Estimar la capacidad de rodamiento del suelo es un aspecto crítico de la ingeniería geotécnica. Estimaciones precisas aseguran la seguridad y estabilidad de las fundaciones para edificios, puentes y otras estructuras. Tradicionalmente, los ingenieros dependen de fórmulas empíricas y pruebas de laboratorio, que pueden ser de consumo prolongado y a veces imprecisos debido a la variabilidad inherente de las propiedades del suelo.

El papel del aprendizaje automático en la ingeniería geotécnica

Los algoritmos de aprendizaje de la máquina son especialmente adecuados para problemas geotécnicos porque pueden modelar relaciones no lineales entre parámetros del suelo y capacidad de rodamientos sin requerir una forma matemática predefinida. Esta flexibilidad permite a los ingenieros incorporar una amplia gama de variables de entrada, como tipo de suelo, densidad, contenido de humedad, fuerza de corte y compresión, en un solo modelo predictivo.

Las investigaciones indican que las predicciones de capacidad de rodamiento basadas en ML pueden reducir el margen de error en un 20-40% en comparación con los enfoques tradicionales (un estudio comparativo publicado en Computadoras y Geotécnicas]). Esta mejora es especialmente valiosa para proyectos de infraestructura a gran escala donde incluso pequeños errores en el diseño de fundaciones pueden conducir a costos significativos.

Tipos de algoritmos de aprendizaje automático utilizados

Se han aplicado varias familias de algoritmos de LM para la estimación de la capacidad de rodar. Cada una ofrece diferentes fortalezas dependiendo del volumen de datos, la complejidad de las características y las necesidades de interpretación.

  • Algoritmos de regresión:] La regresión lineal y la regresión vectorial de soporte (SVR) son puntos de partida comunes. SVR utiliza funciones de núcleo para mapear datos de entrada en espacio de mayor dimensión, capturando dependencias no lineales manteniendo al mismo tiempo la eficiencia computacional. Estos modelos producen valores de capacidad de rodamiento continuo y proporcionan una visión de la importancia.
  • Árboles de decisión y bosques aleatorios: Los árboles de decisión partían los datos basados en umbrales de características, creando reglas interpretables. Los bosques aleatorios agregan muchos árboles para reducir la sobreajuste y mejorar la generalización. Sobresalen en el manejo de clasificaciones de suelos categóricas y datos perdidos, haciéndolos prácticos para aplicaciones de campo donde no se miden todos los parámetros.
  • Redes neuronales:] Los modelos de aprendizaje profundo, desde redes simples de alimentación hasta arquitecturas más complejas como redes neuronales convocionales (CNN), pueden aprender representaciones altamente no lineales. Son particularmente eficaces cuando existen grandes conjuntos de datos, aunque requieren una afinación hiperparamétrica cuidadosa y son menos interpretables que los métodos basados en árboles.
  • Máquinas de Boosting de gran relevancia (XGBoost, LightGBM): Estos métodos de conjunto se han vuelto populares debido a su alta precisión y regularización integrada. A menudo superan otros algoritmos en datos geotécnicos tabulares y pueden manejar tipos de datos mixtos.

Elegir el algoritmo adecuado depende del tamaño de conjunto de datos, el nivel de ruido y la tolerancia del ingeniero para la complejidad de los modelos. En la práctica, una combinación de algoritmos mediante el aprendizaje conjunto a menudo produce los mejores resultados.

Ventajas de usar el aprendizaje automático

  • Exactitud mejorada: Los modelos ML logran consistentemente errores de predicción más bajos en comparación con las fórmulas empíricas, especialmente cuando se incorporan datos específicos del sitio.
  • Proceso eficiente de conjuntos de datos grandes: Con el crecimiento de bases de datos geotécnicas digitales, ML puede analizar miles de registros de agujeros y pruebas de laboratorio en minutos, tarea que llevaría semanas manualmente.
  • Adaptability to different soil types: Los modelos formados en diversos conjuntos de datos mundiales pueden ser perfeccionados para las condiciones locales, reduciendo la necesidad de realizar nuevas pruebas exhaustivas.
  • Potencial para estimaciones en tiempo real: Una vez desplegadas, los modelos de ML proporcionan predicciones instantáneas durante las investigaciones del sitio, permitiendo la rápida toma de decisiones.

Sin embargo, estas ventajas vienen con responsabilidades. La superación sigue siendo una preocupación si los modelos se entrenan en muestras pequeñas o sesgadas. La validación rígora usando datos no vistos es esencial para garantizar la fiabilidad en la práctica. Además, los ingenieros deben entender las limitaciones de cualquier modelo de caja negra y utilizar el conocimiento de dominio para interpretar los productos críticamente.

Preparación de datos y formación modelo

El éxito de los modelos de capacidad de rodamiento ML depende de la calidad y pertinencia de los datos de capacitación.

