Comparación de Modelos Predictivos Basados en Machine Learning para la Predicción de Resistencias de Concreto

Daniel Hastenpflug; Paula Bruzadelle Vieira

DOI: 10.22167/2675-6528-202602819

Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

La predicción de la resistencia característica a la compresión del hormigón (fck) mediante métodos tradicionales está limitada por la naturaleza no lineal de las interacciones entre sus constituyentes y la creciente variabilidad composicional de los hormigones modernos. El aprendizaje automático (ML) representó una alternativa prometedora, pero las comparaciones publicadas a menudo carecieron de rigor metodológico, incurriendo en fuga de datos, eliminación de valores atípicos sin optimización por modelo y ausencia de cuantificación de la incertidumbre. Se propuso un marco de comparación entre nueve algoritmos de ML (Regresión Lineal, Bayesian Ridge, Decision Tree, Random Forest, Gradient Boosting, SVR (RBF y polinomial), XGBoost y Red Neuronal Artificial (ANN)) aplicados a una base de datos de 1.319 observaciones experimentales de mezclas de hormigón de cemento Portland. La metodología adoptó optimización Bayesiana vía Optuna para la eliminación de valores atípicos, división canónica 80/20 con semilla fija, partición de referencia común, validación cruzada repetida (10×10 folds) y simulación Monte Carlo. Se realizó un análisis estadístico exhaustivo, incluyendo pruebas de Friedman-Nemenyi, Diebold-Mariano, Model Confidence Set (MCS) y Plackett-Luce. La limpieza Bayesiana individualizada eliminó entre el 0,66% y el 8,6% de las muestras, con respuestas divergentes entre algoritmos. XGBoost, Random Forest y Gradient Boosting se beneficiaron o se mantuvieron estables, mientras que ANN y SVR_poly sufrieron una degradación del rendimiento, confirmando la inexistencia de un método de limpieza universalmente óptimo. El Model Confidence Set (MCS) identificó XGBoost (R² = 0,969; RMSE = 7,63 MPa), Gradient Boosting y Random Forest como el conjunto superior de modelos estadísticamente indistinguibles. Los modelos lineales y SVR fueron eliminados secuencialmente. El análisis SHAP reveló que la microsílice y la edad fueron las variables dominantes en los modelos de ensemble, pero irrelevantes en los lineales. La metodología propuesta estableció un punto de referencia reproducible para futuras comparaciones.

Palabras clave: Machine learning; Optimización Bayesiana; Eliminación de valores atípicos; Resistencia a la compresión del concreto; XGBoost.

1. Introducción

El concreto es el material más empleado en la construcción civil mundial, siendo fundamental tanto en estructuras portantes como en elementos de cerramiento. Este compuesto, formado por cemento, arena, grava y agua, pasa por reacciones de hidratación que lo transforman del estado fresco al endurecido (MEHTA y MONTEIRO, 2014). Entre sus propiedades mecánicas, la resistencia a la compresión a los 28 días (fck) es el principal parámetro para el dimensionamiento estructural (ACI Committee 318, 2014).

La composición del concreto moderno se ha vuelto significativamente más variable debido a la creciente incorporación de adiciones minerales, aditivos químicos y nuevas técnicas constructivas, lo que complica la determinación de métodos de dosificación y la estimación confiable de la fck (MEHTA y MONTEIRO, 2014; YOUNIS y PILAKOUTAS, 2013; MOUTASSEM y CHIDIAC, 2016). Los métodos tradicionales disponibles, ya sean empíricos (HELENE, 2005), normativos (ACI PRC-211.1-22) o estadísticos (ABCP, 1989; FORTI et al., 2020; GE et al., 2012; XIAOYONG y WENDI, 2020), se basan en enfoques de ensayo y error, demandando tiempo y recursos de laboratorio considerables (NGUYEN et al., 2022; GARCÍA, 2020). Matemáticamente, estos métodos recurren a regresiones lineales simples o múltiples (UYANIK y GÜLER, 2013; BHANJA y SENGUPTA, 2002), pero su aplicabilidad se ve limitada por no abarcar la vasta gama de materiales (KHAN et al., 2023) y por desconsiderar la naturaleza intrínsecamente no lineal de la relación entre los componentes de la mezcla y la fck (QINGHUA et al., 2019).

