Predicción de la resistencia a la compresión del hormigón mediante regresión lineal múltiple (OLS) y preprocesamiento de datos

Resumen

La seguridad y estabilidad de los sistemas de soporte y revestimiento constituyen un aspecto crítico en los proyectos de ingeniería minera, debido a las altas exigencias estructurales impuestas por las condiciones operativas, especialmente en minería subterránea. El objetivo principal de este estudio fue evaluar la capacidad de modelos de regresión lineal múltiple (OLS) para predecir la resistencia a la compresión del hormigón, analizando el efecto de diferentes técnicas de preprocesamiento de datos sobre su desempeño predictivo. La metodología adoptó un enfoque cuantitativo y se basó en el análisis de un conjunto de datos experimentales compuesto por más de 1000 mezclas de hormigón, considerando variables asociadas a la dosificación de los materiales y a la edad de curado. Se desarrollaron y compararon tres configuraciones de modelado: predictores sin transformación, predictores estandarizados y predictores transformados mediante la función log(x+1). El desempeño de los modelos se evaluó utilizando el Error Cuadrático Medio (MSE) y el coeficiente de determinación R². Los resultados obtenidos muestran que los modelos construidos con datos originales y estandarizados presentaron un comportamiento similar, con valores de R² cercanos a 0.351 en el conjunto de prueba. En contraste, la transformación logarítmica permitió reducir el MSE de prueba a aproximadamente 55 MPa² e incrementar el R² hasta valores próximos a 0.750, evidenciando una mejora sustancial en la precisión y capacidad de generalización del modelo. El alcance de estos resultados se orienta al uso del modelo como una herramienta predictiva de apoyo de control de calidad del hormigón en aplicaciones mineras. En conclusión, la regresión lineal múltiple combinada con un preprocesamiento adecuado mediante transformación logarítmica constituye una alternativa eficiente y confiable para la estimación de la resistencia a la compresión del hormigón, manteniendo una interpretación clara de los resultados y aportando soporte practico para la toma de decisiones técnicas en minería.

Referencias

[1]. Yeh, I.C. (1998). Modeling of strength of high-performance concrete using artificial neural networks. Cement and Concrete Research, 28(12), 1797–1808.

DOI: https://doi.org/10.1016/S0008-8846(98)00165-3

[2]. Yeh, I.C. (2007). Modeling concrete strength with augment-neuron networks. Cement and Concrete Research, 37(7), 1063–1070.

DOI: https://doi.org/10.1016/j.cemconres.2007.03.013

[3]. Asteris, P.G.; Mokos, V.G. (2020). Concrete compressive strength prediction using machine learning techniques. Neural Computing and Applications, 32, 15807–15828.

DOI: https://doi.org/10.1007/s00521-019-04663-2

[4]. Chou, J.S.; Pham, A.D. (2013). Enhanced artificial intelligence for predicting high-performance concrete compressive strength. Construction and Building Materials, 49, 554–563.

DOI: https://doi.org/10.1016/j.conbuildmat.2013.08.078

[5]. Neville, A.M. (2011). Properties of Concrete (5th ed.). Pearson Education Limited.

[6]. Ahmad, A.; Farooq, F.; Ostrowski, K.A. (2021). Prediction of concrete compressive strength using machine learning algorithms. Materials, 14(15), 4141.

DOI: https://doi.org/10.3390/ma14154141

[7]. Asteris, P.G.; Argyropoulos, I.; Cavaleri, L. (2021). Predicting concrete strength using hybrid machine learning models. Applied Sciences, 11(7), 3036.

DOI: https://doi.org/10.3390/app11073036

[8]. Behnood, A.; Golafshani, E.M. (2018). Predicting the compressive strength of silica fume concrete using hybrid models. Construction and Building Materials, 170, 726–736.

DOI: https://doi.org/10.1016/j.conbuildmat.2018.03.086

[9]. Ashrafian, A.; Nikoo, M.; Kadivar, A. (2020). Prediction of concrete strength using statistical learning methods. Structures, 28, 288–299.

DOI: https://doi.org/10.1016/j.istruc.2020.08.021

[10]. Mansouri, I.; Hu, J.W. (2021). Application of machine learning techniques for predicting concrete strength. Journal of Building Engineering, 43, 102494.

