Predicción de la resistencia a compresión no confinada de arcillas estabilizadas con geopolímero mediante una máquina de aprendizaje extremo basada en moscas de la fruta sectorizadas

Suelo más resistente con menor coste ambiental

En todo el mundo, los ingenieros necesitan convertir suelos blandos y ricos en arcilla en cimientos firmes para carreteras, edificios y terraplenes. Tradicionalmente, esto ha supuesto añadir grandes cantidades de cemento Portland ordinario, una fuente importante de emisiones de dióxido de carbono. Este estudio explora una vía más limpia: usar subproductos industriales llamados geopolímeros para fortalecer la arcilla y aplicar una forma inteligente de inteligencia artificial para predecir qué resistencia alcanzará el suelo tratado sin tener que realizar interminables ensayos de laboratorio.

Convertir residuos industriales en ligantes útiles

Los geopolímeros son ligantes obtenidos al activar polvos ricos en aluminosilicatos —como escoria granulada de alto horno molida (GGBS) y cenizas volantes— con soluciones alcalinas. Cuando se mezclan con arcilla forman redes rígidas, semejantes a la piedra, que pueden aportar alta resistencia, poca contracción y buena durabilidad, a la vez que emiten mucho menos CO₂ que el cemento convencional. Experimentos previos han mostrado que las arcillas estabilizadas con geopolímero pueden alcanzar resistencias que van desde casi cero hasta más de 40 megapascales, según la mezcla. Pero el resultado depende de forma sensible de muchos ingredientes a la vez: la plasticidad natural de la arcilla, la cantidad de escoria o ceniza añadida, la concentración de la solución alcalina y el equilibrio de elementos clave como sodio, silicio y aluminio.

Por qué es tan difícil predecir la resistencia del suelo

Para diseñar una mezcla práctica, los ingenieros quisieran saber de antemano qué resistencia dará una receta concreta. Realizar programas de laboratorio completos para cada mezcla candidata es lento y costoso. Las fórmulas estadísticas tradicionales también se quedan cortas porque las relaciones entre tipo de suelo, composición del geopolímero y resistencia resultante son altamente no lineales. Las herramientas modernas de aprendizaje automático —como redes neuronales y máquinas de vectores de soporte— han mejorado las predicciones, pero pueden requerir ajuste intensivo, sobreajustarse con conjuntos de datos pequeños y a menudo comportarse como opacas “cajas negras” que no muestran con claridad qué ingredientes son los más importantes.

Una máquina de aprendizaje más inteligente guiada por un enjambre digital

Los autores reunieron 270 resultados experimentales de estudios previos sobre arcillas estabilizadas con geopolímero, abarcando distintos tipos de suelo, mezclas de ligantes, concentraciones alcalinas y condiciones de curado. A continuación entrenaron tres modelos de predicción relacionados. El núcleo, denominado máquina de aprendizaje extremo, es una red neuronal rápida que ajusta la mayoría de sus parámetros internos en un paso analítico en lugar del lento entrenamiento por prueba y error. Para refinar esos parámetros internos, el equipo acopló la red a una rutina de optimización llamada “búsqueda de la mosca de la fruta” que imita cómo las moscas de la fruta buscan alimento. En su versión mejorada, la optimización sectorizada de la mosca de la fruta, el enjambre virtual no deambula al azar; en su lugar explora el espacio de búsqueda en sectores equiespaciados, mejorando la estabilidad y ayudando al algoritmo a converger más rápidamente hacia una buena solución.

Mejores predicciones y una comprensión más clara de lo relevante

Cuando se probó con datos no vistos, la máquina de aprendizaje básica ya predijo razonablemente bien la resistencia a compresión no confinada —cuánto esfuerzo de compresión puede soportar la arcilla tratada—. Añadir la búsqueda del enjambre original mejoró aún más la precisión. El enjambre sectorizado fue el mejor de todos, reduciendo el error de predicción en torno al 42 por ciento frente al modelo de referencia y en un 19 por ciento frente a la versión anterior de la mosca de la fruta, manteniendo al mismo tiempo el cómputo lo bastante ligero para un portátil corriente. La mayoría de las resistencias predichas se situaron cerca de los valores medidos, y los patrones de error sugirieron que el modelo generalizaba bien en vez de limitarse a memorizar los datos de entrenamiento.

Traducir modelos complejos en recetas prácticas para suelos

Para abrir la “caja negra”, los investigadores aplicaron una técnica llamada análisis SHAP, que asigna a cada entrada una contribución a la predicción final. Esto reveló que el contenido de escoria (GGBS) fue el factor más influyente para aumentar la resistencia, con la plasticidad de la arcilla y el límite líquido también desempeñando papeles importantes. Ciertos parámetros de mezcla —como exceso de ceniza volante o plasticidad muy alta— tendían a reducir la resistencia, mientras que una concentración alcalina adecuada y un equilibrio sodio‑aluminio aportaban efectos positivos más moderados. Estos conocimientos, combinados con las predicciones precisas, convierten a la máquina de aprendizaje mejorada con enjambre sectorizado en una herramienta prometedora para guiar el diseño de mezclas de geopolímero, ayudando a los ingenieros a elegir recetas que produzcan suelos fuertes y estables con menos ensayos y una menor huella ambiental.

Cita: Abdellatief, M., mortagi, M. Predicting unconfined compressive strength of geopolymer-stabilized clays using a sector fruit fly–based extreme learning machine. Sci Rep 16, 12723 (2026). https://doi.org/10.1038/s41598-026-47208-z

Palabras clave: arcilla estabilizada con geopolímero, predicción de la resistencia del suelo, aprendizaje automatizado en geotecnia, mejora del terreno sostenible, máquina de aprendizaje extremo