🤖 AI

Soil Compaction Parameters Prediction Based on Automated Machine Learning Approach

Este estudio demuestra que un enfoque de aprendizaje automático automatizado (AutoML), específicamente utilizando el algoritmo XGBoost, predice con eficacia los parámetros de compactación del suelo (OMC y MDD) con alta precisión y capacidad de generalización a través de diversos tipos de suelo, ofreciendo una alternativa superior a los métodos de laboratorio tradicionales y a los modelos empíricos.

Autores originales: Caner Erden, Alparslan Serhat Demir, Abdullah Hulusi Kokcam, Talas Fikret Kurnaz, Ugur Dagdeviren

Publicado 2026-06-11

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Caner Erden, Alparslan Serhat Demir, Abdullah Hulusi Kokcam, Talas Fikret Kurnaz, Ugur Dagdeviren

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás construyendo una casa o una carretera. Antes de poder colocar los cimientos, necesitas compactar la tierra con fuerza para que no se hunda más tarde. Este proceso se llama compactación del suelo.

Para hacer esto correctamente, los ingenieros necesitan conocer dos recetas secretas para la tierra:

Cuánta agua añadir: Demasiado seca, y no se pegará; demasiado húmeda, y se convertirá en lodo. Este es el "Contenido de Humedad Óptimo" (OMC, por sus siglas en inglés).
Qué tan fuerte compactarla: Esto determina la "Densidad Seca Máxima" (MDD), o qué tan pesada y sólida puede llegar a ser la tierra.

La forma antigua: La cocina lenta y desordenada

Tradicionalmente, encontrar estas recetas es como intentar hornear un pastel perfecto a mano en una cocina oscura. Los ingenieros tienen que ir a un laboratorio, tomar una muestra de suelo, mezclarla con diferentes cantidades de agua, compactarla con martillos pesados y medir los resultados. Tienen que hacer esto al menos seis veces por cada lugar para hacerlo bien. Es lento, costoso y requiere mucha mano de obra humana.

La nueva forma: El chef inteligente (AutoML)

Este artículo presenta un nuevo método utilizando Inteligencia Artificial (IA), específicamente una herramienta llamada AutoML (Aprendizaje Automático Automatizado).

Piensa en el AutoML como un chef superinteligente y automatizado. En lugar de que un chef humano intente adivinar qué especias usar o cuánto tiempo hornear, le entregas al chef un enorme libro de cocina de recetas pasadas (datos de 126 muestras de suelo diferentes). El chef entonces:

Prueba miles de diferentes estrategias de cocina automáticamente.
Determina qué estrategia funciona mejor sin necesidad de que un humano ajuste la configuración.
Aprende de los errores de intentos anteriores.

El experimento: Probando al chef

Los investigadores le dieron a este "chef" un conjunto masivo de datos que contenía información sobre diferentes tipos de suelo (como arena, arcilla y grava) y sus propiedades (como el límite líquido y el límite plástico). Le pidieron al chef que predijera las dos recetas secretas (cantidad de agua y densidad de compactación) simplemente mirando los ingredientes básicos del suelo.

Probaron al chef utilizando cuatro "configuraciones de cocina":

La configuración por defecto: Dejar que el chef use su configuración estándar.
La configuración de "Máxima Calidad": Decirle al chef: "Tómate tu tiempo, prueba todo y obtén el mejor resultado posible".
La configuración "Multimodal": Una configuración específica para manejar diferentes tipos de datos.
La configuración Híbrida: Combinar el enfoque de "Máxima Calidad" con el manejo específico de datos.

Los resultados: ¿Quién ganó el concurso de cocina?

Después de ejecutar las pruebas, los investigadores encontraron que un algoritmo específico (un tipo de receta matemática) fue el que mejor funcionó. Se llamaba XGBoost.

Para la "Cantidad de Agua" (OMC): El chef XGBoost acertó el 89.1% de las veces.
Para la "Densidad de Compactación" (MDD): Acertó el 80.4% de las veces.

