From Wetting-Front Coalescence to Urban Road Collapse: Interpretable Machine Learning of Hydro-Mechanical Failure under Coupled Rainfall and Pipeline Leakage

Resumen Técnico: De la coalescencia del frente de humectación al colapso de vías urbanas

Planteamiento del problema
El colapso de vías urbanas representa una grave amenaza para la seguridad pública y la infraestructura en áreas de rápida urbanización. Si bien investigaciones previas han estudiado extensamente la erosión inducida por fugas en tuberías o los deslizamientos inducidos por la lluvia de forma separada, el mecanismo de acoplamiento hidro-mecánico entre la infiltración de lluvia y la fuga de tuberías aún no ha sido cuantificado suficientemente. Específicamente, falta una descripción exhaustiva de la interacción entre el frente de humectación descendente por lluvia y la zona de humectación expandida hacia afuera por la fuga, y cómo su convergencia transforma las perturbaciones hidráulicas ocultas en un colapso superficial. Los métodos existentes enfrentan limitaciones: las pruebas de modelos físicos están restringidas por la escala y el costo; las simulaciones numéricas de alta fidelidad son computacionalmente costosas para el cribado rápido de numerosos tramos de tubería; y muchos modelos de aprendizaje automático priorizan la precisión de la predicción sobre la interpretabilidad física y la consistencia del mecanismo.

Metodología
El estudio propone un marco de modelado de doble sustituto (dual-surrogate) con restricciones mecánicas que integra pruebas físicas, simulación numérica y aprendizaje automático interpretable.

1. Pruebas de modelo físico: Se construyó un modelo físico a gran escala (1.5 m × 1.0 m × 1.2 m) para validar el proceso de evolución del colapso. La prueba simuló lluvia intermitente (15 mm/h) y fuga continua de tubería (0.01 MPa) para observar la migración del frente de humectación, la convergencia de zonas y el asentamiento superficial.
2. Modelado numérico hidro-mecánico: Se desarrolló un modelo de elementos finitos de deformación plana 2D, incorporando la degradación de la resistencia y rigidez dependiente de la saturación. Los parámetros clave (ángulo de fricción interna, cohesión, módulo elástico) se definieron como funciones del grado de saturación ($S_r$) utilizando relaciones empíricas derivadas de ensayos triaxiales en arcilla limosa de Hangzhou. El comportamiento hidráulico se modeló mediante el modelo de van Genuchten-Mualem (VGM), implementado a través de una subrutina USDFLD para actualizar dinámicamente las propiedades del material.
3. Construcción del conjunto de datos: Basado en el modelo numérico validado, se generó una base de datos de diseño factorial completo de 120 casos numéricos. Las variables de entrada fueron la profundidad de enterramiento de la tubería ($D$: 1–6 m), la intensidad de la lluvia ($R$: 20–80 mm/d) y la presión de fuga ($L$: 50–90 kPa). Las respuestas de salida fueron la profundidad de colapso superficial ($S$), el área de la zona casi saturada ($A_s$) y la profundidad del frente de humectación ($Z_w$).
4. Modelado de doble sustituto (Dual-Surrogate):
   • GPR/Kriging: Utilizado como punto de referencia para la interpolación de alta precisión y la cuantificación de la incertidumbre en el espacio de parámetros de baja dimensión y muestra pequeña.
   • XGBoost: Seleccionado para la predicción de respuestas, clasificación de riesgos e interpretación mediante SHAP (SHapley Additive exPlanations) para asegurar que las predicciones del modelo se alineen con los mecanismos físicos.
5. Evaluación de riesgos: Se desarrolló un índice de riesgo integral ($RI$) mediante la normalización y el promedio de las tres variables de respuesta para clasificar los escenarios en categorías de riesgo bajo, medio y alto.

Resultados Clave

• Mecanismo de falla: El estudio identifica un proceso de falla de cuatro etapas: (1) pre-humectación del suelo superficial por la lluvia; (2) expansión de la zona de humectación inducida por la fuga; (3) convergencia de los frentes de humectación superior (lluvia) e inferior (fuga), formando una vía de ablandamiento continua; y (4) propagación ascendente de la deformación que conduce al colapso superficial.
• Factores dominantes:
  • Presión de fuga ($L$): El factor dominante, contribuyendo con un 86.42%, 87.79% y 92.77% a la varianza en la profundidad de colapso ($S$), el área de la zona casi saturada ($A_s$) y la profundidad del frente de humectación ($Z_w$), respectivamente.
  • Intensidad de la lluvia ($R$): Actúa principalmente como un amplificador, disipando la succión matricial y reduciendo el umbral de falla, contribuyendo con aproximadamente un 9–10% a la varianza.
  • Profundidad de enterramiento ($D$): Regula la trayectoria de convergencia espacial. Se encontró que las profundidades de enterramiento intermedias (2–3 m) producen las respuestas superficiales más significativas debido a la convergencia óptima del frente de humectación, mientras que un enterramiento más profundo atenúa la respuesta.
• Desempeño del modelo:
  • GPR/Kriging alcanzó una precisión excepcional en el conjunto de prueba independiente ($R^2$ = 0.997–0.998).
  • XGBoost demostró una fuerte capacidad predictiva ($R^2$ = 0.962–0.990) y, crucialmente, su análisis SHAP confirmó el mecanismo físico: dominancia de $L$, amplificación de $R$ y regulación de $D$.
  • El clasificador XGBoost logró una precisión del 96.7% en la distinción de niveles de riesgo, sin omitir muestras de alto riesgo en el conjunto de prueba.
• Zonificación de riesgos: Los mapas de riesgo revelaron que el aumento de la intensidad de la lluvia desplaza las condiciones de alto riesgo hacia presiones de fuga más bajas. Las zonas de alto riesgo son más prevalentes en profundidades de enterramiento intermedias bajo condiciones de alta presión de fuga y lluvia intensa.

Significancia y Reivindicaciones
El artículo afirma proporcionar una herramienta interpretable y eficiente para identificar secciones de tuberías vulnerables y apoyar la inspección dirigida y la prevención de colapsos. Sus principales contribuciones son:

1. Perspectiva Mecanicista: Aclara que la lluvia y la fuga no son simplemente fuentes de agua aditivas, sino que interactúan para formar una vía de ablandamiento continua mediante la coalescencia de los frentes de humectación.
2. Marco Metodológico: Introduce un enfoque de doble sustituto que equilibra la interpolación de alta precisión (GPR) con la clasificación de riesgos interpretable y la verificación de mecanismos (XGBoost-SHAP), abordando la limitación de la "caja negra" del aprendizaje automático estándar en la ingeniería geotécnica.
3. Aplicación de Ingeniería: El marco propuesto sirve como una herramienta auxiliar graduada de "cribado preliminar - verificación de prioridad - calibración de campo". Permite a los ingenieros realizar un cribado rápido de los tramos de tubería basándose en los datos disponibles (profundidad, presión, pronóstico de lluvia) para priorizar recursos en los segmentos de alto riesgo (por ejemplo, aquellos con alta presión de fuga, exposición a lluvias intensas y profundidad de enterramiento intermedia).

Los autores señalan modestamente que los niveles de riesgo representan clasificaciones relativas dentro del espacio de parámetros específico estudiado y no son probabilidades absoltas de falla en campo. La aplicación práctica requiere una mayor calibración utilizando las condiciones geológicas locales, la geometría específica de los defectos de las tuberías y los datos de monitoreo de campo. El estudio no pretende reemplazar el análisis detallado específico de cada sitio, sino optimizar la asignación de recursos de inspección.