El aprendizaje profundo ha revolucionado muchos campos, incluyendo la ingeniería geotécnica. Una de sus aplicaciones más prometedoras es la estimación de propiedades del suelo, que son esenciales para proyectos de construcción seguros y eficientes. Los métodos tradicionales a menudo implican un muestreo extenso y pruebas de laboratorio, que pueden ser de consumo y costoso. El aprendizaje profundo ofrece una alternativa más rápida y precisa al analizar grandes conjuntos de datos para predecir el comportamiento del suelo.

Importancia de la estimación de bienes de suelo en ingeniería geotécnica

Propiedades de suelo como la resistencia al suelo, la permeabilidad, la compresión y las características de compactación influyen directamente en el diseño y la estabilidad a largo plazo de fundaciones, pendientes, muros de retención y trabajos de tierra. La estimación precisa de estas propiedades permite a los ingenieros prevenir fallos, reducir costos de sobrediseño y optimizar secuencias de construcción. Técnicas convencionales, incluyendo pruebas de penetración estándar (SPT), pruebas de penetración de interpropoles, pruebas de laboratorio específicos

Adquisición de datos y preparación de modelos de aprendizaje profundo

El éxito de cualquier aplicación de aprendizaje profundo depende de la calidad, el volumen y la diversidad de los datos de capacitación. En ingeniería geotécnica, las fuentes de datos suelen incluir:

  • Resultados de prueba in situ: Conteo de golpes SPT, resistencia a los conos CPT, mediciones de presión poro y velocidad de onda de corte de las encuestas geofísicas.
  • Parámetros de prueba laboratorios: Límites de atterberg, distribución de granos, contenido de humedad, densidad, fuerza compresiva no confinada y resultados triaxiales unificados.
  • Remplazar la detección y datos geoespaciales:] Modelos de elevación LiDAR, imágenes multiespectral de satélites y perfiles de radares de captación terrestre.
  • Mapas geológicos y troncos de agujeros: Descripciónes estratigráficas, niveles de aguas subterráneas observados y registros históricos del sitio.

La preparación de datos requiere un manejo cuidadoso de los valores perdidos, detección de distancia, normalización e ingeniería de características. Por ejemplo, los valores N SPT crudos pueden ser corregidos para la presión sobrecargada y la eficiencia energética de la varilla antes de ser utilizados como insumos. Las coordenadas espaciales (estancia, norte, elevación) se incluyen a menudo como características adicionales para permitir que el modelo aprenda patrones dependientes de ubicación.

Activos públicos y propietarios

Varios repositorios de acceso abierto proporcionan datos de prueba de suelo para la investigación, incluyendo el Datos Geoquímicos y Geoespaciales de USGS y el repositorio Geoengineer.org base de datos de propiedad del suelo. Muchas empresas de consultoría también mantienen archivos propietarios de miles de agujeros que pueden ser utilizados para el dominio específico.

Arquitecturas de aprendizaje profundo para la estimación de propiedades del suelo

Los modelos de aprendizaje profundo aprenden automáticamente las características jerárquicas de los insumos crudos o diseñados. La elección de la arquitectura depende de la naturaleza de los datos de entrada y de la propiedad de destino. A continuación se encuentran las tres familias de modelos más empleadas en aplicaciones geotécnicas.

Redes Neurales Convocionales (CNN)

Los CNN están diseñados para procesar datos similares a la red, como imágenes o arrays 2D. En ingeniería geotécnica, se han aplicado CNN para clasificar tipos de suelo de imágenes transversales, predecir la fuerza de la manguera sin tracción de imágenes de perfil CPTu y mapear propiedades del suelo desde imágenes multispectral de teleobservación. Una arquitectura típica de CNN incluye capas con evolución seguidas de estanqueidad y capas completamente conectadas.

Redes Neurales Recurrentes (RNNs) y Memoria a corto plazo (LSTM)

Los RNNs se destacan por el manejo de datos secuenciales, haciéndolos ideales para modelar propiedades de suelo dependientes de profundidad. Como los registros de agujeros y las sondaciones CPT son esencialmente secuencias de mediciones a profundidad creciente, RNNs puede captar tendencias de profundidad y autocorrelación. Las redes LSTM, una variante de RNNs, mitiga el problema de humedad desgastado y puede aprender dependencias de profundidad máxima.