DOI: https://doi.org/10.1016/j.jobe.2021.102494

[11]. UCI Machine Learning Repository. (2019). Concrete Compressive Strength Dataset. University of California, Irvine.

DOI: https://doi.org/10.7717/peerj-cs.154/table-6

[12]. Cortes, C.; Vapnik, V. (1995). Support-vector networks. Machine Learning, 20, 273–297.

DOI: https://doi.org/10.1007/BF00994018

[13]. Montgomery, D.C.; Peck, E.A.; Vining, G.G. (2012). Introduction to Linear Regression Analysis (5th ed.). Wiley.

DOI: https://doi.org/10.1111/biom.12129

[14]. Kutner, M.H.; Nachtsheim, C.J.; Neter, J. (2005). Applied Linear Statistical Models. McGraw-Hill.

DOI: https://doi.org/10.2307/1271154

[15]. James, G.; Witten, D.; Hastie, T.; Tibshirani, R. (2021). An Introduction to Statistical Learning (2nd ed.). Springer.

DOI: https://doi.org/10.32614/cran.package.islr2

[16]. Bishop, C.M. (2006). Pattern Recognition and Machine Learning. Springer.

DOI: https://doi.org/10.1007/978-0-387-45528-0_7

[17]. Kuhn, M.; Johnson, K. (2013). Applied Predictive Modeling. Springer.

DOI: https://doi.org/10.1007/978-1-4614-6849-3

[18]. Hyndman, R.J.; Koehler, A.B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688.

DOI: https://doi.org/10.1016/j.ijforecast.2006.03.001

[19]. Flores, R.; Valderrama, L. (2021). Evaluation of metallurgical process indicators using percentage-based error metrics. Minerals, 11(8), 864.

DOI: https://doi.org/10.3390/min11080864

[20]. Bendaña, D.; Combes, F. (2016). Performance assessment in flotation circuits using error metrics. Minerals Engineering, 95, 57–66.

DOI: https://doi.org/10.1016/j.mineng.2016.05.018

[21]. ASTM C39/C39M. (2021). Standard Test Method for Compressive Strength of Cylindrical Concrete Specimens. ASTM International.

[22]. Yeh, I.C. (2006). Analysis of strength of concrete using data mining techniques. Cement and Concrete Research, 36(5), 879–884.

DOI: https://doi.org/10.1016/j.cemconres.2005.11.005

[23]. Hoang, N.D. (2020). Predicting concrete strength using regression and machine learning. Engineering with Computers, 36, 225–235.

DOI: https://doi.org/10.1007/s00366-018-0660-5

[24]. Gandomi, A.H.; Alavi, A.H. (2012). A new multi-gene genetic programming approach to nonlinear system modeling. Engineering Applications of Artificial Intelligence, 25(3), 577–587.

DOI: https://doi.org/10.1016/j.engappai.2011.09.010

[25]. Topçu, I.B.; Sarıdemir, M. (2008). Prediction of compressive strength of concrete containing fly ash using artificial neural networks. Computers & Materials Science, 41(3), 305–311.

DOI: https://doi.org/10.1016/j.commatsci.2007.04.009

[26]. Erdem, H.; Gül, R. (2012). Prediction of the compressive strength of cement mortar. Construction and Building Materials, 30, 804–812.

DOI: https://doi.org/10.1016/j.conbuildmat.2011.12.011

[27]. Safari, M.; Faradonbeh, R.S. (2018). Reliability-based prediction of concrete strength. Structural Concrete, 19(5), 1425–1436.

DOI: https://doi.org/10.1002/suco.201700234

[28]. Khosravi, K.; Daggupati, P.; Pham, B.T. (2019). Machine learning approaches for predicting concrete strength. Applied Soft Computing, 75, 563–576.

DOI: https://doi.org/10.1016/j.asoc.2018.11.032

[29]. Lin, Y.; Chen, M.; Li, Y. (2020). Data-driven prediction of concrete properties for engineering applications. Automation in Construction, 119, 103325.

DOI: https://doi.org/10.1016/j.autcon.2020.103325

[30]. ACI Committee 211. (2002). Standard Practice for Selecting Proportions for Normal, Heavyweight, and Mass Concrete. American Concrete Institute.

DOI: https://doi.org/10.14359/10987