Marco de aprendizaje automático en ensamblado apilado optimizado por Pareto para predecir la capacidad portante de pilotes hincados a partir de datos de ensayos de carga estática

Por qué importan las cimentaciones sólidas

Cada edificio, puente o aerogenerador depende en última instancia de lo que hay bajo él. Ocultos bajo la superficie, largos pilares de hormigón llamados pilotes transmiten el peso de las estructuras hasta suelos firmes o roca. Si los ingenieros subestiman cuánto puede soportar de forma segura un pilote, el resultado puede ser asentamientos, fisuras o incluso fallos. Si lo sobreestiman, los proyectos se encarecen innecesariamente. Este estudio explora cómo el aprendizaje automático moderno puede convertir ensayos rutinarios de campo en predicciones mucho más precisas de la resistencia de los pilotes, ayudando a que la construcción sea a la vez más segura y más económica.

De reglas simples a una visión impulsada por datos

Tradicionalmente, los ingenieros han confiado en fórmulas, experimentos a pequeña escala y simulaciones numéricas para estimar la capacidad portante de pilotes hincados. Estos métodos funcionan razonablemente bien, pero tienen dificultades con la realidad compleja de suelos estratificados, aguas subterráneas y efectos de instalación. Un ensayo de campo conocido como ensayo de carga estática se considera el estándar de referencia: se carga un pilote por pasos mientras se mide su asentamiento. Sin embargo, este enfoque es lento, costoso y difícil de repetir en muchos puntos. Al mismo tiempo, la práctica geotécnica recoge rutinariamente datos sencillos de golpes del martillo del ensayo de penetración estándar (SPT), que ofrecen una medida aproximada de la resistencia del suelo con la profundidad. La idea central de este artículo es emplear aprendizaje automático para vincular estos resultados de SPT, ampliamente disponibles, junto con la geometría del pilote y los detalles del emplazamiento, directamente con resultados de ensayos de carga de alta calidad.

Construyendo un motor de predicción más inteligente

Los autores reunieron una base de datos de 472 ensayos de carga estática en pilotes hincados de hormigón armado en una provincia vietnamita con condiciones de suelo variadas pero documentadas de forma sistemática. Para cada ensayo registraron el diámetro del pilote, el espesor de varias capas de suelo, las cotas del terreno y del pilote, la profundidad hasta la punta del pilote y los recuentos medios del SPT a lo largo del fuste y en la punta. Estas entradas capturan tanto el tamaño del pilote como la resistencia del suelo circundante, que conjuntamente controlan la carga que puede soportar el pilote. El objetivo fue entrenar un modelo que, dado estos datos para un nuevo emplazamiento, entregara una estimación fiable de la capacidad portante axial del pilote sin necesidad de un ensayo de carga a escala real.

Combinando varias mentes en una

En lugar de confiar en un único algoritmo, el estudio emplea un ensamblado “apilado”: tres modelos de aprendizaje automático distintos —bosque aleatorio (random forest), k-vecinos más cercanos y extreme gradient boosting— se entrenan en paralelo y sus predicciones se combinan mediante un modelo de segundo nivel. Este meta-modelo se ajusta mediante una búsqueda multiobjetivo inspirada en estrategias evolutivas, conocida como optimización de Pareto. La optimización equilibra objetivos enfrentados: maximizar la precisión en datos no vistos mientras se evita el sobreajuste. Mediante pruebas repetidas y validación cruzada de cinco pliegues, la mejor combinación alcanzó un coeficiente de determinación (una medida de cuán bien las predicciones coinciden con la realidad) de aproximadamente 0,95 en el conjunto de prueba, junto con una reducción sustancial del error comparado con cualquier modelo individual.

Viendo dentro de la caja negra

Para que el sistema sea utilizable en la práctica, los ingenieros necesitan entender qué impulsa sus predicciones. Por ello, los autores emplearon herramientas modernas de interpretabilidad, en particular SHAP (Shapley Additive ExPlanations), análisis de sensibilidad y barridos simples de parámetros. Estas técnicas revelaron que el diámetro del pilote es el factor único más influyente, con variaciones en el diámetro que desplazan notablemente la capacidad predicha. Las propiedades del suelo también juegan un papel clave: los recuentos medios del SPT a lo largo del fuste y en la punta aparecen como contribuyentes principales, reflejando la importancia tanto de la fricción lateral como de la resistencia en la punta. El espesor de las capas superiores del suelo también importa, mientras que algunas variables relacionadas con cotas tienen solo un impacto menor. Cuando las entradas del modelo se varían de formas físicamente significativas —por ejemplo aumentando el diámetro del pilote o situando la punta en un suelo más denso— las capacidades predichas responden en consonancia con principios geotécnicos básicos, lo que sugiere que el modelo está aprendiendo patrones razonables en lugar de relaciones espurias.

Cómo ayuda esto en proyectos reales

Al combinar cuidadosamente varios enfoques de aprendizaje automático y optimizarlos frente a múltiples objetivos, este trabajo ofrece una herramienta de predicción que es a la vez precisa e interpretable. Para emplazamientos con geología y prácticas de ensayo similares a las del estudio, los ingenieros podrían usar datos estándar de SPT y parámetros de diseño para obtener estimaciones fiables de la capacidad de los pilotes, reducir el número de costosos ensayos de carga y orientar mejor los márgenes de seguridad. Los autores advierten que sus datos proceden de una sola región y que los efectos temporales a largo plazo y algunos detalles de la instalación no están completamente capturados, por lo que el juicio profesional y la calibración local siguen siendo esenciales. Aun así, el marco muestra cómo los modelos impulsados por datos, cuando se analizan de forma transparente, pueden convertirse en colaboradores prácticos en el diseño de cimentaciones en lugar de cajas negras opacas.

Cita: Abdellatief, M., ElNemr, A. & Altahrany, A. Pareto-optimized stacked ensemble machine learning framework for predicting bearing capacity of driven piles from static load test data. Sci Rep 16, 11360 (2026). https://doi.org/10.1038/s41598-026-43660-z

Palabras clave: cimentación mediante pilotes, capacidad portante, ingeniería geotécnica, aprendizaje automático, ensayo de carga estática