Un modelo IGWO-MKRVM interpretable para predecir el espesor de la zona dañada por excavación en galerías

Por qué importan los túneles más seguros

Siempre que los ingenieros excavan un túnel en la roca, la excavación perturba el terreno circundante. Se forma un anillo de roca agrietada y debilitada alrededor de la abertura, conocido como la zona dañada por la excavación. Si este anillo dañado crece demasiado en espesor, las paredes del túnel pueden deformarse o incluso colapsar, poniendo en riesgo a los mineros, la infraestructura y las comunidades cercanas. El artículo resumido aquí presenta una nueva forma de predecir qué espesor alcanzará esa zona dañada en distintas condiciones geológicas, usando una mezcla de aprendizaje automático moderno y una interpretación cuidadosa para que los ingenieros comprendan no solo las respuestas, sino las razones que hay detrás.

El anillo oculto de roca debilitada

Las galerías y túneles subterráneos están rodeados por roca que ha sido comprimida y fracturada por la excavación. Esta capa afectada, el espesor de la zona dañada por excavación, controla directamente cuánto soporte se necesita para mantener seguro el túnel. Pero el espesor depende de varios factores que interactúan: la resistencia de la roca, el grado de fragmentación por juntas y grietas, la profundidad bajo la superficie y el vano del túnel. Estas influencias son fuertemente no lineales y varían de un emplazamiento a otro, por lo que fórmulas simples o incluso simulaciones avanzadas a menudo no logran dar predicciones precisas y ampliamente aplicables. Las pruebas de campo tradicionales, como el radar de penetración terrestre y las encuestas acústicas, pueden medir la zona dañada, pero son costosas y difíciles de realizar de forma rutinaria.

Usar algoritmos inteligentes para leer la roca

Para abordar este reto, los autores recopilaron 209 mediciones reales del espesor de la zona dañada procedentes de distintos tipos de minas, incluidas operaciones de carbón, oro, fosfato y plomo. Para cada caso registraron cuatro entradas clave: la resistencia de la masa rocosa, un índice de juntas que describe cuánto están fracturadas las masas de roca, la profundidad del túnel y el vano del túnel. A continuación construyeron un modelo predictivo que combina un potente motor de reconocimiento de patrones, llamado máquina de vectores de relevancia de múltiples núcleos, con un método de optimización mejorado inspirado en el comportamiento de caza de los lobos grises. El paso de optimización ajusta los parámetros internos del modelo para que pueda adaptarse mejor a las relaciones complejas en los datos manteniéndose eficiente para conjuntos de datos pequeños típicos de la ingeniería.

Cómo el modelo híbrido mejora las predicciones

El núcleo del enfoque reside en usar varias “lentes” matemáticas simples, o núcleos, a la vez para capturar tanto las tendencias amplias como las variaciones locales finas en la respuesta de la roca. El modelo combina núcleos lineales, radiales y laplacianos para poder manejar cambios suaves, saltos bruscos y mediciones ruidosas de forma conjunta. El optimizador de lobo gris mejorado potencia esto explorando el espacio de posibles configuraciones de parámetros de forma más completa. Emplea puntos de partida aleatorios diseñados cuidadosamente, una forma no lineal de pasar de una búsqueda amplia al ajuste fino, y una estrategia que propone soluciones candidatas opuestas para evitar quedar atrapado en óptimos locales pobres. Pruebas en problemas de referencia estándar muestran que este optimizador mejorado converge más rápido y con más fiabilidad que varios otros algoritmos modernos de enjambre y evolutivos.

Superando las herramientas de predicción existentes

Cuando se aplicó al conjunto de datos de túneles, el modelo integrado IGWO–MKRVM ofreció predicciones muy precisas. En casos de prueba no vistos alcanzó un coeficiente de determinación superior a 0,95 y medidas de error muy bajas, lo que significa que su predicción del espesor de la zona dañada coincidía estrechamente con las mediciones de campo. Los autores lo compararon con una gama de herramientas establecidas, incluidas redes neuronales clásicas, regresión por procesos gaussianos, híbridos basados en máquinas de vectores de soporte y un bosque aleatorio afinado. En todos los casos, el nuevo modelo produjo errores menores y un rendimiento más estable, demostrando tanto una fuerte capacidad de ajuste como una robusta generalización a nuevas condiciones geológicas.

Abrir la caja negra del aprendizaje automático

Dado que los ingenieros deben justificar las decisiones de seguridad, los autores también se centraron en hacer el modelo interpretable. Utilizaron un marco de explicación moderno llamado SHAP, que trata cada entrada como un “jugador” en un juego cooperativo y calcula cuánto contribuye a cada predicción. Este análisis reveló que el índice de juntas y la profundidad del túnel son los factores dominantes en el espesor de la zona dañada: las rocas muy juntas y los túneles más profundos tienden a producir anillos dañados mucho más gruesos. El vano del túnel y la resistencia de la roca también importan, pero en menor medida: mayores vanos aumentan el daño, mientras que una roca más resistente tiende a contenerlo. El método además desvela cómo interactúan estos factores; por ejemplo, muestra que los túneles profundos en roca débil y fuertemente conjunta son especialmente vulnerables.

Qué significa esto para la seguridad subterránea

En términos prácticos, el estudio ofrece a los ingenieros una calculadora más inteligente para predecir hasta qué distancia se extenderá el daño en la roca alrededor de un túnel, y una explicación clara de qué condiciones agravan ese daño. Al combinar un motor de aprendizaje cuidadosamente ajustado con un análisis transparente de la importancia de las variables, el método no solo supera a los modelos existentes sino que también genera confianza en sus recomendaciones. Esto puede ayudar a los diseñadores a elegir formas de túnel, sistemas de sostenimiento y estrategias de excavación más seguras adaptadas a la geología local, reduciendo en última instancia el riesgo de desprendimientos y colapsos en obras subterráneas.

Cita: Yang, R., Zhang, G., Ye, Y. et al. An interpretable IGWO-MKRVM model for predicting excavation damaged zone thickness of drift. Sci Rep 16, 13548 (2026). https://doi.org/10.1038/s41598-026-42835-y

Palabras clave: estabilidad de túneles, mecánica de rocas, aprendizaje automático, minería subterránea, seguridad geotécnica