Surrogate-Assisted Reliability, Optimization, and Parameter Back-Analysis in Geotechnical Engineering: A State-of-the-Art Synthesis

Bajo las ciudades por las que caminamos y las montañas que atravesamos con túneles, yace un mundo de suelo y roca que se niega a comportarse como un bloque simple y uniforme. Los ingenieros deben diseñar cimentaciones, taludes y túneles que puedan resistir la naturaleza impredecible del terreno, donde un parche de arcilla puede ser blando en un punto y duro en el siguiente, o donde la presión del agua cambia de formas difíciles de predecir. Para garantizar la seguridad, dependen de complejas simulaciones por computadora que actúan como laboratorios digitales, probando cómo resistirá una estructura frente a estas fuerzas ocultas. Sin embargo, estas simulaciones son increíblemente lentas y costosas de ejecutar. Una sola prueba de la estabilidad de un túnel puede tardar horas en una supercomputadora y, para ser verdaderamente seguros, los ingenieros necesitan realizar miles de estas pruebas para contemplar cada posible variación en el terreno. Esto crea un cuello de botella: la necesidad de certeza choca con los límites de la capacidad de cómputo, dejando muchas decisiones críticas estancadas en un estado de incertidumbre o dependiendo de diseños excesivamente cautelosos y costosos.

Una nueva revisión de los investigadores Serges Mendomo Meye y Pieride Mabe Fogang traza un camino a través de esta dificultad al examinar cómo el campo se está alejando de los métodos de cálculo antiguos y rígidos hacia un enfoque más inteligente y adaptativo. Los autores analizan un conjunto de herramientas modernas conocidas como modelos sustitutos (surrogate models), que actúan como sustitutos rápidos y ligeros de las pesadas y lentas simulaciones por computadora. En lugar de ejecutar el completo y laborioso motor de física para cada prueba, estos nuevos métodos construyen un mapa matemático basado en unos pocos ejemplos clave y luego utilizan ese mapa para predecir el resultado de millones de otros escenarios en una fracción de segundo. La revisión, que cubre los avances más recientes hasta 2026, encuentra que, si bien los métodos antiguos funcionaban bien para condiciones de suelo simples y predecibles, fallan cuando se enfrentan a la realidad compleja y dentada del suelo del mundo real. El artículo sostiene que el futuro reside en combinar estos mapas rápidos con el aprendizaje activo, donde la computadora decide exactamente dónde mirar a continuación, y el aprendizaje informado por la física, donde la computadora es enseñada las leyes fundamentales de cómo se mueve el suelo, asegurando que nunca prediga algo físicamente imposible.

Los investigadores comienzan explicando que, durante décadas, los ingenieros dependieron de métodos estáticos para crear estos mapas rápidos. Elegían un conjunto fijo de puntos de prueba, ejecutaban las simulaciones lentas y dibujaban una curva suave a través de los resultados. Esto funcionaba bien cuando el terreno era uniforme y los problemas eran simples. Sin embargo, los autores muestran que este enfoque se desmorona cuando el terreno es altamente variable o cuando el punto de falla es agudo e impredecible, como un deslizamiento de tierra que ocurre repentinamente en lugar de gradualmente. En estas situaciones complejas, una curva suave pierde de vista las zonas de peligro por completo. El artículo detalla un cambio hacia el "aprendizaje activo", un proceso donde la computadora no solo espera los datos, sino que los busca activamente. Imagine a un excursionista intentando encontrar el borde de un acantilado en una niebla espesa; un mapa estático podría simplemente mostrar una línea plana, pero un aprendiz activo daría un paso, comprobaría el terreno y, si se siente inestable, daría otro paso justo ahí para mapear el borde con precisión. De la misma manera, estos algoritmos modernos realizan algunas pruebas iniciales, construyen un mapa aproximado y luego eligen inteligentemente el siguiente lugar más importante para probar, concentrando su energía solo en las áreas donde es más probable que ocurra una falla. Esto permite encontrar el límite exacto entre la seguridad y el colapso con muchas menos ejecuciones computacionales que antes.