Estos puntajes son mucho mejores que muchos intentos previos utilizando métodos de IA más antiguos. El estudio también encontró que el ingrediente más importante en el que el chef se fijó fue el Límite Líquido (LL), básicamente, cuánta agua puede contener el suelo antes de convertirse en un líquido.

Por qué esto es importante

El artículo afirma que este enfoque es un cambio de paradigma porque:

Es Rápido: Se salta las largas pruebas manuales de laboratorio.
Es Inteligente: Funciona bien incluso cuando el suelo es una mezcla de diferentes tipos (heterogéneo), lo que suele confundir a los modelos más antiguos.
Es Confiable: Al utilizar el método "AutoML", el sistema encuentra automáticamente la mejor manera de resolver el problema sin las conjeturas humanas.

La visión de futuro (según el artículo)

Los autores sugieren que esto no es solo un experimento de laboratorio. Visualizan un futuro donde este "chef inteligente" sea parte de una obra de construcción inteligente. Imagina un rodillo compactador (la máquina que aprieta la tierra) equipado con sensores. Mientras rueda, podría enviar instantáneamente los datos del suelo a la IA, la cual le diría a la máquina exactamente cuánta agua rociar o qué tan fuerte compactar, todo en tiempo real. Esto convierte un juego de adivinanzas lento y manual en un proceso rápido, preciso y automatizado.

En resumen: Este artículo demuestra que, al permitir que una computadora aprenda automáticamente de los datos de suelos pasados, podemos predecir exactamente cómo compactar la tierra para la construcción de forma mucho más rápida y precisa que antes.

Resumen Técnico: Predicción de Parámetros de Compactación del Suelo Basada en un Enfoque de Aprendizaje Automático Automatizado

Planteamiento del Problema
La compactación del suelo es un proceso fundamental en la ingeniería de la construcción, crítico para garantizar la estabilidad de estructuras como terraplenes de carreteras y presas de tierra. Los parámetros clave que rigen este proceso son el Contenido de Humedad Óptimo (OMC, por sus siglas en inglés) y la Densidad Seca Máxima (MDD). Tradicionalmente, estos valores se determinan mediante experimentos de laboratorio laboriosos y lentos, específicamente las pruebas Proctor Estándar y Modificado, que requieren una preparación exhaustiva de las muestras y múltiples iteraciones para generar curvas de compactación precisas. Si bien se han propuesto modelos de regresión empírica y diversas técnicas de Inteligencia Artificial (IA) (incluyendo Redes Neuronales Artificiales, Regresión de Vectores de Soporte y Programación Genética) como alternativas, estas suelen enfrentar desafíos con respecto a la precisión de la predicción y la generalización, particularmente cuando se aplican a conjuntos de datos heterogéneos que representan diversos tipos de suelo. Además, el ajuste manual de hiperparámetros en los flujos de trabajo tradicionales de aprendizaje automático (ML) puede limitar el rendimiento del modelo.

Metodología
Este estudio propone un enfoque de Aprendizaje Automático Automatizado (AutoML) para predecir el OMC y el MDD, utilizando la biblioteca AutoGluon Tabular Prediction. La metodología involucra los siguientes pasos:

