Ceniza Volante

Suscríbete a DeepL Pro para poder traducir archivos de mayor tamaño.
Más información disponible en www.DeepL.com/pro.
ARTÍCULO ORIGINAL
Predicción de la resistencia a compresión del hormigón con cenizas

volantes, metacaolín y humo de sílice mediante técnicas de aprendizaje
automático
Al-Saraireh, Majd, Ali a*�
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, 2022, 19(5), 1/32

e454
Recibido: 07 de marzo de 2022. En forma revisada: 21 de junio de 2022. Aceptada: 19 de julio de 2022. Disponible
en línea: 27 de julio de 2022. https://doi.org/10.1590/1679-78257022
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.

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
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,
e454
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

e454
(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.
1.1 Recogida de datos
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
e454
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.

e454
Tabla 1 Estadísticas descriptivas de la base de datos utilizada en el conjunto de entrenamiento

C FA/MK/SF F.agg C.agg SP CS
relación w/b Días
Indicador (kg/m3) (kg/m3) (kg/m3) (kg/m3) (kg/m3) (MPa)
estadístico
Base de datos de
hormigón FA
Mínimo 112 0 0.19 279 0 0 1 0.8
Máximo 702 544 0.94 1293 1242 35 365 123.6
Media 313 110 0.44 769 926 3.81 61.52 40.3
Error estándar 4.8 4.94 0.0058 9.5 12.4 0.26 3.65 1.05
Desviación típica 108 110 0.13 212 277 5.78 81.64 23.4
Kurtosis 0.63 4.33 0.91 -0.133 1.54 11.8 5.3 1.22
Skewness 0.51 1.86 0.69 0.197 -1.34 3.02 2.27 1.14
Base de datos de
hormigón MK
Mínimo 176 0 0.21 272 175 0 1 3.84
Máximo 681 256 0.79 1007 1513 12.4 180 106
Media 397 43.4 0.42 748 993 3.05 30.77 47
Error estándar 3.25 1.54 0.005 6.82 10.4 0.12 1.51 0.94
Desviación típica 78.9 37.34 0.12 165 252.4 2.87 37 22.9
Kurtosis 0.61 5.6 0.68 -0.27 1.34 0.035 4 -0.54
Skewness 0.06 1.5 0.75 -0.28 -0.79 0.84 1.92 0.38
Base de datos de
hormigón SF
Mínimo 188 0 0.2 469 0 0 1 11
Máximo 1000 215 0.79 2750 1225 43 365 129
Media 410 36 0.42 768 1045 8.4 67 60
Error estándar 5.2 1.42 0.006 12.8 9.9 0.445 4.4 1.1
Desviación típica 116 32 0.14 288 222 9.95 98.2 24.4
Kurtosis 5.6 5.45 0.29 33.6 7.12 5.5 3.55 -0.34
Skewness 1.32 1.53 1.02 5.34 -2.4 2.31 2.1 0.45
Figura 1: Histograma de (a) cemento; (b) SCMs; (c) relación w/b; (d) F.agg; (e) C.agg; (f) SP; (g) días; (h) CS

