Modelado multirriesgo adaptativo predice la rotura de presas por lluvias: un estudio de caso

Por qué importa a las personas que viven cerca de las presas

En todo el mundo, muchas presas grandes siguen en construcción o se están elevando para almacenar más agua. Durante estas fases inacabadas, las estructuras pueden ser sorprendentemente frágiles, sobre todo en estaciones de lluvia intensa. Este estudio analiza una presa etíope que sufrió daños serios en sus taludes antes de llegar a contener un embalse completo, e introduce una nueva forma de prever ese tipo de problemas con semanas de antelación. El enfoque podría ayudar a los ingenieros a pasar de reaccionar ante grietas y deslizamientos una vez que aparecen a prevenirlos antes de que amenacen a personas e infraestructuras aguas abajo.

Lluvia, terreno débil y una estructura vulnerable

La presa Megech, en el norte de Etiopía, es una presa de tierra y enrocamiento, construida capa a capa con arcilla y roca en lugar de hormigón macizo. Retrasos en la financiación y en la obra la dejaron parcialmente terminada durante varios años, con una gran abertura que permitía aún el paso del río. En ese estado, la presa tenía taludes expuestos, drenaje incompleto y capas de relleno que aún no estaban protegidas por un embalse lleno. Lluvias excepcionalmente intensas en 2020 y 2021 empaparon la estructura por arriba y por debajo, saturando el núcleo de arcilla y la cimentación. El agua se acumuló en depresiones aguas arriba, filtró por grietas y debilitó gradualmente una banda interna de la presa, provocando grietas por tensión, deslizamientos superficiales e incluso el desplazamiento pendiente abajo de un bloque de material de 24 metros de profundidad.

Mirando el interior de la presa en tres dimensiones

Para entender por qué se produjeron estas fallas, los investigadores reconstruyeron primero la presa en el ordenador con gran detalle. Combinaron planos de diseño, puntos de levantamiento topográfico e inspecciones de campo para crear un terreno digital tridimensional del valle, la cimentación y el terraplén parcialmente completado. Ensayos de laboratorio sobre muestras de arcilla y roca revelaron cuán resistentes, densas o permeables eran las distintas zonas. Al cartografiar estas propiedades a lo largo de la presa, identificaron una banda particularmente vulnerable donde el alto contenido de arcilla, bolsillos de mayor permeabilidad y una fuerte tendencia a hincharse coincidían con las grietas y deslizamientos observados. Modelos numéricos avanzados simularon entonces cómo el agua de lluvia se movía a través de la presa, cómo aumentaba la presión de poros en profundidad y cómo cambiaban las tensiones internas a medida que la estructura se saturaba.

Enseñar a un modelo a aprender de la física y de los datos

Las simulaciones tradicionales por ordenador de presas pueden ser muy precisas pero demasiado lentas y laboriosas para ejecutarse semanalmente conforme llegan nuevos datos de monitorización. Las herramientas puramente basadas en datos, como las redes neuronales estándar, pueden ser más rápidas pero a menudo pasan por alto la física subyacente y tienen dificultades cuando solo se dispone de unos pocos años de mediciones. Por eso el equipo construyó un sistema híbrido que combina las fortalezas de ambos enfoques. Una parte, basada en el método de elementos finitos, captura el comportamiento físico de la presa bajo diferentes condiciones de agua, produciendo mapas de tensiones, deformaciones y presión interna del agua. Una segunda parte, una red neuronal recurrente diseñada para seguir cambios a lo largo del tiempo, aprende cómo evolucionan la presión de poros y los desplazamientos semana a semana. Una tercera parte, una red neuronal más sencilla, aprende cómo la resistencia del suelo disminuye gradualmente a medida que se deforma y permanece húmedo. Un mecanismo de “atención” resalta las semanas pasadas que más importan para una inestabilidad próxima, haciendo las predicciones más transparentes para los ingenieros.

Detectar problemas con semanas de antelación

El modelo híbrido se entrenó y evaluó con dos años de datos de monitorización semanales de la presa Megech —que incluían lluvia, presiones internas del agua y movimientos del terreno— junto con las descripciones basadas en la física del estado de la presa. En comparación con enfoques comunes de aprendizaje automático como máquinas de vectores de soporte, bosques aleatorios o una red neuronal independiente, el nuevo marco predijo el factor de seguridad de la presa con mayor precisión y, lo que es crucial, antes. Pudo detectar la tendencia a la baja en la estabilidad a medida que avanzaban las temporadas de fuertes precipitaciones y emitió advertencias fiables hasta unas tres semanas y media antes de que se alcanzaran condiciones críticas. El componente de atención marcó automáticamente los mismos periodos que los ingenieros reconocieron luego en campo como los más peligrosos, confirmando que el modelo había aprendido precursores significativos y no patrones aleatorios.

Qué significa esto para la seguridad de presas

En términos sencillos, el estudio demuestra que mezclar simulaciones basadas en la física con algoritmos de aprendizaje modernos puede convertir datos de monitorización dispersos en un sistema de aviso temprano para fallas por lluvias en presas de tierra en construcción. Al capturar cómo el agua se filtra lentamente, cómo se acumulan las presiones internas y cómo el suelo pierde fuerza gradualmente, el marco ayuda a los ingenieros a ver debilidades ocultas antes de que se conviertan en grietas y deslizamientos visibles. Aunque se ha demostrado en una sola presa, el método está diseñado para adaptarse a otros proyectos, ofreciendo una vía hacia una gestión más proactiva y consciente del clima de la seguridad de presas durante algunos de sus años más vulnerables.

Cita: Nasser, M., Assefa, E., Assefa, S.M. et al. Adaptive multihazard modeling predicts rainfall-driven dam failure: a case study. Sci Rep 16, 11012 (2026). https://doi.org/10.1038/s41598-026-36927-y

Palabras clave: seguridad de presas, deslizamientos inducidos por lluvias, sistemas de aviso temprano, IA informada por la física, presas de tierra y enrocamiento