Machine-Learning-Based Predictive Models for Compressive Strength, Flexural Strength, and Slump of Concrete

El proceso de producción del concreto implica la mezcla de cemento, agua y otros materiales. La cantidad de cada uno de estos materiales da como resultado un desempeño que se estima particularmente en términos de resistencia a la compresión o a la flexión. Se ha observado que el desempeño final del concreto tiene una alta variabilidad y que los métodos tradicionales de formulación no garantizan resultados consistentes. En consecuencia, los diseños tienden a ser sobredimensionados, generando costos más altos de lo necesario, para asegurar el desempeño comprometido con el cliente. Este estudio propone la construcción de modelos predictivos basados en aprendizaje automático para estimar la resistencia a la compresión, la resistencia a la flexión y el asentamiento del concreto. El estudio se llevó a cabo siguiendo la metodología del Proceso de Ciencia de Datos en Equipo (TDSP), utilizando un conjunto de datos generado por la empresa colombiana de concreto premezclado Cementos Argos S.A. durante cinco años, que contiene la cantidad de materiales utilizados para diferentes mezclas de concreto, así como las métricas de desempeño medidas en el laboratorio. Se entrenaron modelos predictivos como XGBoost y redes neuronales, y se realizó una optimización de hiperparámetros utilizando técnicas avanzadas como algoritmos genéticos para obtener tres modelos con alto desempeño para estimar la resistencia a la compresión, la resistencia a la flexión y el asentamiento. Este estudio concluye que es posible utilizar técnicas de aprendizaje automático para diseñar mezclas de concreto confiables que, cuando se combinan con métodos analíticos tradicionales, podrían reducir costos y minimizar el sobredimensionamiento de las mezclas de concreto .