Modelización de las propiedades mecánicas del hormigón con caucho mediante programación por expresión génica (GEP) y bosque aleatorio: un estudio comparativo

Convertir neumáticos viejos en edificios más resistentes y ecológicos

Cada año, miles de millones de neumáticos llegan al final de su vida y con frecuencia acaban en vertederos o vertidos ilegales, donde suponen riesgos de incendio y contaminación. Al mismo tiempo, la industria de la construcción consume enormes cantidades de arena, grava y energía, contribuyendo de forma significativa al cambio climático. Este estudio explora una manera de abordar ambos problemas a la vez: triturar neumáticos usados y emplear el caucho en el hormigón, y luego utilizar herramientas informáticas avanzadas para predecir cuán resistente será este nuevo hormigón «con caucho» sin tener que realizar interminables ensayos de laboratorio.

¿Por qué mezclar caucho en el hormigón?

El hormigón es la columna vertebral de la infraestructura moderna, pero producir sus ingredientes, especialmente el cemento y los áridos naturales, requiere mucha energía y agota los recursos naturales. Sustituyendo parte de la arena y la grava por fragmentos de caucho procedente de neumáticos usados, los ingenieros pueden reducir la necesidad de materiales vírgenes y evitar que los neumáticos descartados terminen en vertederos. Las partículas de caucho también pueden aportar características útiles al hormigón: absorben impactos, amortiguan el ruido y mejoran la resistencia al desgaste y a las variaciones de temperatura. Sin embargo, añadir caucho suele debilitar la capacidad del hormigón para resistir el agrietamiento y la tracción. Medir exactamente cuánto se pierde o se gana de resistencia por cada cambio en la receta requiere tradicionalmente muchos experimentos costosos y que consumen tiempo.

Dejar que los ordenadores aprendan de experimentos previos

Para evitar ensayar manualmente cada mezcla posible, los investigadores recurrieron al aprendizaje automático, métodos computacionales que encuentran patrones en los datos. Reunieron 112 conjuntos de resultados experimentales de estudios de todo el mundo, todos ellos sobre hormigón con caucho. Cada punto de datos describía una receta única, incluyendo cantidades de árido grueso y fino, caucho triturado y en polvo, aditivos químicos llamados superplastificantes, la relación agua–cemento y la edad del hormigón. Para cada receta se registraron dos propiedades clave: resistencia a la flexión (qué tan bien resiste una viga la flexión) y resistencia a la tracción por compresión dividida (qué tan bien resiste ser arrancada). Con esta base de datos combinada, el equipo entrenó dos modelos de aprendizaje automático distintos lado a lado para ver cuál podía predecir mejor estas resistencias.

Dos formas diferentes de que un ordenador «piense»

El primer método, la programación por expresión génica, funciona un poco como la evolución en la naturaleza. Parte de muchas fórmulas matemáticas aleatorias y las mejora gradualmente mediante una simulación de mutación y recombinación, produciendo finalmente ecuaciones legibles por humanos que vinculan los ingredientes de la mezcla con la resistencia. El segundo método, el bosque aleatorio, construye una gran colección de árboles de decisión —modelos sencillos basados en reglas— y deja que «voten» sobre la resistencia predicha. Mientras que el bosque aleatorio se comporta más como una caja negra, a menudo resulta muy preciso. Ambos modelos se ajustaron cuidadosamente y se evaluaron utilizando estadísticas estándar que comparan las resistencias predichas con los valores medidos en el laboratorio para mezclas que los modelos nunca habían visto antes.

Qué aprendieron los modelos sobre el hormigón con caucho

Ambos enfoques captaron el comportamiento general del hormigón con caucho, pero el bosque aleatorio fue más preciso. Para datos de prueba no vistos, reprodujo las resistencias a la flexión y a la tracción con valores de correlación cercanos al acuerdo perfecto, notablemente mejores que la programación por expresión génica. Los análisis de error mostraron que la mayoría de las predicciones estaban dentro de un margen modesto respecto a los valores reales, con solo unos pocos valores atípicos. Para abrir la caja negra, el equipo utilizó una herramienta llamada SHAP, que asigna a cada ingrediente una cuota de responsabilidad en cada predicción. Esto reveló que los áridos tradicionales y la relación agua–cemento influyen fuertemente en la resistencia a la flexión, mientras que la cantidad y el tipo de caucho, junto con el superplastificante y el contenido de agua, desempeñan papeles clave en la resistencia a la tracción. En general, más caucho y más agua tendían a reducir la resistencia, mientras que áridos y aditivos bien equilibrados podían recuperar parte del rendimiento.

Qué significa esto para la construcción futura

Para el público general, la conclusión principal es que podemos diseñar de forma realista hormigones más ecológicos que reciclen neumáticos viejos sin ir a ciegas. El estudio muestra que modelos informáticos inteligentes, en especial los bosques aleatorios, pueden predecir con fiabilidad cómo los cambios en una receta de hormigón con caucho afectarán su comportamiento frente al agrietamiento y la flexión, usando solo un puñado de entradas fáciles de medir. Eso significa que los ingenieros pueden reducir los costosos ensayos por prueba y error, acelerar la adopción de materiales derivados de residuos y especificar mezclas con mayor confianza, equilibrando beneficios ambientales con seguridad y durabilidad. A largo plazo, tales herramientas podrían ayudar a convertir montañas de neumáticos descartados en puentes, pavimentos y edificios seguros, reduciendo tanto los vertederos como la huella de carbono de la construcción.

Cita: Sheraz, M., Talha, M., Alam, M. et al. Modeling mechanical properties of rubberized concrete using gene expression programming (GEP) and random forest: a comparative study. Sci Rep 16, 8714 (2026). https://doi.org/10.1038/s41598-026-40897-6

Palabras clave: hormigón con caucho, reciclaje de neumáticos usados, aprendizaje automático en la construcción, modelado por bosque aleatorio, materiales sostenibles