Evaluación automatizada de la estabilidad de taludes mediante un método de Morgenstern-Price modificado e integración de aprendizaje automático

Por qué importan los taludes más seguros

Los deslizamientos y el colapso de taludes pueden cerrar carreteras, dañar minas y presas, y poner en riesgo a las comunidades cercanas. Los ingenieros intentan prevenir tales desastres estimando cuán cerca está un talud de la falla, pero los cálculos detallados y las simulaciones por ordenador pueden ser lentos cuando hay que revisar muchas condiciones posibles de suelo y sismo. Este estudio presenta un sistema automatizado que combina un método de ingeniería consolidado con aprendizaje automático moderno para que la seguridad de los taludes pueda evaluarse rápida y consistentemente en miles de escenarios.

Uniendo conocimientos clásicos y nuevas herramientas

Los autores se centran en lo que los ingenieros llaman el «factor de seguridad», un número único que compara las fuerzas que tienden a provocar el deslizamiento de un talud con las fuerzas que lo mantienen en su lugar. Parten de una técnica bien establecida conocida como el método de Morgenstern–Price, que divide una colina en muchas tiras verticales y equilibra las fuerzas en cada tira, incluyendo la resistencia del suelo, el peso del terreno, la presión del agua y la agitación por terremotos. Dado que este método es a la vez riguroso y ampliamente confiable, sirve como la columna vertebral física del nuevo marco. El equipo simplifica las ecuaciones lo justo para hacerlas eficientes a gran escala, manteniendo a la vez efectos importantes como el agua en el suelo y las componentes sísmicas horizontales y verticales.

Construyendo un mundo virtual de taludes

En lugar de esperar a raras fallas reales, los investigadores crearon un enorme conjunto de datos sintéticos de alrededor de 100 000 taludes “virtuales”. Cada caso varía ingredientes clave: peso del suelo, altura y ángulo del talud, cohesión y fricción (que controlan la resistencia al corte), presión del agua e intensidad sísmica, junto con un factor que aproxima las fuerzas entre tiras vecinas. Para cada uno de estos taludes artificiales, el método de Morgenstern–Price simplificado calcula un factor de seguridad. El equipo luego limpia y prepara los datos, recortando extremos poco realistas, normalizando rangos numéricos y dividiendo la colección en conjuntos de entrenamiento y prueba. Esta preparación cuidadosa asegura que los modelos de aprendizaje automático vean una distribución realista de taludes estables, límite e inestables y que las conclusiones sean estadísticamente sólidas en lugar de artefactos de datos ruidosos.

Dejando que los datos revelen lo que importa

Con los taludes sintéticos en mano, los autores preguntan qué propiedades controlan con más fuerza la estabilidad. Usando medidas de importancia de las características derivadas de modelos de aprendizaje automático basados en árboles, realizan un análisis de sensibilidad global. Los resultados se alinean con la intuición de ingeniería: la inclinación del talud es, con diferencia, el factor dominante, seguido por su altura y la resistencia cohesiva del suelo. El ángulo de fricción y la presión del agua también importan, especialmente en condiciones húmedas o saturadas, mientras que la componente vertical de la agitación sísmica tiene un efecto apreciable pero menor en el rango probado. Otras entradas, como el peso unitario del suelo y el factor de escala que representa las interacciones entre tiras, tienen una influencia relativamente menor dentro de los límites escogidos. Estos hallazgos ofrecen orientación práctica: los diseñadores deberían dedicar la mayor parte del esfuerzo a medir y controlar la geometría y la resistencia al corte del talud, y a gestionar el agua, que reduce el margen de seguridad.

Entrenando máquinas para imitar la física

A continuación, se entrenan nueve algoritmos diferentes de aprendizaje automático para predecir el factor de seguridad directamente a partir de las entradas del talud, usando los cálculos basados en física como señal de enseñanza. Estos incluyen redes neuronales, árboles de decisión, bosques aleatorios y varios métodos modernos de «boosting» que combinan muchos modelos simples en un conjunto potente. Todos los modelos se someten a ajuste sistemático y comprobaciones cruzadas con múltiples métricas de rendimiento para evitar el sobreajuste. Muchos funcionan muy bien, pero un algoritmo, CatBoost, destaca: en datos de prueba no vistos reproduce el factor de seguridad con precisión casi perfecta, manteniéndose más estable que modelos de árbol más simples que tienden a memorizar el conjunto de entrenamiento.

Un asistente automatizado, no una bola de cristal

Finalmente, los autores integran todo el proceso —desde la generación de taludes sintéticos y la ejecución de los cálculos de Morgenstern–Price hasta el entrenamiento, la evaluación y la selección del mejor modelo de aprendizaje automático— en una canalización reutilizable basada en Python. Este marco automatizado puede estimar muy rápidamente la seguridad de taludes a través de amplias combinaciones de suelo, geometría, agua y condiciones sísmicas, lo que lo hace atractivo para cribar diseños, explorar escenarios hipotéticos o apoyar herramientas de decisión en tiempo real. Sin embargo, el sistema solo es tan general como las suposiciones que lo sustentan: los taludes se tratan como bidimensionales y formados por suelo uniforme, y el aprendizaje automático aprende a imitar el método de Morgenstern–Price, no a predecir directamente el comportamiento real en campo. Los autores, por tanto, ven su trabajo como una herramienta de apoyo a la decisión rápida y escalable que complementa, en lugar de reemplazar, simulaciones numéricas detalladas e investigaciones específicas del sitio.

Cita: Showkat, M., Ghani, S., Paramasivam, P. et al. Automated slope stability assessment using modified Morgenstern-Price method and machine learning integration. Sci Rep 16, 9952 (2026). https://doi.org/10.1038/s41598-026-38670-w

Palabras clave: estabilidad de taludes, riesgo de deslizamientos, ingeniería geotécnica, aprendizaje automático, peligros sísmicos