Predicción de los desplazamientos de las coronas de pilotes y de la superficie del terreno alrededor de pilotes basada en algoritmos de aprendizaje automático

Por qué importan los pequeños desplazamientos subterráneos

Cuando se construyen nuevas líneas de metro o pasos elevados, miles de pilotes de hormigón profundo se introducen en el terreno para sostener las estructuras. Este apriete del suelo circundante puede empujar pilotes vecinos, carreteras, edificios y tuberías enterradas unos pocos milímetros; pero incluso movimientos tan pequeños pueden rajar el hormigón o doblar conductos. El estudio que respalda este artículo explora cómo las herramientas modernas de aprendizaje automático pueden predecir estos desplazamientos subterráneos con mayor precisión que las fórmulas tradicionales, ayudando a los ingenieros a diseñar cimientos más seguros en ciudades saturadas.

Cómo la hinca de pilotes reconfigura el suelo

Durante la construcción, pilotes largos y huecos de hormigón se presionan en suelos blandos en lugar de hincarse a martillo, un método común en proyectos urbanos como la Línea 1 del Metro de Bogotá en Colombia. A medida que cada pilote se empuja, el suelo debe desplazarse a algún lugar: se comprime lateral y hacia arriba, presionando sobre pilotes vecinos y la superficie del terreno. En casos severos esto puede causar rotura de pilotes, levantamiento de vías o daños en tuberías cercanas que pueden estar a solo decenas de centímetros. Los ingenieros han usado durante mucho tiempo teorías simplificadas que tratan cada pilote como un cilindro que se expande en el suelo para estimar estos efectos, pero esos métodos tienen dificultades para capturar la realidad compleja de suelos estratificados, disposiciones complicadas de pilotes y secuencias de construcción.

Enseñar a los ordenadores a leer la respuesta del terreno

Los investigadores recurrieron al aprendizaje automático, una rama de la inteligencia artificial en la que los ordenadores aprenden patrones a partir de datos en lugar de depender únicamente de ecuaciones escritas a mano. Recolectaron cientos de mediciones de desplazamiento horizontal en las coronas de pilotes y en puntos de monitoreo alrededor de ellos del proyecto en Bogotá. Para cada medición registraron además un conjunto de factores influyentes, incluyendo la humedad y la densidad del suelo, su rigidez, la distancia desde el punto hasta el centro del grupo de pilotes, el ángulo alrededor del grupo en que se ubicaba y cuánto tiempo había pasado desde que terminó la hinca y el suelo tuvo tiempo de asentarse.

Poner a prueba diferentes máquinas de aprendizaje

Se compararon varios tipos de algoritmos. Una red neuronal clásica conocida como red de retropropagación (BP) sirvió como referencia. El equipo la reforzó después con un enfoque llamado AdaBoost, que combina muchos predictores débiles en un “comité” más preciso, creando un modelo AdaBoost-BP. También probaron redes neuronales profundas con múltiples capas ocultas, bosques aleatorios formados por muchos árboles de decisión y un método de boosting de árboles popular llamado XGBoost. Todos los modelos se ajustaron y validaron usando validación cruzada, un procedimiento que entrena repetidamente con parte de los datos y prueba con el resto para evitar sobreajuste. Tanto en conjuntos de datos pequeños como grandes, los modelos de boosting y de aprendizaje profundo superaron claramente a la red BP básica, siendo las redes neuronales profundas las que, en particular, se ajustaron mucho mejor a las mediciones de campo.

Qué controla realmente el movimiento del terreno

Con modelos precisos en mano, los autores indagaron qué factores importaban más. Usando el análisis SHAP, una técnica que explica modelos complejos asignando a cada entrada una contribución a la predicción, encontraron que domina la geometría simple: la distancia horizontal desde el centro del grupo de pilotes y la dirección alrededor de este son los principales impulsores del desplazamiento. Los puntos más cercanos al centro tienden a moverse más, y los patrones de movimiento varían alrededor de la rosa de los vientos porque las hileras de pilotes no son perfectamente simétricas. El tiempo transcurrido desde la finalización de la hinca también juega un papel importante, reflejando la lenta readaptación y la fluencia del suelo. Entre las propiedades del suelo, el contenido de agua, la densidad relativa y el ángulo de fricción interna (una medida relacionada con cómo se traban los granos) tienen la influencia más fuerte, mientras que otros parámetros como la cohesión y el peso unitario global importan menos.

Nuevas herramientas para una construcción subterránea más segura

Al comparar sus predicciones basadas en datos con la teoría tradicional de la expansión cilíndrica, los autores mostraron que los modelos de aprendizaje automático, especialmente las redes neuronales profundas, pueden pronosticar desplazamientos horizontales en las coronas de pilotes y en puntos de la superficie con mucha mayor precisión. Para proyectos futuros—como nuevas líneas de metro—el enfoque podría usarse en la fase de diseño para probar por ordenador diferentes disposiciones de pilotes, separaciones y secuencias de construcción antes de que se perturbe el suelo, reduciendo el riesgo para edificios y tuberías cercanas. En resumen, al permitir que los ordenadores aprendan directamente de mediciones de campo detalladas, los ingenieros obtienen una imagen más nítida de cómo responderá el terreno, lo que facilita mantener estables e intactas las infraestructuras urbanas vitales.

Cita: Li, P., Guo, S., Liang, M. et al. Prediction of the displacements of the pile tops and ground surface around piles based on machine learning algorithms. Sci Rep 16, 6057 (2026). https://doi.org/10.1038/s41598-026-36502-5

Palabras clave: cimientos por pilotes, desplazamiento del suelo, aprendizaje automático, infraestructura subterránea, construcción de metro