Professional Documents
Culture Documents
ARTÍCULO ORIGINAL
aDepartamento de ciencias básicas e informática Universidad Aplicada de Al-Balqa, Profesor de la Escuela Universitaria de
Al-Karak, Jordania. Correo electrónico Majd.al-saraireh@bau.edu.jo
* Autor correspondiente
https://doi.org/10.1590/1679-78257022
Resumen
La resistencia a la compresión (CS) es el parámetro más importante en los códigos de diseño de estructuras
de hormigón armado. El desarrollo de ecuaciones matemáticas sencillas para la predicción de la resistencia a
la compresión del hormigón puede tener muchas ventajas prácticas, como el ahorro de costes y tiempo en
los experimentos necesarios para obtener datos de diseño adecuados. Debido a la preocupación
medioambiental por la producción de cemento, a menudo se utilizan diferentes materiales cementantes
suplementarios como sustitutos parciales del cemento, como las cenizas volantes (FA), el metacaolín (MK) y
el humo de sílice (SF). Sin embargo, se ha trabajado poco en el desarrollo de ecuaciones matemáticas
simples para la predicción de CS con FA, MK y SF utilizando el algoritmo M5P. Además, el algoritmo M5P no
se compara con otras técnicas de modelización como el análisis de regresión lineal, la programación de la
expresión génica (GEP) y la metodología de superficie de respuesta. Se establece que, para el hormigón con
FA y SF, M5P mostró una capacidad de predicción superior en comparación con otras técnicas de modelado,
sin embargo, GEP dio el mejor rendimiento para el hormigón con MK: CS disminuye al aumentar el
contenido de FA, mientras que aumenta al aumentar el contenido de MK y SF.
Palabras clave
Hormigón sostenible, resistencia a la compresión, algoritmo de árbol modelo M5P, aprendizaje automático
Resumen gráfico
Revista Latinoamericana de Sólidos y Estructuras. ISSN 1679-7825. Copyright © 2022. Este es un artículo de Acceso Abierto distribuido bajo los términos de la
Licencia de Atribución Creative Commons, que permite el uso, distribución y reproducción sin restricciones en cualquier medio, siempre que el trabajo original
sea debidamente citado.
1 INTRODUCCIÓN
En el mundo, la sostenibilidad de la sociedad humana está en peligro debido al grave problema del cambio
climático. Hay muchos sectores responsables del cambio climático, entre ellos el de la construcción. Por ejemplo, la
producción de cemento es responsable de alrededor del 7% de la emisión total de dióxido de carbono a la atmósfera
(Metz, Davidson, De Coninck, Loos, & Meyer, 2005). Durante la producción de cemento, el proceso de calcinación, en el
que se forma CaO extrayendo CO2 del CaCO3 , es responsable de aproximadamente el 50% de la producción de CO2 ,
mientras que el 50% restante de CO2 se produce por el uso de energía (Yang, Song, & Song, 2013). La demanda de
cemento está aumentando y se predijo que el uso anual de cemento Portland alcanzaría los 6000 millones de toneladas
en el año 2060 (Taylor, Tam, & Gielen, 2006). Una de las soluciones para disminuir el consumo de cemento es reducir
su consumo sustituyéndolo parcialmente por materiales cementantes suplementarios como cenizas volantes (AF),
metacaolín (MK), humo de sílice (SF), etc.
Cada año se produce en el mundo una gran cantidad de AF. Su uso en el hormigón es beneficioso principalmente
por tres razones: su efecto puzolánico, su efecto morfológico y su efecto microagregado. De ellos, el efecto puzolánico
es el más beneficioso para mejorar la resistencia mecánica del hormigón. En el efecto puzolánico, SiO2 y Al O23
reaccionan con Ca(OH)2 que es un producto de la hidratación del cemento y producen hidrato de silicato cálcico (C-S-H)
e hidrato de aluminato cálcico. Estos productos de hidratación secundaria aumentan la densidad del hormigón
rellenando los poros capilares y mejorando la resistencia del hormigón (Cao, Sun y Qin, 2000). Además, el AF puede
utilizarse en el hormigón para reducir su coste (Shah, Yuan y Photwichai, 2022). Sin embargo, hay que tener cuidado al
utilizar AF en hormigón con aire atrapado porque puede deteriorar los parámetros de aire vacío (Shah, Yuan, & Zuo,
2021b).
La inclusión de MK como sustituto del cemento en el hormigón puede reducir las emisiones de CO2 hasta 127
kg/tonelada de cemento producido (Lenka & Panda, 2017). El MK (Al2 Si O27 ) es un material puzolánico altamente
reactivo, más reactivo que las cenizas volantes y el humo de sílice (Asbridge, Walters y Jones, 1994). Se forma por la
dihidroxilación del caolín en el rango de temperaturas de 500-800o C. El MK reacciona con Ca(OH)2 para formar hidrato
de silicato cálcico (C-S-H) y fases que contienen alúmina, incluyendo C3 AH6 , C2 ASH8 , y C4 AH13 (He, Osbaeck, &
Makovicky, 1995; M. Zhang & Malhotra, 1995). La incorporación de MK en el hormigón tiene muchas ventajas: ayuda a
reducir la emisión de CO2 ; aumenta la resistencia a la flexión y a la compresión; aumenta la durabilidad y la resistencia
al ataque químico; hace que el hormigón sea más denso y reduce la permeabilidad; mejora la trabajabilidad; mejora el
acabado del hormigón, el aspecto y el color; reduce la eflorescencia; reduce la retracción (Siddique & Klaus, 2009). La
incorporación de MK en el hormigón como sustituto del cemento o como adición disminuye la distribución del tamaño
de los poros y mejora las propiedades mecánicas del hormigón, incluidas la CS, la resistencia a la tracción por división y
la resistencia a la flexión (Siddique & Klaus, 2009). La adición de MK en la pasta de cemento refinó la estructura de
poros y aumentó la proporción de poros con radios < 20 �m (Khatib & Wild, 1996). Se observó que la porosidad total de
la pasta disminuía con la adición de MK hasta un
al 20% (Bredy, Chabannet, & Pera, 1988). Poon et al. (C-S Poon, Lam, Kou, Wong, & Wong, 2001) observaron que
la pasta de cemento con un 5-20% de MK tenía un mayor valor de 𝑓′c a todas las edades de 3 a 90 días en
comparación con la mezcla de control.
En la fabricación de ferrosilicio y aleaciones de silicio, se produce SF como subproducto. Se trata de partículas
ultrafinas y este
La finura del SF lo convierte en un excelente material puzolánico que reacciona rápidamente con el producto de
hidratación del cemento y mejora la densidad del hormigón debido al efecto de microrrelleno (Sarıdemir, 2013).