Deep Feedforward Neural Networks (DNNs) y Multilayer Perceptrons (MLPs)

Para datos tabulares estructurados, como un conjunto de propiedades índice de una muestra de suelo, un DNN estándar funciona bien. Estos modelos consisten en una capa de entrada, múltiples capas ocultas con funciones de activación no lineal (ReLU, tanh) y una capa de salida adecuada para la regresión o clasificación. Las DNN pueden aproximar cualquier función continua dadas neuronas y capas suficientes.

Arquitecturas híbridas y avanzadas

Los enfoques más recientes combinan múltiples arquitecturas. Por ejemplo, una CNN puede extraer características espaciales de una imagen de un perfil de suelo, mientras que un LSTM procesa la secuencia de profundidad de la resistencia a la penetración. Los mecanismos de atención, inspirados en el modelo Transformer, se utilizan cada vez más para ponderar las características de entrada de forma adaptativa. Un modelo basado en el transformor puede ser factible.

Modelo de capacitación, validación y cuantificación de incertidumbre

La formación de un modelo de aprendizaje profundo para la estimación de la propiedad del suelo implica varios pasos críticos más allá de minimizar la pérdida de datos de capacitación.

Funciones de pérdida y medición de evaluación

Para tareas de regresión, error cuadrado (MSE) o error absoluto medio (MAE) son funciones comunes de pérdida. Debido a que las propiedades del suelo pueden variar sobre varias órdenes de magnitud, objetivos con traducidas por registros o métricas de error relativas (por ejemplo, error por porcentaje absoluto, MAPE) son a menudo preferidos. Para tareas de clasificación (por ejemplo, identificación del tipo de suelo), clasificar los índices de eficiencia es estándar.

Correlación transversal y espacial

Los datos geotécnicos están inherentemente relacionados espacialmente. Las divisiones de pruebas de trenes aleatorias pueden llevar a un rendimiento sobreoptimista porque los agujeros cercanos comparten propiedades similares. La validación transversal espacial —donde los datos se dividen por grupos geográficos o por intervalos de profundidad— proporciona una estimación más realista de la generalización de modelos. Por ejemplo, una validación cruzada de k con bloques espaciales (por ejemplo, 500 m por cada célula)

Hiperparametro Tuning y Regularización

Elegir el número óptimo de capas, neuronas, tasa de aprendizaje, tamaño de lotes y función de activación puede automatizarse mediante búsqueda de cuadrícula, búsqueda aleatoria o optimización Bayesian. La parada temprana basada en la pérdida de validación evita el sobreajuste. El aumento de datos, como se mencionó, puede aumentar artificialmente el tamaño de conjunto de datos.

Estudios de casos y aplicaciones prácticas

Varios proyectos del mundo real han demostrado la eficacia del aprendizaje profundo para la estimación de la propiedad del suelo.

Predicción de la fuerza de la manada no traída en las arcillas blandas

Un proyecto de infraestructura importante en el sudeste asiático requiere caracterización de un depósito de arcilla grueso para el diseño del túnel. El muestreo tradicional dio sólo 40 puntos de datos a través de una alineación de 2 km. Una red neuronal profunda se entrenó en 300 agujeros históricos de formaciones geológicas similares en la región, utilizando los valores N del SPT, el contenido de humedad, límite líquido y la profundidad como entrada.

Liquefacción de suelo Potential Mapping Usando CNNs

Los ingenieros de California utilizaron una CNN para procesar datos CPTu para estimar el potencial de licuefacción. La entrada fue una red 2D de resistencia al cono y relación de fricción sobre profundidad, y la salida fue una clasificación binaria de licuefacción a cada profundidad.El modelo fue entrenado en datos del terremoto de Loma Prieta de 1989 y validado en el evento Northridge de 1994.

Estimación de la conductividad hidráulica de los Logros Litológicos

En un estudio de modelado de aguas subterráneas, una red LSTM fue capacitada en secuencias de profundidad de descripciones litológicas (codificadas como variables categóricas) y medición de conductividad hidráulica de pruebas de empaquetadoras. El modelo predijo con éxito perfiles de conductividad para cientos de agujeros sin muestreo a través de un acuífero de 50 km2, reduciendo el costo de pruebas adicionales de la bomba en más del 60%.

Desafíos y limitaciones

A pesar de su promesa, el aprendizaje profundo en ingeniería geotécnica enfrenta varios obstáculos que deben ser reconocidos.