  1. Colección de datos: Reúne los parámetros del suelo de las pruebas de penetración estándar (SPT), las pruebas de penetración de cono (CPT), las pruebas triaxiales de laboratorio y las mediciones in situ. Las variables de destino (capacidad de crianza) se derivan típicamente de las pruebas de carga de placas o cálculos bien establecidos.
  2. Ingeniería de la naturaleza: Combina las mediciones en bruto en predictores significativos, por ejemplo, los recuentos de golpe normalizados, densidad relativa o relación de estrés efectiva. La experiencia de dominio es crítica aquí; incluyendo características irrelevantes pueden degradar el rendimiento.
  3. Splitting and validation: Datos de partición en el entrenamiento (70-80%), validación (10-15%), y conjuntos de pruebas (10-15%). Use k-fold cross-validation para evaluar la estabilidad del modelo. Evite la filtración de datos separando muestras del mismo sitio en sólo un doble.
  4. Selección de modelos y ajuste de hiperparametro: Utilizar búsqueda de cuadrícula o optimización bayesiana para encontrar hiperparametros óptimos (por ejemplo, número de árboles, tasa de aprendizaje, profundidad de red). Monitorear la capacitación y pérdida de validación para detectar sobrecaídos.
  5. cuantificación de la incertidumbre: Los modelos ML son deterministas; añadir capas de deserción en redes neuronales o utilizar bosques de regresión cuantitativa puede proporcionar intervalos de predicción, ayudando a los ingenieros a evaluar el riesgo.

Un ejemplo de flujo de trabajo utilizando la scikit‐learn de Python y XGBoost se describe en la Guía de aprendizaje de máquinas geotécnicas publicada por la Sociedad Internacional de Mecánica de Suelos e Ingeniería Geotécnica. Siguiendo estas directrices garantiza la reproducibilidad y la confianza en los resultados.

Casos de estudios y aplicaciones

Varios grupos de investigación han demostrado la utilidad práctica de la LM para la estimación de la capacidad de rodamiento:

  • Fundamentos de la granja eólica terrestre: Un estudio en Ingeniería Oceana utilizó un modelo forestal aleatorio formado en datos CPT de 50 sitios offshore, logrando un R2 de 0.94 cuando predijo la capacidad axial de los monopiles —significantemente superando los métodos tradicionales basados en CPT [LT] [FLT][LT]
  • Fundamentos de arcilla: Los investigadores aplicaron una red neuronal profunda a los resultados de pruebas de laboratorio de 200 muestras de arcilla. El modelo predijo la capacidad de rodamiento última dentro de ±5% de los valores medidos, en comparación con ±20% para la fórmula Skempton.
  • Diseño de terraplén de carreteras: Una agencia de transporte utilizó un impulso de gradiente para estimar la capacidad de rodamiento a lo largo de una alineación de 10 km de carretera, utilizando una combinación de topografía LiDAR, mapas de suelo y datos de agujeros limitados. El modelo permitió una reducción del 30% en costosos puntos de investigación del suelo manteniendo la confianza en el diseño.

Estos ejemplos destacan que los modelos ML pueden ser implementados de forma fiable para el diseño de bases estáticas y dinámicas cuando se entrenan en datos representativos y se validan contra mediciones independientes.

Future Directions and Challenges

A pesar de los resultados prometedores, es preciso superar varios desafíos para integrar la LM en la práctica geotécnica de rutina:

  • Calidad y estandarización de datos: Muchos conjuntos de datos históricos son incompletos o registrados en formatos inconsistentes. Es esencial establecer bases de datos geotécnicas abiertas y estandarizadas (como la Iniciativa de GeoTransform) para la formación de modelos robustos.
  • Interpretabilidad modelo: Los modelos de caja negra se encuentran a menudo con escepticismo por los organismos reguladores. Técnicas como SHAP (ExPlanaciones de Aditivos de SHAP) y parcelas de dependencia parcial pueden ayudar a explicar las predicciones y construir confianza.
  • ]Incorporación de la variabilidad espacial: La capacidad de rodamiento está inherentemente relacionada espacialmente. Combinar ML con las capas geoestadísticas (por ejemplo, kriging) y GIS, como datos de teleobservación, modelos de elevación digital y mapas de suelo, puede mejorar las predicciones espaciales.
  • Integración en tiempo real: La incorporación de ML en instrumentos de ensayo sobre el terreno (por ejemplo, los conos CPT con el procesamiento a bordo) permitiría estimaciones inmediatas de capacidad de rodamiento durante la perforación. Los modelos de computación y peso ligero (por ejemplo, las redes neuronales cuantificadas) hacen que esto sea factible.
  • Aceptación reglamentaria: Los códigos y estándares de ingeniería dependen actualmente de métodos probabilísticos deterministas o simplificados. Demostrar que los modelos ML cumplen o superan los objetivos de confiabilidad requerirá la colaboración entre investigadores, profesionales y comités de código.

Mirando hacia adelante, la fusión de ML con modelos basados en la física —a menudo llamados redes neuronales de información física (PINNs)— puede ofrecer lo mejor de ambos mundos: flexibilidad basada en datos con la adhesión a las ecuaciones geomecánicas de gobierno. Este enfoque podría manejar escenarios de datos más elegantemente y producir predicciones más físicamente consistentes.

Conclusión

Los algoritmos de aprendizaje de máquinas representan un avance significativo en la estimación de la capacidad de rodamiento, ofreciendo mayor precisión, adaptabilidad y eficiencia en comparación con los métodos empíricos tradicionales. Al tratar cuidadosamente los datos de entrenamiento, seleccionar algoritmos apropiados y validar los resultados contra las mediciones de campo, los ingenieros geotécnicos pueden aprovechar ML para diseñar bases más seguras y económicas.