Después de un extenso estudio de la literatura, se encontró que el contenido de SF se ha utilizado hasta el 50% de
sustitución del cemento, sin embargo, se observaron efectos más beneficiosos en el rango de dosificación de 5-20%. La
dosificación más alta de SF puede no ser económica debido a su alto coste. Durante la hidratación del cemento, uno de
los productos formados es Ca(OH)2 que no contribuye significativamente a la mejora de la resistencia. El contenido de
SiO2 en SF reacciona con Ca(OH)2 y produce una cantidad adicional de gel C-S-H que mejora la resistencia mecánica del
hormigón, hace que la microestructura sea más densa y da como resultado un hormigón duradero (Mehta & Monteiro,
2017). Las altas propiedades mecánicas del hormigón son deseables en muchas aplicaciones, como en edificios
propensos a terremotos. El hormigón de alta resistencia puede ayudar a aumentar la resistencia a los daños inducidos
por los terremotos en edificios de hormigón armado (Danesh et al., 2021). Se observó que una cantidad significativa de
Ca(OH)2 disminuyó con la adición de SF a los 3 días. Además, se informó de que todo el Ca(OH)2 se consumía cuando se
utilizaba un 16% de SF como sustituto del cemento, independientemente de la relación agua/aglomerante (w/b) (M.-H.
Zhang & Gjørv, 1991).
Con el fin de lograr la sostenibilidad en la industria de la construcción, existe una tendencia creciente a utilizar
materiales activados con álcalis y MEC. El diseño de la mezcla de hormigón, la dosificación óptima de los diferentes
constituyentes y la estimación de la resistencia mecánica, como el CS, es un problema complejo debido a la naturaleza
no homogénea del hormigón y a la relación no lineal entre las proporciones de la mezcla y la resistencia. Sin embargo,
Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 3/32
e454
Predicción de la resistencia a compresión del hormigón con cenizas volantes, metacaolín y humo de Al-Saraireh, Majd, Ali
sílice mediante técnicas de aprendizaje automático
es necesario desarrollar modelos robustos y fiables para la estimación de la CS del hormigón sostenible con FA, MK y SF
con la precisión adecuada. Esto ayudará a conocer el CS del hormigón sostenible con el diseño de la mezcla sin necesidad
de realizar ensayos experimentales y lotes de prueba en laboratorio que requieren mucho tiempo y dinero. Durante
muchos años, los investigadores han estado utilizando técnicas de aprendizaje automático (ML) para la predicción de
diferentes propiedades de los materiales a base de cemento debido a su mayor precisión y robustez (Chaabene, Flah, &
Nehdi, 2020; Shah, Rehman, Javed, & Iftikhar). Ayaz et al. (Ayaz, Kocamaz, & Karakoç, 2015) incorporaron un alto volumen
de aditivos minerales
(cenizas volantes + escoria) y predijeron el CS del hormigón a los 3, 7, 28 y 120 días utilizando M5P. Observaron una
precisión de predicción del 97% de M5P. Behnood, Behnood, Gharehveran, & Alyamac (2017) habían reunido 1912
puntos de datos de la literatura publicada y modelaron el CS de hormigones normales y de alto rendimiento mediante
M5P. Los parámetros de entrada fueron cemento, cenizas volantes, escoria de alto horno, agua, SP, árido fino (F.agg),
árido grueso (C.agg) y días. Obtuvieron un valor de R2 igual a 0,91 y 0,9 para los conjuntos de entrenamiento y prueba,
respectivamente. M5P tiene dos ventajas principales: proporciona una ecuación matemática simple y es conveniente
desarrollar e implementar un modelo M5P (Behnood et al., 2017). Recientemente, Shah, Rehman, Javed, & Iftikhar
(2021a) desarrollaron un modelo GEP para predecir el CS del hormigón FA y se comparó con el análisis de regresión lineal
y no lineal y RSM. El modelo desarrollado tiene una precisión adecuada, sin embargo, las complejas ecuaciones no
lineales generadas por GEP pueden ser difíciles de utilizar para fines prácticos. De forma similar, Akin et al. (Akin,
Ocholi, Abejide, & Obari, 2020) también emplearon GEP para la estimación del CS del hormigón con MK. Además de los
materiales de construcción, las técnicas de aprendizaje automático se han utilizado en otros subcampos de la ingeniería
civil, como la evaluación de la vulnerabilidad sísmica de edificios existentes de hormigón armado (Kumari et al., 2022).
No obstante, se han realizado escasas investigaciones para explorar el CS del hormigón sostenible y generar ecuaciones
matemáticas sencillas para su uso práctico mediante el algoritmo de árbol modelo M5P. La razón principal para emplear
el M5P es que predice diferentes propiedades del hormigón con gran precisión y proporciona ecuaciones matemáticas
sencillas que pueden utilizarse con fines prácticos. Otros métodos como el análisis de regresión lineal y la metodología
de superficie de respuesta también dan ecuaciones matemáticas simples para la predicción de diferentes propiedades
del hormigón, pero su precisión es inferior al algoritmo M5P. De acuerdo con nuestro mejor conocimiento, se han
realizado pocas investigaciones para estimar el CS del hormigón con FA, MK y SF utilizando el algoritmo M5P.
Para colmar esta laguna en la investigación, se han desarrollado modelos M5P para la estimación del CS del
hormigón FA, MK y SF, y estos modelos se compararon con la programación de la expresión génica (GEP), el análisis de
regresión lineal y la RSM. Para ello, se recopiló una amplia base de datos de artículos publicados revisados por pares.
Para evaluar el rendimiento de los modelos desarrollados se utilizaron distintos indicadores estadísticos, como el
coeficiente de determinación (R2 ), el error cuadrático medio (RMSE), el error medio absoluto (MAE) y el error
cuadrático relativo (RSE). Además, para averiguar la contribución relativa de las variables independientes a las variables
dependientes, se realizó un análisis de sensibilidad. Además, para explorar la influencia de FA, MK y SF en el CS del
hormigón, se realizó un análisis paramétrico. El procedimiento tanto del análisis de sensibilidad como del paramétrico
se puede encontrar en Shah et al., (2022). El flujo de este artículo de investigación es el siguiente:
1) Recogida de datos de la literatura existente sobre CS de hormigón con FA, MK y SF.
2) Aplicación del algoritmo M5P para la predicción del CS del hormigón con FA, MK y SF.
3) Comparación de los modelos M5P con otras técnicas de modelización como GEP, análisis de regresión lineal y
RSM.
4) Para cada tipo de hormigón (es decir, hormigón con FA, MK y SF), se eligió el mejor modelo para realizar el
análisis de sensibilidad y paramétrico.
La base de datos del hormigón FA se recogió de Shah et al. (2021b) mientras que las bases de datos del hormigón
MK se recogieron de diferentes trabajos de investigación (Akin et al., 2020; Dinakar, Sahoo, & Sriram, 2013; R. Ferreira,
Castro-Gomes, Costa, & Malheiro, 2016; Güneyisi, Gesoğlu, & Mermerdaş, 2008; Joshaghani, Moeini, & Balapour, 2017;
Khatib, 2008; Lenka & Panda, 2017; Madandoust & Mousavi, 2012; Meddah, Ismail, El-Gamal, & Fitriani, 2018; Chi-Sun
Poon, Kou, & Lam, 2006; Ramezanianpour & Jovein, 2012) y se muestra en la Tabla 1 del documento complementario.