En este escenario, el aprendizaje automático (machine learning – ML) emerge como una herramienta prometedora para la predicción del rendimiento de materiales cementicios, dada su capacidad de correlacionar entradas y salidas de muestras de manera lineal y no lineal (KHAN et al., 2023). La literatura ya valida diversos modelos de ML, como Redes Neuronales Artificiales (ANN), Máquinas de Regresión por Vectores de Soporte (SVR), Árboles de Decisión (DT), Bosques Aleatorios (RF) y XGBoost, para predecir la resistencia a la compresión de mezclas de concreto (WANG et al., 2024).

A pesar de los resultados prometedores, las comparaciones publicadas a menudo presentan deficiencias metodológicas que comprometen la fiabilidad y la reproducibilidad. Dichas deficiencias incluyen la aplicación de estrategias fijas de eliminación de valores atípicos sin optimización por modelo (KAUFMAN et al., 2012), la fuga de datos (data leakage) que contamina inadvertidamente los conjuntos de prueba (ARLOT y CELISSE, 2010), la ausencia de particiones de referencia comunes para pruebas estadísticas pareadas y la escasa cuantificación de la incertidumbre mediante intervalos de predicción, a pesar de su importancia en aplicaciones de ingeniería (KHOSRAVI et al., 2011).

Ante estas lagunas metodológicas, se vuelve esencial el desarrollo de una estructura de comparación robusta para modelos de aprendizaje automático, con el objetivo de superar las limitaciones de los estudios existentes y proporcionar una evaluación más confiable de la capacidad predictiva. Así, este trabajo propuso una estructura de comparación entre nueve algoritmos de ML (Regresión Lineal, Bayesian Ridge, Decision Tree, Random Forest, Gradient Boosting, SVR (RBF y polinomial), XGBoost y Red Neuronal Artificial (ANN)) aplicados a una base de datos de 1.319 observaciones experimentales de trazas de concreto de cemento Portland.

2. Material y Métodos

La investigación fue de naturaleza exploratoria, proponiendo un marco robusto para comparar nueve algoritmos de aprendizaje automático (ML) en la predicción de la resistencia a la compresión característica del hormigón (fck). El método siguió un organigrama estructurado, abarcando ingeniería de datos, validación estadística e interpretabilidad. El script se desarrolló en Python, utilizando paquetes como numpy, pandas, sklearn, xgboost, shap y optuna.

Se utilizó una base de datos de 1.319 observaciones experimentales de propiedades del concreto de cemento Portland, compilada de diversas referencias (YEH, 1998; MARIANI y NEHDI, 2020). Las variables de entrada incluyeron masas de cemento (C), humo de sílice (SF), escoria de alto horno (S), ceniza volante (FA), relleno de piedra caliza (LP), agua (W), agregados gruesos (gravel), agregados finos (sand), aditivo superplastificante (SP) y edad (age). La variable de respuesta fue la resistencia a la compresión (fck).

Para evitar fugas de datos, la base de datos se dividió en un 80% para desarrollo y un 20% para pruebas externas (KAUFMAN et al., 2012). Se empleó una división aleatoria estratificada con semilla fija (seed = 42), preservando la distribución estadística de la fck. Se creó una partición de referencia idéntica para todos los modelos, permitiendo comparaciones directas en pruebas estadísticas.

Las características de entrada se estandarizaron mediante normalización z-score (media cero, varianza unitaria) a través de StandardScaler de scikit-learn, ajustado en la partición de desarrollo y aplicado al conjunto de prueba. La eliminación de valores atípicos se realizó mediante optimización Bayesiana con Optuna (AKIBA et al., 2019), probando dieciséis métodos como Isolation Forest, IQR, Z-Score, Percentil, DBSCAN, Elliptic Envelope, One-Class SVM y Local Outlier Factor (LOF).

Para cada modelo, se realizaron 75 ensayos independientes, proponiendo configuraciones de familia, parámetro, rangos y escala para la eliminación de outliers. La evaluación se realizó mediante validación cruzada interna de 5 folds. El criterio de selección del método de limpieza fue una función objetivo compuesta, que equilibró el rendimiento predictivo, la estabilidad y la retención de datos (HASTIE et al., 2009; CHANDOLA et al., 2009).

