Enfoque híbrido de aprendizaje automático para predecir la resistencia a compresión de hormigón sostenible que incorpora ceniza de combustible de palma

Convertir los residuos agrícolas en hormigón más resistente y ecológico

El hormigón sostiene nuestros edificios, puentes y carreteras, pero fabricar el cemento que contiene libera grandes cantidades de dióxido de carbono. Al mismo tiempo, las fábricas de aceite de palma generan montañas de ceniza que a menudo se desechan. Este estudio explora cómo convertir esa ceniza en un ingrediente útil para el hormigón y cómo programas informáticos inteligentes pueden predecir de forma fiable cuán resistente será ese hormigón “verde” antes de verter una sola mezcla.

Por qué importa la ceniza de palma

La ceniza de combustible de palma es un subproducto polvoriento que queda tras quemar residuos de palma para obtener energía. En países con gran producción de aceite de palma se acumula en enormes cantidades y puede generar problemas de eliminación y contaminación. Sin embargo, esta ceniza contiene partículas reactivas que pueden sustituir parcialmente al cemento en el hormigón. Su uso atiende dos objetivos a la vez: reduce la cantidad de cemento, intensivo en energía, y recicla un residuo agrícola. Experimentos previos han demostrado que, si se procesa y emplea con cuidado, la ceniza de palma puede producir hormigón resistente y duradero. El reto es que la resistencia depende de muchos ingredientes y condiciones de curado que interactúan, por lo que los diseñadores necesitan una forma rápida y fiable de estimar el rendimiento sin realizar pruebas interminables.

Dejar que un modelo inteligente aprenda de cientos de mezclas

Los investigadores recopilaron datos de 22 estudios publicados, obteniendo 469 mezclas diferentes de hormigón que usaban ceniza de combustible de palma. Para cada mezcla registraron seis ingredientes y condiciones clave: la cantidad de cemento y de ceniza empleada, la cantidad de aditivo químico (superplastificante) añadida, el equilibrio entre áridos gruesos y finos, la relación agua/ligante y el tiempo de curado antes de la prueba. A continuación recurrieron a la inteligencia artificial, construyendo un modelo informático inspirado en la forma en que las células nerviosas se conectan en el cerebro, conocido como red neuronal artificial. Este tipo de modelo aprende por ejemplo: observa muchas combinaciones de entradas y las resistencias resultantes, y ajusta gradualmente sus conexiones internas para reproducir esos resultados.

Potenciar la red con una búsqueda inspirada en la evolución

Por sí sola, una red neuronal puede ser complicada de afinar. Si sus parámetros internos se eligen mal, puede quedarse estancada en un rendimiento mediocre. Para superar esto, el equipo combinó la red neuronal con un segundo algoritmo que imita cómo las especies se dispersan y adaptan entre islas, llamado optimización basada en biogeografía. En este esquema, cada “isla” representa un conjunto distinto de parámetros de la red. Características de las islas más exitosas migran hacia las más débiles, mientras que cambios aleatorios ocasionales evitan que la búsqueda se estanque. Tras muchos ciclos, este enfoque híbrido refina la red para que pueda ajustarse mejor a las resistencias medidas del hormigón.

Qué tan bien rinde el modelo híbrido

Para comprobar si su modelo híbrido realmente merecía la pena, los autores dividieron las 469 mezclas en grupos separados para entrenamiento, ajuste y pruebas independientes, y también utilizaron métodos de verificación cruzada que reordenan repetidamente los datos. Compararon la red híbrida con una red neuronal estándar y con modelos previos de la literatura. La versión híbrida predijo la resistencia a compresión de forma consistentemente más precisa: más del 60 % de sus predicciones estaban dentro del 5 % de los valores medidos, frente a aproximadamente un 39 % para el modelo convencional. Su error global fue menor y sus predicciones fueron más estables cuando los datos se remuestrearon de distintas maneras. El análisis del modelo entrenado también reveló qué factores importaban más, destacando el tiempo de curado y la relación agua/ligante como los principales impulsores de la resistencia.

Qué significa esto para la construcción más ecológica

Para ingenieros y planificadores, el estudio ofrece una herramienta práctica: dada una mezcla candidata que incluya ceniza de combustible de palma, el modelo híbrido puede estimar con rapidez cuán resistente es probable que sea el hormigón resultante, dentro del rango de mezclas con las que se ha entrenado. Eso puede ahorrar tiempo, reducir costosas pruebas piloto y fomentar el uso más amplio de materiales basados en residuos que disminuyen el uso de cemento y las emisiones. Aunque el modelo sigue limitado por lagunas y diferencias en los estudios experimentales subyacentes, demuestra que combinar el aprendizaje a partir de datos con una búsqueda inspirada en la evolución puede ayudar a domar la complejidad de los hormigones sostenibles modernos y acercar la construcción más ecológica a la práctica cotidiana.

Cita: Kazemi, R., Pour, M.A. & Gandomi, A.H. Hybrid machine learning approach for predicting compressive strength of sustainable concrete incorporating palm oil fuel ash. Sci Rep 16, 14033 (2026). https://doi.org/10.1038/s41598-026-46190-w

Palabras clave: hormigón sostenible, ceniza de combustible de palma, predicción de la resistencia a compresión, red neuronal artificial, optimización metaheurística