Método basado en aprendizaje automático para determinar parámetros regionales del modelo HSS: un estudio de caso en Qingdao, China

Por qué las excavaciones urbanas necesitan herramientas más inteligentes

Cuando los ingenieros excavan fosos profundos para sótanos, estaciones de metro o garajes subterráneos en ciudades densamente pobladas, incluso unos pocos milímetros de movimiento del terreno no previsto pueden agrietar edificios cercanos o dañar tuberías enterradas. Para proteger a las personas y la infraestructura, los ingenieros dependen de modelos informáticos que predicen cómo se deformará el suelo durante la excavación. Este artículo muestra cómo el aprendizaje automático puede reducir drásticamente el tiempo y el coste necesarios para ajustar uno de los modelos de suelo más avanzados en una ciudad costera de China, manteniendo al mismo tiempo una coincidencia con mediciones reales con notable precisión.

Cómo los ingenieros suelen estimar el movimiento del terreno

Los sitios de construcción modernos suelen usar el método de elementos finitos, una técnica numérica que divide el terreno y las estructuras de contención en muchos elementos pequeños y calcula cómo se deforma cada uno conforme cambian las cargas. Para que funcione bien, este enfoque necesita una descripción realista del comportamiento del suelo, especialmente en excavaciones profundas rodeadas de rascacielos y servicios subterráneos. Una opción ampliamente respetada es el modelo “hardening soil small‑strain” (HSS), que captura cómo la rigidez del suelo cambia con la historia de esfuerzos y con movimientos muy pequeños. Sin embargo, este modelo requiere muchos parámetros de entrada, y algunos de ellos varían considerablemente según la zona. Tradicionalmente, esos parámetros se obtienen mediante ensayos especializados de laboratorio sobre muestras de suelo, que son costosos y requieren mucho tiempo. Como resultado, los modelos más precisos suelen estar infrautilizados en proyectos cotidianos.

Detectar qué números del suelo importan realmente

Los autores primero revisaron datos de ensayos publicados de varias ciudades chinas para entender qué parámetros del modelo avanzado controlan realmente cómo se deforma una excavación profunda. Compararon valores clave de rigidez con una magnitud más familiar, el módulo de compresión, y examinaron estas proporciones para tipos de suelo comunes como relleno, arcilla limosa y arena media‑fina. Dos medidas de rigidez relacionadas con el comportamiento de compresión rutinario resultaron aproximarse a una relación uno a uno con el módulo de compresión y mostraron baja sensibilidad al movimiento de la excavación. En contraste, otras dos medidas de rigidez —una vinculada a cómo el suelo recupera su forma cuando se retiran las cargas y otra relacionada con su comportamiento a deformaciones muy pequeñas— variaron ampliamente entre regiones y tuvieron una fuerte influencia en los desplazamientos predichos. Esta observación permitió al equipo tratar algunos parámetros como casi fijos mientras centraban su atención en los pocos que realmente gobiernan la deformación local.

Enseñar a una red neuronal a interpretar el comportamiento del foso

Con ese conocimiento, los investigadores utilizaron una excavación profunda en Qingdao como banco de entrenamiento. Los suelos del sitio incluían relleno, arcilla limosa y arena media‑fina apoyadas sobre granito meteorizado. Diseñaron un conjunto sistemático de combinaciones de parámetros para las dos rigideces sensibles en cada capa de suelo y ejecutaron una serie de simulaciones tridimensionales de la excavación. Para cada combinación registraron cuánto se doblaron los muros de contención y cómo se asentó la superficie del terreno en puntos de monitoreo seleccionados. Estas entradas y salidas emparejadas formaron un conjunto de datos para entrenar una red neuronal de retropropagación, un modelo de aprendizaje automático sencillo que aprende a vincular causas y efectos. Tras el entrenamiento, la red podía tomar unas pocas mediciones reales de movimientos de muros y del terreno y, rápidamente, inferir qué parámetros de rigidez del suelo debieron producirlos.

Comprobar el método en obras reales

Para evaluar si este “detective del suelo” virtual era fiable, los autores aplicaron los valores de rigidez inferidos a dos excavaciones profundas independientes en Qingdao que emplearon pilotes y anclajes. Construyeron modelos numéricos con los parámetros obtenidos y compararon las deflexiones de muro y los asentamientos de superficie predichos con los datos de monitorización de campo recogidos durante la construcción. Las diferencias fueron sorprendentemente pequeñas: los errores absolutos medios típicos quedaron por debajo de medio milímetro, y los errores cuadráticos medios fueron igualmente reducidos. En otras palabras, las simulaciones reprodujeron el comportamiento observado de las excavaciones con un nivel de exactitud más que suficiente para verificaciones de seguridad y refinamiento del diseño.

Qué significa esto para construir bajo tierra de forma más segura y económica

Para no especialistas, el mensaje principal es que el estudio demuestra cómo una cantidad modesta de monitorización del sitio, combinada con simulaciones cuidadosamente diseñadas y una red neuronal, puede sustituir muchas rondas de costosos ensayos de laboratorio. Al aislar las pocas propiedades del suelo que importan y dejar que el aprendizaje automático las afine para que coincidan con las deformaciones reales, los ingenieros pueden emplear modelos del terreno más sofisticados sin un esfuerzo prohibitivo. Para los suelos típicos de Qingdao, los autores incluso proporcionan ratios listos para usar entre las rigideces sensibles y medidas de compresión estándar, ofreciendo a los proyectistas un atajo práctico. En términos generales, el enfoque apunta hacia un futuro en el que la construcción subterránea esté guiada por modelos calibrados localmente y basados en datos, que mejoren los márgenes de seguridad sin disparar costes ni plazos de los proyectos.

Cita: Yuan, C., Zhang, Q., Feng, H. et al. Machine learning-based method for determining regional parameters of the HSS model: a case study of Qingdao, China. Sci Rep 16, 13124 (2026). https://doi.org/10.1038/s41598-026-43150-2

Palabras clave: excavación profunda, modelado del suelo, aprendizaje automático, redes neuronales, deformación del terreno