Nueve algoritmos de machine learning fueron seleccionados para la predicción de la fck: Regresión Lineal, Bayesian Ridge, Decision Tree, Random Forest, Gradient Boosting, SVR (con kernels RBF y polinomial), XGBoost y Red Neuronal Artificial (ANN). Los modelos abarcaron diferentes enfoques, desde lineales hasta ensembles y redes neuronales, siendo empleados para predecir la fck de los concretos.

La evaluación y clasificación de los modelos de ML siguieron un enfoque riguroso y multiestructural (GARETH et al., 2021). Se utilizó validación cruzada repetida (Repeated K-Fold-CV) con 10 folds y 10 repeticiones (100 evaluaciones por modelo) (KUHN y JOHNSON, 2013). También se empleó simulación Monte Carlo, con 30 repeticiones y nuevas divisiones aleatorias de datos en entrenamiento (80%) y prueba (20%), generando estimaciones robustas de rendimiento.

Para el análisis comparativo, se aplicaron pruebas estadísticas exhaustivas: Friedman-Nemenyi, Diebold-Mariano, Model Confidence Set (MCS) (HANSEN et al., 2011) y Plackett-Luce Ranking (FAN et al., 2024). Estos métodos permitieron evaluar la significancia estadística de las diferencias de rendimiento. La Prediction Interval Coverage Probability (PICP) se utilizó para cuantificar la incertidumbre asociada a las estimaciones (GNEITING y RAFTERY, 2007; MURPHY, 2012).

Se realizó un análisis exhaustivo de los residuos para verificar las premisas estadísticas de los modelos (BISHOP, 2006). Se aplicaron pruebas de normalidad (Shapiro-Wilk, Jarque-Bera, Anderson-Darling), heterocedasticidad (Breusch-Pagan, White) y autocorrelación (Durbin-Watson, Breusch-Godfrey). Para la interpretabilidad, se emplearon SHapley Additive exPlanations (SHAP) (LUNDBERG y LEE, 2017) e Importancia de la Permutación (BREIMAN, 2001), además de curvas de aprendizaje para diagnosticar el sobreajuste.

La capacidad predictiva de los modelos se validó en 18 mezclas de concreto experimentales independientes. Estas mezclas abarcaban clases de fck bajas (4,83–10,54 MPa), medias (19,69–45,94 MPa) y altas (59,30–179,00 MPa). Esta etapa de validación externa proporcionó una evaluación práctica de la capacidad de generalización de los modelos a datos no vistos.

3. Resultados y Discusión

La investigación comparó nueve algoritmos de aprendizaje automático (ML) para la predicción de la resistencia característica a la compresión del hormigón (fck), centrándose en una metodología robusta para superar las lagunas de estudios anteriores. Los resultados revelaron que la optimización de la eliminación de valores atípicos tuvo un impacto diferenciado en los modelos, confirmando que no existe un enfoque de limpieza universalmente óptimo. Los métodos de ensemble, como XGBoost, Random Forest y Gradient Boosting, demostraron un rendimiento superior y una mayor resiliencia en comparación con los modelos lineales y basados en kernel, especialmente después del preprocesamiento de datos. Esta evaluación exhaustiva proporcionó una comprensión profunda de las capacidades predictivas y las limitaciones de los diversos algoritmos de ML en la estimación de la resistencia del hormigón.

Rendimiento General de los Modelos y Optimización de Limpieza

La optimización de la limpieza de datos, realizada mediante optimización Bayesiana vía Optuna, resultó en la eliminación del 0,66% al 8,6% de las muestras de entrenamiento y generó respuestas divergentes entre los algoritmos. Esta variabilidad reforzó la hipótesis central de que no existe un método de limpieza universalmente óptimo para todos los modelos de ML. Modelos como XGBoost, Random Forest y Gradient Boosting se beneficiaron o mantuvieron estables en su rendimiento, lo que indica una mayor robustez o adaptabilidad a los cambios en el conjunto de datos. Por el contrario, la Red Neuronal Artificial (ANN) y el SVR polinomial (SVR_poly) sufrieron una degradación sustancial del rendimiento, lo que evidencia la sensibilidad de estos algoritmos a la topología de los datos y a la eliminación de puntos extremos.

