Estimación del asentamiento inducido por licuefacción de cimentaciones superficiales mediante aprendizaje automático con datos desbalanceados

Por qué importa el terreno que tiembla para los edificios cotidianos

Cuando ocurre un terremoto fuerte, un suelo que parece sólido puede comportarse momentáneamente como un líquido, haciendo que los edificios se hundan, se inclinen o agrieten. Este fenómeno, llamado licuefacción, ha dañado viviendas e infraestructuras en muchos terremotos recientes, desde Turquía hasta Japón. Los ingenieros saben que incluso unos pocos decenas de centímetros de asentamiento desigual pueden dejar un edificio inseguro o inutilizable. Sin embargo, predecir cuánto se hundirá un edificio concreto, a partir de datos escasos del lugar, sigue siendo difícil. Este estudio explora cómo las herramientas modernas de aprendizaje automático pueden convertir historiales dispersos de terremotos reales en una manera práctica de anticipar daños relacionados con la licuefacción y orientar diseños más seguros, decisiones de seguros e inspecciones post-desastre.

De informes dispersos a un conjunto de datos sísmicos global

Los investigadores empezaron reuniendo una base de datos mundial de 206 edificios que experimentaron fallas de suelo relacionadas con licuefacción durante terremotos pasados. Para cada caso, recopilaron información sencilla que suele estar disponible en la práctica: la intensidad de las sacudidas en el sitio, la altura y el ancho totales del edificio, la presión que el edificio ejerce sobre su cimentación y propiedades clave de las capas de suelo subyacentes—especialmente la profundidad de la primera capa susceptible de licuarse y su espesor. En lugar de intentar calcular un asentamiento exacto en centímetros, agruparon los resultados en cuatro niveles de daño, desde ausencia de asentamiento visible hasta hundimiento e inclinación extensos. Este “índice de fallo del terreno” convierte mediciones desordenadas del mundo real en categorías claras que pueden usarse para entrenar y evaluar modelos de aprendizaje automático.

Enseñar a las computadoras a detectar patrones peligrosos en datos desiguales

Los registros sísmicos reales están lejos de ser ordenados: algunos tipos de daño son comunes mientras que otros son raros, y las variables de entrada pueden contener valores atípicos y ruido. En este conjunto de datos, los casos de daño severo fueron mucho más frecuentes que los moderados, creando un fuerte desbalance que puede llevar a muchos algoritmos a pasar por alto la clase más rara. Para abordarlo, los autores combinaron sistemáticamente varias estrategias. Limpiaron los datos con métodos de filtrado de atípicos y luego exploraron dos enfoques complementarios para manejar el desbalance: copiar artificialmente casos minoritarios (sobremuestreo aleatorio) y decirle a los algoritmos que traten los errores en las clases raras como más costosos (aprendizaje con costo sensible). Para evitar resultados excesivamente optimistas, todos estos pasos se integraron en un flujo de trabajo estricto libre de fugas de información, en el que los datos de prueba permanecieron completamente desconocidos durante el entrenamiento, la optimización y el remuestreo del modelo.

¿Qué factores y modelos capturan mejor el riesgo de asentamiento?

Se probaron varios modelos de uso amplio, incluidos bosques aleatorios, métodos de potenciación por gradiente, una red neuronal artificial y un ensamblado que promedia las predicciones de varios modelos. Dado que la precisión global puede ocultar un mal desempeño en niveles de daño raros pero importantes, el equipo enfatizó la recuperación (recall)—qué proporción de los casos realmente severos el modelo detecta correctamente—como métrica clave. Gradient Boosting y un ensamblado de modelos basados en árboles emergieron como las opciones más fiables, especialmente cuando se combinaron con sobremuestreo aleatorio, tratamiento cuidadoso de atípicos y umbrales de decisión afinados. Para entender en qué se estaban fijando los modelos, los autores usaron SHAP, una herramienta que descompone cada predicción en contribuciones de características individuales. Este análisis mostró que la profundidad hasta la primera capa susceptible de licuefacción fue el factor más influyente, seguido por la intensidad de la sacudida y la geometría básica de la cimentación, como el ancho del edificio. En términos sencillos, capas superficiales y fácilmente licuables bajo cimentaciones estrechas se asociaron de manera consistente con los daños más graves.

Poner a prueba el enfoque en estudios de caso reales de terremotos

Para comprobar si sus métodos funcionarían fuera de la muestra de entrenamiento, los investigadores aplicaron los modelos finales a cuatro estudios de caso detallados de terremotos bien conocidos, incluidos el evento de Loma Prieta de 1989 en California, el terremoto de Kocaeli de 1999 en Turquía, la secuencia de Kumamoto de 2016 en Japón y el terremoto de Kahramanmaraş de 2023 en Turquía. En estos ejemplos, las únicas entradas fueron estimaciones sencillas de la intensidad de sacudida, dimensiones y cargas del edificio, y la profundidad y el espesor de las capas susceptibles de licuefacción obtendias en pruebas de campo. Los modelos coincidieron en general con la severidad observada del asentamiento, identificando correctamente tanto niveles de daño leves como extensos. En un caso, el modelo se equivocó deliberadamente por el lado de la seguridad al predecir una clase de daño más alta que la reportada. Los autores sostienen que en escenarios de alto riesgo como la resiliencia sísmica, tales predicciones conservadoras son preferibles a pasar por alto edificios severamente dañados.

Una ayuda basada en datos para ciudades más seguras sobre suelos blandos

Este trabajo no reemplaza las fórmulas tradicionales basadas en física para el asentamiento, que siguen siendo esenciales cuando hay disponibles resultados detallados de ensayos de suelo. En su lugar, ofrece una herramienta complementaria: una forma transparente y basada en datos de clasificar edificios en amplias categorías de riesgo usando un pequeño conjunto de parámetros recopilados de manera rutinaria. Al manejar con cuidado datos desbalanceados, evitar sesgos ocultos en la evaluación y revelar qué características del suelo y del edificio importan más, el marco de aprendizaje automático propuesto proporciona a ingenieros, planificadores y aseguradoras una ayuda práctica de alerta temprana. En regiones construidas sobre suelos blandos y saturados de agua, puede ayudar a priorizar qué edificios son más propensos a sufrir hundimientos e inclinaciones peligrosas cuando ocurra el próximo gran terremoto.

Cita: Sargin, S., Korkmaz, G., Yildirim, A.K. et al. Estimation of liquefaction-induced settlement of shallow foundation by machine learning with imbalanced data. Sci Rep 16, 11198 (2026). https://doi.org/10.1038/s41598-026-41969-3

Palabras clave: licuefacción del suelo, ingeniería sísmica, aprendizaje automático, asentamiento de edificios, riesgo sísmico