La base de datos para el hormigón SF se recopiló de (Afroughsabet & Ozbakkaloglu, 2015; Ajileye, 2012; Altun & Oltulu,
2020; Benaicha, Roguiez, Jalbaud, Burtschell, & Alaoui, 2015; Dilbas, Şimşek, & Çakır, 2014; Elsayed, 2011; Elyamany,
Abd Elmoaty, & Mohamed, 2014; Fallah & Nematzadeh, 2017; Güneyisi, Gesoğlu, & Özturan, 2004; Hanumesh, Varun,
& Harish, 2015; Huchante, Chandupalle, Ghorpode, & TC, 2014; Johari, Brooks, Kabir, & Rivard, 2011; Köksal, Altun,
Yiğit, & Şahin, 2008; Lam, Wong, & Poon, 1998; Luo, Si, & Gu, 2019; Mazloom, Ramezanianpour, & Brooks, 2004;
Meddah et al., 2018; Meleka, Bashandy, & Arab, 2013; Mohamed, 2011; Naik & Vyawahare, 2013; Nili & Afroughsabet,
2010; Nili & Salehi, 2010; Chi-Sun Poon et al., 2006; Pradhan & Dutta, 2013; Ramadoss, 2014; Salam, 2015; Sarıdemir,
2013; Siddique et al, 2017; Sobolev, 2004; Türkmen, 2003; Uygar & Aydin, 2005; Q. L. Wang & Bao, 2012; Wong &
Razak, 2005; Wongkeo, Thongsanitgarn, Ngamjarurojana, & Chaipanich, 2014; Zaw, 2019) y se muestran en la Tabla 1.
Todas las bases de datos corresponden a especímenes cúbicos. Los datos se dividieron en dos partes. El 67% de los
datos se utilizó para el conjunto de entrenamiento y el 33% de los datos se utilizó para el conjunto de prueba según lo
Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 5/32
e454
Predicción de la resistencia a compresión del hormigón con cenizas volantes, metacaolín y humo de Al-Saraireh, Majd, Ali
sílice mediante técnicas de aprendizaje automático
recomendado por (Shah et al., 2021a). Los parámetros de entrada fueron cemento, FA/MK/SF, F.agg, C.agg,
superplastificante (SP), y edad de un espécimen en días y el parámetro de salida fue CS. Las estadísticas descriptivas de
la base de datos se dan en la Tabla 1 mientras que los histogramas se muestran en la Fig. 1.
Figura 1: Histograma de (a) cemento; (b) SCMs; (c) relación w/b; (d) F.agg; (e) C.agg; (f) SP; (g) días; (h) CS
2 METODOLOGÍA
Figura 2: Ilustración del algoritmo M5: (a) división del espacio de entrada; (b) construcción del árbol
utilizando una cadena de caracteres de longitud fija. A continuación, la solución se presenta en forma de árboles de
análisis sintáctico de diferentes formas y tamaños. Estos árboles se conocen como árboles de expresión (TE). GEP sólo
tiene dos actores principales: uno son los cromosomas y el otro son los ET. Debido a un mecanismo genético a nivel
cromosómico, es sencillo crear la variedad genética en GEP. La naturaleza multigénica de GEP ayuda en la generación de
programas complejos y no lineales compuestos por varios subprogramas. Se puede encontrar más información sobre
GEP en (Ferreira, 2001). Análisis de regresión lineal
En el análisis de regresión lineal, se establece una conexión lineal entre los parámetros de entrada y los de salida.
La forma general del análisis de regresión lineal es la siguiente:
Parámetro de salida = constante + (coeficientes)*(parámetros de entrada)
2.3 RSM
Es la forma estadística para el desarrollo de la relación entre los parámetros de entrada y salida. El modelo
cuadrático se utilizó para la estimación de la respuesta utilizando el parámetro de entrada que se muestra en la
ecuación 1.
Donde O es la respuesta (salida), 𝛽𝑖, 𝛽𝑖𝑖, y 𝛽𝑖𝑖𝑖 son la constante, el coeficiente lineal, cuadrático y de interacción,
respectivamente. Además, 𝑥𝑖 (𝑖 = 1,2, ... . . �) representan los parámetros de entrada.
Con el fin de comparar los modelos M5P con los GEP, se desarrollaron tres modelos GEP para la estimación de CS
de FA, MK,
y hormigón SF. Para los modelos GEP, se probaron diferentes parámetros con el fin de obtener un modelo que ofrezca
una predicción muy precisa en una base de datos no vista del conjunto de pruebas. Tras varias pruebas, los parámetros
óptimos de los modelos GEP se enumeran en la Tabla 2. Todos los demás parámetros de los modelos GEP se
mantuvieron por defecto en el software GeneXproTools 5.0.
Se utilizaron diferentes indicadores estadísticos para evaluar el rendimiento de los modelos desarrollados, como
RSE, RMSE, MAE y R2 . Las ecuaciones matemáticas de estos indicadores se indican en las ecuaciones 3-6.
∑𝑛
(𝑒𝑖- 𝑎𝑖)2
RSE = ∑𝑛�=1
(𝑎� 2 (3)
-𝑎𝑖)
�=1
RMSE = �1 ∑𝑛 (𝑎 - 𝑒 )2 (4)
� �=1 � �
∑𝑛 |��-��|
3 RESULTADOS y DISCUSIÓN
Tabla 3 Coeficientes de los modelos lineales generados por el modelo M5P para el hormigón FA
Coeficientes
Modelo
lineal a b c d e f g h
LM 1 96 0.0025 -0.061 -247 0.044 0.0017 0.154 0.446
LM2 122 0.0078 -0.04 -214 0.017 0.0017 0.266 0.104
LM 3 114 0.0078 -0.045 -190 0.017 0.0017 0.266 0.101
LM 4 99 0.0078 -0.027 143 0.017 0.0017 0.47 0.1
LM 5 54 0.069 -0.07 -62 0.01 0.0017 0.2024 0.1057
LM 6 43.6 0.123 -0.068 -62 0.0133 0.0017 0.2024 0.1088
LM 7 69 -0.0198 -0.065 -62.24 0.0133 0.0017 0.2024 0.1098
LM 8 70 -0.024 -0.065 -62.24 0.0133 0.0017 0.2024 0.1098
LM 9 69.9 -0.024 -0.06 -62.24 0.0133 0.0017 0.2024 0.116
LM 10 77.7 -0.0227 -0.07 -62.24 0.0133 0.0017 0.2024 0.089
LM 11 78.7 -0.0306 -0.07 -62.24 0.0133 0.0017 0.2024 0.0899
LM 12 -5.17 0.04 -0.008 -5.56 0.0117 0.0001 0.57 1.21
LM 13 24 0.0046 -0.018 -5.5 -0.003 0.0001 0.68 0.4264
LM 14 19 0.0046 -0.019 -5.56 -0.0009 0.0001 0.68 0.6
LM 15 28 0.004 -0.026 -22.2 0.006 0.0001 0.71 0.218
LM 16 28 -0.0027 -0.049 -15.8 0.0049 0.0001 1.04 0.46
LM 17 25 0.002 -0.045 -16 0.006 0.0001 0.94 0.54
LM 18 25 -0.0006 -0.045 -15.83 0.006 0.0001 1.11 0.56
LM 19 37 0.03 -0.05 -41.04 0.0116 0.0008 0.84 0.045
Figura 4: Valores experimentales frente a valores predichos de CS del hormigón FA utilizando M5P para (a) el conjunto de
entrenamiento y (b) el conjunto de pruebas
Figura 5: Comparación de M5P, GEP, análisis de regresión lineal y RSM para predecir el CS del hormigón FA para (a) el conjunto de
entrenamiento y (b) el conjunto de pruebas.