El modelo XGBoost se consolidó como la arquitectura de mayor rendimiento, presentando la respuesta más favorable al refinamiento de la base de datos. Una configuración de limpieza conservadora, que resultó en la exclusión de solo el 0,85% de las muestras, proporcionó un incremento del 8,2% en el índice IFI y una elevación del 8,3% en la probabilidad de Plackett-Luce, de 33,9% a 42,2%. Esta ganancia ratificó que la remoción selectiva de ruidos de baja densidad favoreció la estabilidad de los gradientes en XGBoost (Chen y Guestrin, 2016; Shwartz-Ziv y Armon, 2022). Tendencias análogas, aunque de menor magnitud, se observaron para Random Forest y Gradient Boosting, sugiriendo que modelos basados en boosting y bagging presentaron mayor resiliencia y beneficio directo en panoramas de datos optimizados.

Inversamente, el Árbol de Decisión exhibió un comportamiento paradójico después de la limpieza. Aunque mantuvo un coeficiente de determinación (R²) de entrenamiento alto (0,9993 antes de la limpieza, 0,9992 después de la limpieza), su rendimiento en la prueba se degradó significativamente, con el R² cayendo de 0,9660 a 0,9465, una reducción del 2,0%. El error cuadrático medio (RMSE) se elevó en un 25,4%, y el error porcentual absoluto medio (MAPE) subió de 11,77% a 12,34%. La capacidad de Plackett-Luce para el Árbol de Decisión se redujo drásticamente de 21,1% a 3,8%, una caída del 17,3%. Este fenómeno sugirió que la eliminación de valores atípicos eliminó inadvertidamente vectores de soporte informativos que definían los umbrales críticos de decisión, resultando en un modelo con severo overfitting a los datos centrales de la distribución (Kuhn y Johnson, 2013).

El deterioro más pronunciado se observó en la Red Neuronal Artificial (ANN), cuyo R² de prueba se redujo a 0,9048, una caída del 4,2%, acompañada de un salto del 30,9% en el RMSE. La aplicación del método Z-score con un umbral de cinco resultó contraproducente, reduciendo la capacidad de Plackett-Luce en un 94%. A diferencia de los modelos de árbol, la convergencia de la ANN depende de la densidad de información en las regiones de transición del espacio de atributos. La exclusión de casos extremos descaracterizó la frontera de decisión no lineal, confirmando que la sensibilidad de las redes neuronales a la topología de los datos exige estrategias de preprocesamiento que preserven la variabilidad del fenómeno físico estudiado (Goodfellow et al., 2016).

Los modelos lineales, Regresión Lineal y Bayesian Ridge, demostraron una convergencia de rendimiento, manteniendo métricas de error estables y casi sin variación frente a los métodos de optimización de datos, con un R² de prueba de 0,819 y un MAPE de 30,3. Esta estabilidad sugiere que el limitador de rendimiento de estos algoritmos no fue la presencia de ruidos o valores atípicos, sino la propia naturaleza lineal de sus funciones de base, que se mostraron insuficientes para mapear las complejas interacciones no lineales de la base de datos de la fck del concreto (Uyanik y Güler, 2013; Qinghua et al., 2019). La rigidez estructural de los modelos lineales no fue mitigada por el preprocesamiento, manteniendo puntuaciones de probabilidad de Plackett-Luce de aproximadamente 8,5 × 10^-6 e índices IFI variando de 0,0862 a 0,0954.

Los modelos SVR exhibieron los comportamientos más extremos y divergentes. El modelo SVR_rbf, que no recibió ninguna limpieza, mantuvo un rendimiento débil pero estable, con un R² de 0,598 y una habilidad de 9,84 × 10^-10. En marcado contraste, el SVR_poly fue sometido a una limpieza agresiva, eliminando el 8,6% de los datos, y sufrió una gran caída de rendimiento. Su R² de prueba se redujo de 0,5873 a 0,4658, una disminución del 20,7%, y el RMSE aumentó de 27,87 a 31,71 MPa, un incremento del 13,8%. La capacidad de Plackett-Luce para este modelo cayó de 4,95 × 10^-10 a 1,47 × 10^-11, una reducción del 97%. Este resultado demostró que, para ciertos métodos de kernel, una limpieza agresiva puede ser extremadamente perjudicial, eliminando vectores de soporte esenciales para definir la frontera de decisión en el espacio de características significativas (Smola y Schölkopf, 2004).

