Estimación de la resistencia a la compresión de hormigones a los 28 días utilizando Modelos de Mezclas Gaussianas

Autores/as

  • Rodrigo Guerra Universidad de La Serena, Departamento de Ingeniería en Obras Civiles, La Serena, Chile image/svg+xml

DOI:

https://doi.org/10.21703/0718-2813.2025.37.3230

Palabras clave:

madurez del hormigón, resistencia a la compresión, curvas madurez-resistencia, modelos de mezclas Gaussianas

Resumen

El objetivo del presente trabajo es estimar la resistencia a la compresión de hormigones a los 28 días utilizando Modelos de Mezclas Gaussianas. Para desarrollar el trabajo se ha utilizado una base de datos de 82 dosificaciones de distintos hormigones y sus curvas madurez-resistencia. Esta base de datos fue poblada con información obtenida desde la literatura y completada con dosificaciones realizadas en laboratorio, las cuales fueron monitoreadas durante 28 días. Con esto, se conformó una base de datos con variables como la razón agua-cemento (A/C), el contenido de cemento y la relación temperatura-resistencia en el tiempo. Se busca estimar el valor de la resistencia a los 28 días de hormigones utilizados en Ingeniería y Construcción, en un rango de resistencias a la compresión entre 15 y 45 MPa. Con ello, se pretende representar numéricamente el comportamiento de la madurez de los hormigones en el tiempo versus el incremento de resistencia a la compresión. El modelo de Regresión de Mezclas Gaussianas GMR permitió estimar la resistencia a la compresión con un error menor a 13.54%.

Referencias

Abd elaty, M. abd allah. (2014). Compressive strength prediction of Portland cement concrete with age using a new model. HBRC Journal 10(2), 145-155. https://doi.org/10.1016/j.hbrcj.2013.09.005

Abdel-Jawad, Y.A. (2006). The maturity method: Modifications to improve estimation of concrete strength at later ages. Construction and Building Materials 20(10), 893-900. https://doi.org/10.1016/j.conbuildmat.2005.06.022

Abellán-García, J. and Pineda-Varon, F.A. (2022). Neural network-based model to predict compressive strength of concrete incorporating supplementary cementitious materials and recycled aggregates. Revista Matéria 27(2). https://doi.org/10.1590/s1517-707620220002.1318

Abellán-García, J. (2021). Predicción basada en redes neuronales de la resistencia a compresión a los 7 días de los UHPC incorporando SCM. Revista Matéria 26(4). https://doi.org/10.1590/s1517-707620210004.1380

Acuña, L., Torre, A.V., Moromi, I. y García, F. (2014). Uso de las redes neuronales artificiales en el modelado del ensayo de resistencia a compresión de concreto de construcción según la norma ASTM C39/C 39M. Información Tecnológica 25(4), 3-12. https://doi.org/10.4067/S0718-07642014000400002

Al-Hasani, L.E., Perez, G., Herndon, H.N., Park, J., Poole, J.L., Tien, I., Washburn, N.R., Cho, Y.K., Gentry, T.R. and Kurtis, K.E. (2023). Prediction of heat of hydration of cementitious systems using Gaussian process regression enables mass concrete thermal modeling. Materials and Structures 56:45, https://doi.org/10.1617/s11527-023-02134-8

ASTM C1074 (1987). Standard practice for estimating concrete strength by the maturity method. ASTM International, West Conshohocken, PA, USA

Bishop, C. (2006). Pattern recognition and Machine Learning. Springer New York, USA. https://doi.org/10.53759/7669/jmc202404020

Buys, C.E. (2019). Investigation of a practical application of the maturity method to estimate the early- age strength of concrete. MEng thesis, Stellenbosch University, South Africa

Calinon, S., Guenter, F. and Billard, A. (2007). On learning, representing, and generalizing a task in a humanoid robot. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics) 37(2), 286-298. https://doi.org/10.1109/TSMCB.2006.886952

Chen, Z., Zhang, G., He, R., Tian, Z., Fu, C. and Jin, X. (2023). Acoustic emission analysis of crack type identification of corroded concrete columns under eccentric loading: A comparative analysis of RA-AF method and Gaussian mixture model. Case Studies in Construction Materials 18, e02021. https://doi.org/10.1016/j.cscm.2023.e02021

Croppi, J.I. y Lazzaroni, M.C. (2014). Modelo de elementos finitos para el análisis térmico de estructuras hormigonadas por etapas. Obras y Proyectos 16, 51-58. httpS://doi.org/10.4067/S0718-28132014000200004

Fabisch, A. (2021). gmr: Gaussian Mixture Regression. Journal of Open Source Software 6(62), 3054. https://doi.org/10.21105/joss.03054

Farhidzadeh, A., Salamone, S. and Singla, P. (2013). A probabilistic approach for damage identification and crack mode classification in reinforced concrete structures. Journal of Intelligent Material Systems and Structures 24(14), 1722-1735. https://doi.org/10.1177/1045389X13484101

