Un enfoque híbrido de aprendizaje automático para predecir la resistencia a la flexión del hormigón reforzado con fibras de aluminio residuales

Convertir metal de desecho en hormigón más resistente

Cada año, fábricas y hogares generan montañas de residuos de aluminio procedentes de latas, cables y recortes de mecanizado. Gran parte de este desecho es difícil de eliminar de forma segura, aunque el aluminio es ligero, resistente y duradero. Este estudio aborda una pregunta sencilla con grandes implicaciones: ¿podemos transformar esos restos problemáticos en pequeñas fibras que hagan el hormigón más ecológico y mejor a la hora de resistir la flexión y las fisuras, utilizando además modelos informáticos inteligentes para predecir la resistencia del nuevo material?

Por qué importa la resistencia a la flexión

El hormigón es excelente soportando cargas cuando está comprimido, pero es mucho más débil frente a la flexión. Carreteras, suelos, losas de puentes y pistas de aterrizaje suelen fallar primero por plegamiento y fisuración antes que por simple aplastamiento. Añadir fibras es una forma de ayudar al hormigón a deformarse y mantenerse unido cuando empieza a agrietarse. Los investigadores de este trabajo se centraron en fibras de aluminio procedentes de latas y otros recortes usados. Mezclaron estas fibras en el hormigón en distintas proporciones, entre el 1 % y el 5 % del volumen, y probaron cómo resistían pequeños vigas a la flexión. Encontraron un punto óptimo claro: alrededor del 3 % de fibra, las vigas soportaban la carga máxima a flexión y mostraban fisuras más controladas; por encima de ese nivel, un exceso de fibras empeoraba la cosa al apelmazarse y reducir la trabajabilidad del hormigón fresco.

Construir una forma más inteligente de predecir la resistencia

Diseñar hormigón con fibras residuales no es cuestión de adivinar un porcentaje de fibra. Muchos ingredientes —cemento, agua, arena, grava, polvos especiales, tiempo de curado y contenido de fibra— interactúan de formas complejas. Para ir más allá del ensayo y error, el equipo reunió un conjunto de datos de 195 resultados de ensayo procedentes de sus propios experimentos y estudios previos, todos con fibras de aluminio residuales. Luego entrenaron tres tipos diferentes de modelos de aprendizaje automático para predecir la resistencia a la flexión a partir de ocho variables básicas de mezcla y curado: un Random Forest (muchos árboles de decisión promediados), un modelo Extreme Gradient Boosting y una Red Neuronal Artificial inspirada en cómo se conectan las neuronas. Cada modelo captura distintos patrones en los datos.

Combinar modelos y abrir la caja negra

En lugar de elegir un único modelo “mejor”, los investigadores los apilaron. En este enfoque híbrido, los tres modelos hacen cada uno su propia predicción y una capa final combinadora aprende a ponderarlas para obtener la respuesta más precisa. Este sistema apilado predijo la resistencia a la flexión con muy alta precisión: explicó más del 99 % de la variación en los datos de entrenamiento y alrededor del 96 % en pruebas nuevas no vistas. Para asegurarse de que el sistema no fuera solo una caja negra misteriosa, recurrieron a una herramienta de explicación llamada SHAP. Este método asigna a cada entrada —como la edad de curado o el contenido de grava— una cuota de responsabilidad en la resistencia predicha. El análisis mostró que la edad de curado y los contenidos de áridos eran especialmente importantes, mientras que el porcentaje de fibra de aluminio, aunque beneficioso, tuvo un papel global menor que el armazón sólido de arena y grava que soporta las cargas dentro del hormigón.

Qué importa más dentro de la mezcla

Al profundizar en los resultados explicativos, el estudio comprobó que tiempos de curado más largos aumentaban de forma consistente la resistencia a la flexión, confirmando el valor de un curado lento y húmedo en proyectos reales. Los áridos gruesos y finos surgieron como actores clave: sus cantidades y el equilibrio de tamaños controlan cómo se inician y propagan las grietas bajo flexión. El agua y el cemento tuvieron un efecto más matizado: demasiada agua debilita la unión entre la pasta y los áridos, mientras que un exceso de cemento puede volver el material más quebradizo. Las fibras de aluminio residuales ayudaron al puenteo de grietas y mejoraron la capacidad del hormigón para resistir tracción, pero solo hasta aproximadamente el 3 % en volumen; por encima de ese umbral, la mezcla se volvió más difícil de colocar y menos uniforme, compensando los beneficios del refuerzo adicional. La orientación del modelo se tradujo en recomendaciones prácticas sobre los rangos de áridos, cemento, agua y contenido de fibra que los ingenieros pueden considerar al diseñar mezclas.

De la visión de laboratorio a estructuras más sostenibles

Para un lector general, el mensaje clave es claro: es posible convertir el aluminio descartado en un ingrediente útil que ayuda al hormigón a resistir la flexión, al mismo tiempo que se desvía residuo de los vertederos y se reduce la necesidad de fibras de acero nuevas. Al combinar experimentos cuidadosos con un sistema de aprendizaje multimodelo y transparente, los investigadores crearon una especie de “calculadora” que puede predecir cuán resistente será una mezcla de hormigón con fibras residuales y explicar por qué. Sus resultados sugieren que una mezcla bien diseñada con alrededor del 3 % de fibras de aluminio residuales puede mejorar la resistencia a la flexión, reducir costes de material y disminuir el impacto ambiental. Si se escala y se refina con más datos, este enfoque podría ayudar a los ingenieros a usar con confianza residuos industriales en la infraestructura cotidiana, haciendo puentes, pavimentos y suelos más robustos y sostenibles.

Cita: Boursas, F., Boufarh, R., Altowaijri, Y. et al. A hybrid machine learning approach for predicting the flexural strength of concrete reinforced with waste aluminium fibres. Sci Rep 16, 10763 (2026). https://doi.org/10.1038/s41598-026-41961-x

Palabras clave: fibras de aluminio residuales, resistencia a la flexión, hormigón sostenible, modelos de aprendizaje automático, materiales de construcción reciclados