Application of XGBoost Extreme Gradient Boosting Model in the Evaluation of Shallow Gas Hazards in Urban Strata—A Case Study of a Typical Area in LG City

Bajo las calles de muchas ciudades modernas yace una capa oculta de gas natural, atrapada en el suelo suelto y saturado de agua justo debajo de la superficie. Este no es el gas profundo y de alta presión que se utiliza para abastecer los hogares, sino una mezcla de metano superficial, a menudo de origen biológico, que se acumula en bolsas dentro de la arena y el lodo. Debido a que se encuentra tan cerca de la superficie, este gas puede acumular una presión significativa, creando una amenaza silenciosa para proyectos de construcción, túneles de metro e incluso los cimientos de los edificios. Cuando los trabajadores perforan el suelo o excavan para un nuevo sótano, corren el riesgo de perforar estas bolsas presurizadas, lo que puede provocar colapsos repentinos del terreno, explosiones de gas o la eyección de suelo y agua. Para los planificadores urbanos y los ingenieros, el desafío ha sido durante mucho tiempo saber exactamente dónde existen estas peligrosas bolsas antes de comenzar a excavar. Tradicionalmente, la predicción de estos peligros ha dependido en gran medida de la experiencia de los geólogos y la interpretación de las capas locales de roca, un método que funciona bien en algunos lugares pero que tiene dificultades para capturar los patrones complejos y cambiantes de la acumulación de gas en entornos urbanos densos.

Para abordar esta incertidumbre, un equipo de investigadores recurrió a un enfoque diferente, utilizando una poderosa herramienta de aprendizaje computacional para mapear los riesgos ocultos en Longgang, una ciudad costera en la provincia de Zhejiang, China. En lugar de confiar únicamente en la intuición humana, el equipo introdujo una enorme cantidad de datos geológicos en un algoritmo conocido como XGBoost, un tipo de modelo de aprendizaje automático diseñado para encontrar patrones sutiles en conjuntos de datos complejos. Los investigadores recopilaron información sobre ocho condiciones específicas que influyen en si el gas se acumulará y causará problemas: qué tan profundo se encuentra el gas, cuánta presión ejerce, el número de capas ricas en gas, la cantidad de carbono orgánico en el suelo, el contenido de agua, la porosidad del terreno, los niveles de saturación de gas y la presión general de la formación. Trataron a la ciudad como una cuadrícula gigante, dividiéndola en pequeños cuadrados y etiquetando cada uno según si era un sitio conocido de colapso del terreno o una zona segura. Al entrenar a la computadora para reconocer la combinación de factores presentes en los puntos peligrosos frente a los seguros, el modelo aprendió a predecir dónde podrían existir riesgos similares en otros lugares.

Los resultados de este entrenamiento digital fueron sorprendentes. El modelo computacional, una vez ajustado con un método sofisticado para encontrar la configuración perfecta para sus cálculos, demostró ser altamente preciso al distinguir entre terreno seguro y zonas peligrosas. Al ser probado contra datos del mundo real, el modelo alcanzó una puntuación alta que indica que puede separar de manera confiable las áreas peligrosas de las seguras, mucho mejor que el simple azar. El análisis reveló que el factor más crítico para predecir un desastre fue simplemente el número de capas portadoras de gas presentes en el suelo; cuantas más capas de suelo rico en gas se apilen, mayor será el riesgo. Siguiendo de cerca estaban la saturación del gas y la porosidad del terreno. El modelo también aclaró cómo ciertos factores actúan en contra del peligro, mostrando que un mayor contenido de carbono orgánico y condiciones de presión específicas en realidad ayudan a suprimir el riesgo de una erupción.

Utilizando estos conocimientos, los investigadores generaron un mapa detallado de Longgang que codifica por colores la ciudad según su nivel de riesgo. El mapa mostró que, si bien la mayor parte de la ciudad cae en una categoría de riesgo moderado, comunidades específicas, particularmente las comunidades de Dongpai y Xipai, se encuentran en zonas de alta susceptibilidad. Este hallazgo concuerda estrechamente con los registros históricos, ya que casi todos los colapsos del terreno que ya han ocurrido en el área sucedieron dentro de las zonas que el modelo identificó como de alto riesgo. El estudio demuestra que las herramientas basadas en datos pueden decodificar con éxito las complejas señales geológicas del gas somero, ofreciendo una forma más precisa de identificar zonas de peligro que los métodos tradicionales por sí solos. Si bien el modelo actual depende de datos geológicos estáticos y aún no tiene en cuenta las actividades humanas dinámicas o las reacciones en cadena que podrían desencadenar un colapso, proporciona una base sólida para la planificación de seguridad futura. Al señalar dónde es más probable que el suelo falle, este enfoque ayuda a ciudades como Longgang a prepararse para las fuerzas invisibles bajo sus pies, asegurando que la construcción futura pueda proceder con una comprensión más clara de los riesgos subyacentes.