{rfName}
Co

Indexado en

Licencia y uso

Icono OpenAccess

Altmetrics

Investigadores/as Institucionales

Alcala-Gonzalez, DanielAutor o CoautorMateo, Luis FAutor o CoautorQuijano, M AngelesAutor o CoautorMas-Lopez, M IsabelAutor o CoautorGarcia-Del-Toro, Eva MAutor (correspondencia)

Compartir

25 de diciembre de 2025
Publicaciones
>
Artículo
Sí

Compressive Strength-Based Classification of Eco-Friendly Concretes Using Machine Learning Models

Publicado en: MATERIALS. 18 (23): 5344- - 2025-11-27 18(23), DOI: 10.3390/ma18235344

Autores:

Alcala-Gonzalez, Daniel; Mateo, Luis F; Quijano, M Angeles; Mas-Lopez, M Isabel; Garcia-del-Toro, Eva M
[+]

Afiliaciones

Univ Politecn Madrid UPM, ETSI Caminos Canales & Puertos, Ctr I D I Infraestruct Civiles Inteligentes & Sost, Edificio Retiro,Alfonso XII 3, 28014 Madrid, Spain - Autor o Coautor
Univ Politecn Madrid, Dept Ingn Civil Hidraul Energia & Medio Ambiente, ETSI Caminos Canales & Puertos, Edificio Retiro,Alfonso XII 3, Madrid 28014, Spain - Autor o Coautor
Univ Politecn Madrid, Dept Matemat Informat Aplicadas Ingn Civil & Naval, ETSI Caminos Canales & Puertos, Edificio Retiro,Alfonso XII 3, Madrid 28014, Spain - Autor o Coautor
Ver más

Resumen

Accurate prediction of compressive strength in eco-friendly concretes, where part of the cement is replaced with recycled glass powder, remains a fundamental challenge for sustainable construction. This study evaluates and compares the performance of five machine learning models-Na & iuml;ve Bayes, Random Forest, Decision Tree, Support Vector Machine (SVM), and k-Nearest Neighbors (k-NN)-for classifying the compressive strength of concretes with different mix designs and curing ages. The dataset includes 846 experimental samples produced at the School of Civil Engineering of UPM between 2004 and 2019. The results showed that Na & iuml;ve Bayes and Random Forest achieved the highest accuracy and generalizability, confirming that the incorporation of glass powder does not introduce significant data instability and can serve as a viable and sustainable substitute of cement. The Decision Tree model provided the greatest interpretability, enabling insight into the influence of mixture parameters, while SVM and k-NN were primarily effective in extreme strength categories. Overall, the findings demonstrated that probabilistic and ensemble learning methods outperform deterministic and proximity-based algorithms in classifying materials with high compositional variability. This work reinforces the potential of artificial intelligence as a non-destructive, reliable, and scalable tool for optimizing the performance of low carbon concretes and promoting sustainable materials engineering.
[+]

Palabras clave

Barium compoundsClassification (of information)ClassifiersCompressive strengthConcrete mixturesDecision treesEco-friendlyEco-friendly concreteEco-friendly concrete,compressive strength,machine learning,na & iumlEnergy-consumptionEnvironmental protectionGlassGlass powderLearning systemsMachine learningMachine learning modelsMachine-learningNaïve bayesNearest neighbor searchNon destructive evaluationNon-destructive evaluationNondestructive examinationPerformancePredictionRandom forestRandom forestsSupport vector machinesSustainable constructionSustainable developmentVe bayes,random forest,glass powder,sustainable construction,non-destructive evaluation

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista MATERIALS debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2025, se encontraba en la posición 25/97, consiguiendo con ello situarse como revista Q2 (Segundo Cuartil), en la categoría Metallurgy & Metallurgical Engineering. Destacable, igualmente, el hecho de que la Revista está posicionada en el Cuartil Q2 para la agencia Scopus (SJR) en la categoría Condensed Matter Physics.

[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-04-25:

  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 9 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

    Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

    • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
    • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/92792/

    Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

    • Visualizaciones: 19
    • Descargas: 8
    [+]

    Análisis de liderazgo de los autores institucionales

    Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (ALCALA GONZALEZ, DANIEL) y Último Autor (GARCIA DEL TORO, EVA MARIA).

    el autor responsable de establecer las labores de correspondencia ha sido GARCIA DEL TORO, EVA MARIA.

    [+]