Tabla 4 Indicadores estadísticos de los diferentes modelos desarrollados para predecir el CS del hormigón FA
Conjunto de entrenamientoConjunto de pruebas
Modelos para CS de hormigón
MK RMSE RSE MAE RMSE RSE MAE
M5P 8 0.11 6.2 8.2 0.12 6.4
BPA 8.2 0.12 6.5 8.4 0.13 6.5
Análisis de regresión lineal 13.35 0.3 10.4 13.8 0.32 10.6
RSM 8.1 0.12 6.6 8.7 0.14 6.6
Figura 8: Estructura de árbol del modelo M5P desarrollado para predecir el CS del hormigón MK
Tabla 5 Coeficientes de los modelos lineales desarrollados para estimar el CS del hormigón MK utilizando M5P
Coeficientes
Modelo
lineal a b c d e f g h
LM 1 63.8 -0.0008 -0.003 -16.9 -0.0034 0 -2.047 0.77
LM2 69.78 -0.0008 -0.003 -16.9 -0.0034 0 -0.152 0.61
LM 3 65.27 -0.0008 -0.003 -16.9 -0.0034 0 -0.024 0.61
LM 4 70.04 -0.0008 -0.003 -16.9 -0.0034 0 0.545 0.61
LM 5 41.75 -0.0008 -0.003 1.62 -0.0114 0 0.14 0.27
LM 6 51.8 -0.0008 -0.003 1.62 -0.02 0.0017 0.14 0.204
LM 7 52.1 -0.0008 -0.003 1.62 -0.02 0.0043 0.14 0.204
LM 8 31.1 -0.0008 -0.003 15.56 -0.0028 0 0.14 2.145
LM 9 83.67 -0.0008 -0.003 -24.45 -0.0054 0 0.232 0.12
LM 10 42.51 -0.0008 0.0027 25.95 -0.0032 0 0.6004 0.0755
LM 11 47.14 -0.0008 0.0027 15.5 -0.0032 0 0.49 0.097
LM 12 46.45 -0.0008 0.0027 15.5 0.001 0 0.49 0.0647
LM 13 50.54 -0.0008 0.0027 15.5 -0.0004 0 0.49 0.0647
LM 14 53.48 -0.0008 0.1154 10.98 -0.0032 0 0.46 0.06
LM 15 243.06 -0.0008 0.0112 16.13 -0.0032 -0.158 0.45 0.0655
LM 16 42.13 -0.003 -0.001 -49.75 -0.0057 0 0.3535 5.95
LM 17 46.22 -0.003 -0.001 -45.29 -0.0059 0.0099 1.01 0.1326
LM 18 35.1 -0.003 -0.001 -14.062 -0.0059 0.0099 1.01 0.133
LM 19 24.7 -0.003 -0.001 -10.37 -0.0059 0.011 0.99 0.133
LM 20 53.5 -0.003 -0.001 -43.95 -0.01 0.0043 0.853 0.133
LM 21 37.13 -0.0124 -0.001 -18.561 0.0065 0.0079 0.562 0.0736
LM 22 42.9 -0.0124 -0.001 -18.56 0.0065 0.0079 0.6352 0.0439
LM 23 59.5 -0.0186 -0.001 -57.99 0.009 0.0074 0.91 0.0355
LM 24 53.04 -0.0186 -0.001 -52.74 0.009 0.0074 0.91 0.0355
LM 25 41.1 -0.0186 -0.001 -27.23 0.009 0.0133 0.93 0.0355
LM 26 44.61 -0.0186 -0.001 -27.23 0.009 0.0148 0.93 0.0355
LM 27 77.81 -0.0727 -0.001 -45.443 0.0103 0.008 0.64 0.0384
LM 28 110.83 -0.1379 -0.001 -51.52 0.0103 0.008 0.64 0.0384
LM 29 91.1 -0.0809 -0.001 -56.27 0.0103 0.008 0.64 0.0384
LM 30 71.2 -0.0072 -0.001 -8.08 0.0277 -0.0445 0.2857 0.0223
LM 31 476.244 -0.0072 -0.001 -85.69 0.0234 -0.33 0.2857 0.0223
Figura 9: CS experimental frente a CS predicho del hormigón MK utilizando M5P para (a) el conjunto de entrenamiento y
(b) el conjunto de pruebas.
Tanto para el conjunto de entrenamiento como para el de pruebas, el modelo GEP mostró un rendimiento superior,
seguido de M5P, RSM y el análisis de regresión lineal. El valor de R2 para los conjuntos de datos es de 0,8 para M5P,
mientras que es de 0,82 en el caso de GEP, como se muestra en la Fig. 10.
Figura 10: Comparación de M5P con GEP, análisis de regresión lineal y RSM desarrollado para CS de hormigón MK para (a) conjunto
de entrenamiento y
(b) conjunto de pruebas
Aunque GEP mostró una gran precisión en ambos conjuntos de datos, una de las ventajas de M5P sobre GEP es la
generación de modelos lineales simples en comparación con las complejas ecuaciones no lineales de GEP (Shah et al.,
2022). El análisis de regresión lineal dio R2 = 0,48 para el conjunto de entrenamiento, sin embargo, su rendimiento fue
significativamente inferior en el conjunto de pruebas. Los valores de R2 de RSM para ambos conjuntos de datos en el
caso del hormigón MK son inferiores en comparación con el hormigón FA. Los valores más bajos de RSM, RMSE y MAE
para GEP en comparación con otras técnicas de modelización también confirman la superioridad de GEP para el
hormigón MK como se muestra en la Tabla 6.
Tabla 6 Indicadores estadísticos de los modelos desarrollados para estimar el CS del hormigón MK
El análisis de sensibilidad del hormigón con MK se muestra en la Fig. 11. De forma similar a los resultados del
análisis de sensibilidad de FA, las 3 variables que más contribuyen son la relación w/b, los días y el contenido de SP. En
la Fig. 11, también se muestra que la contribución del MK es cercana a la del cemento (que no era el caso del hormigón
con AF). Esto se debe a que el MK tiene una reacción puzolánica temprana y contribuye al CS reaccionando con Ca(OH)2 .
De forma similar a la Fig. 5, la contribución del árido al CS es muy pequeña.
La Fig. 12 muestra que el CS aumenta al aumentar el contenido de MK. El aumento del CS con MK puede atribuirse
al efecto de relleno, a la aceleración de la hidratación del cemento y a la reacción puzolánica del MK con Ca(OH)2 .
