Comparación de los modelos LightGBM y XGBoost para la predicción a la resist= encia a la compresión del concreto

Comparison= of LightGBM and XGBoost = models for predicting concrete compressive strength

Comparação dos modelos Li= ghtGBM e XGBoost para previsã= o da resistência à compr= essão do concreto

RESUMEN

=
El uso de modelos de Machine Learning (ML), particularmente aquellos basad= os en gradient-boosting, está transformando la predicción de propiedades materiales con relaciones no lineales complej= as. Este artículo presenta un análisis exhaustivo del desempeño de dichos modelos en la predicción de la resistencia a la compresión del concreto= en función de las características del diseño de = mezcla utilizando 525 datos experimentales obtenidos del registro histórico del Laboratorio N°1 de Ensayo de Materiales "Ing. Manuel Gonzales = de la Cotera" de la Facultad de Ingeniería Civil de la Universidad Nacional de Ingeniería (LEM), correspondientes al período 2015-2022. La base de datos se utilizó para entrenar y probar dos modelos de ML optimizados los cuales fueron Light GBM y XGBoost<= /span>. Los modelos se entrenaron utilizando la optimización de Grid Search para ajustar los hiperparámetros de configuració= n y obtener el mejor rendimiento de para ambos modelos. Los resultados mues= tran que el modelo XGBoost tiene mayor rendimien= to tanto en la fase de entrenamiento como en la de prueba en comparación al modelo Light GBM en cuanto a los parámetros estadísticos como RMSE, MAE, MAPE y <= span style=3D'font-size:8.0pt;mso-bidi-font-size:7.5pt;mso-bidi-font-weight:= bold'>.

=

= Palabras Clave: Machine Learning, Grdient-boosting, diseño = de mezcla, modelos y Grid Search.

=

RESUMO

=
O uso de modelos de aprendizado de má= quina (ML), particularmente aqueles baseados em aumento de gradiente, está transformando a prev= isão de propriedades de mat= eriais com relacionamentos não lineares complexos. Este artigo apresenta uma análise abrangente do desempenho de tais modelos na previsão da resistência à compressão do concreto com base nas características do projeto da mistura usando 525 dados experimentais <= span class=3DSpellE>obtidos do registro histórico do Laboratório de Ensaios de Materiai= s nº 1 "Ing. Manuel Gonzales de la Cotera" da Faculdade de Engenharia Civil da Universidade Nacional de Engenharia (LEM), correspond= ente ao período de 2015-2022. O banco de dados <= span class=3DSpellE>foi usado para treinar e testar dois modelos de ML otimizados, que eram Light GBM e X= GBoost. Os modelos foram trein= ados usando a otimização do Grid Search para ajustar os hiperparâmetros de configuração e obte= r o melhor desempenho para ambos os modelos. Os resultados mostram que o modelo XGBoost tem um desempenho superio= r tanto na fase de treinamento quanto na de teste em= comparação ao modelo = Light GBM em termos de parâmetros estatísticos como RMSE, MAE, MAPE e R^2.

=

= Palavras<= /b>-chave: Aprendizado de máquina, aumento de gradient= e, design de mistura, modelos e busca em grade.

Recibido 02 de Mayo 2025 | Arbitrado y aceptado 02 de Junio 2025 | Publicado el 16 de Julio 2025=

ABSTRACT=

=
The use of Machine Learning (ML) models, particularly those based on gradient-boosting, is transforming the <= span class=3DSpellE>prediction of material prope= rties with complex non-linear relationships. This paper presents a comprehensive analysis of the performance of such models in predicting the compressive streng= th of concrete based on m= ix design characteristics using 525 experimental data obtained from the historical record of = the Materials Testing Laboratory No. 1 "Ing. Manuel Gonzales de la Cotera" of the Faculty of Civil Engineering of the National<= /span> University of Engineering (LEM), corresponding to the period<= /span> 2015-2022. The database was used to train and test two optimized ML models <= span class=3DSpellE>which were Light GBM = and XGBoost. The models <= span class=3DSpellE>were trained using Grid Search optimization t= o tune the configuration hype= rparameters and obtain the best performance for both models. The results show that the XGBoos= t model has a higher performance in both the training and testing p= hases compared to the Light GBM model in terms of statistica= l parameters such= as RMSE, MAE, MAPE and <= span style=3D'font-size:8.0pt;mso-bidi-font-size:7.5pt;mso-bidi-font-weight:= bold'>.

=

= Keywords: Machine Learning, G= rdient-boosting, mixture design, models and Grid Search.

= =

ARTÍCULO ORIGINAL

Jaime Yelsin Rosales Malpartida

jrosalesm@uni.pe

https://orcid.org/0000= -0003-4574-5172

Facultad de Ingeniería Civil

Universidad Nacional de Ingeniería, L= ima, Perú

Victor Adrian Rosales-Cutipa

victor.rosales.c@uni.pe

https://orcid.org/0009= -0004-5651-3726

Facultad de Ingeniería Civil

Universidad Nacional de Ingeniería, L= ima, Perú

1. INTRODUCCIÓN

Uno de los materiales más usados en la industria de la construcción es el concreto [1]. Este material resulta de la mezcla de diferentes componentes, como el cemento, agua, agregados, aditivos y adicio= nes [2]. La construcción se beneficia ampliame= nte de la versatilidad del concreto, tanto en su estado convencional como reforzad= o, gracias a sus propiedades y a su capacidad de combinarse con materiales de refuerzo [3].

Los componente= s del concreto y sus proporciones guardan una estrecha relación con la resistenci= a a la compresión que este puede alcanzar [3], [4], [5], [6]. La tecnología del concreto tiende a e= mplear esta propiedad como principal indicador de la calidad del material, así como indicador cuantitativo para otras propiedades del concreto endurecido [2], [3].

