Modelo de memoria a largo plazo de redes neuronales recurrentes para detectar la punta de la pila usando datos en bruto de la prueba de integridad de pilotes

Controles más inteligentes para cimentaciones ocultas

Muchos edificios y puentes se apoyan en largas columnas de hormigón subterráneas llamadas pilotes. Como estos pilotes están enterrados, los ingenieros no pueden simplemente mirarlos para comprobar si se construyeron correctamente o hasta qué profundidad llegan. Este estudio muestra cómo un modelo de inteligencia artificial puede leer señales de vibración sutiles de una sencilla prueba con martillo y localizar automáticamente la punta del pilote—the punto donde termina en el terreno—haciendo estas comprobaciones ocultas más rápidas, más fiables y menos dependientes del criterio de un experto individual.

Cómo escuchan los ingenieros las columnas enterradas

Para examinar un pilote sin desenterrarlo, los ingenieros emplean una prueba de integridad de baja tensión. Un operario golpea la parte superior del pilote con un pequeño martillo mientras un sensor registra cómo vibra. El impacto envía una onda de esfuerzo a lo largo del pilote; cuando la onda se encuentra con un cambio—como la punta del pilote o un defecto—se refleja. Un dispositivo portátil convierte esas vibraciones en una traza llamada reflectograma, que muestra cómo cambia la señal con el tiempo o la profundidad. Ingenieros experimentados estudian esta traza, junto con la información del emplazamiento y normas como la ASTM D5882 y reglas basadas en el Eurocódigo, para valorar si el pilote está íntegro y dónde se sitúa su punta. Pero esta interpretación puede ser subjetiva, lenta y sensible al ruido y a las condiciones del suelo.

Por qué introducir el aprendizaje profundo

En los últimos años, los investigadores han probado muchos enfoques de inteligencia artificial para interpretar los datos de las pruebas de pilotes, desde redes neuronales clásicas hasta métodos basados en imágenes y clasificadores de señales. Estos enfoques a menudo requieren extraer manualmente características de las señales registradas o convertirlas en imágenes, y pueden tener dificultades para captar cómo evolucionan las ondas en el tiempo a lo largo del pilote. Los autores de este trabajo, en cambio, se centran en modelos diseñados específicamente para secuencias: redes neuronales recurrentes con memoria a largo plazo, o RNN‑LSTM. Estas redes están construidas para “recordar” lo que ocurrió antes en una serie temporal, por lo que son especialmente adecuadas para seguir una onda inducida por el martillo mientras viaja, se refleja y se atenúa dentro del pilote.

Transformar golpes de martillo en datos limpios

El equipo reunió una base de datos de 500 registros de pruebas de baja tensión procedentes de proyectos de construcción en Egipto que implicaban pilotes perforados de hormigón de 12 a 30 metros de longitud en suelos estratificados. Para cada pilote disponían de medidas de aceleración en bruto en función del tiempo y de un reflectograma correspondiente que había sido originalmente dibujado e interpretado por personas. Digitalizaron cuidadosamente estos gráficos, convirtieron la profundidad a tiempo usando velocidades de onda conocidas y normalizaron la escala vertical para que las señales de diferentes pilotes pudieran compararse. En el lado del sensor en bruto, atenuaron el ruido de alta frecuencia, estandarizaron las señales usando una escala estadística robusta y aplicaron relleno ingenioso y pequeñas variaciones aleatorias para que la red neuronal pudiera manejar secuencias de distinta longitud sin distorsionar sus patrones.

Diseño y evaluación de la red neuronal

Se probaron varias arquitecturas de red, variando el número de capas y las “neuronas” virtuales que usaba el modelo. Los investigadores buscaron un equilibrio: alta precisión en la predicción sin un aumento desmesurado del coste computacional ni una tendencia a memorizar los datos de entrenamiento. Encontraron que un modelo LSTM de seis capas con 32 unidades en cada capa alcanzaba ese compromiso. Para ayudar al modelo a seguir las partes importantes de la señal añadieron atajos entre capas y un mecanismo de atención que permite a la red centrarse en intervalos de tiempo clave. Entrenado con 400 pilotes y validado con 100 casos no vistos, el modelo final reprodujo trazas de velocidad generadas por humanos con alta precisión estadística, mostrando una fuerte concordancia entre las señales predichas y las digitalizadas.

De los números a decisiones prácticas sobre pilotes

Más allá de las métricas estadísticas, la pregunta práctica principal es si el modelo puede marcar correctamente la punta del pilote. Los investigadores inspeccionaron visualmente cada reflectograma predicho y compararon la ubicación de la punta con la referencia digitalizada. Si la coincidencia estaba dentro del 5 por ciento se calificaba como “Buena”; hasta el 10 por ciento, “Regular”; más allá de eso, “Mala”. Para el conjunto de entrenamiento, alrededor del 90 por ciento de los pilotes fueron “Buenos” y solo el 4 por ciento “Malos”. En el conjunto de validación, el 84 por ciento fueron “Buenos” y el 6 por ciento “Malos”. Estos resultados sugieren que el sistema de IA puede imitar la interpretación experta con suficiente fidelidad para ser útil en las pruebas cotidianas, al menos dentro de los rangos de longitudes de pilotes, resistencias del hormigón y tipos de ensayo con los que se entrenó.

Qué significa esto para estructuras más seguras

En términos sencillos, el estudio muestra que un modelo de aprendizaje profundo bien diseñado puede tomar el registro de vibración en bruto de un golpe de martillo sobre un pilote y dibujar automáticamente el mismo tipo de curva que usaría un especialista para encontrar la punta del pilote. Esto reduce el número de pasos manuales y el margen de error humano, manteniendo la decisión final sobre la calidad del pilote transparente y basada en gráficos familiares. Por ahora, el modelo se aplica solo a un tipo específico de sensor y a pilotes similares a los del estudio, pero apunta hacia un futuro en el que las comprobaciones rutinarias de cimentaciones ocultas sean más rápidas, coherentes y fáciles de aplicar en sitios de construcción concurridos.

Cita: Samaan, R.M., Saafan, M.S.A., Mokhtar, A.A. et al. Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test. Sci Rep 16, 6348 (2026). https://doi.org/10.1038/s41598-026-36732-7

Palabras clave: prueba de integridad de pilotes, aprendizaje profundo, red neuronal recurrente, ensayos no destructivos, ingeniería civil