Determinación pasiva de la resistencia a la compresión anisotrópica del hormigón impreso en 3D utilizando redes...

Área de la Ciencia:

• Ciencia e Ingeniería de Materiales; Ingeniería Civil; Inteligencia Artificial en la Construcción

Sus antecedentes:

• La impresión de hormigón 3D (3DCP) ofrece ventajas de construcción como velocidad y flexibilidad de diseño.
• La incorporación de fibras y residuos industriales mejora el rendimiento y la sostenibilidad de 3DCP.
• La predicción de la resistencia a la compresión (CS) de estas complejas mezclas 3DCP es un desafío con los métodos tradicionales.

Objetivo del estudio:

• Desarrollar modelos de predicción fiables para la resistencia a la compresión (CS) de la impresión de hormigón 3D (3DCP).
• Emplear algoritmos avanzados de redes neuronales y aprendizaje profundo para la predicción de CS.
• Identificar los factores clave que influyen en la CS de 3DCP.

Principales métodos:

• Se recopiló una base de datos de 200 instancias experimentales de CS para 3DCP de la literatura publicada.
• Se entrenaron y validaron modelos de Perceptrón Multicapa (MLP), Red Neuronal Convolucional (CNN) y Red Neuronal Funcional de Base Radial (RBFNN).
• Se utilizaron la validación cruzada k-fold, métricas de error, evaluación de residuos, análisis Shapley (SHAP) y Expectativa Condicional Individual (ICE).

Principales resultados:

• El modelo CNN logró el mayor rendimiento predictivo con un valor R² de prueba de 0.95.
• Los análisis SHAP e ICE identificaron la relación agua-cemento, la dirección de carga y el contenido de fibra como factores críticos que afectan la CS.
• Se desarrolló una interfaz gráfica de usuario (GUI) práctica para la implementación por parte de las partes interesadas.

Conclusiones:

• Los modelos de aprendizaje profundo, en particular CNN, son robustos para predecir el comportamiento complejo de 3DCP.
• Los modelos desarrollados y los factores de influencia clave identificados pueden guiar el diseño sostenible de 3DCP.
• La GUI facilita la aplicación práctica de información impulsada por IA en el desarrollo de materiales 3DCP.