Clear Sky Science · es

Predicción del volumen de lechada de cortina mediante un modelo ensamblado optimizado por Bayes con análisis SHAP

2026-04-01 · Volver al índice

Por qué importa predecir un trabajo de cemento oculto

Profundamente bajo presas y túneles, los ingenieros inyectan cemento líquido en las grietas de la roca para evitar que el agua se filtre. Este proceso, denominado lechada o inyección, es caro y difícil de observar directamente, por lo que los operarios deben estimar cuánto material bombear en cada sondeo. Si se calcula poco, el agua puede seguir filtrando; si se calcula de más, se desperdician dinero, materiales y tiempo. Este estudio muestra cómo las herramientas modernas de datos pueden ayudar a los ingenieros a predecir con mayor fiabilidad la cantidad adecuada de lechada antes de comenzar el trabajo.

Sellado de grietas en grandes obras hidráulicas

Grandes presas y cavernas subterráneas dependen de cortinas de lechada endurecida para bloquear las vías subterráneas que el agua usaría para escapar. Se perforan numerosos agujeros en la roca y se bombea una suspensión de cemento, pero la roca bajo la superficie es irregular, con fracturas que varían en tamaño y conectividad. Dado que el proceso está oculto y las condiciones cambian de un lugar a otro, la predicción del volumen de lechada que necesitará cada sondeo ha sido durante mucho tiempo un reto importante para el diseño seguro y el control de costes en grandes proyectos hidráulicos y de energía hidroeléctrica.

De las reglas empíricas a aprender de los datos

Durante décadas, los ingenieros han usado fórmulas simplificadas, comparaciones con proyectos anteriores o simulaciones por ordenador del flujo de fluidos para estimar el uso de lechada. Estos enfoques ayudaron, pero con frecuencia fallaban frente a roca real compleja y mediciones de campo ruidosas. En este estudio, los autores recurrieron en su lugar al aprendizaje automático, que aprende patrones directamente de los datos. Reunieron 778 registros reales de inyección de un gran proyecto hidráulico en Xinjiang, cada uno describiendo las condiciones en un sondeo: su posición en el orden de perforación, la profundidad, la longitud de la sección tratada, el diámetro del taladro, la permeabilidad previa de la roca, la mezcla inicial de agua y cemento y la presión usada durante la inyección. La variable a predecir fue el volumen real de lechada bombeado.

Figure 1. Cómo los modelos basados en datos pronostican el uso de lechada bajo presas para controlar fugas de agua y ahorrar costes.

Combinar varios modelos inteligentes en uno

En lugar de confiar en un único algoritmo, el equipo usó una estrategia llamada stacking, que permite que varios modelos de predicción trabajen conjuntamente. Se eligieron tres modelos informáticos especialmente buenos para manejar patrones complejos en datos tabulares como capa base. Cada uno examinó los mismos siete factores de entrada y produjo su propia estimación del volumen de lechada. Un modelo de regresión simple pero cuidadosamente controlado tomó esas tres estimaciones y las fusionó en una predicción final. Para asegurarse de que cada modelo usara sus parámetros internos lo más eficazmente posible, los investigadores recurrieron a la optimización bayesiana, un método que explora y ajusta muchas combinaciones de parámetros de forma organizada y guiada por los datos en lugar de mediante prueba y error.

Comprobar la precisión y abrir la caja negra

Para evaluar su enfoque, los autores compararon el modelo apilado con sus tres modelos componentes individuales, tanto antes como después del ajuste fino. Midieron cuán cercanas estaban las predicciones a los volúmenes reales de lechada usando métricas de error estándar. El modelo apilado con ajuste bayesiano fue el que mejor lo hizo, explicando aproximadamente el 92% de la variación en el volumen de lechada y manteniendo los errores medios relativamente bajos.

Figure 2. Cómo modelos combinados de aprendizaje automático convierten las condiciones de roca y perforación en patrones precisos de volumen de lechada.

Para entender cómo el modelo llegaba a sus decisiones, utilizaron una técnica llamada SHAP que asigna a cada factor de entrada una contribución a cada predicción. Este análisis mostró que la permeabilidad original de la roca, una medida de la facilidad con la que el agua fluye a través de ella, fue con diferencia el factor más influyente, con el orden de perforación, la presión y la profundidad también desempeñando papeles importantes.

Qué significa esto para la inyección real

El estudio concluye que un modelo de aprendizaje automático apilado y cuidadosamente ajustado puede ofrecer predicciones del volumen de lechada más precisas y estables que modelos individuales o métodos antiguos basados en reglas, al menos para el proyecto estudiado. Al cuantificar qué condiciones importan más y cómo interactúan, el enfoque puede ayudar a los ingenieros a planificar estrategias de perforación y bombeo, asignar materiales y gestionar riesgos de forma más eficiente en condiciones de terreno complejas. Aunque el modelo aún requiere pruebas y adaptación para otros emplazamientos, ofrece una ruta práctica hacia un control informado por datos de esta parte crucial pero en gran medida oculta de la construcción de presas y túneles.

Cita: Ma, Y., Yuan, Z., Xiong, B. et al. Curtain grouting volume prediction using a Bayesian-optimized stacking ensemble model with SHAP analysis. Sci Rep 16, 15374 (2026). https://doi.org/10.1038/s41598-026-45538-6

Palabras clave: lechada de cortina, predicción del volumen de lechada, aprendizaje automático, optimización bayesiana, análisis SHAP