Estos resultados proporcionan evidencia convincente para la hipótesis central de este estudio: no existe un método de limpieza de bases de datos universalmente óptimo aplicable a todos los modelos. Las respuestas diferenciales observadas variaron de beneficiosas para XGBoost, Random Forest y Gradient Boosting, a neutras para modelos lineales, y perjudiciales para ANN y SVR. Se aplicó la prueba de Friedman para verificar si existen diferencias estadísticamente significativas entre los modelos evaluados, y los resultados indicaron un valor p de 6,53627 × 10^-91. De esta manera, se puede afirmar, con un 95% de confianza, que existieron diferencias estadísticamente significativas entre los modelos evaluados.

El procedimiento de Conjunto de Confianza del Modelo (MCS) (Hansen et al., 2011), con un nivel de confianza del 95% y utilizando el Error Cuadrático Medio (EQM) en la partición de prueba común como función de pérdida, identificó al XGBoost (EQM = 25,10), al Gradient Boosting (EQM = 30,15) y al Random Forest (EQM = 40,20) como el Conjunto Superior de Modelos (CSM). Estos tres algoritmos basados en ensembles exhibieron precisión predictiva equivalente, con el XGBoost alcanzando un R² de 0,969 y un RMSE de 7,63 MPa. En contraste, el Decision Tree (EQM = 80,25), la ANN (EQM = 180,30), los modelos lineales (EQM ≈ 340) y ambas especificaciones de SVR (EQM > 760) fueron secuencialmente eliminados, confirmando su rendimiento significativamente inferior.

Adicionalmente, el diagrama de Diferencia Crítica (CD) de Nemenyi, construido con CD = 1,475 para α = 0,05 y un p(Friedman) ≈ 0,000, indicó diferencias estadísticamente significativas globales entre los modelos. Basándose en este criterio, el XGBoost, la Decision Tree y el Random Forest fueron considerados estadísticamente indistinguibles en términos de ranking medio, aunque el MCS identificó un conjunto superior de modelos ligeramente diferente basándose en el rendimiento absoluto. Las curvas de aprendizaje, que compararon el comportamiento de los modelos en los conjuntos de datos original y optimizado, revelaron que el impacto de la limpieza Bayesiana individualizada fue influenciado por la arquitectura del modelo.

Los métodos de ensemble, incluyendo XGBoost, Random Forest y Gradient Boosting, exhibieron convergencia estable en ambos conjuntos de datos, con brechas de validación (∆Gap) inferiores a 0,005, confirmando excelente capacidad de generalización independientemente del preprocesamiento. Entre estos, el XGBoost presentó la mejora más pronunciada tras la eliminación de los outliers (∆Val = +0,0004 | ∆Gap = −0,0004), mientras que Random Forest y Gradient Boosting mantuvieron un rendimiento prácticamente inalterado, evidenciando la robustez de estos algoritmos a la presencia de valores discrepantes. El Decision Tree también respondió positivamente a la limpieza (∆Val = +0,0014 | ∆Gap = −0,0015), con una leve ganancia en la validación y reducción de la brecha de generalización.

En contraste, los modelos SVR y ANN reaccionaron negativamente al procedimiento de optimización. El SVR_poly fue el modelo más afectado, presentando una caída expresiva en la validación (∆Val = −0,0135 | ∆Gap = −0,0032), resultado atribuible a la eliminación del 8,6% de las muestras de entrenamiento. Esta eliminación suprimió muestras esenciales para la definición de las fronteras de decisión en el espacio transformado por el kernel polinomial. La ANN presentó el empeoramiento más acentuado entre todos los modelos (∆Val = −0,0461 | ∆Gap = −0,0019), con alta inestabilidad a lo largo de las curvas de validación, sugiriendo que la eliminación de los outliers descaracterizó regiones de transición de atributos esenciales para el ajuste de los pesos de la red.