e454
2 METODOLOGÍA
2.1 Algoritmo de árbol modelo M5P

El algoritmo M5P es la forma ampliada del algoritmo M5, desarrollado originalmente por Quinlan (Quinlan, 1992).
La Fig. 2 ilustra el algoritmo M5. Los datos de entrada se dividen en diferentes grupos (llamados subespacios) que
incluyen datos con características compartidas, como se muestra en la Fig. 2a. En los subespacios se utilizan modelos
de regresión lineal para reducir la variación de los datos. La información de los subespacios se utiliza para crear varios
nodos en los que se realiza el proceso de división` en función de un atributo determinado (Fig. 2b).
M5P es un algoritmo genético propuesto por primera vez por un estudio (Y. Wang & Witten, 1996) y se emplea
para un problema de regresión. En este algoritmo, la regresión lineal se adopta en el nodo terminal y se establece en
diferentes sublocalizaciones de modelos lineales con la ayuda de la clasificación de los datos en varios espacios. En cada
nodo, se presenta información sobre el error y se mide por el valor predeterminado de la varianza de la clase que entra
en el nodo. La evaluación de cualquier función de ese nodo se realiza mediante un atributo que reduce el error esperado.
El cálculo del error por nodo ayuda a dar información sobre los criterios de división del árbol modelo M5P. En el nodo, la
desviación típica de los valores de clase da información sobre el error M5P. La división del nodo se elige en función de la
característica que reduce el error esperado. Debido al método de ramificación, los nodos más pequeños (nodos hijos)
tienen menos valor de desviación estándar en comparación con los nodos más grandes (nodos padres). La revisión de
todas las estructuras posibles del sistema ayuda a seleccionar el sistema que tiene el máximo potencial para la
reducción del error. Esta división puede dar lugar a un sobreajuste que se poda y los árboles recortados se sustituyen
por funciones lineales. Puede encontrar más información sobre el algoritmo de árbol modelo M5P en (Y. Wang &
Witten, 1996).
Figura 2: Ilustración del algoritmo M5: (a) división del espacio de entrada; (b) construcción del árbol
2.2 Programación de la expresión génica

La GEP es la rama de la programación genética (GP) y fue desarrollada por Ferreira (C. Ferreira, 2001). La GP es un
enfoque de resolución de problemas independiente del dominio. Resuelve problemas basándose en el principio de
reproducción propuesto por Darwin y la supervivencia del más apto. GP utiliza una estructura de árbol de análisis
sintáctico para obtener una solución que puede variar en longitud durante una ejecución. GEP tiene cinco componentes
diferentes que son el conjunto de funciones, el conjunto terminal, la función de aptitud, los parámetros de control y la
condición terminal. El espacio de búsqueda del algoritmo está regulado por los tres primeros componentes, mientras que
e454
de la velocidad y la calidad de la búsqueda se ocupan los dos últimos. En el algoritmo GEP, la solución se obtiene

e454
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.
𝑂 = 𝛽 + ∑𝐾 �� + ∑𝑘 𝛽𝑖𝑖𝑥2 + ∑𝑘-1 ∑𝑘 �� (1)

�=1 �=1 � �=1 ��=�+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.
2.4 Desarrollo de modelos y criterios de evaluación

Se desarrollaron tres modelos M5P para la predicción del CS de los hormigones FA, MK y SF. Para ello se utilizó el
software WEKA. Se probaron diferentes parámetros para obtener un modelo con una precisión superior y se observó que
la configuración por defecto del software da como resultado un modelo muy preciso. La forma general de la ecuación
puede escribirse como:
𝐶𝑆 = a + (b × C) + (c × SCMs) + (d × �/�) + (e × FA) + (f × CA) + (g × SP) + (h × días) (2)
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.
Cuadro 2 Parámetros de los modelos GEP desarrollados

Parámetros Modelo GEP para Modelo GEP para hormigón Modelo GEP para
hormigón FA MK hormigón SF
Tamaño de la cabeza 8 12 8
Cromosoma 150 50 100
Genes 3 4 4
Función de enlace Adición Adición Adición
Número de 100, 000 100, 000 100, 000
generaciones
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 |��-��|

e454
Predicción de�=1 Al-Saraireh, Majd, Ali
MAE = la resistencia
sílice mediante técnicas
a compresión del hormigón con cenizas volantes, metacaolín y humo de
de aprendizaje automático
(5)
�
∑𝑛
(𝑎𝑖-𝑒𝑖)2
R2 = 1- ( �=1
∑𝑛 ( )2
𝑒𝑖 ) (6)
�=1

e454
Donde, 𝑎𝑖 y 𝑒𝑖 son los valores reales/experimentales y estimados, respectivamente, 𝑎� es el valor medio

real/experimental, y 𝑛 representa el número total de muestras. Un modelo con un valor alto de R2 y valores bajos de
RSE, RMSE y
El MAE de los conjuntos de entrenamiento y prueba indica que el modelo se entrenó bien con datos conocidos del
conjunto de entrenamiento y predijo CS con gran precisión en una base de datos no vista del conjunto de prueba.
3 RESULTADOS y DISCUSIÓN
3.1 Hormigón de cenizas volantes
3.1.1 Modelo desarrollado por M5P