Debido a estos efectos, la Fig. 13 muestra que la microestructura de la pasta de cemento con un 15% de MK es más
compacta y uniforme en comparación con un 0% de MK a los 28 días. Se observó un mayor desarrollo de la resistencia
Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 17/32
e454
Predicción de la resistencia a compresión del hormigón con cenizas volantes, metacaolín y humo de Al-Saraireh, Majd, Ali
sílice mediante técnicas de aprendizaje automático
a edades tempranas con MK debido a la formación de fases de alúmina como C2 ASH8 . El MK tiene una larga historia
como material sostenible utilizado en el hormigón como sustituto parcial del cemento y ahora se está utilizando para
producir hormigón activado con álcalis.
Figura 13: SEM de pastas de cemento (a) con 0% MK y (b) con 15% MK a 28 días (Fig. obtenida de (Ramezanianpour & Jovein,
2012) con permiso)
Las estructuras de árbol modelo desarrolladas de M5P para hormigón SF se dan en la Fig. 14 y los coeficientes de
los modelos lineales se muestran en la Tabla 7.
Figura 14: Estructuras de árbol del modelo M5P desarrollado para predecir el CS del hormigón SF
Tabla 7 Coeficientes de los modelos lineales por M5P desarrollados para estimar el CS del hormigón SF
Coeficientes
Modelo lineal
a b c d e f g h
LM 1 -60 -0.0306 -0.01 -94 0.107 0.0605 0.0003 7.3
LM2 164 -0.11 -0.01 -290 0.05 0.0024 0.0003 0.69
LM 3 133 -0.09 0.13 -147 0.0044 0.017 0.0019 0.0235
LM 4 194 -0.087 0 -182 0.0044 -0.0147 0.0019 0.0235
LM 5 197 -0.09 0.04 -185.2 0.0044 -0.0147 0.0019 0.0235
LM 6 201 -0.09 -0.017 -200 0.0044 -0.0147 0.0019 0.0235
LM 7 279 -0.2343 -0.049 -181 0.0044 -0.0215 0.0019 0.0235
LM 8 42 0.012 0 -30 -0.0048 -0.001 0.601 0.729
LM 9 33.55 0.007 -0.015 -18.5 0.032 -0.006 0.87 0.043
LM 10 48 0.007 0.067 -18.5 0.0145 -0.0006 0.87 0.048
LM 11 41 0.0069 -0.053 -7.47 -0.0035 -0.0006 2.72 0.0327
LM 12 43 0.0069 -0.046 -7.47 -0.0035 -0.0006 2.52 0.0327
LM 13 54 0.0069 0.05 -20.5 -0.0035 -0.0006 1.88 0.032
LM 14 46 0.0069 -0.008 -19 -0.0035 -0.0006 1.52 0.04
LM 15 59 0.0015 0 -10.9 -0.0014 -0.0006 -0.3 0.35
LM 16 59 0.0015 0 -10.9 -0.0014 -0.0006 -0.65 0.16
LM 17 71 0.0015 0 -11 -0.0014 -0.0006 0.4 0.035
LM 18 66 0.0015 0 -11 -0.0014 -0.0006 0.52 0.035
LM 19 68 0.0015 0 -11 -0.0014 -0.0006 0.655 0.035
Para el desarrollo del modelo M5P para hormigón SF, se probó un número diferente de instancias y se observó que al
aumentar el número mínimo de instancias, la precisión del modelo desarrollado disminuía como se muestra en la Fig. 15.
Hay dos formas de reducir el número de modelos lineales: 1) aumentando el número mínimo de instancias en el nodo
hoja como se muestra en la Fig. 15, sin embargo, disminuirá la precisión del modelo M5P desarrollado; 2) disminuyendo el
número de puntos de datos, sin embargo, deben incluirse más puntos de datos para obtener un modelo de predicción
robusto.
Figura 15: Variación de la precisión del modelo M5P desarrollado para el hormigón SF cambiando el número mínimo de
instancias
El número de modelos lineales generados también disminuye al aumentar el número mínimo de instancias, lo que
da como resultado un modelo relativamente sencillo. La Fig. 16 ilustra la relación entre el CS real y el predicho por el
modelo M5P desarrollado para el hormigón SF. En el conjunto de entrenamiento, el alto valor de R2 =0.92 indica que el
modelo M5P se entrenó muy bien en datos conocidos y predijo CS con una alta precisión de R2 = 0.94 en datos no vistos
en el conjunto de pruebas. La alta capacidad de predicción del modelo M5P para el hormigón con SF también se
confirma por el valor de la pendiente para el conjunto de entrenamiento (0,87) y el conjunto de prueba (0,84) que está
cerca de 1. Estos valores de R2 son más altos en comparación con los modelos M5P desarrollados para el hormigón FA y
MK.
Figura 16: CS real frente a CS estimado del hormigón con SF utilizando M5P para (a) el conjunto de entrenamiento y (b) el
conjunto de pruebas
En la Fig. 16 se muestra la comparación de diferentes técnicas de modelización para predecir el CS del hormigón
SF. En el conjunto de entrenamiento, el M5P ha mostrado un mayor valor de R2 que es 0,92. Esto muestra que la
diferencia entre el valor real y el valor predicho es muy pequeña. RSM es el segundo método más preciso para estimar
el CS del hormigón SF con R2 = 0,78 seguido de GEP (R2 = 0,74) y el análisis de regresión lineal (R2 = 0,52). En contraste
con la base de datos MK, RSM mostró una mayor precisión en comparación con GEP para la base de datos SF. La
ecuación matemática generada por RSM puede ser menos compleja en comparación con la ecuación no lineal
Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 21/32
e454
Predicción de la resistencia a compresión del hormigón con cenizas volantes, metacaolín y humo de Al-Saraireh, Majd, Ali
sílice mediante técnicas de aprendizaje automático
desarrollada por GEP (Shah et al., 2022). En términos de precisión del modelo, se observa una tendencia similar en el
caso del conjunto de pruebas, como se muestra en la Fig. 17(b). La Tabla 8 también confirma que la precisión de los
diferentes modelos para ambos conjuntos de datos está en el orden de M5P > RSM > GEP > análisis de regresión lineal.
Figura 17: Comparación del modelo M5P desarrollado para hormigón SF con GEP, análisis de regresión lineal y RSM para (a) conjunto
de entrenamiento y
(b) conjunto de pruebas
Tabla 8 Indicadores estadísticos de los diferentes modelos desarrollados para el CS del hormigón SF
Conjunto de entrenamientoConjunto de pruebas
Modelos para CS de
hormigón SF RMSE RSE MAE RMSE RSE MAE
M5P 6.4 0.08 4.9 6.1 0.07 4.7
BPA 13 0.25 9.5 13.1 0.25 9.5
Análisis de regresión lineal 11.3 0.23 8.6 11.2 0.23 8.5
RSM 10.5 0.22 8.3 10.4 0.22 8.2
Figura 20: Micromorfología de la superficie del hormigón a: (a) 0%; (b) 6%; (c) 12% de contenido de SF (imágenes obtenidas de
(Lü et al., 2019) con permiso).
