Evaluación comparativa de enfoques de machine learning y deep learning para la predicción de la resistencia a compresión del hormigón geopolimérico

Una nueva forma de diseñar hormigón más ecológico

El hormigón es la columna vertebral de las ciudades modernas, pero la fabricación del cemento tradicional libera grandes cantidades de dióxido de carbono. El hormigón geopolimérico ofrece una alternativa más limpia, sin embargo los ingenieros aún tienen dificultades para predecir la resistencia que alcanzará una vez fraguado. Este estudio muestra cómo las herramientas de datos modernas, incluidas técnicas de machine learning y deep learning, pueden aprender de cientos de experimentos previos para pronosticar la resistencia de mezclas de hormigón geopolimérico y orientar una construcción más sostenible con menos ensayos costosos.

Por qué es difícil acertar con hormigón más ecológico

El hormigón geopolimérico sustituye gran parte del cemento ordinario por subproductos industriales como cenizas volantes, escoria, metacaolín y humo de sílice. Estos polvos reaccionan con líquidos alcalinos para formar un material sólido similar a la roca que puede igualar o superar la resistencia del hormigón estándar mientras reduce las emisiones de carbono hasta alrededor de un 70 por ciento. Pero esta receta más ecológica es delicada: la resistencia depende de muchos factores entrelazados, incluida la naturaleza y la cantidad de los polvos, la dosificación y la concentración de los líquidos alcalinos, la cantidad de agua y aditivos químicos, los granos de arena y grava, las fibras añadidas para aumentar la tenacidad y el tiempo y las condiciones de curado. Debido a que todos estos ingredientes interactúan de formas complejas y no lineales, las ecuaciones simples no bastan para predecir la resistencia de una mezcla nueva.

Construir un conjunto de datos de gran alcance

Para abordar esta complejidad, los autores reunieron una gran base de datos unificada a partir de 19 estudios publicados, que abarca 594 mezclas diferentes de hormigón geopolimérico. Cada registro describe ingredientes clave como las cantidades de ceniza volante, escoria, metacaolín, humo de sílice, arena, grava, agua, líquidos alcalinos y superplastificante, junto con fibras de acero y polipropileno y la edad de curado en días. El equipo limpió cuidadosamente los datos: eliminaron duplicados, armonizaron unidades y nombres de variables y conservaron solo esas mezclas con información completa. Esto produjo un conjunto diverso pero coherente que abarca una amplia gama de resistencias, desde concretos relativamente débiles hasta de muy alto rendimiento, reflejando la distribución real encontrada en muchos laboratorios.

Permitir que las máquinas aprendan de mezclas pasadas

Con esta base de datos en mano, los investigadores entrenaron un conjunto de modelos de predicción. En el ámbito clásico, usaron varios métodos de machine learning, incluidos árboles de decisión, bosques aleatorios y técnicas avanzadas de “boosting” que combinan muchos modelos pequeños en un predictor global potente. En deep learning, probaron dos redes neuronales de distinta profundidad y un modelo tabular moderno llamado TabNet, que emplea un mecanismo de atención para centrarse en los ingredientes más informativos. Los datos se dividieron de modo que el 80 por ciento de las mezclas se usaron para enseñar a los modelos, mientras que el 20 por ciento restante se reservó para evaluar qué tan bien podía cada método predecir resultados no vistos usando medidas estándar de error y ajuste.

Qué modelos funcionaron mejor y por qué

El claro ganador entre los enfoques de machine learning fue un método de boosting llamado CatBoost, que ofreció predicciones de resistencia muy precisas y coincidió estrechamente con los datos de prueba a lo largo de todo el rango de valores. Otro modelo potenciado, XGBoost, quedó en un cercano segundo lugar. Entre las herramientas de deep learning, TabNet fue la que mejor rendimiento mostró y rivalizó efectivamente con el mejor modelo de machine learning, mientras que una red neuronal más profunda con más capas rindió peor, probablemente porque el conjunto de datos era demasiado modesto en tamaño para una estructura tan compleja. Para hacer más transparentes estas predicciones de “caja negra”, los autores utilizaron una herramienta de explicación llamada SHAP, que asigna una puntuación de importancia a cada entrada. Estos análisis mostraron que el contenido de escoria y la edad de curado dominan de forma consistente la predicción de la resistencia, seguidos por otros ingredientes del aglutinante, la dosificación alcalina y las cantidades de árido, mientras que las fibras de acero y plástico juegan solo un papel secundario en la resistencia a compresión, aunque pueden afectar de forma importante el agrietamiento y la tenacidad.

Qué significa esto para la construcción futura

En pocas palabras, este trabajo demuestra que los ordenadores pueden aprender de cientos de recetas previas de hormigón geopolimérico para proporcionar estimaciones rápidas y fiables de la resistencia que alcanzará una mezcla nueva y ecológica. En lugar de fabricar y triturar un gran número de cilindros de ensayo, los ingenieros pueden usar estos modelos para reducir las combinaciones prometedoras de polvos aglutinantes, activadores líquidos y tiempos de curado antes de ir al laboratorio. El estudio también destaca qué ingredientes importan más, ofreciendo orientación práctica: acertar con el contenido de escoria, los niveles de activador y las condiciones de curado es mucho más importante para la resistencia a compresión que afinar la cantidad de fibras. Aunque los modelos aún deben validarse con conjuntos de datos más grandes y estandarizados, este marco marca un paso significativo hacia el diseño de hormigón de menor huella de carbono guiado por datos.

Cita: Ezz, H., Bakr, S.M. Comparative evaluation of machine learning and deep learning approaches for compressive strength prediction of geopolymer concrete. Sci Rep 16, 14652 (2026). https://doi.org/10.1038/s41598-026-50705-w

Palabras clave: hormigón geopolimérico, machine learning, deep learning, predicción de la resistencia a compresión, construcción sostenible