Pronóstico mejorado de fricción y cohesión de suelos no saturados aumentados con adición de finos de cantera nanoestructurados (NQF)

Por qué importa un suelo más resistente en la vida cotidiana

Carreteras, terraplenes y cimentaciones dependen de la resistencia del suelo que las sustenta. En muchas regiones tropicales, ese suelo es una arcilla laterítica sensible a la humedad que puede debilitarse al mojarse y reforzarse al secarse, provocando grietas, huellas y reparaciones costosas. Este estudio explora cómo hacer esos suelos más resistentes y predecibles añadiendo polvos minerales reciclados y luego utilizando inteligencia artificial para pronosticar el comportamiento del suelo tratado. El objetivo es infraestructura más segura y duradera con menos ensayos de prueba y error en el laboratorio.

Convertir residuos locales en aditivos útiles para el suelo

Los investigadores partieron de un suelo laterítico problemático del sur de Nigeria, clasificado como altamente plástico con un contenido de arcilla considerable y una resistencia al corte natural modesta. Combinaron este suelo con dos tipos de materiales finamente molidos, en gran parte derivados de residuos. Uno es un “cemento híbrido” elaborado a partir de ceniza de cascarilla de arroz activada con una pequeña cantidad de cal, y el otro son finos de cantera nanoestructurados producidos al triturar polvo de cantera hasta partículas extremadamente pequeñas. Estos aditivos contienen óxidos reactivos que pueden enlazarse con los minerales del suelo y, gracias a su tamaño diminuto, pueden ocupar poros entre granos, incrementando potencialmente tanto la fricción como la cohesión dentro de la matriz del suelo.

De ensayos laboriosos a predicciones inteligentes

Tradicionalmente, los ingenieros deben realizar ensayos de corte que consumen tiempo y requieren equipo para determinar dos propiedades clave de resistencia del suelo: el ángulo de fricción y la cohesión. En lugar de confiar únicamente en esos ensayos, este estudio generó una base de datos experimental amplia y luego entrenó modelos informáticos para predecir estas propiedades a partir de mediciones más simples. El equipo realizó numerosas mezclas de laboratorio, variando las cantidades de cemento híbrido y finos de cantera nanoestructurados y midiendo once propiedades de entrada como contenido de arcilla, plasticidad, densidad y características de humedad. Utilizaron un modelo de regresión lineal sencillo como referencia y aplicaron luego tres enfoques más avanzados “inteligentes”: máquinas de vectores de soporte, redes de funciones de base radial y redes neuronales perceptrón multicapa.

Cómo aprendieron las máquinas a interpretar el suelo

El conjunto de datos, que consta de 121 registros, se dividió en una porción mayor para entrenamiento y otra menor para prueba, imitando cómo un estudiante primero estudia ejemplos y luego hace un examen. Cada modelo aprendió a mapear los once descriptores de entrada del suelo a las dos salidas objetivo: ángulo de fricción y cohesión. El rendimiento se evaluó con varias métricas estándar que comprueban cuán cercanas están las predicciones a los resultados de los ensayos reales y qué tan bien se generalizan a datos no vistos. Aunque todos los métodos funcionaron bien, los enfoques basados en redes neuronales—especialmente el perceptrón multicapa—se destacaron. Captaron relaciones sutiles y no lineales en los datos, logrando una correlación muy alta con las resistencias medidas y errores de predicción muy bajos tanto para fricción como para cohesión.

Qué controla realmente la resistencia en el suelo tratado

Para ir más allá de las predicciones de “caja negra”, los autores realizaron un análisis de sensibilidad que ordena qué entradas importan más. Encontraron que el peso del suelo no saturado fue el factor dominante que controla el ángulo de fricción, subrayando cómo la compactación y el estado de humedad gobiernan la forma en que las partículas se frotan y traban entre sí. Para la cohesión, el contenido de arcilla emergió como el más influyente, consistente con la manera en que las arcillas finas y activas y los productos cementantes unen las partículas. Los aditivos minerales en sí mismos—cemento híbrido y finos de cantera nanoestructurados—también mostraron una fuerte influencia positiva, en especial cuando se consideran junto con parámetros de densidad y humedad. Este panorama coincide con la evidencia microscópica: nanopartículas y ligantes derivados de la ceniza llenan vacíos, recubren granos y construyen un esqueleto más denso y cementado.

Del código de investigación a una herramienta de diseño útil

Para hacer el trabajo directamente útil para los profesionales, el equipo integró la red neuronal de mejor rendimiento en una interfaz gráfica de usuario. Con esta herramienta, un ingeniero puede introducir información básica del suelo y de la mezcla y obtener al instante valores estimados de fricción y cohesión, en lugar de programar nuevas rondas de ensayos de corte avanzados. La interfaz está diseñada en torno a los rangos experimentalmente respaldados de cada parámetro, pero puede ampliarse a medida que haya más datos disponibles o adaptarse a otros tipos de suelo.

Qué significa esto para proyectos del mundo real

Para un público no especializado, la conclusión es clara: el estudio muestra que los polvos locales derivados de residuos pueden mejorar significativamente la resistencia de suelos tropicales problemáticos, y que las herramientas modernas de aprendizaje automático pueden predecir de manera fiable esa mejora a partir de propiedades fáciles de medir. Esta combinación reduce tanto la huella ambiental—al reciclar residuos agrícolas y de cantera—como el coste y la complejidad de las pruebas geotécnicas. En la práctica, eso se traduce en un diseño mejor informado de carreteras y obras de tierra, especialmente en regiones donde los recursos de laboratorio son limitados pero la necesidad de infraestructura resiliente es elevada.

Cita: Kamchoom, V., Van, D.B., Hosseini, S. et al. Enhanced forecasting of friction and cohesion of augmented unsaturated soil with nanostructured quarry fines (NQF) addition. Sci Rep 16, 8899 (2026). https://doi.org/10.1038/s41598-026-43458-z

Palabras clave: suelos no saturados, aprendizaje automático, estabilización de suelos, finos de cantera nanoestructurados, ingeniería geotécnica