4 CONCLUSIÓN
En este estudio, se utilizó M5P para desarrollar modelos lineales simples para la predicción del CS del hormigón
con FA, MK y SF. Estas sencillas ecuaciones matemáticas lineales pueden utilizarse fácilmente en la ingeniería práctica.
Los modelos M5P desarrollados se compararon con GEP, análisis de regresión lineal y RSM. Del estudio se pueden
extraer las siguientes conclusiones:
1. Para el hormigón FA, el modelo M5P mostró una precisión superior tanto en los conjuntos de entrenamiento
como en los de prueba en comparación con el GEP, el análisis de regresión lineal y el RSM. Además, el análisis
paramétrico (AP) mostró que al aumentar el contenido de AF, el CS disminuía, lo que puede atribuirse a la lenta
reacción puzolánica del AF a edades tempranas.
2. En el caso del hormigón MK, GEP mostró un mayor rendimiento en términos del alto valor de R2 y los bajos
valores de RSE, RMSE y MAE tanto para los conjuntos de entrenamiento como de prueba en comparación con M5P, el
análisis de regresión lineal y RSM. Además, PA indicó que al aumentar el contenido de MK, CS aumentaba linealmente
debido a los efectos de reacción puzolánica y de relleno.
3. De forma similar al hormigón FA, el M5P mostró un mayor rendimiento para el hormigón SF y el orden de
precisión de los modelos desarrollados es M5P > RSM > GEP > análisis de regresión lineal tanto para los conjuntos
de entrenamiento como de prueba. Al igual que el hormigón MK, al aumentar el contenido de SF, el CS aumentó
linealmente, lo que puede atribuirse a la rápida reacción puzolánica temprana del SF con el hidróxido de calcio y al
efecto de relleno debido a las partículas ultrafinas de SF.
Contribuciones de los autores: Conceptualización, Recogida de datos, Metodología, Investigación, Recursos, O Das,
Visualización, Redacción - revisión y edición, Al-Saraireh, Majd, Ali.
Editor: Pablo Andrés Muñoz Rojas
Referencias
Ajileye, F. V. (2012). Investigations on microsilica (silica fume) as partial cement replacement in concrete. Global Journal of
Research In Engineering 12(1-E). https://engineeringresearch.org/index.php/GJRE/article/view/575
Akin, O. O., Ocholi, A., Abejide, O. S., & Obari, J. A. (2020). Prediction of the Compressive Strength of Concrete Admixed with
Metakaolin Using Gene Expression Programming. Advances in Civil Engineering, 2020. https://doi.org/10.1155/2020/8883412
Altun, M. G., & Oltulu, M. (2020). Effect of different types of fiber utilization on mechanical properties of recycled aggregate
concrete containing silica fume. Journal of Green Building 15(1):119-136. https://doi.org/10.3992/1943-4618.15.1.119
Asbridge, A., Walters, G., & Jones, T. (1994). Ternary blended concretes-OPC/GGBFS/metakaolin. Denmark: Concrete Across
Borders: 547-557. https://www.tib.eu/en/search/id/BLCP:CN005757472/Ternary-blended-concretes-OPC-ggbfs-
metakaolin?tx_tibsearch_search%5Bsearchspace%5D=tn&cHash=04e0a3480a10d3cc4f0c88d3258f33a4
Ayaz, Y., Kocamaz, A. F., & Karakoç, M. B. (2015). Modeling of compressive strength and UPV of high-volume mineral-
admixtured concrete using rule-based M5 rule and tree model M5P classifiers. Construction and Building Materials 94: 235-.
240. https://doi.org/10.1016/j.conbuildmat.2015.06.029
Behnood, A., Behnood, V., Gharehveran, M. M., & Alyamac, K. E. (2017). Predicción de la resistencia a la compresión de
hormigones normales y de alto rendimiento utilizando el algoritmo de árbol modelo M5P. Construction and Building
Materials 142:199-207. https://doi.org/10.1016/j.conbuildmat.2017.03.061
Benaicha, M., Roguiez, X., Jalbaud, O., Burtschell, Y., & Alaoui, A. H. (2015). Influence of silica fume and viscosity modifying
agent on the mechanical and rheological behavior of self compacting concrete'', Construction and Building Materials 84: 103-.
110. https://doi.org/10.1016/j.conbuildmat.2015.03.061
Bentur, A., Goldman, A., & Cohen, M. D. (1987). La contribución de la zona de transición a la resistencia de hormigones de
humo de sílice de alta calidad. MRS Online Proceedings Library (OPL) 114. https://doi.org/10.1557/PROC-114-97
Bredy, P., Chabannet, M., & Pera, J. (1988). Microestructura y porosidad de cementos mezclados con metacaolín. MRS Online
Proceedings Library 136(1): 275-280. https://doi.org/10.1557/PROC-136-275
Cao, C., Sun, W., & Qin, H. (2000). The analysis on strength and fly ash effect of roller-compacted concrete with high volume
fly ash. Cement and concrete research 30(1): 71-75. https://doi.org/10.1016/S0008-8846(99)00203-3.
Chaabene, W. B., Flah, M., & Nehdi, M. L. (2020). Predicción mediante aprendizaje automático de las propiedades mecánicas
del hormigón: Critical review. Construction and Building Materials 260: 119889.
https://doi.org/10.1016/j.conbuildmat.2020.119889
Danesh, M., Iraji, A., & Jaafari, S. (2021). Evaluating seismic resistance parameters of optimized reinforced concrete moment
frames using an initial cost objective function. Universidad de Ciencia y Tecnología de Irán: 11(4): 611-630.
Dilbas, H., Şimşek, M., & Çakır, Ö. (2014). An investigation on mechanical and physical properties of recycled aggregate
concrete (RAC) with and without silica fume. Construction and Building Materials 61: 50-59.
https://doi.org/10.1016/j.conbuildmat.2014.02.057
Dinakar, P., Sahoo, P. K., & Sriram, G. (2013). Efecto del contenido de metacaolín en las propiedades del hormigón de alta
resistencia. Revista internacional de estructuras y materiales de hormigón 7(3): 215-223. https://doi.org/10.1007/s40069-
013-0045-0
Elsayed, A. (2011). Influence of silica fume, fly ash, super pozz and high slag cement on water permeability and strength of
concrete. Jordan Journal of Civil Engineering 5(2): 245-257.
Elyamany, H. E., Abd Elmoaty, M., & Mohamed, B. (2014). Effect of filler types on physical, mechanical and microstructure of
self compacting concrete and Flow-able concrete. Alexandria Engineering Journal 53(2): 295-307.
https://doi.org/10.1016/j.aej.2014.03.010
Fallah, S., & Nematzadeh, M. (2017). Propiedades mecánicas y durabilidad del hormigón de alta resistencia que
contiene fibras macro poliméricas y de polipropileno con nano sílice y humo de sílice. Construction and Building
Materials 132:170-187. https://doi.org/10.1016/j.conbuildmat.2016.11.100
Ferreira, C. (2001). Gene expression programming: a new adaptive algorithm for solving problems. arXiv preprint cs/0102027.
