Evaluación mediante aprendizaje automático de los factores de resistencia al corte en mezclas suelo-roca para rellenos de subestaciones en montaña

Por qué esto importa para mantener la electricidad en servicio

Las ciudades en expansión situadas en zonas montañosas necesitan subestaciones que entreguen electricidad con seguridad, a menudo ubicadas sobre laderas excavadas y rellenadas. En lugar de transportar tierra de construcción ideal, los ingenieros reutilizan cada vez más el material de desecho local compuesto por suelo mezclado con fragmentos de roca. Estas mezclas suelo–roca son económicas y sostenibles, pero su comportamiento bajo carga es difícil de predecir, lo que aumenta el riesgo de asentamientos desiguales o incluso de fallos en la ladera debajo de equipos eléctricos vitales. Este estudio muestra cómo una forma sencilla de inteligencia artificial puede examinar muchas propiedades del terreno que interactúan para identificar cuáles son las más importantes para mantener estables estas subestaciones en montaña.

Terreno reciclado, comportamiento complejo

En terreno escarpado, construir una plataforma nivelada para una subestación suele requerir cortar algunas pendientes y rellenar otras. Para controlar costos y el tráfico de camiones, los contratistas reutilizan con frecuencia los residuos locales compuestos por arcilla, roca volcánica meteorizada y fragmentos de basalto más duro. En conjunto forman mezclas suelo–roca: materiales irregulares y heterogéneos cuya resistencia depende de cuánto agua contienen, de qué tan compactados están y de cómo la fracción fina aglutina las piedras mayores. Debido a que la mezcla puede variar de un lugar a otro y entre capas, el terreno puede asentarse de forma desigual bajo transformadores pesados, poniendo en peligro componentes eléctricos delicados que requieren movimientos muy pequeños.

De ensayos de laboratorio a un modelo de aprendizaje

Los investigadores recolectaron materiales representativos de un emplazamiento de subestación en el suroeste de China, luego los trituraron, tamizaron y mezclaron para crear combinaciones controladas. En el laboratorio compactaron estas mezclas en muestras estándar y realizaron ensayos directos de corte bajo diferentes presiones, imitando las cargas presentes en las capas de relleno. Para cada muestra midieron propiedades físicas clave: su densidad en seco, su contenido de agua, el espacio vacío entre granos (índice de vacíos) y dos límites simples que describen hasta qué grado la fracción fina puede mojarse antes de comportarse más como una pasta o un líquido. Estas medidas, junto con la resistencia al corte resultante (desglosada en fricción y cohesión), conformaron un conjunto de datos de 112 casos cuidadosamente preparados.

Enseñando a una red neuronal sobre suelo y roca

En lugar de forzar estas relaciones enrevesadas en fórmulas simples, el equipo entrenó una red neuronal feedforward, un modelo básico de aprendizaje automático que aprende patrones directamente a partir de los datos. El modelo tomó las cinco propiedades medidas del terreno como entradas y aprendió a predecir dos salidas: cuánto se adhiere la mezcla (cohesión) y cuánto resiste el deslizamiento (ángulo de fricción interna). Ajustaron los parámetros de la red y compararon su rendimiento con herramientas más tradicionales como regresión lineal, métodos de los vecinos más cercanos y bosques aleatorios. Usando verificaciones cruzadas repetidas sobre datos reservados, la red neuronal produjo de manera consistente predicciones precisas, ajustándose estrechamente a los valores de resistencia medidos y superando ligeramente a las alternativas en este conjunto de datos de tamaño moderado.

¿Qué propiedades del terreno importan realmente?

Una vez que dispusieron de un modelo fiable, los autores lo estudiaron para ver qué entradas impulsaban sus predicciones. Utilizaron los pesos de las conexiones internas de la red como una especie de «puntuación de influencia» para cada propiedad. El contenido de humedad surgió como el factor principal, representando aproximadamente entre una cuarta y una tercera parte de la variación tanto en cohesión como en fricción. Cuando la mezcla se humedece en exceso, las películas de agua lubrican los contactos entre granos y debilitan las uniones entre partículas, reduciendo bruscamente la resistencia. El límite plástico de la fracción fina —el contenido de agua en el que deja de comportarse como un sólido frágil y comienza a fluir— fue casi igual de importante, especialmente para la fricción. La densidad seca y el índice de vacíos también influyeron, pero en menor medida, principalmente al alterar el grado de entrelazamiento de las partículas. En conjunto, estos resultados confirman la intuición geotécnica de siempre a la vez que cuantifican la importancia relativa de cada factor.

Orientaciones prácticas para subestaciones de montaña más seguras

Para los ingenieros, la conclusión principal es sencilla: en rellenos reciclados de suelo–roca bajo subestaciones, controlar el agua y el comportamiento plástico de la matriz fina es más crítico que cualquier otra propiedad individual. Al centrar las pruebas y los controles de construcción en el contenido de humedad, los límites plástico y líquido y la calidad de la compactación, los proyectistas pueden predecir mejor cómo soportará la carga el terreno y dónde son más probables los riesgos de asentamiento. Aunque los valores exactos proceden de una región específica del suroeste de China, el flujo de trabajo —combinando ensayos de laboratorio dirigidos con un análisis transparente mediante red neuronal— ofrece un manual reutilizable para proyectos similares en todo el mundo, convirtiendo el material de desecho heterogéneo en una base más predecible.

Cita: Huang, X., Liao, J., Ke, H. et al. Machine learning-based evaluation of shear strength factors in soil-rock mixtures for mountain substation fills. Sci Rep 16, 5775 (2026). https://doi.org/10.1038/s41598-026-36601-3

Palabras clave: mezclas suelo-roca, cimientos de subestaciones en montaña, resistencia al corte, contenido de humedad, aprendizaje automático en ingeniería geotécnica