Análisis de correlación entre la colapsabilidad del loess y los índices fisicomecánicos en la región de Longdong y predicción del coeficiente de colapsabilidad mediante aprendizaje automático

Por qué el hundimiento del terreno importa en la vida diaria

En muchas zonas del norte de China, ciudades, carreteras y canales se asientan sobre un suelo eólico denominado loess. Este suelo puede compactarse de forma súbita al humedecerlo, provocando el hundimiento del terreno y daños en edificios e infraestructuras. El estudio resumido aquí analiza el loess en la región de Longdong y muestra cómo mediciones simples y el aprendizaje automático moderno pueden señalar rápidamente dónde el terreno es probable que se mantenga estable y dónde puede colapsar.

Un suelo frágil bajo ciudades en expansión

La región de Longdong se sitúa en el corazón de la Meseta de Loess, donde las capas de loess pueden tener decenas de metros de espesor. A medida que nuevos proyectos—como desvíos de agua, ferrocarriles y urbanizaciones—se extienden por este paisaje, los ingenieros deben entender la probabilidad de que el suelo se asiente al mojarse. Las pruebas tradicionales de colapsabilidad requieren trabajo de laboratorio cuidadoso sobre muchas muestras y consumen tiempo. Los autores recopilaron 259 registros de ensayos reales en obras alrededor de la ciudad de Qingyang, cada uno con la colapsabilidad medida del suelo junto con propiedades físicas básicas como profundidad, densidad, porosidad, contenido de agua y la facilidad con que el suelo se comprime.

Pistas simples del suelo que señalan peligro

Mediante análisis estadístico, los investigadores examinaron cómo la colapsabilidad medida del loess se relaciona con cada propiedad del suelo. Encontraron que la cantidad de espacio vacío en el suelo, descrita por la “relación de vacíos”, tiene el vínculo más fuerte con cuánto se hundirá el suelo. La profundidad bajo la superficie también importa: las capas superficiales, sometidas a menor presión, son más sueltas y más propensas al colapso, mientras que las capas más profundas son naturalmente más compactas. La saturación de agua y la facilidad de compresión del suelo juegan roles secundarios. A partir de miles de puntos de datos, identificaron umbrales prácticos. En esta región, el loess con relativamente pocos poros (relación de vacíos por debajo de 0,960) y enterrado a más de 16 metros casi nunca muestra colapsos perjudiciales en las pruebas.

Una regla rápida para comprobaciones de terreno seguras

Basándose en estos hallazgos, el equipo propuso una regla de cribado rápida para ingenieros de campo. Si una capa de suelo cumple ambas condiciones—baja relación de vacíos y profundidad suficiente—puede tratarse como no colapsable con alta confianza, reduciendo en gran medida la necesidad de ensayos detallados de colapsabilidad en esos puntos. Al verificar esta regla con el conjunto de datos original y un conjunto independiente de 62 muestras nuevas de sitios cercanos, identificó correctamente suelos no colapsables en aproximadamente el 98 por ciento de los casos. Las pocas muestras mal clasificadas presentaban valores de colapso justo en el límite entre “seguro” y “peligroso”, reflejando la variabilidad natural del loess y las condiciones de ensayo.

Enseñar a las máquinas a leer el suelo

Para ir más allá de reglas simples, los investigadores también entrenaron modelos informáticos para predecir el valor exacto de colapso a partir de cuatro medidas clave: profundidad, relación de vacíos, saturación de agua y comportamiento de compresión. Compararon tres métodos populares de aprendizaje automático—bosques aleatorios, extreme gradient boosting y máquinas de vectores de soporte—junto con una fórmula más simple de dos parámetros. Todos captaron las tendencias principales, pero el modelo de gradient boosting destacó por su precisión y estabilidad, ajustando los valores de colapso medidos muy de cerca tanto en los datos de entrenamiento como en los de prueba y clasificando correctamente muestras colapsables frente a no colapsables en más del 92 por ciento de los casos.

Abrir la caja negra de las predicciones

Dado que los ingenieros deben confiar y comprender estas predicciones, los autores aplicaron una herramienta de explicación conocida como SHAP para ver cómo cada entrada afecta la salida del modelo. Las explicaciones confirmaron que la relación de vacíos y la profundidad dominan la predicción, con relaciones de vacíos más altas y profundidades menores que empujan al modelo hacia mayores predicciones de colapso. La saturación de agua y el coeficiente de compresión tienen efectos más sutiles que varían caso por caso. El análisis también destacó una combinación particularmente peligrosa: capas más superficiales de aproximadamente menos de 11 metros con una relación de vacíos por encima de 1,02 son especialmente propensas a colapsar al humedecerse.

Qué implica esto para construir sobre loess

En términos sencillos, esta investigación demuestra que un puñado de medidas de suelo directas puede revelar mucho sobre la seguridad de construir sobre loess. Una regla simple basada en profundidad y espacio poroso puede señalar con rapidez las capas que tienen muy baja probabilidad de colapsar, mientras que un modelo de aprendizaje automático bien validado puede ofrecer estimaciones de riesgo más precisas cuando se necesiten. Juntas, estas herramientas ofrecen a los ingenieros de la región de Longdong una manera más rápida y transparente de planificar cimentaciones, reducir sorpresas costosas y diseñar estructuras capaces de mantenerse firmes sobre un terreno naturalmente frágil.

Cita: Liu, D., Wang, K., Bian, Y. et al. Correlation analysis between the collapsibility of loess and physicomechanical indices in Longdong region and prediction of the collapsibility coefficient based on machine learning. Sci Rep 16, 15939 (2026). https://doi.org/10.1038/s41598-026-45254-1

Palabras clave: colapsabilidad del loess, mecánica de suelos, aprendizaje automático, ingeniería de cimentaciones, región de Longdong