Estimación de las filtraciones en presas de tierra heterogéneas sobre cimentaciones permeables mediante aprendizaje automático explicable

Por qué importa el agua que se filtra a través de las presas

En todo el mundo, muchas comunidades dependen de presas de tierra para almacenar agua potable, regar cultivos y controlar inundaciones. Sin embargo, estas estructuras aparentemente sólidas están constantemente perdiendo agua. Un pequeño goteo bien controlado es seguro; un exceso de filtración oculta puede excavar túneles dentro de la presa o de su cimentación y desencadenar una rotura repentina. Este artículo explora cómo el aprendizaje automático moderno puede ayudar a los ingenieros a predecir ese flujo invisible con mayor precisión y rapidez, especialmente en el caso más realista de presas con interiores estratificados construidas sobre suelos permeables.

Cómo se filtran las presas bajo la superficie

Las presas de tierra no son montones uniformes de suelo. A menudo tienen un núcleo relativamente impermeable flanqueado por capas más porosas, apoyadas sobre una cimentación que también puede permitir el paso del agua. Cuando el agua del embalse presiona contra la cara aguas arriba, parte de ella se filtra a través del cuerpo de la presa y por debajo de su base, siguiendo trayectorias complejas controladas por la cota del agua, los tipos de suelo y la geometría de la presa. Los cálculos manuales tradicionales simplifican tanto este panorama que solo funcionan para formas idealizadas. Las simulaciones informáticas detalladas basadas en el método de elementos finitos hacen un mejor trabajo, pero pueden ser lentas y requieren experiencia especializada, lo que limita su uso en comprobaciones de diseño rápidas o revisiones rutinarias de seguridad.

Enseñar a las computadoras a reconocer patrones de filtración

Los autores reunieron una gran biblioteca digital de 4.374 escenarios de filtración, cada uno generado por un programa de simulación de confianza que calcula el flujo de agua a través y por debajo de las presas. Para cada caso variaron siete entradas clave que los ingenieros pueden medir o diseñar: ancho de coronación, profundidad de cimentación, nivel de agua del embalse, longitudes de las pendientes aguas arriba y aguas abajo, la facilidad con que el agua se mueve por la cimentación y cuánto menos permeable es el núcleo en comparación con las capas. Para cada combinación de entradas, la simulación produjo una salida principal: cuánta agua se filtra por metro de presa. Este conjunto de datos curado se convirtió en el terreno de entrenamiento para varios modelos de aprendizaje automático que pretenden predecir la filtración directamente a partir de las siete entradas.

Encontrar el motor de predicción más fiable

El equipo probó cinco familias de modelos ampliamente usadas en datos tabulares de ingeniería: árboles de decisión individuales, bosques aleatorios y tres métodos de “boosting” que combinan muchos árboles pequeños en un conjunto potente. En lugar de adivinar los ajustes del modelo, emplearon optimización bayesiana, una estrategia de búsqueda sistemática que trata cada prueba como un experimento y se aproxima a las opciones más prometedoras evitando el sobreajuste. El rendimiento se juzgó con una batería de medidas de error, gráficos visuales que comparan predicciones con resultados de simulación y comprobaciones cruzadas usando múltiples particiones de datos. El ganador claro fue el modelo de gradient boosting categórico (CGB), que reprodujo la filtración simulada con precisión casi perfecta en datos no vistos, mientras que los modelos de árboles más simples quedaron rezagados.

Abrir la caja negra del aprendizaje automático

Para hacer que estos modelos sofisticados fueran útiles a los ingenieros de presas, los autores necesitaron explicar qué impulsa sus predicciones. Se apoyaron en una herramienta moderna de interpretabilidad conocida como SHAP, que asigna a cada entrada una cuota de responsabilidad sobre la salida en cada escenario. Este análisis reveló que dos factores dominan el comportamiento de la filtración: la profundidad del agua del embalse y cuánto más impermeable es el núcleo respecto a las capas circundantes. Un agua más profunda empuja con fuerza la filtración hacia arriba, mientras que un núcleo mucho menos permeable la reduce drásticamente. La permeabilidad y la profundidad de la cimentación juegan un papel secundario, y el ancho de coronación tiene un efecto estabilizador moderado. Los detalles de las pendientes importan relativamente poco dentro de los rangos estudiados, un resultado que puede ayudar a centrar la atención en las palancas de diseño más influyentes.

Del modelo de investigación a la herramienta cotidiana

Para salvar la brecha entre teoría y práctica, el modelo CGB de mejor rendimiento se integró en una sencilla aplicación de escritorio. Los usuarios pueden introducir las siete propiedades de la presa y la cimentación y obtener al instante una estimación de filtración, ya sea para un solo caso o para muchos escenarios a la vez. Las predicciones del modelo coincidieron con estudios numéricos previos y con un caso de estudio independiente de la presa Hub en Pakistán, manteniéndose dentro de aproximadamente un 10 por ciento de los resultados establecidos en varios niveles de agua. Para los no especialistas, el mensaje es tranquilizador: al combinar simulaciones de alta fidelidad, aprendizaje automático avanzado y explicaciones claras de lo que importa, los ingenieros disponen ahora de una forma rápida y transparente de anticipar cuánta agua se filtrará por presas de tierra complejas y de verificar si esas filtraciones permanecen dentro de límites seguros.

Cita: Sayed Ahmed, M.M., Khursheed, M.Z., Alshameri, B. et al. Estimating seepage in heterogeneous earthfill dams on permeable foundations using explainable machine learning. Sci Rep 16, 12060 (2026). https://doi.org/10.1038/s41598-026-45048-5

Palabras clave: presas de tierra, filtración, aprendizaje automático, seguridad de presas, geotecnia