La Fig. 3 muestra los árboles de modelos desarrollados generados a partir de la Ec. 2. Se han desarrollado 19
modelos lineales y sus coeficientes correspondientes se indican en la Tabla 3. En la Fig. 4 (a y b) se muestra la
comparación del CS real y el CS estimado por M5P para los conjuntos de entrenamiento y prueba para el hormigón FA.
En el conjunto de entrenamiento, el valor de R2 es 0.89 que está cerca de 1 y muestra que el modelo M5P desarrollado
entrenó bien. La precisión del modelo en el conjunto de entrenamiento puede observarse por el valor de la pendiente
(0,86), que se aproxima a 1. En el caso del conjunto de pruebas, el valor de R2 = 0,86 indica que el modelo desarrollado
predijo CS con una precisión adecuada basándose en una base de datos no vista del conjunto de pruebas. Esto indica
que el modelo M5P propuesto puede predecir el CS del hormigón con AF con alta precisión, lo que ayudará a obtener el
diseño de la mezcla para la resistencia deseada y programar la retirada del encofrado. Normalmente, con el fin de
obtener un diseño de mezcla para la CS deseada, es necesario realizar varios experimentos y ensayos en un laboratorio,
lo cual es un proceso que consume tiempo y es costoso. Este modelo desarrollado ahorrará tiempo y costes
proporcionando un diseño de mezcla para la resistencia requerida mediante el uso de simples ecuaciones matemáticas
lineales.
Figura 3: Estructura de árbol del modelo M5P para hormigón FA

e454
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
3.1.2 Comparación de M5P con otras técnicas de modelización

La Fig. 5(a) muestra la comparación de M5P con GEP, el análisis de regresión lineal y RSM para el conjunto de
entrenamiento. El valor de R2 indica que M5P posee una precisión superior con R2 = 0,89. El valor de R2 para GEP y RSM
fue el mismo (R2 = 0,88) y es ligeramente inferior al de M5P. El método de modelización menos preciso resultó ser el
análisis de regresión lineal. De forma similar al conjunto de entrenamiento, el modelo M5P mostró una mayor precisión
en términos del valor de R2 para el conjunto de pruebas, seguido de GEP, RSM y el análisis de regresión lineal. Una de
las ventajas de M5P sobre GEP y RSM es que M5P genera ecuaciones matemáticas lineales simples en comparación con
las complejas ecuaciones no lineales de GEP y RSM. Al igual que el M5P, el análisis de regresión lineal genera una
ecuación lineal. Sin embargo, la precisión del M5P es mucho mayor que la del análisis de regresión lineal debido a la
clasificación de los datos en varios espacios. Otros indicadores estadísticos de la Tabla 4 también confirman que el
modelo M5P es superior comparado con las otras técnicas de modelización para la predicción del CS del hormigón con
AF. La Tabla 4 muestra que los valores de RSE, RMSE y MAE para M5P son inferiores en comparación con GEP, RSM y el
análisis de regresión lineal tanto para los conjuntos de entrenamiento como de prueba.
e454
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
3.1.3 Sensibilidad y análisis paramétrico

La Fig. 6 presenta los resultados del análisis de sensibilidad del hormigón con AF. Se muestra que el parámetro de entrada
que más contribuye en el CS es la relación w/b que tiene una contribución del 27%. La segunda variable de contribución de
entrada es el número de días seguido del contenido de SP. En el cuarto número, el cemento contribuye al CS seguido del
contenido de FA con sólo un 8% de contribución. La menor contribución del AF se debe al hecho de que tiene una
actividad puzolánica lenta a una edad temprana y contribuye al CS principalmente debido a los efectos de relleno. Como era
de esperar, se observaron contribuciones menores tanto del árido fino como del grueso, ya que sólo son rellenos.
La Fig. 7 muestra que al aumentar el contenido de AF, el CS disminuyó linealmente. Esta disminución del CS con el
contenido de AF puede atribuirse a la baja actividad puzolánica del AF a edades tempranas. El histograma de la Fig. 1
(g) muestra que la mayor parte de la base de datos del hormigón FA se ensayó durante < 40 días. Se observó que un
15% de AF producía una reducción del CS del 16% a la edad de 3 días y a la edad de 28 días, esta reducción se reducía al
4% (Lam et al., 1998). La disminución del CS con el contenido de AF también se registró en el estudio de Shah et al.,
2021b). Sin embargo, se observó que el CS del hormigón aumentó en comparación con la mezcla de control a una edad
más avanzada (90 d) debido a los efectos puzolánicos y de relleno (Herath et al., 2020). Por lo tanto, es importante
utilizar el contenido óptimo de AF como sustituto del cemento. Si el AF se utiliza en una cantidad alta que disminuya el
CS, entonces se requerirá más cemento para aumentar el CS y esto aumentará el contenido de CO2 en la atmósfera.
Figura 6: Contribución relativa de los parámetros de entrada al CS con FA

