Modelos avanzados explicables para la evaluación de la resistencia de hormigón autocomitente modificado con polvos de vidrio y mármol suplementarios

Resumen El hormigón autocomitente (SCC) se está adoptando cada vez más en la construcción moderna debido a su naturaleza auto-fluyente, que elimina la necesidad de vibración mecánica y mejora la calidad de la construcción. El uso de materiales residuales industriales como el polvo de mármol (MP) y el polvo de vidrio (GP) en SCC presenta una alternativa sostenible a los materiales convencionales, reduciendo el impacto ambiental. Sin embargo, predecir la resistencia a la compresión (CS) de tales mezclas a través de métodos de prueba tradicionales es lento, costoso y limita la optimización rápida de mezclas. Esto motiva la adopción de técnicas de aprendizaje automático (ML), que pueden analizar eficientemente conjuntos de datos complejos e identificar patrones que influyen en el rendimiento del hormigón. En este estudio, se utilizaron tres modelos de ML, gradient boosting, bagging regression y random forest (RF), para predecir la CS de SCC que incorpora MP y GP. Entre ellos, RF alcanzó la mayor precisión ( R ² = 0.95). La interpretabilidad del modelo se aseguró a través de explicaciones aditivas de Shapley, gráficos de dependencia parcial y análisis de expectativas condicionales individuales, que identificaron el tiempo de curado como la característica más influyente. El gráfico de Taylor y las métricas de validación confirmaron la superior fiabilidad de RF. Esta investigación destaca el potencial del ML no solo como una herramienta predictiva, sino también como un medio para comprender los factores clave en el diseño de mezclas sostenibles, promoviendo en última instancia prácticas de construcción más inteligentes y ecológicas.