Resumen Técnico: Modelos Híbridos (FEM-ML) para Predecir el Desplazamiento Lateral de Cabezales de Pilotes bajo Carga Cuasiestática

1. Planteamiento del Problema

La predicción precisa del desplazamiento lateral de los cabezales de pilotes bajo cargas cuasiestáticas sigue siendo un desafío significativo en la ingeniería geotécnica debido a la naturaleza compleja y no lineal de la Interacción Suelo-Estructura (SSI). Los métodos analíticos tradicionales, como los enfoques de Estado Límite Último (por ejemplo, Broms) y los métodos de Reacción del Subsuelo (por ejemplo, curvas p-y), a menudo dependen de simplificaciones que no logran capturar deformaciones intrincadas del suelo, efectos de grupo y la degradación estructural no lineal del concreto reforzado (RC) de los pilotes, particularmente el agrietamiento. Por el contrario, el Modelado de Elementos Finitos (FEM) 3D sofisticado ofrece una alta fidelidad, pero es computacionalmente costoso y lento, lo que lo hace inadecuado para iteraciones de diseño rápidas. Además, las aplicaciones actuales de Aprendizaje Automático (ML) en este dominio suelen sufrir de una falta de transparencia (naturaleza de "caja negra") y de una escasez de datos de campo de alta calidad para pilotes de gran diámetro. Este estudio aborda la compensación entre precisión y eficiencia proponiendo un marco híbrido que aprovecha el FEM para generar datos sintéticos para entrenar modelos de IA precisos e interpretables.

2. Metodología

La investigación emplea una metodología híbrida de cuatro fases que combina la simulación basada en la física con el modelado basado en datos:

Fase 1: Desarrollo y Validación del FEM

Se desarrolló un modelo numérico 3D robusto utilizando PLAXIS 3D (v24.2).

• Modelos Constitutivos: El modelo Hardening Soil (HS) simuló el comportamiento del suelo, mientras que el Modelo de Concreto (CM) se utilizó para los pilotes de RC para simular explícitamente el agrietamiento y la reducción de la rigidez flexional. El refuerzo de acero se modeló como elementos de placa embebida con elementos de interfaz para simular el comportamiento de adherencia-deslizamiento (bond-slip).
• Validación: El marco de FEM se comparó con tres pruebas de carga experimentales a escala real: dos del Proyecto del Monorriel de El Cairo (Piles 60C00 y NCC19) y una de la Prueba de Carga de Pilotes de Kiev. La inclusión del CM mejoró significativamente la precisión para pilotes largos en comparación con los modelos Elásticos Lineales (LE), manteniendo los errores dentro de un rango de ingeniería aceptable (por ejemplo, -3.71% a 2.54%).

Fase 2: Estudio Paramétrico y Generación de Datos Sintéticos

Tras la validación, un estudio paramétrico exhaustivo generó 450 simulaciones de FEM 3D únicas que cubrieron:

• Configuraciones: Pilotes individuales y grupos cuadrados (2×2, 4×4, 6×6).
• Geometría: Relaciones de espaciamiento-diámetro (S/D) de 2–8 y relaciones de longitud-diámetro (L/D) de 10, 20 y 30.
• Perfiles de Suelo: Seis tipos (3 arcillas cohesivas, 3 arenas no cohesivas) utilizando el modelo HS.
• Carga: Cargas laterales cuasiestáticas hasta un desplazamiento de 25 mm, con cargas verticales variables para aislar la influencia axial.
• Transformación de Datos: Las curvas de carga-desplazamiento originales se ajustaron a una función hiperbólica para extraer dos objetivos físicamente significativos: la Rigidez Inicial ($K_{init}$) y la Capacidad Lateral Última ($P_{ult}$). Estos objetivos se transformaron logarítmicamente para normalizar la varianza de los datos.

Fase 3: Desarrollo de Modelos de IA

El conjunto de datos sintéticos se dividió (80/20) en conjuntos de entrenamiento y prueba para suelos de arena y arcilla. Se entrenaron varios algoritmos de ML para mapear siete características de entrada (espaciamiento, número de pilotes, longitud, carga vertical, módulo de Young, peso unitario y parámetros de resistencia al corte) a los resultados objetivo:

• Algoritmos: Regresión Lineal (línea base), Regresor de Potenciación de Gradiente (GBR), Regresión de Vectores de Soporte (SVR) y Perceptrón Multicapa (MLP).
• Optimización: Los hiperparámetros para los modelos no lineales se ajustaron mediante Optimización por Enjambre de Partículas (PSO) para minimizar el RMSE de la Validación Cruzada de 5 pliegues.
• Interpretabilidad: Se empleó la Regresión Polinómica Evolutiva (EPR) para derivar ecuaciones matemáticas simbólicas y transparentes. El análisis de SHAP (Explicaciones de Valores de Shapley) se aplicó a los mejores modelos de GBR para cuantificar la importancia de las características.