La resistencia= a la compresión es un parámetro esencial para garantizar la seguridad, durabilid= ad y desempeño de las estructuras [3]. El estudio de esta propiedad es de gr= an importancia, y el proceso por el cual se realiza es tedioso y tardado [3], [7], [8]. Además, diversos factores del proceso= , las particularidades de los componentes y la aleatoriedad de las pruebas afectan los resultados = [7], [9], [10], requiriendo así una presencia signifi= cativa de empirismo y experiencia en los diseños más complejos [11], [12].

El aprendizaje= automático se ha convertido en una herramienta importante para la predicción de propiedades que mantienen relaciones no lineales complejas con sus parámetr= os [13], [14], [15]. Esta capacidad ha sido empleada previ= amente en el campo de la ciencia de los materiales [16], [17], [18]. Diversas investigaciones han estudiad= o la predicción de propiedades mecánicas del concreto utilizando modelos como re= des neuronales artificiales (ANN), árboles de decisión (DT) y máquinas de sopor= te vectorial (SVM) [10], [19], [20], [21].

Dos novedosos algoritmos han sido foco de atención debido a su fiabilidad y eficacia corroborada en investigaciones [1], [22], [23], [24], [25]. XGBoost y= LightGBM destacan por ser algoritmos rápidos y eficie= ntes caracterizados por su metodología de gradient-boosting= [13], [23], [26], [27]. Su correcta implementación permite qu= e sus resultados de predicción sobresalgan sobre los de otros algoritmos gracias = a su excepcional rendimiento [1]. Este destacado desempeño, combinado c= on su alta explicabilidad, ha propiciado una amplia adopción de estos algoritmos en la ingeniería civil [23].

Este artículo presenta una comparación de los algoritmos previamente mencionados y sus desempeños al emplearse en la predicción de la resistencia a la compresión = de muestras cilíndricas de concreto a partir de sus proporciones de diseño y características de sus componentes.

2. ANTECEDENTES

En la revisión= de literatura se encuentran diversos estudios orientados a la evaluación de algoritmos de predicción para la obtención de propiedades del concreto. Los modelos ANN, DT y SVM han sido ampli= amente empleados en investigaciones previas en conjunto con algoritmos particulare= s [21].

Respecto a la resistencia a la compresión, el estudio de esta propiedad ha sido realizado desde diversos enfoques como los modelos matemáticos , estadísticos, analíticos, numéricos y métodos computacionales [28]. El ensamblaje de algoritmos también e= s una técnica empleada por autores a fin de obtener mejores resultados en torno a= la predicción de propiedades [16], [19], [29].

Un aspecto importante para considerar en los modelos de predicción supervisada son los parámetros de entrada y salida [30]. El contenido de agua, cemento, agrega= do grueso, agregado fino, aditivo y el tiempo de curado, son parámetros recurrentemente encontrados en la literatura [19], [31], [32], [33], [34]. Ocasionalmente, se identifican estudi= os que consideran propiedades específicas de los agregados, como los módulos de finura, pesos específicos o porcentajes de absorción [19], [35]; así como también, algunos consideran porciones específicas del contenido de agregado fino, usualmente diferencia= das por la malla que retiene a estas porciones [10].

Estudios equivalentes que emplean los algoritmos gradient-boost= ing arrojan resultados que destacan las capacidades particulares de estos model= os [13]. Comparaciones indican un mejor desemp= eño del algoritmo LightGBM al aplicarlo para la predicción de la resistencia a la penetración rápida de cloruros en concret= o de alta resistencia, destacando en comparación a XGBoost<= /span> [27]. Por otra parte, autores que emplean e= stos métodos en la resolución de problemas de otra índole obtienen resultados contrarios, como el caso de aplicarlo a la predicción de la resistencia a la compresión residual del concreto expuesto a elevadas temperaturas ADDIN ZOTERO_ITEM CSL_CITATION {"citationID":"qPwJFFvQ","properties":{"= formattedCitation":"[36]","plainCitation":"[3= 6]","noteIndex":0},"citationItems":[{"id"= ;:236,"uris":["http://zotero.org/users/13798218/items/UPVD6I= D3"],"itemData":{"id":236,"type":"a= rticle-journal","abstract":"AbstractThe accurate prediction of residual compressive strength (RCS) of concrete plays a\ncritical role in assessing concrete constructions’ safety and structural integrity\nfollowing exposure to elevated temperatures. Existing ensemble models exhibit RCS\n...","container-title":"Practice Periodical on Structural Design and Construction","DOI":"10.1061/PPSCFX.SCENG-1536",&q= uot;issue":"4","language":"EN","lic= ense":"© 2024 American Society of Civil Engineers","note":"publisher: American Society of Civil Engineers","page":"04024055","source":&q= uot;ASCE","title":"Predicting the Residual Compressive Strength of Concrete Exposed to Elevated Temperatu= res Using Interpretable Machine Learning","volume":"29"= ;,"author":[{"family":"Noman","given&quo= t;:"Muhammad"},{"family":"Khattak","give= n":"Afaq"},{"family":"Alam","given&= quot;:"Zeshan"},{"family":"Yaqub","given= ":"Muhammad"},{"family":"Noroozinejad Farsangi","given":"Ehsan"}],"issued":{&q= uot;date-parts":[["2024",11,1]]}}}],"schema":"= ;https://github.com/citation-style-language/schema/raw/master/csl-citation.= json"} [36]. Ejemplificando que los métodos pueden presentar un mejor desempeño según sean las condiciones en las que se implementa, involucrando al contexto, la naturaleza del problema y los parámetros de los cuales se entrena y prueba.

