Mejorando la predicción de resistencia al hielo del hormigón con una red neuronal explicable

El hormigón en regiones frías del norte es propenso a los impactos perjudiciales de los ciclos de congelación-descongelación, lo que conduce al desarrollo de grietas y descascaramiento, afectando la seguridad estructural y la durabilidad. Esta investigación introduce un método novedoso para predecir la resistencia al hielo del hormigón utilizando un modelo de aprendizaje automático explicable llamado Modelo Aditivo Generalizado con Redes de Interacciones (GAMI-Net). Este modelo proporciona tanto predicciones precisas como explicaciones exhaustivas. El conjunto de datos, que consiste en 781 conjuntos de datos de pruebas de congelación-descongelación que abarcan factores influyentes e índices de evaluación de la resistencia al hielo del hormigón (incluyendo la resistencia a la compresión, el módulo de elasticidad dinámica y la tasa de pérdida de masa), se emplea para el desarrollo del modelo. Los resultados de la predicción muestran la superior precisión del modelo GAMI-Net en comparación con otros modelos de aprendizaje automático como EBM y XGBoost. El modelo logra un error cuadrático medio (RMSE) de 0.0584, un error absoluto medio (MAE) de 0.0386 y un coeficiente de determinación (R2) de 0.9281 para la predicción de la resistencia a la compresión. Experimentos en campo confirman la eficiencia del modelo para predecir el rendimiento del hormigón con una desviación mínima de las predicciones. La interpretabilidad de GAMI-Net ofrece información sobre la importancia de las características y las contribuciones de factores individuales a través de interpretaciones globales y locales. El modelo se destaca en la visualización, haciendo que los resultados sean fácilmente comprensibles y otorgando una ventaja distintiva en términos de claridad. Este enfoque tiene el potencial de guiar la optimización de la proporción de mezcla del hormigón, fortaleciendo en última instancia la resistencia al hielo de las estructuras de hormigón.