Calidad y Cantidad de los datos

Muchos conjuntos de datos geotécnicos son pequeños, ruidosos o incompletos. Los registros de agujeros a menudo carecen de parámetros clave, y los análisis de laboratorio pueden tener errores sistemáticos. Los modelos de aprendizaje profundo requieren grandes cantidades de datos de alta calidad para generalizar; con datos insuficientes, pueden sobrevalorar o producir predicciones no fiables fuera del ámbito de la capacitación.

Interpretabilidad modelo

Los ingenieros y reguladores necesitan entender por qué un modelo hace una predicción particular. Los modelos de aprendizaje profundo se consideran a menudo cajas negras. Técnicas como SHAP (Explicaciones aditivas brillantes) y LIME (explicaciones modelo-agnósticas locales interpretables) pueden proporcionar importancia característica, pero no siempre capturan relaciones causales físicas. Desarrollar modelos inherentemente interpretables o incrustar restricciones de la física (por ejemplo, aumentar la fuerza con profundidad predicción).

Cambio de dominio y variabilidad espacial

Un modelo formado en datos de una región puede realizar mal en un entorno geológico diferente debido a cambios en la génesis del suelo, mineralogía y la historia del estrés. Los ingenieros deben evaluar cuidadosamente si la distribución de datos de entrenamiento coincide con el sitio de prueba. Técnicas como adaptación de dominio mediante entrenamiento contencioso o utilizando redes neuronales bayesianas para cuantificar la incertidumbre epistémica pueden ayudar a identificar cuando las predicciones son inconfiables.

Integración con los flujos de trabajo tradicionales

La mayoría de las empresas de ingeniería todavía dependen de métodos determinísticos o semi-empíricos para la estimación de la propiedad del suelo. La transición al aprendizaje profundo requiere no sólo inversiones de software y hardware, sino también un cambio cultural en cómo se planifican y ejecutan las investigaciones geotécnicas. Los proyectos piloto que comparan las predicciones de aprendizaje profundo con los resultados de pruebas tradicionales pueden generar confianza.

Futuros planes e investigaciones

El campo está evolucionando rápidamente, con varias direcciones prometedoras en el horizonte.

Multi-Fidelidad y Fusión de Datos

Combinar datos de laboratorio de alta calidad con mediciones in situ densas y de menor calidad pueden mejorar la precisión del modelo al reducir los costos. Procesos multifidelidad Gaussian y conjuntos de redes neuronales que aprenden la discrepancia entre las fuentes de datos están siendo explorados. Por ejemplo, el uso de datos CPT para predecir el tipo de comportamiento del suelo y luego calibrar un modelo de alta fidelidad con unas pruebas triaxiales mejor que las estimaciones.

Redes neuronales informadas de Física (PINNs)

Los PINNs incrustan leyes físicas (por ejemplo, la ley de Darcy para el flujo de agua subterránea, la ecuación de Terzaghi) directamente en la función de pérdida. Esto asegura que las predicciones satisfagan las ecuaciones de gobierno conocidas, mejorando las capacidades de extrapolación y proporcionando resultados físicamente consistentes. Las aplicaciones tempranas en geotécnicas incluyen predecir curvas de liquidación de consolidación y factores de estabilidad de pendiente.

Caracterización del sitio en tiempo real

Con el aumento de las plataformas de perforación automatizadas y los alimentadores de sensores en tiempo real, los modelos de aprendizaje profundo podrían proporcionar estimaciones instantáneas de propiedades del suelo durante la investigación del sitio. Un modelo formado en proyectos anteriores podría actualizar las predicciones a medida que llegan nuevos datos, permitiendo a los ingenieros adaptar el plan de muestreo en la marcha.

Robustness to Adversarial Conditions

Los errores de medición y los adiestramiento pueden degradar el rendimiento del modelo. La formación adversarial, donde el modelo está expuesto a insumos dañados intencionadamente durante la formación, puede hacer que el modelo sea más robusto. Además, combina métodos que las predicciones promedio de múltiples modelos reducen la variabilidad y mejoran la fiabilidad.

Conclusión

Los métodos basados en el aprendizaje profundo tienen una gran promesa para transformar la estimación de la propiedad del suelo en ingeniería geotécnica. Al permitir evaluaciones más rápidas, precisas y rentables, estas técnicas pueden mejorar la seguridad y eficiencia de los proyectos de construcción en todo el mundo. La integración de las arquitecturas avanzadas de modelos, el manejo adecuado de datos y la cuantificación de incertidumbres ha movido estos métodos de curiosidad académica a herramientas prácticas en proyectos selectos.