Desarrollo de una función de pérdida personalizada para regular la infraestimación y la sobreestimación de las predicciones de propiedades mecánicas del hormigón en modelos de redes neuronales

Por qué importan predicciones de hormigón más seguras

La mayoría de los edificios y puentes modernos dependen del hormigón, y los ingenieros recurren cada vez más a la inteligencia artificial para predecir cuán resistente será ese hormigón. Pero mientras las redes neuronales estándar intentan ser igualmente precisas en todas las direcciones, las estructuras reales son más seguras cuando las predicciones son algo cautelosas en lugar de demasiado optimistas. Este estudio presenta una nueva forma de entrenar redes neuronales para que tengan menos probabilidad de sobreestimar la resistencia del hormigón, ayudando a los ingenieros a mantener un margen de seguridad cómodo sin renunciar al potencial de la IA.

Equilibrando seguridad y algoritmos inteligentes

En la práctica de la ingeniería civil, las normas de diseño se redactan con conservadurismo para que las estructuras sigan siendo seguras incluso cuando los materiales varían o la construcción no es perfecta. Infraestimar la resistencia del hormigón suele significar seguridad adicional, mientras que sobreestimarla puede minar silenciosamente los márgenes de seguridad. Los métodos tradicionales de entrenamiento de redes neuronales no distinguen entre estos dos resultados; simplemente intentan reducir el tamaño global de los errores. Los autores sostienen que esto va en contra de cómo los ingenieros realmente consideran el riesgo y se proponen incorporar esa preferencia por la seguridad directamente en el proceso de aprendizaje.

Una función de pérdida que prefiere la cautela

El núcleo del estudio es una función de pérdida personalizada, una regla que indica a la red neuronal cuán grave es cada error durante el entrenamiento. En lugar de tratar todos los errores por igual, la fórmula propuesta aplica penalizaciones mayores cuando el modelo predice una resistencia superior al valor real y penalizaciones menores cuando predice una resistencia inferior. Un par de números de control gobiernan este desequilibrio, permitiendo ajustar el modelo hacia infraestimaciones más seguras. La pérdida también se normaliza para que funcione de forma consistente entre distintos conjuntos de datos y escalas, y se combina con una configuración estándar de red neuronal usando herramientas populares como TensorFlow o PyTorch.

Probando la idea en hormigón con caucho

Para ver cómo se comporta esta regla de entrenamiento cautelosa en la práctica, los autores se centran en el hormigón con caucho, un material en el que parte del árido se sustituye por trozos de caucho residual. Usando un conjunto de datos experimentales, entrenan varias redes neuronales con la misma arquitectura pero con diferentes funciones de pérdida, incluidas opciones comunes como el error cuadrático medio y el error absoluto medio. Después comparan qué tan bien cada modelo predice dos propiedades mecánicas clave: la resistencia a compresión, que refleja cuánto carga puede soportar el hormigón, y el módulo de elasticidad, que describe cuán rígido es bajo carga.

Cómo cambia las predicciones el aprendizaje conservador

Los modelos entrenados con la función de pérdida personalizada alcanzan casi la misma precisión global que los que usan pérdidas tradicionales, con niveles de error de alrededor del seis por ciento en la mayoría de los casos. La diferencia crucial reside en la frecuencia con la que sobrestiman la resistencia real. Para las funciones de pérdida estándar, entre una cuarta parte y casi la totalidad de las predicciones en algunas pruebas son sobreestimaciones. Cuando la pérdida personalizada está bien ajustada, esa proporción de sobreestimación cae dramáticamente, hasta aproximadamente un uno por ciento para la resistencia a compresión y por debajo del diez por ciento para la rigidez, sin dejar de ajustar muy bien los datos. Los gráficos de valores predichos frente a medidos muestran los puntos del nuevo modelo agrupándose justo por debajo de la línea de igualdad ideal, reflejando un sesgo deliberado de ligera infraestimación.

Qué significa esto para las estructuras reales

Por sí solo, un modelo de predicción cauteloso no puede garantizar un edificio seguro; los diseñadores deben seguir cumpliendo códigos, considerar el refuerzo, las cargas y la geometría, y verificar el comportamiento de elementos y sistemas. Pero al alejar a las redes neuronales de sobreestimaciones poco conservadoras a nivel de material, esta nueva función de pérdida ayuda a asegurar que las predicciones basadas en IA lleguen a esos controles de diseño con la misma mentalidad de seguridad que sustenta la práctica de la ingeniería civil. Los autores consideran su trabajo una prueba de concepto que puede extenderse a conjuntos de datos más grandes y a modelos estructurales completos, ofreciendo un paso práctico hacia herramientas de IA que trabajen con, y no contra, las filosofías de seguridad establecidas.

Cita: Habib, A., Habib, M., Junaid, M.T. et al. Developing a custom loss function for regulating underestimation and overestimation of concrete mechanical properties predictions in neural network models. Sci Rep 16, 15950 (2026). https://doi.org/10.1038/s41598-026-44200-5

Palabras clave: predicción de resistencia del hormigón, redes neuronales, función de pérdida, hormigón con caucho, seguridad estructural