Ferreira, R., Castro-Gomes, J., Costa, P., & Malheiro, R. (2016). Effect of metakaolin on the chloride ingress properties of
concrete. KSCE Journal of Civil Engineering 20(4): 1375-1384. https://doi.org/10.1007/s12205-015-0131-8
Güneyisi, E., Gesoğlu, M., & Mermerdaş, K. (2008). Improving strength, drying shrinkage, and pore structure of concrete using
metakaolin. Materials and Structures 41(5): 937-949. https://doi.org/10.1617/s11527-007-9296-z
Güneyisi, E., Gesoğlu, M., & Özturan, T. (2004). Properties of rubberized concretes containing silica fume'', Cement and
Concrete research 34(12): 2309-2317. https://doi.org/10.1016/j.cemconres.2004.04.005
Hanumesh, B., Varun, B., & Harish, B. (2015). The mechanical properties of concrete incorporating silica fume as partial
replacement of cement. Revista internacional de tecnología emergente e ingeniería avanzada 5(9): 270.
He, C., Osbaeck, B., & Makovicky, E. (1995). Pozzolanic reactions of six principal clay minerals: activation, reactivity assessments
and technological effects. Cement and concrete research 25(8):1691-1702. https://doi.org/10.1016/0008-8846(95)00165-4
Herath, C., Gunasekara, C., Law, D. W., & Setunge, S. (2020). Performance of high volume fly ash concrete incorporating
additives: A systematic literature review. Construction and Building Materials: 258: 120606.
https://doi.org/10.1016/j.conbuildmat.2020.120606
Huchante, S. R., Chandupalle, S., Ghorpode, V. G., & TC, V. R. (2014). Diseño de mezcla de hormigón de alto rendimiento
utilizando humo de sílice y superplastificante. Pan 18(1.8): 100.
Johari, M. M., Brooks, J., Kabir, S., & Rivard, P. (2011). Influence of supplementary cementitious materials on engineering properties
of high strength concrete. Materiales de construcción y edificación 25(5): 2639-2648.
https://doi.org/10.1016/j.conbuildmat.2010.12.013
Joshaghani, A., Moeini, M. A., & Balapour, M. (2017). Evaluación de la incorporación de metacaolín para evaluar la
durabilidad y las propiedades mecánicas del hormigón. Avances en la construcción de hormigón 5(3): 241.
https://doi.org/10.12989/acc.2017.5.3.241
Khatib, J. (2008). Metakaolin concrete at a low water to binder ratio. Construction and Building Materials 22(8):1691-1700.
https://doi.org/10.1016/j.conbuildmat.2007.06.003
Khatib, J., & Wild, S. (1996). Pore size distribution of metakaolin paste. Cement and concrete research 26(10): 1545-1553.
https://doi.org/10.1016/0008-8846(96)00147-0
Köksal, F., Altun, F., Yiğit, İ., & Şahin, Y. (2008). Combined effect of silica fume and steel fiber on the mechanical properties of high
strength concretes. Construction and Building Materials 22(8): 1874-1880. https://doi.org/10.1016/j.conbuildmat.2007.04.017
Kumari, V., Harirchian, E., Lahmer, T., & Rasulzade, S. (2022). Evaluation of Machine Learning and Web-Based Process for
Damage Score Estimation of Existing Buildings. Buildings: 12(5): 578. https://doi.org/10.3390/buildings12050578
Lam, L., Wong, Y., y Poon, C.-S. (1998). Effect of fly ash and silica fume on compressive and fracture behaviors of concrete.
Cement and concrete research 28(2): 271-283. https://doi.org/10.1016/S0008-8846(97)00269-X
Lenka, S., & Panda, K. (2017). Efecto del metacaolín en las propiedades del hormigón convencional y autocompactante.
Avances en la construcción con hormigón 5(1): 031. https://doi.org/10.12989/acc.2017.5.1.031
Lü, Q., Qiu, Q., Zheng, J., Wang, J., & Zeng, Q. (2019). Dimensión fractal del hormigón que incorpora humo de sílice y sus
correlaciones con la estructura de poros, la resistencia y la permeabilidad. Materiales de construcción y edificación 228:
116986. https://doi.org/10.1016/j.conbuildmat.2019.116986
Luo, X., Si, Y., & Gu, W. (2019). Efecto del humo de sílice en las propiedades mecánicas del hormigón que incorpora polvo de
escoria de acero. Revista de ciencias naturales de la Universidad de Wuhan 24(1): 86-92. https://doi.org/10.1007/s11859-
019-1372-z
Madandoust, R., & Mousavi, S. Y. (2012). Fresh and hardened properties of self-compacting concrete containing metakaolin.
Construction and Building Materials 35: 752-760. https://doi.org/10.1016/j.conbuildmat.2012.04.109
Mazloom, M., Ramezanianpour, A., & Brooks, J. (2004). Effect of silica fume on mechanical properties of high-strength
concrete. Cement and concrete composites 26(4): 347-357. https://doi.org/10.1016/S0958-9465(03)00017-9
Meddah, M. S., Ismail, M. A., El-Gamal, S., & Fitriani, H. (2018). Performances evaluation of binary concrete designed with silica
fume and metakaolin. Materiales de construcción y edificación 166: 400-412.
https://doi.org/10.1016/j.conbuildmat.2018.01.138
Mehta, P. K., & Monteiro, P. J. (2017). Microestructura, propiedades y materiales del hormigón.
https://www.accessengineeringlibrary.com/content/book/9780071797870
Meleka, N., Bashandy, A. A., & Arab, M. A. (2013). Ultra high strength concrete using economical materials. International
Journal of Current Engineering and Technology 3(2):393-402.
Metz, B., Davidson, O., De Coninck, H., Loos, M., & Meyer, L. (2005). Informe especial del IPCC sobre captura y
Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 28/32
e454
Predicción de la resistencia a compresión del hormigón con cenizas volantes, metacaolín y humo de Al-Saraireh, Majd, Ali
sílice mediante técnicas de aprendizaje automático
almacenamiento de dióxido de carbono: Cambridge: Cambridge University Press. https://www.ipcc.ch/report/carbon-
dioxide-capture-and-storage/
Mohamed, H. A. (2011). Effect of fly ash and silica fume on compressive strength of self-compacting concrete under different
curing conditions. Ain Shams Engineering Journal 2(2): 79-86. https://doi.org/10.1016/j.asej.2011.06.001
Naik, M. P. P., & Vyawahare, M. (2013). Comparative Study of Effect of Silica Fume and Quarry Dust on Strength of Self
Compacting Concrete (Estudio comparativo del efecto del humo de sílice y el polvo de cantera en la resistencia del hormigón
autocompactante). Revista Internacional de Investigación en Ingeniería y Aplicaciones 3(3): 1497-1500.
