⚡ electrical engineering

Investigation of Full-Process Settlement Behavior and Prediction Models for Long-Short Pile Composite Foundations

Este artículo propone un modelo de predicción híbrido que integra modelos empíricos (Weibull y Poisson modificado) con algoritmos inteligentes (EMD y LS-SVM) para caracterizar con precisión la evolución del asentamiento en forma de "S" y predecir el asentamiento de todo el proceso de cimentaciones compuestas de pilotes largos y cortos, según lo validado por el proyecto Seoul Park.

Autores originales: Yang Liu, Guobo Han, Lihua Zhang, Xuemei Tian, Changjin Zhang, Hongbo Qu, Lili Zhang

Publicado 2026-08-08

📖 3 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Yang Liu, Guobo Han, Lihua Zhang, Xuemei Tian, Changjin Zhang, Hongbo Qu, Lili Zhang

Artículo original bajo licencia CC BY 4.0 (https://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 un castillo de arena gigante en una playa que se hunde lentamente. No solo quieres saber qué tan profundo es el agujero en este momento; quieres saber exactamente cuánto se hundirá mañana, el próximo mes y el próximo año. Este es el desafío diario para los ingenieros que construyen rascacielos sobre suelos blandos. Ellos utilizan "cimentaciones compuestas" especiales, que son como un equipo de estacas de madera largas y cortas clavadas en el lodo para sostener el edificio. Pero el suelo no solo se hunde en línea recta; se comporta como un ser vivo, reaccionando al peso del edificio, la lluvia y los trabajadores de la construcción de una manera desordenada e impredecible. Para mantener el edificio seguro y recto, los ingenieros necesitan predecir este comportamiento de hundimiento perfectamente. Si fallan en su cálculo, el edificio podría inclinarse o agrietarse. Este artículo trata sobre encontrar la mejor "bola de cristal" para predecir exactamente cuánto se asentarán estas cimentaciones especiales a lo largo del tiempo.

Los investigadores de este estudio, liderados por Yang Liu y sus colegas, abordaron el problema de predecir el "asentamiento de proceso completo" (el hundimiento total desde el principio hasta el fin) de estas cimentaciones de pilotes largos y cortos. Sabían que las fórmulas matemáticas simples a menudo tienen dificultades porque el movimiento del suelo es desordenado y cambia de velocidad con el tiempo. Para solucionar esto, probaron tres enfoques diferentes. Primero, utilizaron dos formas matemáticas clásicas llamadas el modelo Weibull y un modelo de Poisson modificado. Piensa en esto como intentar ajustar una curva suave y prefabricada sobre un sendero de senderismo accidentado. Encontraron que, si bien estas curvas podían describir la forma general de "S" del hundimiento (comenzando lento, acelerando y luego volviendo a frenar), a veces perdían los pequeños bultos y ondulaciones causados por el ruido de la construcción o cambios repentinos de carga. El modelo de Poisson modificado fue un poco mejor al doblarse para ajustarse a la curva, pero aún tenía límites.

Para obtener una predicción verdaderamente precisa, el equipo inventó un método híbrido más inteligente llamado EMD-LS-SVM. Trataron los datos de asentamiento como una canción compleja llena de diferentes instrumentos tocando al mismo tiempo. Primero, utilizaron una técnica llamada Descomposición de Modos Empíricos (EMD) para separar la "canción" en sus instrumentos individuales: las notas de bajo profundas y lentas (la tendencia de hundimiento a largo plazo), las melodías de rango medio (la construcción constante de los pisos) y el ruido agudo y rasposo (sacudidas repentinas del trabajo de construcción). Luego, utilizaron una poderosa herramienta de IA llamada Máquina de Vectores de Soporte de Mínimos Cuadrados (LS-SVM) para predecir el futuro de cada instrumento por separado. Finalmente, mezclaron estas predicciones nuevamente.

Los resultados, probados en un edificio real llamado Edificio B27 en un proyecto residencial en China, mostraron que este nuevo método híbrido fue el claro ganador. Mientras que los modelos simples de ajuste de curvas eran aceptables, el modelo híbrido fue increíblemente preciso. Predijo el asentamiento final a los 600 días en -27.5430 mm, con un error máximo de solo 0.4760 mm. Esta es una mejora enorme, reduciendo el error de los modelos anteriores en más de la mitad. El estudio sugiere que, al descomponer el problema en piezas más pequeñas y simples, y luego reensamblarlas, los ingenieros pueden obtener una imagen mucho más clara de cómo se comportará el suelo, ayudando a mantener los edificios seguros y estables sin las conjeturas.

Resumen Técnico: Investigación del Comportamiento de Asentamiento de Proceso Completo y Modelos de Predicción para Cimentaciones Compuestas de Pilotes Largos-Cortos

Planteamiento del Problema
La predicción precisa del asentamiento de proceso completo en cimentaciones compuestas de pilotes largos-cortos es crítica para garantizar la seguridad y la serviciabilidad de las estructuras construidas sobre suelos blandos. Sin embargo, los métodos de predicción existentes enfrentan dos limitaciones primarias:

Limitaciones de los Modelos Empíricos: Los modelos empíricos convencionales (por ejemplo, los modelos estándar de Weibull y Poisson) dependen frecuentemente de métodos de estimación de parámetros como la interpolación de splines cúbicos o la regresión no lineal, los cuales son sensibles a los valores iniciales y al tamaño de la muestra, lo que conduce a una precisión y robustez limitadas en la identificación de parámetros.
Complejidad del Comportamiento de Asentamiento: El asentamiento de la cimentación es un proceso complejo y no estacionario influenciado por el aumento de las cargas de la superestructura, la consolidación del suelo y la interacción pilote-suelo. Exhibe una marcada no linealidad y características multiescala. Los modelos empíricos individuales luchan por capturar simultáneamente la tendencia evolutiva a largo plazo y las fluctuaciones locales causadas por perturbaciones de construcción y variaciones ambientales.