Ghahramani, Z. and Jordan, M. (1994). Supervised learning from incomplete data via an EM approach. In J. Cowan, G. Tesauro, J. Alspector (eds.), Advances in Neural Information Processing Systems 6, 120-127

Kaneko, H. (2021). Extended Gaussian mixture regression for forward and inverse analysis. Chemometrics and Intelligent Laboratory Systems 213, 104325. https://doi.org/10.1016/j.chemolab.2021.104325

Kaneko, H. (2022). True Gaussian mixture regression and genetic algorithm-based optimization with constraints for direct inverse analysis. Science and Technology of Advanced Materials: Methods 2(1), 14-22. https://doi.org/10.1080/27660400.2021.2024101

Luk, B.L., Liu, K.P., Tong, F. and Man, K.F. (2010). Impactacoustics inspection of tile-wall bonding integrity via wavelet transform and hidden Markov models. Journal of Sound and Vibration 329(10), 1954-1967. https://doi.org/10.1016/j.jsv.2009.11.038

Mayakuntla, P.K., Ganguli, A. and Smyl, D. (2023). Gaussian mixture model-based classification of corrosion severity in concrete structures using ultrasonic imaging. Journal of Nondestructive Evaluation 42(2), 1-20. https://doi.org/10.1007/ s10921-023-00939-9

Miller, D.; Ho, N.M. and Talebian, N. (2022). Monitoring of inplace strength in concrete structures using maturity method - An overview. Structures 44, 1081-1104. https://doi.org/10.1016/j.istruc.2022.08.077

Mohtasham Moein, M., Saradar, A., Rahmati, K., Ghasemzadeh Mousavinejad, S.H., Bristow, J., Aramali, V. and Karakouzian, M. (2023). Predictive models for concrete properties using machine learning and deep learning approaches: A review. Journal of Building Engineering 63, 105444. https://doi.org/10.1016/j.jobe.2022.105444

Nandhini, K. and Karthikeyan, J. (2021). The early-age prediction of concrete strength using maturity models: a review. Journal of Building Pathology and Rehabilitation 6:7. https://doi.org/10.1007/s41024-020-00102-1

NCh3565 (2018). Hormigón - Estimación de la resistencia mecánica- Método de la madurez. Instituto Nacional de Normalización INN, Santiago, Chile

NCh170 (2016). Hormigón - Requisitos generales. Instituto Nacional de Normalización INN, Santiago, Chile

Ngandu, C. N. (2021). Prediction of compressive strengths for rice husks ash incorporated concrete, using neural network and reviews. Iteckne 18(2), 99-107. https://doi.org/10.15332/iteckne

Park, K.B., Noguchi, T. and Plawsky, J. (2005). Modeling of hydration reactions using neural networks to predict the average properties of cement paste. Cement and Concrete Research 35(9), 1676-1684. https://doi.org/10.1016/j.cemconres.2004.08.004

Rudeli, N. y Santilli, A. (2017). Medición de resistencia a tempranas edades del hormigón: método que mejor se ajusta para la determinación de tiempos mínimos de desencofrado de elementos verticales de hormigón. Obras y Proyectos 22, 6-16. https://doi.org/10.4067/S0718-28132017000200006

Setién, J., Carrascal, I.A., Figueroa, J.F. y Polanco, J.A. (2003). Aplicación de una red neuronal artificial a la dosificación de hormigones premezclados. Materiales de Construcción 53(270), 221-224. https://doi.org/10.3989/mc.2003.v53.i270.270

Stulp, F. and Sigaud, O. (2015). Many regression algorithms, one unified model: A review. Neural Networks 69, 60-79. https://doi.org/10.1016/j.neunet.2015.05.005

Sun, H., Burton, H.V. and Huang, H. (2021). Machine learning applications for building structural design and performance assessment: State-of-the-art review. Journal of Building Engineering 33, 101816. https://doi.org/10.1016/j.jobe.2020.101816

Thai, H.T. (2022). Machine learning for structural engineering: A state-of-the-art review. Structures 38, 448-491. https://doi.org/10.1016/j.istruc.2022.02.003

Vidya Sagar, R. (2018). Verification of the applicability of the Gaussian mixture modelling for damage identification in reinforced concrete structures using acoustic emission testing. Journal of Civil Structural Health Monitoring 8(3), 395-415. https://doi.org/10.1007/s13349-018-0284-5

Zhang, L., Oh, S.K., Pedrycz, W., Yang, B. and Han, Y. (2021). Building fuzzy relationships between compressive strength and 3D microstructural image features for cement hydration using Gaussian mixture model-based polynomial radial basis function neural networks. Applied Soft Computing 112, 107766. https://doi.org/10.1016/j.asoc.2021.107766

Descargas

Publicado

2025-05-28

Número

Sección

Artículos

Cómo citar

Estimación de la resistencia a la compresión de hormigones a los 28 días utilizando Modelos de Mezclas Gaussianas. (2025). Obras Y Proyectos, 37, 4-14. https://doi.org/10.21703/0718-2813.2025.37.3230