Comparación de los modelos LightGBM y XGBoost para la predicción a la resistencia a la compresión del concreto

Abstract

El uso de modelos de Machine Learning (ML), particularmente aquellos basados en gradient-boosting, está transformando la predicción de propiedades materiales con relaciones no lineales complejas. 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. Los modelos se entrenaron utilizando la optimización de Grid Search para ajustar los hiperparámetros de configuración y obtener el mejor rendimiento de para ambos modelos. Los resultados muestran que el modelo XGBoost tiene mayor rendimiento 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 R2.