Predicción basada en aprendizaje automático de la resistencia a la compresión y a la flexión de compuestos sostenibles de yeso reforzados con paja de trigo

Convertir residuos agrícolas en material de construcción

Cada año, agricultores de todo el mundo queman montañas de paja sobrante, mientras que las ciudades vierten grandes cantidades de hormigón que liberan mucho dióxido de carbono. Este estudio explora una manera de abordar ambos problemas a la vez: usar paja de trigo, un residuo agrícola, para reforzar materiales de construcción a base de yeso y emplear herramientas informáticas avanzadas para predecir cuán resistentes pueden ser estos materiales más ecológicos.

Por qué mirar más allá del hormigón corriente

El hormigón es uno de los materiales más utilizados en la Tierra, pero fabricar su ingrediente clave, el cemento, emite enormes cantidades de dióxido de carbono a la atmósfera. En contraste, la producción de yeso, otro aglutinante mineral, genera mucho menos carbono. El yeso ya aparece en productos familiares como paneles de yeso y tabiques interiores, y ofrece buena resistencia al fuego, aislamiento acústico y bajo peso. Sin embargo, por sí solo el yeso es frágil y no suficientemente resistente para muchos usos estructurales, lo que limita dónde puede reemplazar con seguridad al hormigón o a los ladrillos.

Dar a la paja una segunda vida

La agricultura moderna genera volúmenes enormes de residuos, y la paja de trigo es un ejemplo destacado. En países como Pakistán, gran parte de esta paja se quema en campos abiertos, empeorando la niebla tóxica y dañando la salud pública. En lugar de tratar la paja como un problema a eliminar, los autores la consideran un ingrediente barato y renovable para la construcción. Cuando se mezclan pequeñas cantidades de fibras de paja en el yeso, pueden ayudar al material a doblarse un poco más antes de romperse y aprovechar mejor un recurso que de otro modo se desperdiciaría. Pero la resistencia final depende de muchos ingredientes a la vez, incluidos la calidad del yeso, el agua, la proporción de paja y los aditivos químicos, que interactúan de formas complejas.

Dejar que las máquinas aprendan de experimentos

Realizar ensayos físicos de todas las recetas posibles de mezclas de paja–yeso sería lento y caro. Para abordar esto, los investigadores reunieron datos de 161 mezclas previamente probadas y publicadas en la bibliografía. Para cada receta registraron detalles como la resistencia y la cantidad de yeso, contenido de agua y relación agua–yeso, cuánto se agregó de paja y si estaban presentes dos aditivos comunes. También anotaron dos resultados clave: cuánta fuerza podían resistir las muestras al ser comprimidas (resistencia a la compresión) y al ser dobladas (resistencia a la flexión). Con estos datos entrenaron cinco modelos diferentes de aprendizaje automático para que los ordenadores aprendieran cómo se relacionan las entradas con esas resistencias sin partir de una fórmula fija.

Encontrar el predictor digital más fiable

El equipo comparó redes neuronales artificiales, regresión por procesos gaussianos, bosques aleatorios, gradient boosting extremo y máquinas de vector soporte. Evaluaron cada modelo usando un método de prueba cuidadoso llamado validación cruzada, que entrena repetidamente con una porción de los datos y prueba con el resto para evitar engañarse a sí mismos. Entre todos los enfoques destacó la regresión por procesos gaussianos: predijo tanto la resistencia a la compresión como a la flexión con mayor precisión y consistencia que los demás. Una ventaja añadida es que este método no ofrece solo una estimación única; también proporciona un intervalo de incertidumbre que muestra cuán confiable es la predicción, una característica útil cuando los ingenieros deben tomar decisiones relacionadas con la seguridad.

Qué influye más en la mezcla

Para evitar que los modelos actuasen como cajas negras misteriosas, los autores indagaron qué ingredientes influían más en las predicciones. En los modelos de mejor rendimiento, la resistencia intrínseca del propio yeso emergió como el factor principal tanto para la compresión como para la flexión. La cantidad total de yeso y cuánta agua se empleó también jugaron papeles importantes porque cambian cuán denso o poroso queda el material final. La paja de trigo y los aditivos químicos tuvieron efectos secundarios: en algunos rangos ayudaban a ajustar el comportamiento, pero demasiada agua, paja o aditivo tendía a reducir la resistencia al crear vacíos adicionales o perturbar la adherencia dentro de la mezcla endurecida.

De predicciones inteligentes a edificios más verdes

En términos sencillos, el estudio muestra que los ordenadores pueden aprender a predecir con precisión cuán resistente será un yeso reforzado con paja, en función de su receta, sin necesidad de moldear y triturar cada nueva muestra en el laboratorio. El mejor modelo, la regresión por procesos gaussianos, no solo ofrece estimaciones fiables de resistencia sino que también indica cuánta confianza hay en cada predicción. Esta combinación de ingredientes sostenibles y herramientas de predicción inteligente puede guiar a los diseñadores hacia productos de yeso–paja que sean lo bastante resistentes para su uso previsto, mientras reducen tanto el uso de cemento como la quema agrícola. Al hacerlo, apunta hacia métodos constructivos más respetuosos con el clima y que aprovechan mejor los materiales que ya tenemos.

Cita: Ahmad, H., Ejaz, M.F., Riaz, M.R. et al. Machine learning-based prediction of compressive and flexural strength of wheat straw reinforced sustainable gypsum composites. Sci Rep 16, 15087 (2026). https://doi.org/10.1038/s41598-026-45024-z

Palabras clave: compuestos de yeso, paja de trigo, aprendizaje automático, resistencia a la compresión, construcción sostenible