Este estudio t= iene como objetivo emplear y evaluar el desempeño de los algoritmos de gradient-boosting en la predicción de la resistencia = a la compresión del concreto, utilizando datos históricos recopilados en un laboratorio de ensayo de materiales. La investigación busca contribuir al conocimiento sobre el uso de estos algoritmos innovadores en una disciplina= aún no completamente explorada, aprovechando los últimos avances en algoritmos = de predicción.

3. METODOLOGÍA

En esta secció= n se describen los aspectos clave de la metodología empleada en la investigación, incluyendo la base de datos experimental utilizada, su modo de obtención, l= os algoritmos de predicción empleados y los indicadores para realizar la comparación entre sus desempeños. Se detalla cómo se estructuran y analizan= los datos para alcanzar los objetivos del estudio.

3.1 BASE DE DATOS EXPERIMENTAL

Se recopilaron= un total de 525 sets de datos experimentales provenientes del registro histórico de ensayos de diseño de mezcla del Laboratorio N°1 de Ensayo de Materiales “In= g. Manuel Gonzales de la Cotera” de la facultad de Ingeniería Civil de la Universidad Nacional de Ingeniería (LEM en adelante). Aquellos datos, correspondientes a ensayos realizados durante el periodo 2015-2022.

Respecto a la selección de los ensayos, se priorizaron aquellos que incluían solo un adit= ivo o ninguno. Además, se excluyeron los ensayos pertenecientes a proyectos de investigación (tesis), dando prioridad a los diseños empleados en construcciones civiles, independientemente del tipo de proyecto. De esta manera, se contemplaron concretos utilizados para pavimentos, edificaciones, cimentaciones y otros usos no estructurales.

El ensayo de d= iseño de mezcla realizado en el LEM contempla la realización de ensayos auxiliares para obtener las propiedades de los agregados que compondrán el concreto, a= sí como también, contempla el ensayo de compresión de probetas cilíndricas, destinado a corroborar la calidad del diseño realizado. Por tanto, la canti= dad de parámetros posibles de obtener es muy alta. Los parámetros han sido clasificados en secciones de acuerdo con su naturaleza, siendo estas las dedicadas a datos administrativos, datos de cemento, aditivo, agregado grue= so, agregado fino, mezcla y probeta endurecida.

Cabe destacar = que, debido a la naturaleza del ensayo de diseño de mezcla, un mismo diseño requ= iere de dos a cuatro probetas para verificar la resistencia a la compresión alcanzada. Cada una de esas probetas ensayadas da pie a la creación de un s= et de datos experimentales.

La preparación= de los parámetros de entrada contempló la creación de seis adicionales: la relación agua-cemento, el agua adicional, el agua real, la relación agua-cemento real, la relación agregado fino-cemento y la relación agregado grueso-cemento. Considerando estas inclusiones, la presente investigación emplea un total de 50 variables, incluyendo a la resistencia a la compresió= n.

Aunque algunos autores sugieren que un mayor número de variables de entrada puede mejorar = la precisión de las predicciones [10], un exceso de parámetros también puede provocar problemas de sobreajuste en los modelos [16], [37]. No obstante, se espera que los algori= tmos seleccionados puedan manejar esta dificultad gracias a sus características específicas. Así, se propone estimar un único valor: la resistencia a la compresión de probetas de concreto.

3.2 MODELOS GRADIENT-BOOSTING

El gradient-boosting es una técnica de aprendizaje autom= ático que construye un modelo predictivo fuerte a partir de múltiples modelos débiles, generalmente árboles de decisión. Funciona iterativamente, optimiz= ando el modelo al corregir los errores de los modelos anteriores mediante la minimización del gradiente de una función de pérdida [38]. Este enfoque permite manejar datos complejos y mejorar la precisión predictiva, haciéndolo especialmente útil = en tareas de regresión y clasificación [39]. En este estudio, se emplean dos noved= osos y robustos algoritmos basados en modelos gradient-boosti= ng: LightGBM y XGBoost.=

El algoritmo <= span class=3DSpellE>LightGBM, basado en árboles de decisión, incorpora dos estrategias novedosas: el muestreo unilateral basado en gradientes (GOSS) y= la agrupación exclusiva de características (EFB) [40]. Estas estrategias mejoran la velocida= d de entrenamiento, la precisión y la eficiencia de LightGB= M en comparación con los árboles de decisión de gradient= -boosting tradicional (GBDT) [38]. La estrategia GOSS permite eliminar u= na porción significativa de muestras con gradientes pequeños, mejorando así la= eficiencia en el cálculo de la ganancia de información [39]. EFB reduce el número de característic= as agrupando las que son mutuamente excluyentes, optimizando el rendimiento del modelo [40].

Por otro lado,= el algoritmo XGBoost destaca por su capacidad para manejar datos faltantes y su implementación de técnicas de regularización q= ue previenen el sobreajuste, mejorando la generalización del modelo ADDIN ZOTERO_ITEM CSL_CITATION {"ci= tationID":"0mPUeo1Q","properties":{"formatted= Citation":"[41]","plainCitation":"[41]",= "noteIndex":0},"citationItems":[{"id":316,&qu= ot;uris":["http://zotero.org/users/13798218/items/RI6PJW4J"]= ,"itemData":{"id":316,"type":"paper-conf= erence","container-title":"Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and = Data Mining","DOI":"10.1145/2939672.2939785","even= t-place":"San Francisco California USA","event-title":"KDD '16: The 2= 2nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining","ISBN":"978-1-4503-4232-2","language&= quot;:"en","page":"785-794","publisher&q= uot;:"ACM","publisher-place":"San Francisco California USA","source":"DOI.org (Crossref)","title":"XGBoost: A Scalable Tree Boosting System","title-short":"XGBoost","URL":&q= uot;https://dl.acm.org/doi/10.1145/2939672.2939785","author"= :[{"family":"Chen","given":"Tianqi"= },{"family":"Guestrin","given":"Carlos&q= uot;}],"accessed":{"date-parts":[["2024",8,6]= ]},"issued":{"date-parts":[["2016",8,13]]}}}]= ,"schema":"https://github.com/citation-style-language/schema= /raw/master/csl-citation.json"} [41]. Además, XGBoost<= /span> emplea una optimización paralela que acelera significativamente el proceso = de entrenamiento, lo que resulta en una mayor eficiencia computacional = [38]. Estas características hacen que XGBoost sea especialmente adecuado para tareas de predicción en conjuntos de datos complejos, proporcionando resultados preci= sos y confiables [39].

