Corrección de errores por vibración en la medida absoluta de la gravedad usando una red neuronal BP

Por qué importan las pequeñas sacudidas

Incluso cuando permanecemos perfectamente quietos, el suelo bajo nuestros pies nunca está totalmente en reposo. Las olas del océano, los camiones que pasan, terremotos lejanos e incluso el viento hacen que la superficie terrestre tiemble. Para la mayoría de las personas estos movimientos pasan desapercibidos. Pero para los científicos que miden con exquisita precisión la atracción de nuestro planeta, esas minúsculas sacudidas pueden borrar por completo la señal. Este estudio presenta una solución inteligente basada en software —empleando un tipo de inteligencia artificial conocida como red neuronal— para cancelar esas vibraciones no deseadas y afinar las mediciones de la gravedad hasta niveles de unas pocas partes por mil millones.

Pesar la Tierra con objetos en caída

Los “gravedadómetros absolutos” modernos miden la gravedad cronometrando la velocidad de caída de un pequeño objeto en una cámara controlada. Un láser sigue la posición del objeto mientras cae, construyendo una trayectoria detallada a partir de la cual se calcula la intensidad local de la gravedad. Instrumentos como el ampliamente usado gravedadmetro FG5‑X ya alcanzan una precisión asombrosa, suficiente para detectar cambios sutiles en la corteza terrestre o ayudar a probar física fundamental. Sin embargo, estas medidas son extremadamente sensibles a las vibraciones del espejo de referencia del instrumento y de la estructura que lo rodea. Cuando el suelo se mueve, la señal del láser tiembla, desplazando los instantes exactos en que el instrumento estima que el objeto en caída pasa por puntos clave. Esos pequeños desplazamientos temporales se traducen directamente en errores en el valor calculado de la gravedad.

Cómo el movimiento del suelo distorsiona la caída

Los autores primero construyeron modelos matemáticos y computacionales para entender exactamente cómo distintos tipos de vibración —derivas lentas, oscilaciones curvadas y vibraciones rápidas— distorsionan la señal láser. Mostraron que cada patrón de vibración deja una huella distintiva en los errores temporales de la trayectoria del objeto en caída. Es importante destacar que estos errores no se acumulan simplemente con el tiempo; en cambio, el error en cada instante está estrechamente ligado a la vibración en ese mismo instante. Eso significa que, si se conoce suficientemente bien la señal de vibración, en principio se podría reconstruir y deshacer los errores de tiempo que provoca. El desafío es que la relación entre las lecturas crudas de vibración y los errores temporales resultantes es altamente no lineal y demasiado compleja para capturarla con fórmulas simples.

Enseñar a una red neuronal a eliminar el ruido

Para abordar esto, el equipo recurrió a una red neuronal de retropropagación (BP), un modelo común de aprendizaje automático que destaca en aprender relaciones de entrada‑salida complicadas. Generaron 100 000 ejemplos simulados de medidas de gravedad, cada uno combinando una señal ideal de caída libre con patrones de vibración realistas que abarcan desde laboratorios silenciosos y emplazamientos de campo típicos hasta entornos ruidosos. Para cada caso calcularon el error temporal exacto causado por la vibración. La red neuronal se entrenó para tomar como entrada la forma de onda de vibración medida (más información de tiempo) y producir la corrección temporal correspondiente. Para acelerar y estabilizar el proceso de aprendizaje, los autores reemplazaron el método tradicional de entrenamiento por el algoritmo de optimización Adam, que ajusta de forma adaptativa la magnitud con que la red actualiza sus pesos internos. Esta combinación permitió que el modelo convergiera más rápido y predijera errores temporales con errores medios extremadamente pequeños.

De las pruebas por ordenador a puntos de gravedad reales

Tras confirmar el método en simulaciones, los investigadores lo probaron con su propio gravedadmetro láser compacto, Tide‑010, en tres sitios muy distintos cerca de Pekín: un punto de referencia nacional de gravedad subterráneo y tranquilo, una oficina en planta baja y una zona montañosa con suelos sueltos y fuertes vibraciones ambientales. En cada lugar registraron tanto la señal de interferencia láser como el movimiento del punto de referencia usando un acelerómetro sensible. Los datos crudos se filtraron primero para eliminar ruido de muy alta frecuencia y luego se alimentaron a la red neuronal entrenada, que produjo coordenadas de tiempo corregidas para el objeto en caída. Usando estas trayectorias corregidas, el equipo recalculó la gravedad y comparó la dispersión y el sesgo de los resultados con los obtenidos mediante el ajuste “directo” convencional. En todos los casos, la red neuronal redujo la dispersión aleatoria en las lecturas de gravedad en aproximadamente un 80–85% y mantuvo los errores medios muy cercanos a cero.

Lecturas de gravedad más nítidas y su significado

Para un público general, el resultado clave es que este enfoque asistido por IA permite que un medidor de gravedad “escuche” el temblor del suelo y luego sustraiga matemáticamente su efecto, de manera análoga a unos auriculares con cancelación de ruido que eliminan el zumbido de fondo de tu música. En condiciones subterráneas silenciosas y en un edificio ordinario, las mediciones corregidas igualaron o incluso superaron el rendimiento de los mejores instrumentos comerciales, alcanzando precisiones de alrededor de uno a dos microgales —una millonésima de la aceleración que sentimos por la gravedad. Incluso en un entorno montañoso ruidoso, el método mantuvo los errores en torno a tres microgales. Esta mejora no requiere equipos voluminosos nuevos; depende principalmente de un procesamiento de datos más inteligente. Como resultado, la técnica podría ayudar a que países desarrollen sus propios gravedadmetros de alta precisión, mejorar la monitorización de terremotos y volcanes y permitir pruebas más exactas de la física fundamental, todo enseñando a los instrumentos a ver a través del constante y sutil temblor de la Tierra.

Cita: Niu, Y., Wu, Q., Zhang, Y. et al. Vibration error correction in absolute gravity measurement using BP neural network. Sci Rep 16, 14072 (2026). https://doi.org/10.1038/s41598-026-43402-1

Palabras clave: medición de la gravedad, vibración del suelo, redes neuronales, geofísica de precisión, corrección de señales