Predicción del factor de seguridad para terraplenes elevados de carreteras usando bosque aleatorio de efectos mixtos y optimización por colonia de abejas

Por qué importa la estabilidad de los terraplenes de carretera

Cuando conduces por una autopista construida sobre un montículo de tierra elevado, confías en que esta colina artificial no cederá de forma repentina. La seguridad de estos terraplenes elevados se valora mediante un número llamado “factor de seguridad”, que compara las fuerzas que mantienen el suelo en su lugar con las fuerzas que tienden a producir deslizamientos. Tradicionalmente, los ingenieros han confiado en cálculos manuales o en simulaciones informáticas intensivas para estimar este factor. Este estudio muestra cómo el aprendizaje automático moderno puede hacer esas predicciones más rápidas y fiables, potencialmente reduciendo el riesgo de fallos catastróficos de taludes que amenazan a personas, bienes y redes de transporte.

Construyendo miles de terraplenes virtuales

Para entrenar y evaluar sus modelos, los investigadores crearon primero un conjunto de datos grande y realista usando simulaciones numéricas avanzadas en lugar de depender únicamente de unos pocos estudios de caso reales. Modelaron terraplenes de carretera entre 6 y 30 metros de altura con muchas formas de talud diferentes, incluidos diseños escalonados que usan bancales horizontales llamados bermas para mejorar la estabilidad. Variaron propiedades clave del suelo —como la densidad, el contenido de agua, la rigidez, la resistencia al deslizamiento y la cohesión— junto con la resistencia del suelo de cimiento bajo el terraplén. Para cada uno de los 1.176 escenarios, un programa de elementos finitos calculó el factor de seguridad y buscó la superficie de deslizamiento más probable, proporcionando una “verdad de referencia” fiable frente a la cual se pudieron juzgar las predicciones de aprendizaje automático.

De modelos clásicos a bosques más inteligentes

El equipo comparó a continuación tres tipos de modelos basados en datos. El primero fue el conocido método Random Forest, que combina muchos árboles de decisión para generar predicciones robustas. El segundo, llamado Mixed Effects Random Forest, amplía esta idea al tener en cuenta explícitamente datos agrupados o “clusterizados”, exactamente la situación en trabajos geotécnicos donde conjuntos de mediciones pueden provenir del mismo emplazamiento, tipo de suelo o fase de construcción. Finalmente, introdujeron un nuevo enfoque híbrido: Mixed Effects Random Forest optimizado por Artificial Bee Colony (ABC‑MERF). Aquí, un algoritmo de optimización inspirado en el comportamiento de las abejas al buscar alimento ajusta automáticamente los numerosos parámetros del bosque de efectos mixtos para extraer un mejor rendimiento sin pruebas y errores por parte del ingeniero.

Limpiar los datos y probar las predicciones

Antes de entrenar los modelos, los investigadores prepararon cuidadosamente los datos. Identificaron valores extremos mediante un método estándar de diagrama de caja y los recortaron a límites razonables para que valores raros y anómalos no distorsionaran el proceso de aprendizaje. Todas las entradas se escalaron luego entre 0 y 1, lo que favorece al optimizador basado en abejas y mantiene las variables comparables. Los datos se dividieron en conjuntos de entrenamiento y de prueba, y un protocolo de evaluación estricto empleó varias medidas de error, incluyendo cuán cerca estaban las predicciones de los factores de seguridad simulados y cuánto de la variación en los datos podían explicar los modelos. Comprobaciones adicionales, como gráficos de residuos y pruebas estadísticas, se usaron para confirmar que los modelos no estaban simplemente memorizando los datos de entrenamiento sino aprendiendo genuinamente los patrones subyacentes.

Lo que los modelos aprendieron sobre suelos y taludes

Los tres enfoques tuvieron un rendimiento impresionante, pero el modelo ABC‑MERF resultó vencedor. Explicó más del 99 por ciento de la variación en el factor de seguridad y mantuvo los errores típicos de predicción en torno al dos por ciento del rango de seguridad. Tan importante como eso, el comportamiento del modelo tenía sentido físico. Los análisis de importancia de variables y las curvas de respuesta mostraron que el ángulo de fricción interna del suelo del terraplén y la altura del terraplén fueron los factores más influyentes, seguidos por la pendiente, la cohesión y el uso de bermas. Ángulos de fricción más altos y mayor cohesión aumentaron la estabilidad, mientras que terraplenes más altos y pendientes más pronunciadas la redujeron —exactamente lo que predice la mecánica básica de suelos. Este acuerdo entre los resultados basados en datos y la teoría de la ingeniería es crucial para que los profesionales confíen en herramientas de aprendizaje automático en diseños críticos para la seguridad.

De herramienta de investigación a asistente de ingeniería

El estudio concluye que un híbrido bien diseñado de bosques aleatorios de efectos mixtos y optimización inspirada en abejas puede proporcionar predicciones altamente precisas y con sentido físico del factor de seguridad para terraplenes elevados de carretera. Para el lector no especialista, el mensaje clave es que los ingenieros pueden ahora combinar ensayos virtuales detallados con aprendizaje automático avanzado para examinar rápidamente muchas opciones de diseño y señalar configuraciones riesgosas antes de su construcción. Aunque tales modelos no sustituyen el juicio experto ni las investigaciones específicas del emplazamiento —especialmente frente a terremotos o lluvias intensas—, ofrecen una poderosa herramienta de apoyo a la decisión para ayudar a mantener los terraplenes bajo nuestras carreteras estables y seguros durante sus largas vidas útiles.

Cita: Boufarh, R., Boursas, F., Bakri, M. et al. Factor of safety prediction for high road embankments using mixed effects random forest and bee colony optimization. Sci Rep 16, 6003 (2026). https://doi.org/10.1038/s41598-026-35431-7

Palabras clave: estabilidad de taludes, terraplenes de carreteras, factor de seguridad, aprendizaje automático, ingeniería geotécnica