La revisión categoriza seis tipos principales de estas herramientas de mapeo rápido, explicando cómo ha evolucionado cada una. Los métodos más antiguos, como las superficies de respuesta polinómicas, son como dibujar una línea recta a través de una cordillera dentada; son demasiado simples para capturar los picos agudos y los valles profundos del comportamiento real del suelo. Las herramientas más nuevas, como la regresión de vectores de soporte y las funciones de base radial, son mejores para manejar estos giros bruscos. Pero el salto más significativo descrito en el artículo involucra modelos "informados por la física". Estos no solo adivinan basándose en datos; se les enseñan las reglas de la física, como cómo fluye el agua a través del suelo o cómo se deforma la roca bajo presión. Al integrar estas leyes directamente en el proceso de aprendizaje de la computadora, el modelo puede realizar predicciones precisas incluso cuando hay muy pocos datos disponibles. Esto es crucial para proyectos del mundo real donde los sensores pueden ser escasos o donde las condiciones del terreno son únicas y nunca han sido vistas antes. Los autores muestran que estos modelos guiados por la física pueden predecir la estabilidad de un túnel o el asentamiento de un edificio con alta precisión, incluso cuando los datos de entrada son incompletos.

El artículo aplica luego estos conceptos a tres áreas críticas de la ingeniería geotécnica. Primero, en el análisis de confiabilidad, los nuevos métodos permiten a los ingenieros calcular la probabilidad de falla con un nivel de precisión que antes era imposible. En lugar de suponer que una pendiente es segura porque pasó algunas pruebas, la computadora puede simular miles de millones de escenarios en segundos, identificando las combinasiones diminutas y raras de condiciones que podrían conducir a un colapso. Segundo, en la optimación del diseño, estas herramientas ayudan a los ingenieros a encontrar el equilibrio perfecto entre costo y seguridad. Pueden probar rápidamente miles de diseños de cimentación diferentes, ajustando la cantidad de concreto o acero, para encontrar la solución más eficiente que aún cumpla con los estrictos códigos de seguridad. Finalmente, la revisión destaca el potencial para los "gemelos digitales" en tiempo real. En este escenario, sensores en un sitio de construcción alimentan datos en vivo a un modelo rápido, el cual actualiza instantáneamente la comprensión de las condiciones del terreno. Si el suelo comienza a desplazarse de una manera inesperada, el sistema puede recalcular inmediatamente los riesgos y sugerir cambios al plan de construcción, convirtiendo el método tradicional de "observar y reaccionar" en un sistema de seguridad proactivo y en tiempo real.

A pesar de estos avances, los autores advierten cuidadosamente que el campo todavía enfrenta obstáculos significativos. La complejidad del terreno significa que, a medida que aumenta el número de variables, la dificultad de crear un mapa preciso crece exponencialmente, un problema conocido como la "maldición de la dimensionalidad". El artículo señala que, aunque los nuevos métodos son poderosos, aún pueden ser confundidos por datos ruidosos de los sensores o errores en las propias simulaciones por computadora. Si los datos de entrada son defectuosos, el mapa rápido producirá una predicción defectuosa. Los investigadores enfatizan que el trabajo futuro debe centrarse en filtrar este ruido y automatizar la selección de las mejores herramientas para cada tarea específica, de modo que los ingenieros no tengan que ajustar manualmente configuraciones complejas. También abogan por modelos que puedan manejar múltiples tipos de falla a la vez, en lugar de mirar un solo riesgo de forma aislada, para reflejar mejor la naturaleza interconectada de la infraestructura del mundo real.

En última instancia, esta síntesis sirve como una hoja de ruta para la próxima generación de la ingeniería geotécnica. Confirma que la era de depender únicamente de simulaciones por computadora lentas y de fuerza bruta está terminando, siendo reemplazada por un enfoque más inteligente y adaptativo que combina velocidad con precisión física. Los autores concluyen que, al cerrar la brecha entre los principios mecánicos históricos y las técnicas modernas basadas en datos, la industria puede avanzar hacia una infraestructura que no solo sea más segura y resiliente, sino también más eficiente de construir. El camino a seguir consiste en refinar estos modelos rápidos para que puedan manejar el desorden del mundo real, automatizar su uso para que sean accesibles para todos los ingenieros e integrarlos en los sitios de construcción en vivo para crear una relación dinámica y receptiva entre el entorno construido y el suelo sobre el que descansa.