3. Resultados Clave

Rendimiento de los Modelos

• Superioridad de GBR: El modelo GBR optimizado por PSO alcanzó la mayor precisión predictiva. Para la predicción de la rigidez de la arcilla, alcanzó un coeficiente de correlación cercano a 0.99 con un RMSE tan bajo como 0.015. Superó consistentemente a las arquitecturas SVR y MLP en todos los conjuntos de datos.
• Transparencia de EPR: Los modelos EPR generaron con éxito ecuaciones simbólicas de forma cerrada (por ejemplo, Ec. 3–6) que relacionan los inputs geotécnicos con las respuestas de los pilotes, ofreciendo un equilibrio entre precisión e interpretabilidad de ingeniería.

Perspectivas Paramétricas

• Efectos de Grupo: Aumentar el número de pilotes mejoró significativamente tanto la rigidez inicial como la capacidad última, siendo la ganancia en capacidad más dominante en suelos arenosos.
• Espaciamiento: Un mayor espaciamiento redujo el efecto de "sombra", aumentando generalmente la capacidad, aunque el tamaño del grupo fue el factor determinante principal.
• Carga Vertical: Las cargas verticales aumentaron significamente la capacidad lateral última (debido al confinamiento y al retraso del agrietamiento), pero tuvieron un efecto insignificante en la rigidez elástica inicial.
• Rigidez del Suelo: El módulo elástico del suelo fue el parámetro determinante principal para la rigidez inicial.

Validación y Limitaciones

• Validación de Campo: El modelo GBR se validó contra un caso de campo (Raj et al., 2024) y mostró una alta correlación en el rango elástico inicial ($y < 0.02$ m). Sin embargo, en desplazamientos mayores ($y > 0.05$ m), el modelo tendió a subpredecir la capacidad última, probablemente debido a que los datos de entrenamiento se centraron en el desplazamiento inicial de 0.025 m y a las limitaciones de los parámetros de suelo equivalentes en depósitos estratificados.
• Benchmarks: Frente a los métodos clásicos (Broms, LPile), el modelo GBR funcionó bien para límites de servicio (error de ±20%), pero exhibió un "efecto de meseta" para la capacidad última en regímenes de alta capacidad, una limitación conocida de los ensambles basados en árboles que no pueden extrapolar más allá de los máximos de los datos de entrenamiento.

4. Significancia y Contribuciones

El artículo sostiene que este enfoque híbrido FEM-IA proporciona una herramienta altamente precisa y basada en datos que mejora la confiabilidad y eficiencia del diseño de cimentaciones de pilotes laterales. Sus principales contribuciones incluyen:

1. Cerrar la Brecha de Precisión-Eficiencia: El estudio demuestra que los modelos híbridos pueden proporcionar la rigurosidad de precisión del modelado numérico 3D en una fracción del tiempo requerido para la simulación directa, haciéndolos adecuados para iteraciones de diseño preliminar.
2. Abordar el Problema de la "Caja Negra": Al integrar EPR y SHAP, el estudio transforma las predicciones opacas de la IA en herramientas explicables. El análisis SHAP confirmó que la IA aprendió principios físicos, como la dominancia de la geometría en la capacidad y de las propiedades del suelo en la rigidez.
3. Modelado Explícito del Agrietamiento de RC: La validación resaltó la necesidad crítica de utilizar modelos constitutivos avanzados (CM) para capturar el agrietamiento del concreto, lo cual afecta significamente la rigidez flexional y el desplazamiento de los pilotes largos.
4. Ecuaciones de Diseño Simbólicas: Las ecuaciones derivadas de EPR ofrecen relaciones transparentes de forma cerrada para predecir las respuestas de los grupos de pilotes, facilitando su integración directa en los flujos de trabajo de diseño sin depender de software complejos.

Los autores concluyen que, si bien el modelo actual es una herramienta robusta para suelos de medios a duros bajo cargas operativas, el trabajo futuro debe centrarse en expandir los conjuntos de datos con mediciones de campo diversas, integrar perfiles de suelo multicapa complejos y avanzar en Redes Neuronales Informadas por la Física (PINNs) para manejar problemas de SSI 3D a gran escala de manera más efectiva.