuando el pilar primero fluye y en la resistencia máxima. A medida que el daño avanza, las características vinculadas a la confinación y el modo de fallo se vuelven más críticas, reflejando cómo las fisuras, la trituración y el pandeo de las barras sustituyen a la geometría simple. Este tipo de información permite a los ingenieros ver si la debilidad de un pilar proviene principalmente de una carga axial elevada, un detallado deficiente o una corrosión severa, orientando refuerzos más focalizados.

Qué significa esto para la seguridad cotidiana

En términos prácticos, el estudio muestra que un modelo de aprendizaje automático cuidadosamente entrenado y transparente puede reconstruir de forma fiable toda la trayectoria resistencia–deriva de un pilar de hormigón corroído usando propiedades medibles e indicadores de corrosión. En comparación con fórmulas backbone antiguas e idealizadas, el nuevo enfoque captura mejor la rapidez con que la resistencia cae tras el pico, especialmente en casos de corrosión intensa donde la capacidad residual a menudo se ha sobreestimado. Esto ofrece a los propietarios de puentes y edificios una imagen más nítida de cuánto margen sísmico queda en apoyos envejecidos y les ayuda a priorizar reparaciones antes del próximo gran terremoto, convirtiendo ensayos de laboratorio dispersos en una herramienta potente para la toma de decisiones en el mundo real.

Cita: Sadeghi, M., Poorahad, P., Shiravand, M.R. et al. Ensemble learning-based prediction of the backbone curve for corroded reinforced concrete columns using experimental database. Sci Rep 16, 9367 (2026). https://doi.org/10.1038/s41598-026-40488-5

Palabras clave: corrosión del hormigón armado, rendimiento sísmico, aprendizaje automático en ingeniería civil, predicción de la curva backbone, infraestructura envejecida