Modelado constitutivo informado por la microestructura de medios granulares bajo carga multidireccional: De la escala de las partículas al continuo

Por qué importa el suelo bajo los aerogeneradores

A medida que construimos más parques eólicos, túneles y taludes, confiamos en que el terreno soporte de forma segura las fuerzas cambiantes del viento, las olas y los terremotos. Sin embargo, el suelo bajo nuestros pies no es un bloque uniforme; es un conjunto de arenas y granos cuyas formas y disposiciones cambian constantemente cuando se les empuja o estira. Este artículo explica cómo los investigadores combinan simulaciones informáticas detalladas de granos individuales con inteligencia artificial moderna para predecir cómo se comportará ese terreno granular bajo condiciones de carga complejas y del mundo real.

De granos sueltos a estructuras reales

Los materiales granulares como la arena, los relaves mineros y el balasto ferroviario se comportan de manera sorprendentemente compleja. A diferencia de los cristales o los metales, no existe una ecuación simple que diga a los ingenieros cómo responderá un amontonamiento de granos cuando se comprima desde varias direcciones a la vez. En la práctica, los diseñadores dependen de ensayos de laboratorio y fórmulas empíricas que pueden aplicarse solo a un sitio o tipo de suelo específico. Los suelos reales, sin embargo, se depositan por gravedad, quedan moldeados por cargas anteriores y son empujados en múltiples direcciones por viento, olas y sacudidas sísmicas. Un aerogenerador sobre un lecho marino inclinado, por ejemplo, experimenta combinaciones cambiantes de fuerzas verticales, horizontales y torsionales que las pruebas tradicionales a menudo no logran captar.

Observando cada grano en movimiento

Para abordar esta brecha, los autores recurren al método de elementos discretos, una técnica numérica que trata cada grano como una partícula rígida individual. En su laboratorio virtual, miles de granos se vierten en una pequeña caja y luego se comprimen en tres direcciones independientes mientras el ordenador registra cada fuerza de contacto y cada pequeño reordenamiento. El equipo varía sistemáticamente los ingredientes clave que controlan el comportamiento del suelo: la presión inicial alrededor de los granos, cómo de densamente están empaquetados, la orientación de las tensiones aplicadas, la alineación de las capas internas (llamadas estratificación) y las formas de los granos, desde casi esféricas hasta claramente alargadas. A lo largo de 260 simulaciones detalladas, observan cómo estos factores endurecen o debilitan el material, lo hacen contraerse o dilatarse y provocan que su estructura interna adquiera una anisotropía direccional.

Cómo la forma de los granos y la estructura afectan la resistencia

Las simulaciones revelan que varias características a menudo pasadas por alto pueden alterar fuertemente la resistencia del terreno. Cuando la presión media circundante es mayor, la arena virtual se vuelve más rígida y puede soportar más esfuerzo cortante antes de que comience a reordenarse. Los empaques más densos resisten mejor el corte y tienden a expandirse, mientras que los sueltos se comprimen a medida que los granos encuentran nuevas posiciones. Cambiar la orientación de la trayectoria de esfuerzo —codificada por una magnitud llamada ángulo de Lode— puede aumentar o disminuir la resistencia máxima y desplazar el equilibrio entre contracción y dilatación. De igual modo, rotar los planos de estratificación de horizontal a vertical reduce la resistencia máxima al corte, lo que demuestra que la historia de deposición del suelo importa. Incluso la forma de los granos juega un papel significativo: ensambles formados por granos más alargados soportan tensiones máximas mayores y experimentan cambios de volumen menores que aquellos compuestos por granos casi esféricos preparados a la misma densidad relativa.

Enseñar a una red neuronal a pensar como el suelo

Aunque estas simulaciones de alta resolución ofrecen una visión profunda, son demasiado costosas computacionalmente para ejecutarse dentro de modelos de ingeniería a gran escala de una cimentación o un talud completos. Para salvar este salto de escala, los autores construyen un modelo de aprendizaje profundo —una red neuronal multicapa— que aprende a imitar la respuesta del suelo simulada. En lugar de alimentarla solo con resultados de ensayos simples, la red recibe descriptores ricos del estado del material: las formas de las partículas, la presión y densidad iniciales, medidas de la estratificación interna y las deformaciones en curso en cada dirección. Usando una estrategia de entrenamiento cuidadosamente diseñada y una función de pérdida que enfatiza las fases iniciales, más críticas, de la deformación, la red aprende a producir las tres componentes de esfuerzo que coinciden estrechamente con las simulaciones, incluidos efectos direccionales sutiles y cambios en la resistencia a largo plazo.

De granos virtuales a diseños más seguros

El resultado final es un nuevo tipo de modelo constitutivo —una regla que vincula esfuerzo y deformación— informado por la física a escala de grano pero que funciona tan rápido como una fórmula de ingeniería convencional. Puede capturar cómo la resistencia del suelo depende de la forma de los granos, la estratificación y la carga compleja en tres direcciones, sin necesidad de docenas de parámetros ajustados manualmente ni de ensayos específicos por sitio. Los autores imaginan integrar este modelo aprendido en software estándar de elementos finitos para que los diseñadores de cimentaciones de aerogeneradores, taludes y estructuras subterráneas puedan tener en cuenta la carga multidireccional realista y la evolución de la estructura del suelo. En términos sencillos, este trabajo muestra cómo observar cada grano en un experimento virtual y destilar ese comportamiento en una red neuronal entrenada puede conducir a diseños más fiables y eficientes para la infraestructura que sostiene la transición energética.

Cita: Irani, N., Golestaneh, P., Salimi, M. et al. Microstructure-informed constitutive modeling of granular media under multidirectional loading: From particle-scale to continuum. Commun Eng 5, 80 (2026). https://doi.org/10.1038/s44172-026-00652-1

Palabras clave: suelo granular, aprendizaje profundo, cimientos de aerogeneradores, simulaciones por elementos discretos, carga multidireccional