Análisis de Rendimiento de Modelos de Aprendizaje Automático Basados en Boosting para Predecir la Resistencia a la...

Área de la Ciencia:

• Ciencia de Materiales
• Construcción Sostenible
• Aplicaciones de Aprendizaje Automático

Sus antecedentes:

• El biochar, derivado de biomasa pirolizada, ofrece secuestro de carbono y potencial como material de construcción sostenible.
• Se explora la sustitución parcial de cemento por biochar en compuestos cementosos para la construcción baja en carbono.

Objetivo del estudio:

• Predecir la resistencia a la compresión de compuestos cementosos con sustitución parcial de cemento por biochar.
• Evaluar y optimizar modelos de aprendizaje automático para una predicción precisa de la resistencia.

Principales métodos:

• Análisis de 716 muestras de datos (experimentales y derivados de la literatura).
• Las variables de entrada incluyeron la relación agua-cemento, el contenido de biochar y varios componentes de la mezcla.
• Se emplearon modelos de aprendizaje automático (MLR, ENR, SVR, GBM, XGBoost, LightGBM, CatBoost, NGBoost) y se optimizaron utilizando GridSearchCV y Optuna.

Principales resultados:

• La máquina de gradiente de impulso (GBM) inicialmente mostró una alta precisión.
• LightGBM logró el mejor rendimiento predictivo con MAE=3.3258, RMSE=4.6673, MAPE=11.19% y R²=0.8271.
• El análisis SHAP reveló la relación agua-cemento y el contenido de cemento como predictores clave.

Conclusiones:

• Los modelos de aprendizaje automático, en particular LightGBM, pueden predecir con precisión la resistencia a la compresión de los compuestos de biochar-cemento.
• El biochar muestra un potencial significativo como sustituto parcial del cemento en el desarrollo de materiales de construcción bajos en carbono.