Modelo empírico para el Índice de Estabilidad Retenida de Mezclas Asfálticas utilizando un Enfoque Híbrido de Aprendizaje Automático

La susceptibilidad a la humedad es un fenómeno complejo que induce diversas patologías en pavimentos asfálticos y puede ser evaluado mediante el Índice de Estabilidad Retenida (RSI). Este estudio propone un modelo robusto para predecir el RSI utilizando una técnica híbrida de aprendizaje automático, que incluye Redes Neuronales Artificiales (ANN) y Programación de Expresión Génica. El modelo se expresa como una función matemática simple y directa con variables de entrada de proporción de filler mineral (F%), tasa de absorción de agua de agregado combinado (Ab%), contenido de asfalto (AC%) y contenido de vacíos de aire (Va%). Un análisis de importancia relativa clasificó AC% como la variable más influyente en el RSI, seguido de Va%, F% y Ab%. Los resultados experimentales del RSI de 150 muestras de prueba de varias mezclas se utilizaron junto con otros puntos de datos generados por la ANN para entrenar y validar el modelo propuesto. El modelo promueve un alto nivel de precisión para predecir el RSI con un coeficiente de determinación (R2) del 96.6% y errores muy bajos. Además, la sensibilidad del modelo ha sido verificada considerando el efecto de las variables, lo cual está en línea con los resultados del peso de conexión de la red y estudios previos en la literatura. F%, Ab% y Va% tienen una relación inversa con los valores de RSI, mientras que AC% tiene la opuesta. El modelo ayuda a prever la susceptibilidad al agua de las mezclas asfálticas, minimizando así el esfuerzo experimental y mejorando el desempeño de las mezclas.