3.3 DESARROLLO DE LOS MODELOS

Aunque los mod= elos de aprendizaje automático operan según principios y teorías propias, su rendimiento puede ser ajustado a través de la configuración de hiperparámetros. Sin embargo, encontrar los hiperparámetros óptimos para un problema específico n= o es una tarea sencilla si se sigue un enfoque de prueba y error [16]. Por ello, en esta investigación se ap= licará un método específico diseñados para la optimización de estos valores, con el fin de maximiza la eficiencia del modelo.

La optimizació= n de los hiperparámetros en ambos modelos gradient-boosting se lleva a cabo utilizando el métod= o Grid Search. Durante este proceso, se aparta un subconjunto de datos que se mantiene oculto durante el entrenamiento y se utiliza posteriormente como grupo de validación <= !--[if supportFields]> ADDIN ZOTERO_ITEM CSL_CITATION {"citationID":"tPXE9Xo5","properties":{"= formattedCitation":"[27]","plainCitation":"[2= 7]","noteIndex":0},"citationItems":[{"id"= ;:227,"uris":["http://zotero.org/users/13798218/items/Z6GTDI= JD"],"itemData":{"id":227,"type":"a= rticle-journal","abstract":"This study investigates the non-linear capabilities of two machine learning prediction models, namely Light GBM and XGBoost, for predicting the values = of Rapid Chloride Penetration Test (RCPT). Chloride penetration is one of the = most significant issues affecting reinforced concrete (RC) structures, which necessitate frequent maintenance and repair. The mix design of concrete pla= y a vital role in the formation of pore structure that is relatively more resis= tant to chloride attacks. For estimating the chloride resistance of concrete, 201 experimental records, incorporating aging of concrete, binder content, water-binder ratio, percentage of metakaolin, and content of fine and coarse aggregates as input variables. The models were trained using grid search op= timization for tuning setting parameters to yield the best performance for the models.= The performance of the models using statistical indices indicated LightGBM surpasses in prediction accuracy as compared to XGBoost model. The coeffici= ent of determination (R2) values revealed 0.9738 and 0.9379 for LightGBM and XGBoost models, respectively. The minimum value of MAE was recorded for the training data of the LightGBM model equalling 172.7 C. The best fit mo= del, i.e., the LightGBM model, was used for SHAP analysis to see the relative importance of contributing attributes and optimization of input variables. = The SHAP analysis revealed fc’, aging, and W/B ratio as most significant in yielding RCPT, whereas individual interpretation of Shapley values showed t= hat W/B ratio of 0.30 – 0.35 and 15% MK replacement highly resisted chloride penetration at higher compressive strength values.","container-title":"Construction and Building Materials","DOI":"10.1016/j.conbuildmat.2022.128296&quo= t;,"ISSN":"0950-0618","journalAbbreviation":&= quot;Construction and Building Materials","page":"128296","source":&quo= t;ScienceDirect","title":"Prediction of rapid chloride penetration resistance of metakaolin based high strength = concrete using light GBM and XGBoost models by incorporating SHAP analysis",&qu= ot;volume":"345","author":[{"family":&qu= ot;Abdulalim Alabdullah","given":"Anas"},{"family":&q= uot;Iqbal","given":"Mudassir"},{"family"= :"Zahid","given":"Muhammad"},{"family&qu= ot;:"Khan","given":"Kaffayatullah"},{"fa= mily":"Nasir Amin","given":"Muhammad"},{"family":&quo= t;Jalal","given":"Fazal E."}],"issued":{"date-parts":[["2022",8,= 22]]}}}],"schema":"https://github.com/citation-style-languag= e/schema/raw/master/csl-citation.json"} [27]. Esto permite afinar la precisión de l= os modelos de aprendizaje automático y mitigar el riesgo de sobreajuste.<= /o:p>

Los hiperparámetros a optimizar por cada modelo son prese= ntados en la Tabla I para el modelo LightGBM y en la T= abla II para el modelo XGBoost.

TABLA I

Hiperparámetros de LightGBM para predecir la resistencia a la compresión del concreto

Parámetro	Descripción
learning_rate	Para reducir el paso de gradiente
max_depth	Profundidad del árbol
n_estimators	Construir el máximo número de árboles posible
colsample_bytree	Proporción de submuestra de columnas al construir ca= da árbol
num_leaves	Número máximo de hojas

TABLA II<= /o:p>

Hiperparámetros de XGBoost= para predecir la resistencia a la compresión del concreto

Parámetro	Descripción
learning_rate	Para reducir el paso de gradiente
max_depth	Profundidad del árbol
n_estimators	Construir el máximo número de árboles posible
min_child_weight	Número mínimo de instancias para cada nodo
colsample_bytree	Proporción de submuestra de columnas al construir ca= da arbol

3.4 EVALUACIÓN DE MODELOS

Los modelos desarrollados se evalúan mediante índices, o parámetros, estadísticos en concordancia con la literatura previa [1], [16], [27]. Se emplea el coeficiente de determina= ción ( ), el error medio absoluto (MAE), el error de porcentaje medio absolu= to (MAPE) y la raíz del error cuadrático medio (RMSE). Las formulaciones matemáticas son descri= tas en la Tabla III, donde y son, respectivamente, los resultados reales y los predichos por el modelo. Además, representa el valor promedio= de los resultados reales. El número de muestras se denota por .

