Enfoque híbrido generativo–conjunto para predecir las propiedades de resistencia del hormigón con áridos reciclados

Por qué esta investigación importa para nuestro entorno construido

El hormigón está presente en todas partes en la vida moderna, pero su producción consume enormes cantidades de arena, grava y cemento y libera dióxido de carbono a la atmósfera. Una vía prometedora para reducir este impacto es reutilizar el hormigón fracturado de estructuras antiguas como material de construcción. El problema es que el hormigón fabricado con piezas recicladas no siempre se comporta igual que el hormigón hecho con roca nueva. Este estudio muestra cómo las herramientas de datos modernas pueden ayudar a los ingenieros a predecir la resistencia de esas mezclas más sostenibles antes de fabricar un solo probeta.

Convertir escombros en un recurso

Los sitios de construcción y demolición generan montañas de residuos de hormigón cada año. En lugar de enviar estos escombros a vertederos, pueden triturarse y reutilizarse como árido, el armazón similar a grava dentro del hormigón nuevo. Sustituir arena y piedra naturales por piezas recicladas ayuda a preservar los recursos naturales menguantes y reduce la huella ambiental global de los proyectos de construcción. Sin embargo, las partículas recicladas a menudo conservan cemento antiguo en sus superficies, tienen más porosidad y forman zonas de contacto más débiles dentro de la nueva mezcla. Estas particularidades pueden disminuir la carga que el hormigón puede soportar de forma segura, lo que hace que los diseñadores sean cautelosos al usar altos porcentajes de material reciclado.

Aprendiendo de mezclas pasadas

Para abordar este desafío, los investigadores recopilaron datos de 112 recetas de hormigón distintas que usaban tanto áridos naturales como reciclados. Para cada mezcla registraron la cantidad de agua, cemento, arena, grava y material reciclado, junto con cuatro resultados clave: resistencia a compresión, resistencia a tracción por división, resistencia a flexión y rigidez. Dado que 112 ejemplos son modestos para entrenar modelos de datos potentes, el equipo primero empleó una herramienta generativa, un autoencoder variacional condicional, para crear miles de mezclas sintéticas adicionales que imitan los patrones de las reales. Este paso ayudó a los modelos a ver una mayor variedad de combinaciones realistas manteniéndose anclados en resultados experimentales del mundo real.

Probando una caja de herramientas de modelos de datos

Luego el equipo comparó siete enfoques distintos de aprendizaje automático para predecir cada una de las cuatro propiedades de resistencia a partir de los ingredientes de la mezcla. Algunos eran modelos lineales simples, que asumen relaciones en línea recta, mientras que otros fueron métodos más flexibles basados en árboles y máquinas de vectores de soporte capaces de captar giros y no linealidades en los datos. Entrenaron y validaron estos modelos usando una validación cruzada cuidadosa para que cada predicción evaluada se realizara sobre datos que el modelo no había visto antes, y reservaron un conjunto de prueba oculto de mezclas reales para la puntuación final. El gradient boosting y la regresión con máquinas de vectores de soporte destacaron claramente, ofreciendo predicciones muy precisas y estables en las cuatro propiedades y superando tanto a los ajustes lineales básicos como a las ecuaciones estándar de los códigos de construcción, especialmente cuando el contenido reciclado era alto.

Asomándose dentro de la caja negra

Los modelos de datos potentes solo son útiles para los ingenieros si se pueden confiar y comprender. Para abrir la caja negra, los autores emplearon una técnica llamada atribución de características, que mide cuánto empuja cada ingrediente de la mezcla una predicción hacia arriba o hacia abajo. Encontraron que la parte de aglomerante de la receta, concretamente la relación agua/cemento y la cantidad de cemento, es el principal determinante de la resistencia a compresión, tracción y flexión. En contraste, la rigidez está gobernada principalmente por los áridos, con las partículas finas recicladas jugando un papel particularmente importante. Un mayor contenido de finos reciclados tiende a hacer el hormigón más flexible porque estos granos son menos rígidos y llevan mortero antiguo y más débil. Estos patrones coinciden con observaciones de laboratorio de larga data, lo que da confianza en que el modelo está aprendiendo comportamientos físicos reales en lugar de ruido.

De predicciones inteligentes a un diseño más inteligente

En términos sencillos, este trabajo demuestra que las herramientas basadas en datos pueden ayudar a los ingenieros a filtrar rápidamente mezclas de hormigón más ecológicas que incluyen escombros reciclados, al tiempo que cumplen los requisitos de seguridad y rendimiento. El estudio muestra que ciertos algoritmos modernos pueden predecir con alta precisión cuán resistente y rígida será una mezcla propuesta, y pueden señalar qué cambios en agua, cemento o contenido de árido importan más. Aunque los resultados actuales están limitados al rango de mezclas presentes en los estudios subyacentes, el mismo flujo de trabajo puede ampliarse a medida que dispongamos de más datos. Esto abre el camino a ayudas prácticas de diseño que guíen a constructores hacia opciones de hormigón más sostenibles sin sacrificar la fiabilidad estructural.

Cita: Awoyera, P.O., Simwanda, L., Vasić, M.V. et al. Hybrid generative–ensemble approach for predicting recycled aggregate concrete strength properties. Sci Rep 16, 15205 (2026). https://doi.org/10.1038/s41598-026-42598-6

Palabras clave: hormigón reciclado, aprendizaje automático, resistencia de materiales, construcción sostenible, diseño guiado por datos