Estudio sobre la predicción de la resistencia a la compresión del hormigón reciclado con fibra de acero basado en una red neuronal GA–PSO–BP

Con el avance de los objetivos de pico de carbono y neutralidad de carbono de China y la modernización en baja carbono de la industria de la construcción, el hormigón reciclado con fibra de acero (SFRAC) ha atraído una atención creciente como un material de construcción sostenible debido a sus ventajas en el reciclaje de recursos y su rendimiento mecánico mejorado. Sin embargo, su resistencia a la compresión está influenciada por múltiples factores interactuantes, lo que hace que la predicción precisa sea un desafío cuando se utilizan métodos empíricos o basados en regresión convencionales. Para mejorar el rendimiento predictivo, se estableció una base de datos de resistencia a la compresión basada en datos experimentales publicados. La capa de entrada incluyó siete parámetros de mezcla: contenido de agua, contenido de cemento, contenido de agregado fino, contenido de agregado grueso natural, contenido de agregado grueso reciclado, contenido de fibra de acero y dosis de superplastificante, con la resistencia a la compresión a 28 días como variable de salida. Usando esta base de datos, se desarrollaron cuatro modelos de predicción, incluyendo una red neuronal de retropropagación (BP) y tres variantes optimizadas—GA–BP, PSO–BP y GA–PSO–BP, optimizados por algoritmo genético (GA) y optimización por enjambre de partículas (PSO). Su rendimiento fue evaluado utilizando el coeficiente de determinación (R2), el error cuadrático medio (RMSE) y el error absoluto medio (MAE). Entre los cuatro modelos, GA–PSO–BP produjo el mejor rendimiento predictivo, con un R2 de mejor ejecución de 0.9308 en el conjunto de validación, superando a las redes neuronales BP, GA–BP y PSO–BP en 0.0642, 0.0326 y 0.0512, respectivamente. En más de 10 ejecuciones independientes, alcanzó un R2 promedio de 0.8822 y consistentemente entregó el RMSE y MAE más bajos con pequeñas desviaciones estándar, confirmando su precisión y estabilidad predictiva superior. Estos hallazgos sugieren que la integración de GA y PSO puede mejorar efectivamente la precisión y estabilidad predictiva de la red neuronal BP, proporcionando así una referencia confiable para la predicción de resistencia a la compresión y optimización de proporciones de mezcla del hormigón reciclado con fibra de acero.