Clasificación del suelo mejorada con IA con datos CPT incompletos para parques eólicos marinos

Por qué importan los suelos del lecho marino para la energía eólica

Los aerogeneradores marinos se ubican en algunos de los entornos más severos del planeta, y su estabilidad depende de lo que yace oculto bajo las olas: los suelos del lecho marino que sostienen sus masivas cimentaciones. Ensayar estos suelos en alta mar es costoso y con frecuencia produce datos incompletos, lo que obliga a los ingenieros a tomar decisiones importantes con información fragmentaria. Este estudio muestra cómo la inteligencia artificial puede interpretar datos de ensayo limitados para clasificar de forma fiable los suelos del lecho marino, ayudando a los diseñadores a ubicar los aerogeneradores marinos con mayor seguridad y eficiencia.

De los ensayos del lecho marino a los tipos de suelo

Los ingenieros suelen sondear el lecho marino mediante ensayos de penetración con cono, en los que se empuja un cono metálico en el terreno mientras se mide la resistencia del suelo, la fricción a lo largo de la camisa del cono y cómo cambia la presión del agua en los poros. Estas mediciones se interpretan tradicionalmente con diagramas como la Clasificación de Robertson, que vincula patrones en las lecturas con distintos comportamientos del suelo, como arena suelta, arcilla rígida o mezclas intermedias. El problema es que dichos diagramas asumen datos completos y limpios, algo que rara vez ocurre cuando los barcos, las olas y las aguas profundas complican las investigaciones marinas.

Construyendo una biblioteca virtual de condiciones del lecho marino

Para abordar el problema de la información faltante, los investigadores crearon primero una enorme biblioteca virtual de posibles condiciones del suelo en lugar de depender únicamente de escasos ensayos de campo. Usaron rangos realistas para las mediciones clave del cono —resistencia en la punta, fricción en la camisa, presión de poro y tensiones en el terreno— para generar más de 200.000 registros de ensayos sintéticos. Estos registros se tradujeron después en zonas de comportamiento del suelo usando el diagrama de Robertson, asociando efectivamente cada ensayo simulado con una “etiqueta” de suelo. Mediante un muestreo tanto uniforme en los rangos como según patrones estadísticos realistas, se aseguraron de que esta biblioteca sintética cubriera desde arcillas muy blandas hasta arenas y gravas densas.

Enseñando a las máquinas a leer el lecho marino

Con esta biblioteca sintética, el equipo entrenó varios modelos de aprendizaje automático para predecir el comportamiento del suelo directamente a partir de las entradas del ensayo con cono. Probaron bosques aleatorios, redes neuronales, máquinas de vectores de soporte y árboles de decisión, afinando cuidadosamente los parámetros internos de cada modelo. Entre ellos, el modelo de bosque aleatorio destacó, reproduciendo las zonas de suelo basadas en Robertson con un ajuste numérico casi perfecto y alcanzando más del 92% de precisión cuando sus predicciones se convirtieron a una clasificación de suelo estándar. Las comprobaciones internas del modelo mostraron que la resistencia en la punta del cono, la fricción de la camisa y la tensión vertical efectiva eran las entradas más influyentes —coincidiendo con el entendimiento geotécnico consolidado y sugiriendo que el modelo aprendía física real en lugar de patrones espurios.

Mantener la precisión cuando faltan datos

La prueba crucial fue si la IA podía seguir rindiendo bien cuando faltaban algunas mediciones, emulando estudios marinos reales donde el equipo falla o ciertos sensores no se usan. Los investigadores eliminaron sistemáticamente cada entrada por turno y la reemplazaron por valores inciertos, luego ejecutaron repetidamente el modelo en una modalidad de Monte Carlo para ver cómo variaba la precisión en promedio. Cuando faltaban las entradas más críticas —resistencia del cono, fricción de la camisa o tensión efectiva— la precisión descendía considerablemente, confirmando su importancia. Sin embargo, cuando faltaban otros parámetros como presiones de poro o tensión total, el modelo aún conservaba alta precisión, a menudo por encima del 90%. Esto muestra que el marco puede seguir ofreciendo clasificaciones útiles del suelo incluso cuando partes del registro CPT están incompletas.

Demostrando el método en parques eólicos marinos reales

Para ir más allá de los datos virtuales, el equipo probó su modelo de bosque aleatorio entrenado con 229.808 registros reales de ensayos con cono procedentes de 99 sondeos en sitios de parques eólicos marinos en Taiwán y los Países Bajos. Ninguna de estas mediciones reales se utilizó en el entrenamiento. Las predicciones de comportamiento del suelo de la IA se compararon con clasificaciones independientes basadas en un sistema de ingeniería ampliamente usado que agrupa los suelos por tamaño de grano y plasticidad. El modelo coincidió correctamente con estas clasificaciones en más del 92% de los casos, superando a varios enfoques de aprendizaje automático existentes. Simulaciones repetidas también mostraron que las predicciones caían dentro de una estrecha banda de confianza del 95%, indicando un comportamiento estable y fiable.

Qué significa esto para la futura energía eólica marina

Para quienes no son especialistas, la conclusión es que el estudio ofrece un asistente inteligente para leer el lecho marino. En lugar de reemplazar los diagramas ingenieriles consolidados, el marco de IA los extiende a situaciones del mundo real desordenadas, donde los datos son incompletos o imperfectos. Al aprender de una biblioteca sintética cuidadosamente diseñada y luego probarse con grandes conjuntos de datos marinos, el método ofrece una forma práctica de clasificar los suelos del lecho marino de manera rápida y coherente. Esto puede reducir ensayos adicionales costosos, respaldar diseños de cimentaciones más seguros y, en última instancia, ayudar a poner en marcha más proyectos eólicos marinos con mayor confianza en lo que hay bajo cada turbina.

Cita: Ku, CY., Wu, TY., Liu, CY. et al. AI-enhanced soil classification with incomplete CPT data for offshore wind farm. Sci Rep 16, 10589 (2026). https://doi.org/10.1038/s41598-026-46356-6

Palabras clave: energía eólica marina, suelos del lecho marino, ensayo de penetración con cono, aprendizaje automático, diseño de cimentaciones