TABLA III=

Representación matemática de los parámetros estadísticos para evaluación de desempeño de algoritmos

Parámetro estadístico	Fórmula
Coeficiente de determinación ( )
Error medio absoluto (MAE)
Error de porcentaje medio absoluto (MAPE)
Raíz del error cuadrático medio (RMSE)

Nota: El valor= ideal para es 1, para el resto de los indicadores, 0.

4. ANÁLISIS DE RESULTADOS

En esta secció= n se describen los resultados obtenidos del procesamiento analítico de los model= os. Los parámetros estadísticos antes presentados serán tratados como métricas = de rendimiento.

4.1 EVALUACIÓN ESTADÍSTICA

Los hiperparámetros fueron ajustados y optimizados para predecir la resistencia a la compresión del concreto en ambos modelos. Los resultados son presentaos en la Tabla IV para el modelo LightGBM y en la Tabla V para el modelo XGBoost.

TABLA IV<= /o:p>

Hiperparámetros optimizados de Li= ghtGBM para predecir la resistencia a la compresión del concreto=

Parámetro	Valor	Rango
learning_rate	0.01	0.01 – 0.1
max_depth	3	1 – 8
n_estimators	800	100 – 800
colsample_bytree	0.1	0.1 – 0.70
num_leaves	8	1 - 8

TABLA V

Hiperparámetros optimizados de XG= Boost para predecir la resistencia a la compresión del concreto=

Parámetro	Valor	Rango
learning_rate	0.01	0.01 – 0.1
max_depth	3	1 – 8
n_estimators	800	100 – 800
min_child_weight	3	1 – 5
colsample_bytree	0.1	0.1 – 0.7

La Tabla VI mu= estra las métricas de rendimiento (RMSE, MAE y MAPE) para la resistencia a la compresión del concreto utilizando los modelos LightGB= M y XGBoost, tanto en el conjunto de entrenamient= o como en el de prueba. Los resultados indican que el modelo = XGBoost supera consistentemente al modelo LightGBM en t= odas las métricas evaluadas. En ambos conjuntos de datos, el XGBoost presenta valores menores de RMSE, MAE y MAPE en comparación con LightGBM. Esto sugiere que el modelo XGBoost ofrece un mejor rendimiento general, con menores errores en la predicción d= e la resistencia a la compresión del concreto.

TABLA VI<= /o:p>

Comparación en= tre el rendimiento del modelo LightGBM y XGBoost para predecir la resistencia a la compresión del concreto.

Fase	Métricas de rendimiento	LightGBM	XGBoost
Entrenamiento	RMSE	12.21040	12.20144
MAE	8.70207	8.65082
MAPE	3.86162	3.85130
	0.9721	0.9722
Prueba	RMSE	16.70301	16.63162
MAE	12.99431	12.80699
MAPE	6.08226	6.05480
	0.9506	0.9521

4.2 PENDIENTES DE REGRESIÓN

El rendimiento= de los modelos desarrollados se evaluó mediante el análisis de la pendiente de= la regresión lineal, trazando los resultados experimentales en el eje x y los resultados predichos en el eje y (Fig. 1). Este enfoque para evaluar modelo= s de inteligencia artificial ha sido utilizado previamente por varios investigad= ores [42], [43], [44]. Según investigaciones previa, una pen= diente superior a 0.80 indica una buena concordancia entre los resultados experimentales y los predichos [42].

Los resultados= de los modelos predichos fueron comparados con los resultados experimentales, = como se muestra en la Fig. 1, para la predicción de la resistencia a la compresi= ón del concreto. Los dos modelos demostraron una fuerte correlación con los resultados experimentales, con pendientes de 0.9697 y 0.9632 en la línea de regresión para el conjunto de entrenamiento de LightGB= M y XGBoost, respectivamente. Asimismo, los conju= ntos de datos de prueba también mostraron una fuerte correlación en las pendient= es de la línea de regresión, en comparación con la pendiente de ajuste ideal (pendiente =3D 1), como se observa en la Figura X4. En los datos de prueba,= se obtuvieron pendientes positivas de 0.9316 y 0.9200 para LightGBM y XGBoost, respectivamente. Dado que las pendie= ntes de regresión superan el valor de 0.8, se concluye que ambos modelos present= an una fuerte correlación entre los resultados experimentales y los predichos.=


a)	b)

Fig. 1. Compar= ación de pendientes de regresión de los modelos desarrollados para la resistencia= a la compresión del concreto. (a) Pendiente de regresión para el modelo LightGBM, (b) Pendiente de regresión para el modelo <= span class=3DSpellE>XGBoost.

