Técnica sustituta basada en XGBoost para el análisis de fiabilidad de sistemas de cimentación sobre cavidades apoyada con bootstrapping

Por qué importan los huecos ocultos bajo los edificios

Las ciudades se construyen cada vez más sobre antiguas minas, túneles y otras cavidades subterráneas. Esos vacíos ocultos pueden socavar lentamente el terreno, provocando que los edificios se inclinen, se agrieten o incluso colapsen. Los ingenieros intentan diseñar cimentaciones que se mantengan seguras frente a esos riesgos, pero los métodos tradicionales para comprobar la seguridad ante muchas condiciones posibles pueden consumir muchísimo tiempo. Este estudio muestra cómo las herramientas modernas de aprendizaje automático pueden acelerar esas comprobaciones y hacerlas más realistas, ayudando a proteger las estructuras edificadas sobre cavidades.

Cimentaciones sobre riesgos del terreno no vistos

La cimentación de un edificio debe cumplir dos funciones principales: no debe romper el terreno por aplastamiento (capacidad portante) y no debe hundirse o inclinarse en exceso (asentamiento). Las cavidades bajo la superficie —dejadas por minería, excavación o procesos naturales— dificultan ambas funciones. El suelo puede desplazarse o colapsar hacia el vacío, reduciendo el apoyo de la cimentación con el tiempo. El diseño tradicional a menudo se apoya en un único “factor de seguridad”, que compara la resistencia aparente del sistema de cimentación con la que se necesita. Pero los suelos reales varían de un lugar a otro y cambian con el tiempo, por lo que un solo factor de seguridad puede ocultar riesgos importantes.

De simulaciones costosas a sustitutos inteligentes

Para explorar estos riesgos adecuadamente, lo ideal sería ejecutar miles de simulaciones detalladas que varíen la resistencia del suelo, la forma de la cavidad y otros factores. En la práctica eso es demasiado lento. Los autores crearon en su lugar un gran conjunto de datos de 272 simulaciones de alta calidad de una zapata corrida sobre una cavidad circular usando un programa geotécnico especializado. Luego entrenaron un modelo de aprendizaje automático llamado XGBoost para imitar esas simulaciones, prediciendo tanto la capacidad portante como el asentamiento a partir de entradas como peso del suelo, cohesión, ángulo de fricción, profundidad de la cavidad y rigidez. El modelo sustituto reprodujo con alta precisión las simulaciones detalladas, especialmente la capacidad portante, lo que significa que puede actuar como un sustituto rápido para los cálculos más costosos.

Comprender datos desordenados e incertidumbre

Los datos geotécnicos reales rara vez se ajustan de forma ordenada a suposiciones estadísticas simples: pueden estar sesgados, presentar múltiples picos y mostrar gran dispersión. Los autores probaron sistemáticamente muchas transformaciones matemáticas para que sus valores predichos de capacidad portante y asentamiento se comportaran más como curvas en forma de campana ideales. Ninguna funcionó perfectamente por sí sola. Encontraron el mejor equilibrio aplicando primero una transformación logarítmica y luego usando una técnica llamada bootstrapping, que remuestrea repetidamente los datos para construir una distribución empírica. Esta combinación les permitió describir la incertidumbre de forma robusta sin forzar los datos a una forma irrealista.

Calcular probabilidades de fallo hoy y en el futuro

Con el modelo sustituto y el tratamiento de datos mejorado, el equipo empleó simulación Monte Carlo para estimar con qué frecuencia fallarían las cimentaciones bajo dos criterios: pérdida de capacidad portante y asentamiento excesivo. Encontraron que el límite de asentamiento era más crítico que la capacidad portante, aumentando la probabilidad de fallo en casi un 30 por ciento cuando se consideraba por sí solo. Cuando ambos criterios se combinaron en una visión de sistema —donde se considera fallo si se viola cualquiera de los dos—, la probabilidad global de fallo aumentó aún más, en más de un 50 por ciento en comparación con mirar sólo la capacidad portante. El estudio también exploró cómo podría degradarse la seguridad a lo largo de décadas reduciendo gradualmente la capacidad portante y aumentando el asentamiento esperado. Bajo esas tendencias asumidas, los índices de fiabilidad disminuyeron de forma sostenida, aproximándose a un nivel de riesgo equivalente a lanzar una moneda tras más o menos un siglo.

Lo que esto significa para un diseño de edificaciones más seguro

Para quienes no son especialistas, el mensaje clave es que la seguridad de los edificios sobre cavidades subterráneas no puede juzgarse de forma fiable mediante un único factor de seguridad ni verificando solo un modo de fallo. Al emparejar un sustituto de aprendizaje automático bien entrenado con un tratamiento estadístico cuidadoso y simulación Monte Carlo, los ingenieros pueden explorar rápida y ampliamente miles de escenarios “qué pasaría si”, teniendo en cuenta propiedades del suelo inciertas, geometría de la cavidad y cambios dependientes del tiempo. Este enfoque revela que el asentamiento y el comportamiento a nivel de sistema pueden gobernar el riesgo, incluso cuando la capacidad portante parece holgada. En términos prácticos, el marco ofrece una manera más rápida y realista de señalar cimentaciones que pueden parecer seguras en los planos pero volverse vulnerables a medida que el terreno evoluciona debajo de ellas.

Cita: Shubham , K., Metya, S., Sinha, A.K. et al. XGBoost based surrogate technique for system reliability analysis of foundation over cavity aided with bootstrapping. Sci Rep 16, 7113 (2026). https://doi.org/10.1038/s41598-026-37058-0

Palabras clave: fiabilidad de cimentaciones, cavidades subterráneas, aprendizaje automático, simulación Monte Carlo, ingeniería geotécnica