Adquisición y Preprocesamiento de Datos: El conjunto de datos primario comprende 115 muestras de suelo (tras eliminar 11 duplicados de un total inicial de 126) obtenidas de Günaydın [4]. El conjunto de datos incluye nueve clases de suelo distintas (SC, GM, GC, ML, MH, MI, CL, CH, CI). Las características de entrada consisten en el límite líquido (LL), límite plástico (PL), contenido de grava (G%), contenido de arena (S%) y contenido de finos (F%). Las variables objetivo son el OMC y el MDD. Para validar la robustez, el estudio también hace referencia a tres conjuntos de datos externos que representan suelos heterogéneos, de grano fino y de grano grueso.
Marco de Trabajo de AutoML: El estudio emplea AutoGluon, que automatiza la selección de algoritmos, la optimización de hiperparámetros y la ingeniería de características. A diferencia de los métodos tradicionales que requieren una intervención manual intensiva, AutoGluon utiliza ajustes preestablecidos (presets) y apilamiento automatizado (automated stacking) para optimizar el rendimiento del modelo.
Configuraciones Experimentales: Se definieron cuatro configuraciones de entrenamiento distintas para evaluar el desempeño:
- Configuración 1: Ajustes predeterminados de AutoGluon.
- Configuración 2: Utilización del ajuste preestablecido "Best Quality" para priorizar la precisión.
- Configuración 3: Especificación del hiperparámetro 'multimodal'.
- Configuración 4: Una combinación del ajuste preestablecido "Best Quality" y el hiperparámetro 'multimodal'.
Evaluación del Modelo: Se entrenaron y evaluaron varios algoritmos de ML (incluyendo XGBoost, LightGBM, CatBoost, Random Forest y Redes Neuronales) utilizando puntuaciones de R-cuadrado ( $R^2$ ) en conjuntos de prueba y validación. También se analizó la importancia de las características para determinar la influencia de las variables de entrada.

Resultos Clave
El estudio comparó el desempeño de las cuatro configuraciones en ambas tareas de predicción (OMC y MDD):

Configuración Óptima: La Configuración 4 (que combina el ajuste "Best Quality" y el hiperparámetro 'multimodal') produjo el mayor desempeño para la predicción del OMC, mientras que la Configuración 2 ("Best Quality") fue altamente efectiva para el MDD.
Mejor Algoritmo con Mejor Desempeño: El algoritmo de Gradiente de Extremo (XGBoost) demostró consistentemente un desempeño superior.
- Predicción de OMC: El modelo XGBoost en la Configuración 4 alcanzó una puntuación de $R^2$ de prueba de 0.891.
- Predicción de MDD: El modelo XGBoost en la Configuración 2 alcanzó una puntuación de $R^2$ de prueba de 0.804.
Importancia de las Características:
- Para el OMC, el Límite Líquido (LL) fue identificado como la característica más significativa (Importancia: 0.473), seguido por el Contenido de Finos (F%) y el Contenido de Arena (S%). El Contenido de Grava (G%) mostró una importancia insignificante.
- Para el MDD, el Límite Líquido (LL) fue nuevamente la característica más influyente (Importancia: 0.356), seguido por el Límite Plástico (PL) y el Contenido de Finos (F%).
Generalización: Los modelos demostraron efectividad a través de diferentes tipos de suelo, reforzando el valor de utilizar conjuntos de datos heterogéneos para mejorar la generalización del modelo.

Significancia y Reivindicaciones
El artículo afirma que esta investigación representa la primera aplicación de AutoML específicamente para la predicción de la compactación del suelo, distinguiéndose de estudios previos que se centraron en la licuefacción del suelo, la susceptibilidad a deslizamientos o la estabilidad de taludes. Las principales contribuciones son:

Demostración de la Eficacia de AutoML: El estudio valida que el AutoML puede automatizar la selección de algoritmos y de hiperparámetros óptimos, conduciendo a una mayor precisión y escalabilidad en comparación con los enfoques de ML manuales.
Mejora de la Precisión de Predicción: Al aprovechar el AutoML, el estudio logró altos valores de $R^2$ (89.1% para OMC y 80.4% para MDD), lo que sugiere una alternativa confiable a las pruebas de laboratorio tradicionales.
Base para la Construcción Inteligente: Los autores postulan que este enfoque sirve como un componente fundacional para integrar sistemas de manufactura y servicios inteligentes en la industria de la construcción. Sugieren que tales modelos podrían integrarse en los flujos de trabajo de infraestructura inteligente, permitiendo potencialmente el soporte de decisiones en tiempo real y ajustes automatizados de equipos para optimizar los esfuerzos de compactación.
Eficiencia Basada en Datos: La investigación contribuye a prácticas de construcción más eficientes y confiables al transformar la predicción de los parámetros de compactación del suelo de un proceso manual y lento a uno automatizado y basado en datos.