CONCLUSIONES

El rendimiento óptimo para la predicción de la resistencia a la compresión del concreto se alcanzó con el modelo = XGBoost utilizando una tasa de aprendizaje de 0.01, una profundidad máxima de = 8, 800 árboles, un mínimo de 3 instancias por nodo, y una proporción de submuestreo de columnas de 0.1 por árbol. En el caso de LightGBM, el mejor desempeño se logró con una ta= sa de aprendizaje también de 0.01, una profundidad máxima de 3, 800 árboles,= una proporción de submuestreo de columnas de 0.1 y un número máximo de 8 h= ojas por árbol, lo que refleja una estructura más simple y menos profunda en comparación con XGBoost.=
El desempeño de los modelos desarrollados evidenció que XGBoost superó consistentemente a LightGBM en términos de precisión predictiva, mostrando menores valores de error (RMSE, MAE y MAPE) en la estimación de la resistencia a la compresión = del concreto. Esta diferencia también se reflejó en las gráficas de dispersión, donde la relación entre valores predichos y experimentales= fue más ajustada en el caso de XGBoost, confir= mando su mayor capacidad para modelar la complejidad no lineal de los datos.=
Las pendientes de regresión superiores a 0.8 indicaron una buena concordancia global entre los valores experimentales y los predichos p= or ambos modelos, lo que sugiere una adecuada capacidad de generalización= . No obstante, a pesar de que XGBoost presentó pendientes ligeramente menores en los conjuntos de entrenamiento y pru= eba en comparación con LightGBM, logró alcanza= r un coeficiente de determinación (R²) más alto, lo cual implica que el mod= elo explicó una mayor proporción de la variabilidad de los datos. Esta diferencia se puede atribuir a la arquitectura de XGBoost, que optimiza de manera más eficiente la función de pérdida mediante boosting secuencial regularizado, permitiéndole capturar relaciones no lineales más complejas con menor sobreajuste. En consecuencia, XGBoost mostró una mayor pre= cisión y robustez tanto en la fase de entrenamiento como en la de validación, consolidándose como un modelo más confiable para la predicción de la resistencia a la compresión del concreto.

REFERENCIAS

[1] = O. Alshboul, G. Almasabha, A. Shehadeh, y K. Al-Shboul,= «A comparative study of LightGBM, XGBoost, and GEP models i= n shear strength management= of SFRC-SBWS», Structures, vol. 61, p. 106009, mar. 2024, doi: 10.1016/j.istruc.2024.106009.

[2] = A. Khashman y P. Akpinar, «Non-Destructive Predictio= n of Concrete Compressive St= rength Using Neural Networks», Pr= ocedia Computer Science, v= ol. 108, pp. 2358-2362, ene. 2017, doi: 10.1016/j.procs.2017.05.039.

[3] = K. C. Mouli et al., «Performance analysis of linear and non-linear machine learning models for forecasting compressive <= span class=3DSpellE>strength of concrete», Cogent Engineering, vol. 11, n.o= 1, p. 2368101, dic. 2024, doi: 10.1080/23311916.2024.2368101.

[4] = S. Pandey, S. Paudel, K. Devk= ota, K. Kshetri, y P. G. Asteri= s, «Machine learning unveils the complex nonlinearity of concrete m= aterials’ uniaxial compressive stren= gth», International Journal of Construction Managemen= t, vol. 0, n.o 0, pp. 1-15, abr. 2024, doi: 10.1080/15623599.2024.2345008.=

[5] = Y. Pawar y Shrikant Ra= jendra Kate, «Curing of Concrete: A Review», 2020, doi: 10.13140/RG.2.2.32095.07848.

[6] = V. Cominato, F. Benavente Canteras, L. Andréia Gachet, y R. Cris= tina Cecche Lintz, «The effect= of granulometry of natural and recy= cled coarse aggregate on= permeable concrete properties», Mate= rials Today: Proceedings,= vol. 65, pp. 1711-1718, ene. 2022, doi: 10.1016/j.matpr.2022.04.717.

[7] = F. Cao et al., «Compressive s= trength prediction of Portland cem= ent clinker using machi= ne learning by XRD data», Journal of Sustainable Cement-Based Materials, vol. 13, n.o 8, pp. 1120-1131, ago. 2024, doi: 10.1080/21650373.2024.2351461.=

[8] = H. Constantinescu, O. Gherman= , C. Negrutiu, y S. P. Ioan<= /span>, «Mechanical Properties of Hardened High Strength Co= ncrete», Procedia Technology, vol. 22, pp. 219-226, ene.= 2016, doi: 10.1016/j.protcy.2016.01.047.

[9] = B. W. Chong et al., «Design of Experiment on Concr= ete Mechanical Properties Prediction: A Critical Re= view», Materials, vol. 14, n.o 8= , Art. n.o 8, ene. 2021, doi: 10.3390/ma14081866.

[10] = F. Khademi, M. Akbari,= S. M. Jamal, y M. Nikoo, «Multip= le linear regression, artificial neural network, and fuzzy logic prediction of 28 days compressive strength of concrete», Front. St= ruct. Civ. Eng., vol. 11, n.o 1, pp. 90-99, mar. 2017, doi: 10.1007/s11709-016-0= 363-9.

[11] = J. L. Santamaría, B. Adame, C. Bermeo, J. L. Santamaría, B. Adame, y C. Bermeo, «Influencia de la calidad de los agregados y tipo de cemento en la resisten= cia a la compresión del hormigón dosificado al volumen», Revista Digital Novasinergia, vol. 4, n.o= 1, pp. 91-101, may 2021, doi: 10.37135/ns.01.07.05.

[12] = M. Z. Naser, «Integrating Machine Learning Models in= to Building Codes and Standar= ds: Establishing Equivalence through Engineering Intuition and Causal Logic», Journal of Structural Engi= neering, vol. 150, n.o 5, p. 04024039, may 2024, doi: 10.1061/JSENDH.STENG-12934.

[13] = A. H. A. Ahmed, W. Jin, y M. A. H. Ali, «Prediction of compressive strength of <= span class=3DSpellE>recycled concrete using <= span class=3DSpellE>gradient boosting models», Ain Shams Engineering Journal, vol. 15, n.= o 9, p. 102975, sep. 2024, doi: 10.1016/j.asej.2024.102975.

