En este estudio, se investigó el empleo de la técnica de programación de expresión génica (GEP) en modelos de pronóstico sobre materiales de construcción sostenibles, incluyendo aditivos minerales y cantidades de ingeniería civil (por ejemplo, resistencia a la compresión). En comparación con las formulaciones basadas en redes neuronales artificiales (ANN), que a menudo son demasiado complicadas para ser utilizadas, los modelos derivados de GEP proporcionan ecuaciones de estimación que son razonablemente simples y pueden ser utilizadas para fines de diseño práctico e incluso para cálculos manuales. Muchos modelos populares, como las curvas mejor ajustadas basadas en análisis de regresión, regresión multilineal (MLR), regresión logística multinomial (MNLR) y regresión multivariada multinomial (MNVR), también pueden ser utilizados para modelar las propiedades de los materiales de construcción. Sin embargo, debido a la no linealidad y complejidad de las propiedades objetivo, los modelos establecidos utilizando análisis de regresión lineal pueden no revelar el comportamiento preciso. Además, los modelos de regresión carecen de generalidad, y esto proviene del hecho de que algunas funciones están definidas para la regresión en técnicas de regresión clásicas; mientras que en el enfoque GEP, no hay una función predefinida a considerar, y reproduce u omite varias combinaciones de parámetros para proporcionar la formulación que se ajusta a los resultados experimentales. Si los parámetros de entrada pueden ser evaluados a través de mediciones simples de laboratorio o rápidas, y también se dispone de una base de datos experimental completa, los modelos pueden construirse con flexibilidad óptima. La flexibilidad en la elección de la complejidad y las funciones de ajuste, como RMSE, MAE y MSE, podría llevar a un mejor rendimiento del enfoque y a capturar bien el patrón que rige las características del material. Puede haber pequeñas inexactitudes con esta técnica; sin embargo, las expresiones matemáticas explícitas, que pueden ser fácilmente implementadas en el proceso de diseño y análisis, pueden cubrir las pequeñas inexactitudes en comparación con ANN, máquinas de soporte vectorial (SVM) y otros enfoques inteligentes. Basado en el estudio presentado, a veces sería mejor proporcionar más de un modelo GEP y considerar diferentes combinaciones de variables de entrada contribuyentes para ofrecer la posible alimentación inicial para un modelo más asentado y completo. Principalmente, se han presentado las fortalezas de GEP como una técnica de aprendizaje automático superior en el modelado del comportamiento de los materiales de construcción, incluyendo aditivos minerales, lo que lleva a soluciones innovadoras en ingeniería civil.