Metodología
El estudio propone un marco de predicción híbrido que integra el modelado estadístico empírico con algoritmos inteligentes basados en datos. La metodología se estructura en tres fases:

Modelado Empírico Optimizado:
- Modelo de Weibull: Establecido para caracterizar la evolución del asentamiento en forma de "S". Se desarrolló un método de identificación de parámetros basado en la optimización para minimizar la suma de los errores cuadráticos entre los valores medidos y predichos, sujeto a una restricción de error absoluto máximo de 1 mm.
- Modelo de Poisson Modificado: Se introdujo un parámetro de modificación de forma ( $c_4$ ) al modelo de Poisson convencional. Esta mejora aumenta la flexibilidad del modelo para capturar la evolución asimétrica del asentamiento y las variaciones significativas en las tasas de asentamiento, las cuales son comunes en sistemas de pilotes largos-cortos debido a la redistribución de esfuerzos.
Predicción Inteligente Híbrida (EMD-LS-SVM):
- Descomposición de Modo Empírico (EMD): Los datos brutos de monitoreo de asentamiento se descomponen en múltiples Funciones de Modo Intrínseco (IMF) y un componente residual. Este proceso adaptativo separa la señal en distintas escalas de tiempo: componentes de alta frecuencia (fluctuaciones a corto plazo/ruido), componentes de media frecuencia (efectos de carga por etapas) y componentes de baja frecuencia/residuales (tendencias de consolidación a largo plazo).
- Máquina de Vectores de Soporte de Mínimos Cuadrados (LS-SVM): Se construye un modelo LS-SVM independiente para cada componente descompuesto. Se elige LS-SVM por su capacidad para manejar problemas de regresión no lineales de muestras pequeñas de manera eficiente, transformando el problema de programación cuadrática en un sistema de ecuaciones lineales.
- Reconstrucción Ponderada: La predicción final se genera mediante la reconstrucción óptima de los componentes predichos utilizando coeficientes de ponderación determinados por el criterio de error de predicción mínimo.
Validación de Ingeniería:
- Los modelos fueron validados utilizando datos de monitoreo de campo del Edificio B27 en el Desarrollo Residencial Seoul Park (Hebei, China). La cimentación utilizó un sistema de pilotes largos-cortos de Grava de Cemento y Ceniza (CFG) (pilotes largos: 21.45 m; pilotes cortos: 11.90 m) en suelo de arcilla limosa.

Resultados Clave

Patrón de Evolución del Asentamiento: El asentamiento de proceso completo de la cimentación compuesta sigue un patrón de evolución típico en forma de "S", caracterizado por una etapa de desarrollo inicial, una etapa de crecimiento rápido (donde la tasa de asentamiento alcanza su máximo) y una etapa de consolidación estable.
Desempeño de los Modelos Empíricos: Tanto el modelo de Weibull optimizado como el modelo de Poisson modificado capturaron con éxito la tendencia general del asentamiento con errores absolutos máximos inferiores a 1.0 mm. El modelo de Poisson modificado demostró una flexibilidad y un desempeño predictivo superiores durante las etapas de cambios rápidos en la tasa de asentamiento debido a su parámetro de forma adicional.
Características Multiescala: La EMD separó con éxito la señal de asentamiento en distintos mecanismos físicos. La IMF1 capturó las perturbaciones de construcción a corto plazo; la IMF2 reflejó la carga por etapas y la interacción pilote-suelo; y el componente residual representó la tendencia de consolidación del suelo a largo plazo.
Superioridad del Modelo Híbrido: El modelo combinado EMD-LS-SVM superó significativamente a los modelos empíricos individuales.
- Logró un error absoluto máximo de 0.4760 mm a los 158 días, lo que representa una reducción de más del 50% en comparación con los errores máximos de los modelos empíricos.
- A los 128 días, el modelo alcanzó un error de 0.0000 mm.
- Capturó eficazmente tanto la tendencia de evolución global como las fluctuaciones locales, particularmente durante los períodos de cambios rápidos en la tasa de asentamiento donde los modelos empíricos mostraron desviaciones.

Significancia y Reivindicaciones
El artículo sostiene que el enfoque híbrido propuesto aborda las limitaciones de los métodos tradicionales mediante:

Mejora de la Identificación de Parámetros: Utilizando algoritmos de optimización para mejorar la precisión y robustez de los parámetros de los modelos empíricos.
Descomposición de la Complejidad: Aprovechando la EMD para transformar una serie temporal compleja y no estacionaria en componentes más simples y estacionarios, reduciendo así la dificultad del mapeo no lineal para la LS-SVM.
Mejora de la Precisión de la Predicción: Proporcionando una base teórica y una referencia técnica para el monitoreo del asentamiento y el control de seguridad. El estudio afirma que el modelo EMD-LS-SVM ofrece una solución más confiable para la predicción inteligente del asentamiento de cimentaciones compuestas, capaz de manejar los efectos acoplados de la carga de construcción, la interacción pilote-suelo y la consolidación dependiente del tiempo.

Los autores concluyen que, si bien los modelos empíricos son suficientes para capturar tendencias generales, el modelo combinado EMD-LS-SVM es necesario para la predicción de alta precisión en condiciones de ingeniería complejas donde las fluctuaciones locales y los comportamientos multiescala son significativos.

Más como este