[14] = P. C. Chiadighikaobi, M. Hema= tibahar, M. Kharun, N. A. Stashevsk= aya, y K. Camara, «Predicting mechanical properties of = self-healing concrete with Trich= oderma Reesei Fungus using machine learning», Cogent<= /span> Engineering, vol. 11, n.o= 1, p. 2307193, dic. 2024, doi: 10.1080/23311916.2024.2307193.

[15] = L. A. Bedriñana, J. Sucasaca, J. Tovar, y H. Burto= n, «Design-Oriented Machine-Learning Models for Predicting the Shear Strength of Prestressed C= oncrete Beams», Journal of Bridge Engine= ering, vol. 28, n.o 4, p. 04023009, abr. 2023, doi: 10.1061/JBENF2.BEENG-6013.

[16] = B. P. Koya, S. Aneja, R. Gupta, y C. Valeo, «Comparative analysis of <= span class=3DSpellE>different machine learning algor= ithms to predict mechanical properties of concrete», Mechani= cs of Advanced Materials and Structures, vol. 29, n.o = 25, pp. 4032-4043, oct. 2022, doi: 10.1080/15376494.2021.1917021.

[17] = H. Wang, J. Tang, M. Wu, X. Wang, y T. Zhang, «Applicatio= n of machine learning missing data imputation techniques in clinical decision making: taking the discharge assessment of patients wi= th spontaneous supratentorial intracerebral hemorrhage as an example», BMC Med Inform Decis Mak, vol. 22, n.o 1, p. 13, dic. 2022, doi: 10.1186/s12911-022-01752-6.

[18] = P. Lu, S. Chen, y Y. Zheng, «Artificial Intelligence in Civil Engineerin= g», Mathematical Problems in Engineering, vol. 2012, n.o 1, p. 145974, ene. 2012, doi: 10.1155/2012/145974.

[19] = T. Han, A. Siddique, K. Khaya= t, J. Huang, y A. Kumar, «An = ensemble machine learning approach for prediction and optimization of modulus o= f elasticity of recycled aggregate concrete», Constructio= n and Building Materials, vol. 244, p. 118271, may 2020, doi: 10.1016/j.conbuildmat.2020.118271.

[20] = S. Moon y A. Munira Chowdhury= , «Utilization of Prior Info= rmation in Neural Network Training for Improving 28-Day Concrete Strength Predicti= on», Journal of Construction En= gineering and Management, vol. 147, n.o 5, p. 04021028, <= span class=3DSpellE>may 2021, doi: 10.1061/(ASCE)CO.1943-7862.0002047.

[21] = M. Mohtasham Moein et = al., «Predictive models for con= crete properties using machine = learning and deep learning approach= es: A review», Journal of Building Engineering, vol. 63, p. 105444, ene. 2023, doi: 10.1016/j.jobe.2022.105444.

[22] = Q. Wang, J. Qi, S. Hosseini, H. Rasekh, y J. Huang, «ICA-LightGBM = Algorithm for Predicting Compressive= Strength of Geo-Polymer Concrete», Buildings, vol. 13, n.o 9, Art. n.o 9, sep. 2023, = doi: 10.3390/buildings13092278.

[23] = H.-V. T. Mai, M. H. Nguyen, y H.-B. Ly, «Development of machine learning = methods to predict the compressive= strength of fiber-reinforced self-compacting concrete and sen= sitivity analysis», Construction and Building Materials,= vol. 367, p. 130339, feb. 2023, doi: 10.1016/j.conbuildmat.2023.130339.

[24] = S. Li y J. Y. Richard Liew, «Experimental and Data= -Driven analysis on compressive strength of <= span class=3DSpellE>steel fibre reinforced high strength concr= ete and mortar at elevated temperature», Construction and Building Materials, vol. = 341, p. 127845, jul. 2022, doi: 10.1016/j.conbuildmat.2= 022.127845.

[25] = X.-Y. Zhao, J.-X. Chen, y B. Wu, «An interpretable ensemble-learning-based o= pen source model for evaluating the fire resistance of concrete-filled steel tubular columns», <= span class=3DSpellE>Engineering Structures, v= ol. 270, p. 114886, nov. 2022, doi: 10.1016/j.engstruct.2022.114886.

[26] = Z. Mei, J. Yu, W. Ding, L. Kong, y J. Zhao, «Bus Passenger Volume Forecasting Model Based on XGBoost Integrated Learni= ng Algorithm», pp. 3100-3113, dic. 2020, doi: 10.1061/9780784483053.261.

[27] = A. Abdulalim Alabdullah, M. Iqbal, M. Zahid, K. Khan, M. Nas= ir Amin, y F. E. Jalal, «Pred= iction of rapid chloride <= span class=3DSpellE>penetration resistance of= metakaolin based high strength concrete using light GBM and XGBoost models by incorporating SHAP analysis», Constructi= on and Building Materials, vol. 345, p. 128296, ago. 2022, doi: 10.1016/j.conbuildmat.2022.128296.

[28] = M. Nithurshan y Y. Elakneswaran, «A systematic review and assessment of concrete strength predi= ction models», Case Studies in Construction Materials, v= ol. 18, p. e01830, jul. 2023, doi: = 10.1016/j.cscm.2023.e01830.

[29] = Q.-F. Li y Z.-M. Song, «High-performance concrete strength prediction based on ensemble learnin= g», Construction and Building= Materials, vol. 324, p. 126694, mar. 2022, doi: 10.1016/j.conbuildmat.2022.126694.

[30] = J. Pal y D. Chakrabarty, «Eff= ects of input/output parameters on artificial neural= network model efficiency for breakthrough contamina= nt prediction», Water = Supply, vol. 21, n.o 7, p= p. 3614-3628, abr. 2021, doi: 10.2166/ws.2021.125.=

[31] = S. Paudel, A. Pudasaini, R. K. Shrestha, y E. Kharel, «Compressive strength of c= oncrete material using machine learning techniques», Cleaner Engineering= and Technology, vol. 15, p. 100661, ago. 2023, doi: 10.1016/j.clet.2023.100661.

