Predicción basada en datos del asentamiento de pilotes microrradiales mediante aprendizaje automático y simulación Monte Carlo

Por qué los pilotes diminutos importan bajo edificios grandes

Las ciudades modernas dependen de cimentaciones profundas para mantener los edificios estables, incluso cuando se apoyan sobre arcillas blandas que pueden comprimirse y asentarse lentamente. Los ingenieros recurren cada vez más a pilotes muy delgados, llamados micropilotes, combinados con una losa de hormigón plana para soportar cargas con seguridad cuando el espacio es limitado o las condiciones del terreno son complicadas. Este estudio explora cómo los datos y la inteligencia artificial pueden ayudar a predecir cuánto se hundirán estas losas sobre micropilotes bajo carga, proporcionando a los diseñadores una forma más rápida y fiable de evaluar la seguridad y el comportamiento a largo plazo.

Pilotes pequeños, gran soporte

Una cimentación con losa y micropilotes combina una losa gruesa de hormigón con muchos pilotes delgados armados con acero perforados hasta profundidad. Aunque cada pilote tiene solo unos centímetros de diámetro, en conjunto pueden soportar edificios importantes manteniendo el asentamiento reducido. Son especialmente útiles en arcilla blanda, donde las cimentaciones superficiales tradicionales se hundirían demasiado. El comportamiento de este sistema es complejo porque la losa, los grupos de micropilotes y el suelo circundante interactúan. Factores como la longitud y separación de los pilotes, el tamaño y espesor de la losa, y la resistencia de la arcilla influyen en cómo se distribuye la carga y en cuánto se comprime el terreno bajo distintos niveles de esfuerzo.

Construyendo una base de datos rica en ensayos

Para estudiar este comportamiento, el autor reunió una base de datos de 480 casos experimentales extraídos de ensayos modelo de laboratorio previos y mediciones a escala real sobre losas con micropilotes en suelos cohesivos. Para cada caso, los datos incluyen la geometría de la losa, el tamaño, número y disposición de los micropilotes, la resistencia de la arcilla y la carga aplicada, junto con el asentamiento medido. Al mantener las condiciones de la arcilla relativamente controladas mientras se varía la configuración de la cimentación, el conjunto de datos se centra en cómo las decisiones de diseño afectan el rendimiento. Esto lo hace muy adecuado para entrenar modelos computacionales que pueden aprender patrones sutiles que relacionan el diseño de la cimentación, las propiedades del suelo y el movimiento del terreno resultante.

Entrenando máquinas para leer el terreno

El estudio compara seis métodos populares de aprendizaje automático para ver cuál predice mejor el asentamiento a partir de las entradas disponibles. Estos incluyen técnicas basadas en árboles como bosques aleatorios y métodos de boosting, un método basado en vecinos y dos métodos de núcleo: la regresión por vectores de soporte y la regresión por procesos Gaussianos. Todos los modelos se ajustan cuidadosamente mediante optimización bayesiana y validación cruzada para evitar depender de un conjunto de parámetros cómodo pero engañoso. Su rendimiento se evalúa usando varias medidas de error y comprobaciones visuales que comparan los asentamientos predichos y medidos en muchos niveles de carga. Aunque la mayoría de los modelos ajusta muy bien los datos de entrenamiento, muchos de ellos flaquean cuando se les pide predecir casos totalmente nuevos.

Por qué un modelo destaca

La regresión por procesos Gaussianos emerge como la herramienta más fiable en esta comparación. Captura la relación curva y no lineal entre carga y asentamiento sin limitarse a memorizar resultados pasados. En datos de prueba que el modelo nunca ha visto, mantiene una alta precisión con un error medio bajo medido en milímetros. También proporciona bandas de confianza alrededor de cada predicción, indicando cuán seguro está bajo distintas condiciones. Para indagar más, el estudio alimenta el modelo con miles de combinaciones de entrada ligeramente variadas usando simulación Monte Carlo, emulando pequeñas incertidumbres en dimensiones y resistencia del suelo. La dispersión resultante de asentamientos predichos se mantiene estrecha, y las curvas medias predichas de carga–asentamiento siguen de cerca las medidas en los experimentos.

Ver qué factores importan más

Más allá de la precisión bruta, el estudio examina cómo el modelo toma sus decisiones usando una herramienta de interpretabilidad llamada SHAP. Este análisis muestra que el factor más influyente es la propia carga aplicada, seguido de la longitud del pilote y la anchura de la losa, que en conjunto controlan cómo se transfieren las fuerzas al terreno. El número y la separación de los pilotes también juegan un papel, pero en menor grado dentro del rango probado. La resistencia de la arcilla y el espesor de la losa aparecen menos prominentes en la clasificación estadística porque están estrechamente vinculados en los datos disponibles, no porque carezcan de importancia física. En general, el orden de influencia de las variables concuerda bien con la intuición de la ingeniería tradicional sobre el comportamiento de las cimentaciones en arcilla blanda.

Qué significa esto para futuros diseños

El trabajo demuestra que el aprendizaje automático ajustado con cuidado, en especial la regresión por procesos Gaussianos combinada con simulación Monte Carlo, puede ofrecer a los ingenieros una herramienta práctica para predecir cómo se asentará una losa con micropilotes bajo distintas cargas, cuantificando asimismo la incertidumbre en esas predicciones. Por ahora, los hallazgos son más sólidos dentro de las condiciones controladas de laboratorio y de los ensayos de campo seleccionados, y el estudio reclama más datos a escala real y rangos de suelos más amplios. Aun así, el marco muestra cómo los modelos dirigidos por datos y el conocimiento geotécnico tradicional pueden trabajar juntos para crear diseños de cimentaciones más seguros y eficientes en terrenos exigentes.

Cita: El Gendy, M. Data-driven prediction of micro-piled raft load–settlement using machine learning and Monte Carlo simulation. Sci Rep 16, 16180 (2026). https://doi.org/10.1038/s41598-026-54119-6

Palabras clave: cimentaciones con losa y micropilotes, aprendizaje automático, regresión por procesos Gaussianos, comportamiento carga-asentamiento, simulación Monte Carlo