Comparación de enfoques de machine learning y deep learning para predecir la respuesta sísmica de conexiones losa-columna

Por qué importan los forjados más seguros en terremotos

Muchos edificios urbanos dependen de forjados de hormigón planos que descansan directamente sobre columnas, sin vigas profundas de apoyo. Durante un terremoto, las juntas donde se encuentran las losas y las columnas pueden fallar de forma repentina, provocando que los forjados se desplomen y que el edificio sufra un colapso parcial. Este estudio explora cómo las herramientas modernas impulsadas por datos pueden ayudar a los ingenieros a predecir mejor el comportamiento de estas juntas críticas durante fuertes sacudidas, de modo que los edificios puedan diseñarse o verificarse con mayor confianza.

Cómo las juntas pueden fallar de forma súbita

En los edificios con losa plana, la columna debe transferir tanto la carga vertical como las fuerzas sísmicas laterales a la losa. Si las tensiones se concentran demasiado alrededor de la columna, la losa puede punzonarse alrededor de ella, como un sello que atraviesa papel. Este fallo frágil ofrece poca advertencia y puede desencadenar un colapso progresivo. Al mismo tiempo, todo el edificio oscila, medido por una magnitud llamada relación de desplazamiento (drift), que indica hasta qué punto la estructura se inclina respecto a su altura. Tanto el momento de punzonamiento local en la junta como el drift global están controlados por muchos factores, incluidos el espesor de la losa, el tamaño de la columna, la cantidad de armadura, la resistencia del hormigón y el patrón de la excitación sísmica.

Uso de ensayos previos y ordenadores como herramientas de aprendizaje

Los autores reunieron una base de datos de 217 ensayos de laboratorio cuidadosamente documentados sobre conexiones losa-columna sometidas a cargas similares a las sísmicas. Cada ensayo incluía dimensiones geométricas, resistencias de los materiales, detalles de la armadura, carga gravitatoria aplicada, tipo de carga y los valores medidos de momento de punzonamiento y relación de desplazamiento al fallo. Luego dividieron esta información en conjuntos de entrenamiento y de prueba, de modo que los modelos informáticos fueran evaluados por su capacidad para predecir resultados no vistos. Antes de modelar, el equipo limpió los datos, gestionó valores faltantes, escaló rangos numéricos y examinó cómo se relacionaba cada variable con el fallo mediante herramientas visuales como diagramas de caja y gráficos de dispersión.

Comparando muchas formas de hacer que los ordenadores aprendan

Para averiguar qué técnicas funcionaban mejor, el estudio comparó una amplia variedad de métodos de machine learning frente a varios enfoques de deep learning. El grupo de machine learning incluyó fórmulas lineales simples, versiones regularizadas que intentan evitar el sobreajuste y ensamblados basados en árboles más flexibles como random forest, gradient boosting y XGBoost. El grupo de deep learning empleó arquitecturas de redes neuronales más comunes en análisis de imágenes o series, incluyendo redes convolucionales, recurrentes, redes LSTM y un modelo híbrido que combinaba capas convolucionales y recurrentes. A diferencia de los problemas de imagen, aquí estas redes profundas recibieron tablas estructuradas de números de ingeniería reconfiguradas como secuencias unidimensionales.

Qué revelaron los modelos sobre resistencia y drift

Para predecir el momento de punzonamiento en la junta losa-columna, los mejores resultados los obtuvieron modelos de machine learning construidos a partir de muchos árboles de decisión. Gradient boosting alcanzó la mayor precisión en pruebas no vistas, seguido de cerca por XGBoost y random forest. Estos modelos capturaron la compleja y no lineal mezcla de geometría, materiales y cargas que gobiernan la resistencia local de la junta. Para predecir la relación de desplazamiento, que refleja cómo se balancea el sistema completo, random forest fue el mejor entre los enfoques, aunque todos los modelos encontraron esta tarea más difícil y mostraron mayor dispersión. Los modelos de deep learning, especialmente el híbrido, no superaron a los métodos basados en árboles en este conjunto de datos relativamente pequeño y tabular, y requirieron mucho más esfuerzo computacional.

Qué significa esto para un diseño estructural más seguro

Para un público no especialista, el mensaje clave es que herramientas de machine learning bien seleccionadas ya pueden proporcionar a los ingenieros estimaciones más precisas de cómo y cuándo pueden fallar las juntas losa-columna en terremotos, especialmente respecto a la resistencia local por punzonamiento y, en menor grado, al drift global. En este estudio, los métodos tradicionales basados en árboles superaron a las redes profundas más de moda para los datos disponibles, ofreciendo mejor precisión con menor complejidad. Los autores recomiendan usar esos modelos como apoyo a la toma de decisiones junto con las normas de diseño existentes, en lugar de sustituir el juicio de ingeniería. Con conjuntos de datos más grandes y características refinadas, estos métodos basados en datos podrían integrarse de forma práctica en evaluaciones sísmicas rutinarias de edificios con losas planas.

Cita: El-Mandouh, M.A., Youssef, H., Elborlsy, M.S. et al. Comparing machine learning and deep learning approaches to predicting the seismic response of slab-column connections. Sci Rep 16, 14718 (2026). https://doi.org/10.1038/s41598-026-50962-9

Palabras clave: diseño sísmico, edificios con losas planas, machine learning, corte por punzonamiento, relación de desplazamiento