[32] = A. Behnood y E. M. Golafshani= , «Machine learning study of the mechanical properties of concretes containi= ng waste foundry sand», Construction and <= span class=3DSpellE>Building Materials, vol. = 243, p. 118152, may 2020, doi: 10.1016/j.conbuildmat.2020.118152.

[33] = C. Deepa, K. SathiyaKumari, y V. P. Sudha, «Prediction of the Compressive Strength of High Performance Concrete Mix using Tree Based Modeling= », IJCA, vol. 6, n.o 5, pp. 18-24, sep. 2010, doi: 10.5120/1076-1406.

[34] = D.-K. Bui, T. Nguyen, J.-S. Chou, H. Nguyen-Xuan, y T. D. Ngo, «A modified firefly algorithm-artificial neural netw= ork expert system for <= span class=3DSpellE>predicting compressive an= d tensile strength of high-performance concrete», Cons= truction and Building Materials, vol. 180, pp. 320-333, ago. 2018, doi: 10.1016/j.conbuildmat.2018.05.201.

[35] = L. Acuña Pinaud, P. C. Espinoza Haro, I. Moromi Nakata, A. V. Torre Carrillo, y F. García Fern= ández, «Concreto de alto rendimiento, predicción de su resistencia a la compresión mediante redes neuronales artificiales», TECNIA, vol. 27, n.o 1, Art. n.o 1, jun. 2017, = doi: 10.21754/tecnia.v27i1.125.

[36] = M. Noman, A. Khattak, = Z. Alam, M. Yaqub, y E. Noroozineja= d Farsangi, «Predicting the Residual Compressive Stren= gth of Concrete Exposed to Ele= vated Temperatures Using Interpretable Machine Learning», Practice Periodical on Structural Design and C= onstruction, vol. 29, n.o 4, p. 04024055, nov. 2024, doi: 10.1061/PPSCFX.SCENG-1536.

[37] = X. Ying, «An Overview = of Overfitting and its Solutions», J. Phys.: Conf. Ser., vol. 1168, p. 022022, feb. 2019, doi: 10.1088/1742-6596/1168/2/022022.

[38] = J. H. Friedman, «Greedy funct= ion approximation: A gradient<= /span> boosting machine.», Ann. Statist= ., vol. 29, n.o 5, oct. 2001, doi: 10.1214/aos/1013203451.

[39] = A. Natekin y A. Knoll, «Gradi= ent boosting machines, a tutorial», Front. Neurorobot., vol. 7, 2013, doi: 10.3389/fnbot.2013.00021.

[40] = G. Ke et al., «LightGBM: A Hi= ghly Efficient Gradient = Boosting Decision Tree», en Advances in Neu= ral Information Processing Systems, Curran Associates, Inc., 2017. Accedido: 6 de a= gosto de 2024. [En línea]. Disponible en: https://papers.nips.cc/paper_files/paper/2017/hash/6449f44a102fde848669bdd9= eb6b76fa-Abstract.html

[41] = T. Chen y C. Guestrin, «XGBoo= st: A Scalable Tree Boosting System», en Proceedings of the 22nd ACM SIGKDD International Conf= erence on Knowledge Discovery and Data Mining, San Fra= ncisco California USA: ACM, ago. 2016, pp. 785-794. doi: 10.1145/2939672.2939785.

[42] = M. I. Khan et al., «Effective use of recycled waste PET in cementitious<= /span> grouts for developing sustainabl= e semi-flexible pavement surfacing using artificia= l neural network (ANN)», Journal of Cleaner Production, vol. 340, p. 130840, mar. 2022, doi: 10.1016/j.jclepro.2022.130840.=

[43] = M. Iqbal, Q. Zhao, D. Zhang, F. E. Jalal, y A. Jamal, «Evaluation of tensile strength degradation of GFRP rebars in harsh alkaline conditions using non-linear genetic-based models», Mater Struct, vo= l. 54, n.o 5, p. 190, sep. 2021, doi: 10.1617/s11527-021-01783-x.

[44] = M. Iqbal, D. Zhang, F. E. Jal= al, y M. Faisal Javed, «Comput= ational AI prediction models for residual tensile strength<= /span> of GFRP bars aged i= n the alkaline concrete environment», Ocean Engineering, vol. 2= 32, p. 109134, jul. 2021, doi: 10.1016/j.oceaneng.2021.109134.

Financiamiento de la investigación

Con recu= rsos propios.

&nb= sp;

Declaración de intereses

Declaro = no tener ningún conflicto de intereses, que puedan haber influido en los resultados obtenidos o las interpretaciones propuestas.

&nb= sp;

Declaración de consentimiento informa= do

El estud= io se realizó respetando el Código de ética y buenas prácticas editoriales de publicación.

&nb= sp;

Derechos de uso

Copyrigh= t© 2025 por Jaime Yelsin Rosales Malpartida, Victor Adrian Rosales-Cut= ipa

Este texto está protegido por la Licencia Creative <= span class=3DSpellE>Commons Atribución 4.0 Internacional.

&nb= sp;

Usted es= libre para compartir, copiar y redistribuir el material en cualquier medio o form= ato y adaptar el documento, remezclar, transformar y crear a partir del material para cualquier propósito, incluso comercialment= e, siempre que cumpla la condición de atribución: usted debe reconocer el créd= ito de una obra de manera adecuada, proporcionar un enlace a la licencia, e ind= icar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que tiene el apoyo del licenciante o lo recibe por el uso que hace.