Mejorando la predicción de la capacidad portante de punta de pilotes empotrados en roca mediante modelos XGBoost optimizados y aumentados con ruido gaussiano

Construir sobre roca en lugar de conjeturas

Cuando los ingenieros diseñan puentes y rascacielos, frecuentemente recurren a cimientos profundos que se extienden hasta roca sólida. La resistencia de estos “pilotes empotrados en roca” es crucial para la seguridad y el coste, pero la verdadera capacidad en la punta es difícil de medir directamente. Este estudio muestra cómo las herramientas modernas de aprendizaje automático, combinadas con trucos inteligentes para generar datos, pueden ofrecer a los ingenieros estimaciones mucho más precisas de la carga que estos cimientos profundos pueden soportar de forma segura —lo que podría ahorrar costes en la construcción sin sacrificar la seguridad estructural.

Por qué es tan difícil juzgar los cimientos profundos

Los pilotes empotrados en roca son grandes columnas de hormigón perforadas a través de suelos más débiles y ancladas en roca más resistente. En teoría, cuanto más dura sea la roca y mejor la construcción, más peso puede soportar un pilote en su punta. En la práctica, la situación es compleja: pueden acumularse lodos o lechada en el fondo del agujero, la rugosidad y la forma del empotramiento varían, y las cavidades o grietas ocultas en la roca son difíciles de detectar. Debido a estas incertidumbres, los diseñadores suelen ser conservadores asumiendo poco o ningún apoyo por parte de la punta del pilote, lo que conduce a cimientos más largos y caros de lo quizá necesario.

De las fórmulas sencillas a predicciones más inteligentes

Los métodos previos para estimar la capacidad de los pilotes se basaban en ecuaciones simplificadas o en modelos computacionales tradicionales. Estos suelen centrarse en un puñado de propiedades —como la resistencia a la compresión de la roca— y tratan la masa rocosa de forma idealizada. En los últimos años, los investigadores han empezado a emplear técnicas de inteligencia artificial para aprender directamente de bases de datos de ensayos de carga, en los que los pilotes se han ensayado hasta que su comportamiento queda bien caracterizado. Estos enfoques pueden manejar muchas entradas a la vez, incluyendo diámetro del pilote, profundidades en suelo y roca, y medidas de la calidad de la roca, pero también son "cajas negras" que pueden sobreajustarse cuando los datos son limitados.

Alimentando el algoritmo con datos reales y sintéticos

Los autores partieron de un conjunto publicado de 151 ensayos de pilotes empotrados en roca que registraban el factor de capacidad de punta (una medida de la carga que la punta puede soportar) junto con ocho características descriptivas. Tras limpiar cuidadosamente los datos para eliminar valores atípicos y huecos, conservaron 136 pilotes reales. Para superar el reducido tamaño de la muestra —un problema común en ingeniería geotécnica— crearon datos adicionales “sintéticos” añadiendo ruido gaussiano suave y aleatorio a los registros existentes. Esto produjo un conjunto mayor y estadísticamente coherente de 460 pilotes que preservó los patrones originales al tiempo que ofreció más variedad para entrenar los modelos de aprendizaje automático.

Entrenando y afinando las máquinas de aprendizaje

El equipo se centró en un algoritmo llamado Extreme Gradient Boosting, o XGBoost, que combina muchos árboles de decisión simples en un predictor potente. Para obtener el mejor rendimiento de XGBoost, lo combinaron con tres esquemas de optimización inspirados en la naturaleza basados en reglas aritméticas, comportamiento de lluvia de ideas y estrategias de caza de ballenas. Estos optimizadores ajustaron automáticamente parámetros clave —como la profundidad de los árboles y la tasa de aprendizaje— para encontrar un equilibrio entre ajustar los datos conocidos y evitar el sobreajuste. Entre las variantes, el modelo XGBoost afinado mediante el Algoritmo de Optimización Aritmética (XGBoost_AOA) se mostró como el más preciso y estable.

Lo que los modelos aprendieron sobre la roca y los pilotes

Usando solo los 136 pilotes originales, el modelo optimizado ya superaba a métodos anteriores. Al entrenarlo con el conjunto ampliado de 460 pilotes, su precisión mejoró dramáticamente: los errores de predicción se redujeron a una fracción de su tamaño anterior y la concordancia entre capacidades predichas y observadas se aproximó mucho a la línea ideal uno a uno. El análisis también reveló qué entradas eran más importantes. La resistencia a compresión de la roca y una clasificación de macizo rocoso fueron los predictores dominantes, mientras que el diámetro del pilote y el nivel de carga global también desempeñaron papeles relevantes. Medidas estrechamente relacionadas entre sí, como dos puntuaciones diferentes de calidad de la roca, resultaron altamente redundantes, lo que subraya cómo la información solapada puede fomentar el sobreajuste si no se gestiona con cuidado.

Del código de investigación a una herramienta práctica

Para que los resultados fueran utilizables fuera del laboratorio, los autores encapsularon su modelo de mejor rendimiento en una interfaz informática fácil de usar. Los ingenieros pueden introducir parámetros básicos del pilote y la roca y recibir una estimación inmediata de la capacidad en la punta, junto con pruebas de que el modelo ha sido verificado frente a casos históricos independientes. Aunque el enfoque sigue dependiendo de la calidad y el rango de los datos subyacentes, demuestra cómo la combinación de aprendizaje automático, generación de datos sintéticos y herramientas de interpretabilidad puede convertir resultados de ensayos dispersos en una ayuda práctica para el diseño —ayudando a reducir conjeturas, recortar conservadurismos innecesarios y diseñar cimientos más seguros y económicos.

Cita: Khatti, J., Fissha, Y. & Cheepurupalli, N. Improving end-bearing capacity prediction of rock-socketed shafts using Gaussian-augmented optimized extreme gradient boosting models. Sci Rep 16, 7664 (2026). https://doi.org/10.1038/s41598-026-38646-w

Palabras clave: pilotes empotrados en roca, cimientos profundos, aprendizaje automático, aumento de datos, ingeniería geotécnica