Análisis de los Residuos

El análisis exhaustivo de los residuos fue crucial para verificar si los modelos cumplían las principales premisas estadísticas, ya que incluso modelos con buen rendimiento pueden presentar problemas estructurales que comprometen su fiabilidad (Bishop, 2006). La normalidad de los residuos, una suposición importante para la inferencia y la construcción de intervalos de confianza, se evaluó mediante las pruebas de Shapiro-Wilk (Shapiro y Wilk, 1965), Jarque-Bera (Jarque y Bera, 1980) y Anderson-Darling (Uh y Yi, 2021), junto con diagnósticos visuales, como los gráficos Q-Q. Todos los modelos presentaron desviaciones estadísticamente significativas de la normalidad (p < 0,05), lo que confirma que los intervalos de predicción homoscedásticos gaussianos son inválidos para toda la cartera de modelos, siendo necesarios métodos no paramétricos, como Conformal Prediction o Quantile Regression.

Los modelos Linear y Bayesian Ridge mostraron los valores p más altos en las pruebas de normalidad (Shapiro-Wilk: 0,35 y 0,30, respectivamente), lo que indica que eran los menos no normales, lo cual es consistente con su rendimiento moderado en la Cobertura de Predicción del Intervalo de Predicción (PICP). El Decision Tree, por su parte, exhibió una extrema no normalidad (p < 0,01), reflejando su superficie de predicción gradual. A pesar de la precisión superior de los puntos, XGBoost (p = 0,12), Random Forest (p = 0,08) y Gradient Boosting (p = 0,15) también rechazaron la normalidad, explicando su grave subcobertura de PICP. La heterocedasticidad, donde la varianza de los residuos no es constante, fue evaluada por las pruebas de Breusch-Pagan y White (Hameed y Matanmi, 2021; Li et al., 2022), indicando la inconsistencia en los errores del modelo y la necesidad de una respecificación (Chaabene et al., 2020; Verma, 2025).

Las pruebas de Estadística de Durbin-Watson, de Breusch-Godfrey y de Autocorrelación de los Residuos se emplearon para verificar la dependencia de los residuos entre sí, lo que indica que el modelo no capturó toda la estructura de los datos, generando predicciones equivocadas y pérdida de fiabilidad (Uyanto, 2020). Además de las pruebas estadísticas, se utilizaron métodos gráficos como Q-Q Plots, histogramas de los residuos y funciones de autocorrelación (ACF y PACF) para el análisis cualitativo (Rigby y Stasinopoulos, 2005). Los histogramas mostraron picos centrales nítidos con decaimiento rápido, consistente con intervalos de predicción estrechos, pero un subconjunto de observaciones presentó problemas de predicción, invalidando los intervalos paramétricos para todos los modelos.

Los gráficos de dispersión, conocidos como Parity Plots, ilustraron la correlación entre los valores experimentales y predichos de la fck. El XGBoost exhibió un agrupamiento cercano alrededor de la diagonal, con residuos dispersos aleatoriamente, indicando un sesgo mínimo y una generalización adecuada. En contraste, los modelos Linear y Bayesian Ridge mostraron un sesgo sistemático hacia abajo en intensidades más altas, con los residuos volviéndose progresivamente negativos. El Decision Tree presentó un patrón escalonado, reflejando sobreajuste, mientras que el SVR_rbf produjo predicciones limitadas entre 25 y 75 MPa, indicando incapacidad de extrapolar. El SVR_poly exhibió predicciones virtualmente no correlacionadas, confirmando un grave error de especificación del modelo después de la limpieza.

Los gráficos de residuos revelaron un contraste marcado entre la Regresión Lineal y el XGBoost. El modelo Lineal exhibió una tendencia decreciente sistemática, con residuos volviéndose cada vez más negativos en valores de fck predichos más altos, variando de -10 a -30 MPa. Esto indicó que la forma funcional lineal no logró capturar la no linealidad inherente al proceso de desarrollo de la fck (Lundberg y Lee, 2017; Molnar, 2022). En contrapartida, los residuos del XGBoost presentaron dispersión aleatoria centrada alrededor de cero en todo el rango de predicción (0-120 MPa), con valores uniformemente distribuidos entre -15 y +15 MPa y sin tendencias sistemáticas. Esta evidencia refuerza la capacidad de los métodos ensemble para capturar complejas relaciones no lineales entre los constituyentes del concreto, una capacidad que carecieron los modelos lineales.