e454
Figura 7: Variación del CS del hormigón con el FA
3.2 Hormigón de metacaolín

Las estructuras de árbol del modelo desarrollado generadas a partir de la Ec. 2 se muestran en la Fig. 8 y los
coeficientes de los modelos lineales desarrollados se muestran en la Tabla 5. Debido al gran tamaño de la base de
datos, el número de modelos lineales producidos es de 31. La Fig. 9 muestra la relación entre el CS real y el CS estimado
por M5P. El valor de R2 para ambos conjuntos, el de entrenamiento y el de pruebas, es de 0,8 y es inferior en
comparación con el modelo M5P desarrollado para el hormigón FA y el hormigón SF. Por otra parte, la pendiente de la
línea de regresión para el conjunto de entrenamiento (0,72) y el conjunto de pruebas (0,74) no está cerca de 1, lo que
muestra que hay una diferencia entre los resultados reales y estimados.
Figura 8: Estructura de árbol del modelo M5P desarrollado para predecir el CS del hormigón MK

e454
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.

e454
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

Modelos para CS de hormigón
MK RMSE RSE MAE RMSE RSE MAE
M5P 9.91 0.2 7.4 9.29 0.19 7.1
BPA 9.1 0.18 6.9 8.9 0.18 6.8
Análisis de regresión lineal 16 0.52 13 21 0.78 16
RSM 13 0.35 10.2 14.3 0.41 11.2
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
e454
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.

e454
Figura 11: Contribución relativa de los parámetros de entrada en CS con MK
Figura 12: Variación del CS del hormigón con MK
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)
3.3 Hormigón con humo de sílice
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.

e454
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

e454
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
e454
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.

e454
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
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

El análisis de sensibilidad del hormigón con SF se muestra en la Fig. 18. De forma similar a los resultados del
hormigón con MK y FA, las tres variables que más contribuyen son w/b, días y contenido de SP. Además, la figura
también muestra que la contribución del SF y del cemento es la misma, lo que concuerda con la Fig. 10. Esto se debe a
que, al igual que el MK, el SF también tiene una elevada carga inicial. Esto se debe a que, al igual que el MK, el SF también
tiene una elevada actividad puzolánica inicial y aumenta la resistencia por efecto del relleno y por reacción con el
producto de hidratación (Ca(OH)2 ). Sin embargo, la contribución de los áridos finos y gruesos no es significativa como se
muestra en las Figs. 5 y 11.
El CS del hormigón aumenta con el incremento del contenido de SF como se muestra en la Fig. 19. Este aumento del
CS con el contenido de SF puede atribuirse a la capacidad de relleno del SF debido a sus partículas ultrafinas y a la
reacción puzolánica con el hidróxido de calcio. Debido a estos efectos, se puede aumentar la densidad de la zona de
transición interfacial y la matriz, mejorando así la microestructura y la resistencia mecánica del hormigón (Siddique, 2011). Con
la adición de SF, se observó que la zona de transición interfacial era menos porosa con una microestructura más homogénea
(Bentur, Goldman, & Cohen, 1987). Nezerka et al. (Nežerka, Bílý, Hrbek, & Fládr, 2019) encontraron una reducción del 25% y
65% en la zona de transición interfacial con la adición del 10% y 30% de SF, respectivamente. Con la adición de 6% y 12% de
SF, se observó que la microestructura del hormigón cambiaba de rugosa, porosa y heterogénea a plana, densa y
homogénea, respectivamente, como se muestra en la Fig. 20 (Lü, Qiu, Zheng, Wang, & Zeng, 2019).