Nežerka, V., Bílý, P., Hrbek, V., & Fládr, J. (2019). Impacto del humo de sílice, las cenizas volantes y el metacaolín en el espesor y
la resistencia de la ZCIT en el hormigón. Cement and concrete composites 103: 252-262.
https://doi.org/10.1016/j.cemconcomp.2019.05.012
Nili, M., & Afroughsabet, V. (2010). Combined effect of silica fume and steel fibers on the impact resistance and mechanical
properties of concrete. Revista internacional de ingeniería de impacto, 37(8): 879-886.
https://doi.org/10.1016/j.ijimpeng.2010.03.004
Nili, M., & Salehi, A. (2010). Evaluación de la eficacia de las puzolanas en el hormigón masivo de alta resistencia. Construction
and Building Materials 24(11): 2108-2116. https://doi.org/10.1016/j.conbuildmat.2010.04.049
Poon, C.-S., Kou, S., & Lam, L. (2006). Compressive strength, chloride diffusivity and pore structure of high performance metakaolin
and silica fume concrete. Construction and Building Materials 20(10): 858-865. https://doi.org/10.1016/j.conbuildmat.2005.07.001
Poon, C.-S., Lam, L., Kou, S., Wong, Y.-L., & Wong, R. (2001). Rate of pozzolanic reaction of metakaolin in high-performance
cement pastes'', Cement and concrete research 31(9): 1301-1306. https://doi.org/10.1016/S0008-8846(01)00581-6
Pradhan, D., & Dutta, D. (2013). Influencia del humo de sílice en el hormigón normal. Revista internacional de investigación en
ingeniería y aplicaciones 3(5): 79-82.
Quinlan, J.R. (1992). Learning with continuous classes. En 5th Australian joint conference on artificial intelligence 92: 343-348
Ramadoss, P. (2014). Combined effect of silica fume and steel fiber on the splitting tensile strength of high-strength concrete.
Revista Internacional de Ingeniería Civil 12(1): 96-103.
Ramezanianpour, A., & Jovein, H. B. (2012). Influence of metakaolin as supplementary cementing material on strength and
durability of concretes. Construction and Building Materials 30: 470-479. https://doi.org/10.1016/j.conbuildmat.2011.12.050
Salam, L. A. (2015). Efecto de la fibra de acero y humo de sílice en la resistencia a la compresión y flexión del hormigón
endurecido. Revista de Ingeniería y Desarrollo 19(1):68-85.
Sarıdemir, M. (2013). Effect of silica fume and ground pumice on compressive strength and modulus of elasticity of high
strength concrete. Construction and Building Materials 49: 484-489. https://doi.org/10.1016/j.conbuildmat.2013.08.091
Shah, H. A., Rehman, S. K. U., Javed, M. F., & Iftikhar, Y. (2021a). Prediction of compressive and splitting tensile strength of
concrete with fly ash by using gene expression programming. Structural Concrete. https://doi.org/10.1002/suco.202100213
Shah, H.A., Yuan, Q. y Photwichai, N. (2022). Use of materials to lower the cost of ultra-high-performance concrete-A review.
Construction and Building Materials 327: 127045. https://doi.org/10.1016/j.conbuildmat.2022.127045
Shah, H. A., Yuan, Q., & Zuo, S. (2021b). Air entrainment in fresh concrete and its effects on hardened concrete-a review.
Construction and Building Materials: 274: 121835. https://doi.org/10.1016/j.conbuildmat.2020.121835
Siddique, R. (2011). Utilization of silica fume in concrete: Revisión de las propiedades endurecidas. Resources, Conservation
and Recycling 55(11): 923-932. https://doi.org/10.1016/j.resconrec.2011.06.012
Siddique, R., Jameel, A., Singh, M., Barnat-Hunek, D., Aït-Mokhtar, A., Belarbi, R., & Rajor, A. (2017). Efecto de las bacterias en
la resistencia, las características de permeabilidad y la microestructura del hormigón de humo de sílice. Construction and
Building Materials 142: 92-
100. https://doi.org/10.1016/j.conbuildmat.2017.03.057
Siddique, R., & Klaus, J. (2009). Influencia del metacaolín en las propiedades del mortero y el hormigón: A review. Applied
Clay Science 43(3-4): 392-400. https://doi.org/10.1016/j.clay.2008.11.007
Sobolev, K. (2004). Desarrollo de un nuevo método para la dosificación de mezclas de hormigón de alto rendimiento.
Compuestos de cemento y hormigón 26(7): 901-907. https://doi.org/10.1016/j.cemconcomp.2003.09.002
Taylor, M., Tam, C., & Gielen, D. (2006). Eficiencia energética y emisiones de CO2 de la industria cementera mundial. Corea 50(2.2): 61.67.
Türkmen, İ. (2003). Influence of different curing conditions on the physical and mechanical properties of concretes with admixtures
of silica fume and blast furnace slag. Materials Letters 57(29): 4560-4569. https://doi.org/10.1016/S0167-577X(03)00362-8
Uygar, E., & Aydin, E. (2005). Effect of silica fume on the fresh and hardened properties of high performance concrete.
Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 30/32
e454
Predicción de la resistencia a compresión del hormigón con cenizas volantes, metacaolín y humo de Al-Saraireh, Majd, Ali
sílice mediante técnicas de aprendizaje automático
Ponencia presentada en la 3ª Conferencia Internacional, Construction Materials, Performance, Innovations and Structural
Implications.
Wang, Q. L., & Bao, J. C. (2012). Effect of silica fume on mechanical properties and carbonation resistance of concrete.
Ponencia presentada en el congreso Applied Mechanics and Materials.
Wang, Y. & Witten, I. H. (1996). Inducción de árboles modelo para la predicción de clases continuas. (Documento de trabajo
96/23). Hamilton, Nueva Zelanda: Universidad de Waikato, Departamento de Informática.
Wong, H., & Razak, H. A. (2005). Efficiency of calcined kaolin and silica fume as cement replacement material for strength
performance. Cement and Concrete research 35(4): 696-702. https://doi.org/10.1016/j.cemconres.2004.05.051
Wongkeo, W., Thongsanitgarn, P., Ngamjarurojana, A., & Chaipanich, A. (2014). Compressive strength and chloride resistance
of self-compacting concrete containing high level fly ash and silica fume. Materials & Design 64: 261-269.
https://doi.org/10.1016/j.matdes.2014.07.042
Yang, K.-H., Song, J.-K., & Song, K.-I. (2013). Assessment of CO2 reduction of alkali-activated concrete (Evaluación de la
reducción de CO2 del hormigón activado con álcalis). Journal of Cleaner Production 39: 265-272.
https://doi.org/10.1016/j.jclepro.2012.08.001
Zaw, O. (2019). Efecto del humo de sílice en las propiedades del hormigón.
Zhang, M.-H., & Gjørv, O. E. (1991). Effect of silica fume on cement hydration in low porosity cement pastes. Cement and
concrete research 21(5): 800-808. https://doi.org/10.1016/0008-8846(91)90175-H
Zhang, M., & Malhotra, V. M. (1995). Characteristics of a thermally activated alumino-silicate pozzolanic material and its use in
concrete. Cement and concrete research 25(8): 1713-1725. https://doi.org/10.1016/0008-8846(95)00167-0