La influencia de las variables de entrada en las predicciones de fck fue elucidada mediante los análisis SHapley Additive exPlanations (SHAP) (Lundberg y Lee, 2017) e Importancia por Permutación (Breiman, 2001). Estos análisis revelaron las diferencias en la priorización de características para cada modelo. Para los modelos ensemble, las variables más influyentes fueron la sílice activa (SF), la edad (Age) y el cemento (cement). En contrapartida, para los métodos lineales, el cemento, la grava (Gravel) y la ceniza volante (FA) fueron las variables dominantes. Esta diferencia en la priorización de características es un indicativo de la capacidad de los modelos de ensemble para capturar interacciones no lineales y fenómenos de curado que los modelos lineales no logran representar.

La sílice activa, que presentó baja importancia en los modelos lineales (aproximadamente 6,3%), tuvo una posición significativamente mayor en XGBoost (15,8%). De manera similar, la edad, que fue la segunda variable más importante en los métodos ensemble (Random Forest con 0,220, XGBoost con 0,211 y Gradient Boosting con 0,216), tuvo una importancia mínima en los modelos lineales (aproximadamente 0,055). Este cambio en la relevancia de las variables confirmó que los métodos ensemble capturaron con éxito los efectos de interacción no lineales y los fenómenos de curado dependientes del tiempo. El mapa de calor SHAP confirmó cuantitativamente esta divergencia, mostrando la dominancia de la sílice activa en todos los modelos basados en árboles y su insignificancia en los modelos lineales.

El análisis de Permutation Importance mostró que la influencia de la sílice activa dependió de sus interacciones con otras variables, en lugar de operar como un influenciador independiente. Aunque SHAP identificó la sílice activa como la característica más importante para XGBoost y Random Forest, Permutation Importance presentó valores más moderados, indicando que la contribución de la sílice activa a la precisión predictiva dependió de la presencia y los valores de otras variables, en especial del cemento y la edad. Esta divergencia entre SHAP y Permutation Importance destacó la naturaleza complementaria de estos análisis: SHAP captura contribuciones locales, considerando las interacciones, mientras que Permutation Importance proporciona una evaluación global e independiente de la relevancia de las características. Juntos, confirmaron que el rendimiento superior de los métodos de ensemble provino de su capacidad para modelar cómo las características interactúan al determinar la fck del concreto (Lundberg y Lee, 2017; Molnar, 2022).

Validación Externa

Para validar la capacidad predictiva de los modelos de machine learning en escenarios prácticos, se probaron 18 mezclas de concreto experimentales independientes, abarcando clases de fck baja (4,83-10,54 MPa), media (19,69–45,94 MPa) y alta (59,30–179,00 MPa). Los resultados de la validación externa corroboraron la clasificación de desempeño obtenida en los análisis internos. El modelo XGBoost demostró la mayor asertividad cuando se comparó con las mediciones de laboratorio para todas las clases de fck, presentando variaciones menores al 5% para la mayoría de las mezclas. Esta consistencia lo estableció como el modelo más confiable para aplicaciones prácticas de predicción de la resistencia a la compresión del concreto, confirmando su robustez y capacidad de generalización en diferentes rangos de resistencia.

El Gradient Boosting y el Random Forest también presentaron una asertividad similar al XGBoost para las composiciones de fck media y alta, pero mostraron una ligera sobreestimación para concretos de baja fck. En contraste, los modelos SVR exhibieron una capacidad de predicción muy imprecisa, con el SVR_Rbf, por ejemplo, estimando 86,85 MPa para concretos que deberían tener 179 MPa, una reducción del 51,5%. Esto demostró que este tipo de modelo no logró extrapolar más allá del dominio de entrenamiento. Los modelos lineales subestimaron significativamente las mezclas de alta fck, alrededor del 16,8%, aunque tuvieron un desempeño aceptable para fck bajas a medias. El Decision Tree presentó predicciones adecuadas para diversas mezclas debido al aprendizaje basado en memoria, pero en algunas franjas indicó fck inadecuadas, como 45,94 MPa para un fck de laboratorio de 52,20 MPa, revelando una limitación en la capacidad de predicción para clases de concreto con mayor cantidad de muestras.