e454
Figura 18: Contribución relativa de los parámetros de entrada al CS con SF

e454
Figura 19: Variación del CS del hormigón con el SF
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

e454
Afroughsabet, V., & Ozbakkaloglu, T. (2015). Propiedades mecánicas y de durabilidad del hormigón de alta resistencia que
contiene fibras de acero y polipropileno. Construction and Building Materials 94: 73-82.
https://doi.org/10.1016/j.conbuildmat.2015.06.051

e454
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-.
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.
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

e454
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.
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.
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.
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
e454
almacenamiento de dióxido de carbono: Cambridge: Cambridge University Press. https://www.ipcc.ch/report/carbon-
dioxide-capture-and-storage/

e454
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-
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.
e454
Ponencia presentada en la 3ª Conferencia Internacional, Construction Materials, Performance, Innovations and Structural
Implications.

e454
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

e454

Ceniza Volante

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ceniza Volante

Uploaded by

Copyright:

Available Formats

Suscríbete a DeepL Pro para poder traducir archivos de mayor tamaño.

Más información disponible en www.DeepL.com/pro.

Predicción de la resistencia a compresión del hormigón con cenizas

Al-Saraireh, Majd, Ali a*�

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 1/32

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 2/32

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 4/32

1.1 Recogida de datos

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 6/32

Tabla 1 Estadísticas descriptivas de la base de datos utilizada en el conjunto de entrenamiento

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 7/32

2.1 Algoritmo de árbol modelo M5P

2.2 Programación de la expresión génica

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 9/32

𝑂 = 𝛽 + ∑𝐾 ���� + ∑𝑘 𝛽𝑖𝑖𝑥2 + ∑𝑘-1 ∑𝑘 �������� (1)

2.4 Desarrollo de modelos y criterios de evaluación

𝐶𝑆 = a + (b × C) + (c × SCMs) + (d × �/�) + (e × FA) + (f × CA) + (g × SP) + (h × días) (2)

Cuadro 2 Parámetros de los modelos GEP desarrollados

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 10/32

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 11/32

Donde, 𝑎𝑖 y 𝑒𝑖 son los valores reales/experimentales y estimados, respectivamente, 𝑎� es el valor medio

3.1 Hormigón de cenizas volantes

3.1.1 Modelo desarrollado por M5P

Figura 3: Estructura de árbol del modelo M5P para hormigón FA

3.1.2 Comparación de M5P con otras técnicas de modelización

3.1.3 Sensibilidad y análisis paramétrico

Figura 6: Contribución relativa de los parámetros de entrada al CS con FA

Figura 7: Variación del CS del hormigón con el FA

3.2 Hormigón de metacaolín

3.2.1 Modelo desarrollado por M5P

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 15/32

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 16/32

3.2.2 Comparación de M5P con otras técnicas de modelización

Conjunto de entrenamientoConjunto de pruebas

3.2.3 Sensibilidad y análisis paramétrico

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 18/32

Figura 11: Contribución relativa de los parámetros de entrada en CS con MK

Figura 12: Variación del CS del hormigón con MK

3.3 Hormigón con humo de sílice

3.3.1 Modelo desarrollado por M5P

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 19/32

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 20/32

3.3.2 Comparación de M5P con otras técnicas de modelización

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 22/32

3.3.3 Sensibilidad y análisis paramétrico

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 23/32

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 24/32

Figura 19: Variación del CS del hormigón con el SF

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 25/32

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 26/32

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 27/32

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 29/32

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 31/32

Revista Latinoamericana de Sólidos y Estructuras, 2022, 19(5), 32/32

You might also like

𝑂 = 𝛽 + ∑𝐾 �� + ∑𝑘 𝛽𝑖𝑖𝑥2 + ∑𝑘-1 ∑𝑘 �� (1)