En resumen, la investigación demostró que la optimización de la eliminación de valores atípicos debe ser específica para cada modelo, con XGBoost, Gradient Boosting y Random Forest beneficiándose o manteniéndose estables, mientras que ANN y SVR_poly sufrieron degradación. El Model Confidence Set identificó XGBoost, Gradient Boosting y Random Forest como el conjunto superior de modelos estadísticamente indistinguibles. El análisis de residuos reveló que ningún modelo cumplió con la suposición de normalidad, invalidando los intervalos de predicción paramétricos. La sílice activa y la edad fueron las variables más importantes para los ensembles, destacando su capacidad para capturar interacciones no lineales y fenómenos de curado, lo que no ocurrió en los modelos lineales. La validación externa confirmó la superioridad del XGBoost, estableciendo un punto de referencia robusto para futuras comparaciones en la predicción de la resistencia a la compresión del concreto.

4. Conclusión

El presente estudio propuso una estructura robusta para la comparación de nueve algoritmos de aprendizaje automático en la predicción de la resistencia a la compresión característica del concreto (fck), abordando lagunas metodológicas en investigaciones anteriores. Se verificó que la optimización de la eliminación de valores atípicos impactó los modelos de forma diferenciada, confirmando la ausencia de un método de limpieza universalmente óptimo. Los algoritmos basados en ensemble, como XGBoost, Random Forest y Gradient Boosting, demostraron un rendimiento superior y mayor resiliencia. El Model Confidence Set identificó estos tres como un conjunto superior de modelos estadísticamente indistinguibles, destacándose XGBoost con un R² de 0,969 y un RMSE de 7,63 MPa. En contraste, los modelos lineales y SVR se mostraron inadecuados para la complejidad no lineal de los datos. El análisis SHAP reveló que la sílice activa y la edad fueron las variables más influyentes en los modelos de ensemble, evidenciando su capacidad para capturar interacciones no lineales y fenómenos de curado que los modelos lineales no representaron. La validación externa corroboró la mayor asertividad de XGBoost en diversas clases de fck. Esta metodología estableció un benchmark reproducible para futuras comparaciones, contribuyendo significativamente a la fiabilidad y reproducibilidad en la predicción del rendimiento de materiales cementiciosos.

A pesar del rendimiento predictivo alcanzado, el análisis de residuos indicó que ninguno de los modelos cumplió con la premisa de normalidad, invalidando el uso de intervalos de predicción paramétricos gaussianos. Esta limitación sugiere la necesidad de emplear métodos no paramétricos, como Conformal Prediction o Quantile Regression, para una cuantificación más precisa de la incertidumbre en las predicciones. Además, se observó que el Decision Tree presentó sobreajuste después de la limpieza, y los modelos SVR_rbf y SVR_poly demostraron incapacidad de extrapolar más allá del dominio de entrenamiento, especialmente después de limpiezas agresivas. Para estudios futuros, se recomienda profundizar la investigación sobre la aplicación y el desarrollo de técnicas de cuantificación de incertidumbre que sean robustas a desviaciones de la normalidad de los residuos, consolidando aún más la confiabilidad de las predicciones de fck en escenarios de ingeniería.

Referencias Bibliográficas

AMERICAN CONCRETE INSTITUTE (ACI). ACI Committee 318-14, Building code requirements for reinforced concrete, . Farmington Hills, MI, ACI, 2014.

AMERICAN CONCRETE INSTITUTE (ACI). ACI PRC-211.1-22: Selecting proportions for normal-density and high-density concrete – guide. Farmington Hills, MI: ACI, 2022

ASSOCIAÇÃO BRASILEIRA DE CIMENTO PORTLAND (ABCP). Parâmetros de dosagem do concreto. São Paulo: ABCP,1989

HELENE, P. Dosagem do Concreto de Cimento Portland. In: ISAIA, G. C., Editor. Concreto: Ensino, pesquisa e realizações. São Paulo: IBRACON, 2005. v. 1, p. 75-107

MOUTASSEM, F., CHIDIAC, S.E., Assessment of concrete compressive strength prediction models, KSCE J. Civ. Eng. 20 (2016) 343–358

YOUNIS, K.H., Pilakoutas, K., Strength prediction model and methods for improving recycled aggregate concrete, Constr. Build. Mater. 49 (2013) 688-701.

МЕНТА, Р.К., MONTEIRO, P.J., Concrete: Microstructure, Properties, and Materials, McGraw-Hill Education, 2014.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy