⚡ electrical engineering

Prediction of Local Scour Depth Around Cylindrical Bridge Piers in Cohesive Soil Using Advanced Machine Learning Algorithms

Este estudio evalúa cinco algoritmos de aprendizaje automático para predecir la profundidad de socavación local alrededor de pilares de puentes cilíndricos en suelos cohesivos utilizando 122 registros de laboratorio, encontrando que el modelo QNET logró la mayor precisión (R² = 0.9958) al tiempo que destaca la influencia crítica del número de Froude y la necesidad de una interpretación cautelosa debido al modesto tamaño de la muestra.

Autores originales: Nazila Kardan, Mehdi Soltani, Mehdi Majedi Asl, Tohid Omidpour

Publicado 2026-09-01

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Nazila Kardan, Mehdi Soltani, Mehdi Majedi Asl, Tohid Omidpour

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

Todo puente depende de sus cimientos para mantenerse firme, pero el agua que fluye debajo de él intenta constantemente socavar esa estabilidad. Cuando la corriente de un río golpea el pilar de un puente, el agua se arremolina y se acelera alrededor de la estructura, excavando un hoyo en el lecho del río. Este proceso, conocido como socavación, puede arrancar el suelo que sostiene el puente, lo que podría provocar un colapso durante una inundación. Durante décadas, los ingenieros han podido predecir qué tan profundos serán estos hoyos en ríos con fondos arenosos o granulares, donde el suelo se desplaza grano por grano. Sin embargo, muchos ríos fluyen sobre lechos cohesivos, donde el suelo es pegajoso y está unido por arcilla y agua. En estas condiciones, el suelo no se lava fácilmente; en cambio, resiste la erosión de formas complejas que dependen de qué tan húmedo esté el suelo, cuánto contenido de arcilla tenga y con qué fuerza empuje el agua contra él. Debido a que la interacción entre el agua que fluye y este suelo pegajoso es tan intrincada, predecir exactamente qué tan profundo se volverá un hoyo de socavación en estos entornos ha seguido siendo un desafío difícil e incierto para los ingenieros civiles.

Un equipo de investigadores de universidades de Irán se propuso resolver este problema específico enseñando a las computadoras a reconocer los patrones ocultos dentro de experimentos de laboratorio pasados. Recopilaron 122 registros de estudios previos donde científicos habían medido qué tan profundo el agua excavaba alrededor de pilares cilíndricos de puentes en suelo cohesivo. En lugar de confiar en fórmulas tradicionales, el equipo utilizó algoritmos de aprendizaje automático avanzado, que son programas informáticos capaces de aprender de los datos para realizar predicciones. Alimentaron a la computadora con cinco tipos diferentes de sistemas de aprendizaje, incluyendo redes neuronales artificiales, que imitan la forma en que los cerebros humanos conectan la información, y otros modelos matemáticos diseñados para encontrar relaciones entre variables. A la computadora se le dio cuatro piezas clave de información para cada experimento: la velocidad del agua en relación con el tamaño del pilar, la cantidad de agua contenida en el suelo, el porcentaje de arcilla en el suelo y una medida de cuánta fuerza podía resistir el suelo antes de comenzar a erosionarse.

Los investigadores probaron estos modelos computacionales para ver cuál podía predecir con mayor exactitud la profundidad del hoyo de socavación basándose en esos cuatro factores. Dividieron sus datos en dos grupos, utilizando la mayor parte para enseñar a los modelos y reservando una porción más pequeña para probar su precisión con ejemplos nuevos y no vistos. Uno de los modelos, llamado QNET, logró el rendimiento reportado más alto, aunque los investigadores interpretaron esta puntuación casi perfecta con cautela, señalando que probablemente refleja la forma específica en que se dividieron los datos más que una garantía de exactitud universal. Otro modelo, la red neuronal artificial, también funcionó muy bien, aunque con un poco más de error que el mejor desempeño. Los otros modelos, incluido uno que intenta crear una fórmula matemática simple a partir de los datos, mostraron una menor precisión cuando fueron probados en situaciones nuevas. El estudio reveló que, si bien los modelos computacionales eran excelentes para encontrar patrones, el factor más importante para una predicción precisa fue consistentemente la velocidad del agua en relación con el tamaño del pilar. Sin embargo, los modelos también confirmaron que conocer solo la velocidad del agua no era suficiente; la computadora necesitaba conocer el contenido de agua y el contenido de arcilla del suelo para hacer una predicción confiable.

A pesar de la alta precisión de los modelos con mejor desempeño, los investigadores fueron cuidadosos de no declarar el problema completamente resuelto. Señalaron que la computadora fue entrenada con un número relativamente pequeño de experimentos de laboratorio, y que las puntuaciones casi perfectas podrían ser específicas de ese conjunto de datos en particular en lugar de una garantía para cada río del mundo. El estudio sugiere que, si bien el aprendizaje automático ofrece una nueva y poderosa herramienta para comprender cómo el agua erosiona los lechos de ríos pegajosos, estos modelos deben verse como ayudas de predicción sofisticadas que funcionan mejor dentro de los límites de los datos con los que fueron entrenados. Los hallazgos enfatizan que comprender la seguridad de los puentes en suelos cohesivos requiere observar tanto la potencia del agua como las propiedades específicas del terreno, una combinación que los métodos tradicionales han luchado por capturar de manera efectiva. Al demostrar que las computadoras pueden aprender estas relaciones complejas, la investigación abre un camino hacia diseños de puentes más seguros, siempre que el trabajo futuro continúe probando estas herramientas contra condiciones del mundo real y conjuntos de datos más grandes.

Resumen Técnico: Predicción de la Profundidad de Socavación Local alrededor de Pilas de Puente Cilíndricas en Suelos Cohesivos mediante Algoritmos Avanzados de Aprendizaje Automático

Planteamiento del Problema
La predicción fiable de la socavación local alrededor de pilas de puente cilíndricas en lechos cohesivos sigue siendo un desafío significativo en la ingeniería hidráulica. A diferencia de los sedimentos no cohesivos, donde la erosión está gobernada principalmente por el tamaño del grano y la velocidad crítica, la erodibilidad del suelo cohesivo implica interacciones complejas y no lineales entre el forzamiento hidráulico y la resistencia geotécnica. Factores como el contenido de agua, el contenido de arcilla y la resistencia al corte crítica del lecho influyen en la unión interparticular y los umbrales de erosión, lo que a menudo causa que el material cohesivo se erosione en forma de agregados o bloques en lugar de granos individuales. Las relaciones empíricas tradicionales, desarrolladas mayoritariamente para sedimentos no cohesivos, son difíciles de aplicar directamente a lechos cohesivos. Aunque las técnicas basadas en datos han mostrado potencial, existe la necesidad de realizar comparaciones sistemáticas de diferentes paradigmas de aprendizaje automático bajo un marco adimensional físicamente consistente para asegurar la robustez e interpretabilidad de los modelos.

Metodología
El estudio utilizó un conjunto de datos de 122 registros de laboratorio recopilados de investigaciones previas (específicamente, la base de datos de lechos cohesivos de Choi y Choi, 2022). La investigación se centró en predecir la profundidad máxima de socavación adimensional ( $d_{max}/D$ ) utilizando cuatro predictores principales:

Contenido de agua ( $W_c$ )
Contenido de arcilla ( $CP$ )
Número de Froude de la pila ( $Fr = V/\sqrt{gD}$ )
Resistencia al corte del lecho normalizada ( $\tau_c / (\rho V^2)$ )

El conjunto de datos se particionó en un conjunto de entrenamiento (~~70%) y un conjunto de prueba de reserva (~~30%) para evaluar la generalización. Para evaluar sistemáticamente la influencia de los predictores, los autores emplearon un diseño exhaustivo de subconjuntos de entrada, probando las 15 combinaciones no vacías de las cuatro variables.

Se evaluaron cinco algoritmos distintos de aprendizaje automático bajo este marco común:

Red Neuronal Artificial (ANN): Implementada como un perceptrón multicapa.
Máquina de Vectores de Soporte (SVM): Utilizando un núcleo de función de base radial.
K-Vecinos más Cercanos (KNN): Utilizando regresión basada en la distancia euclidiana.
Programación de Expresión Génica (GEP): Una técnica de regresión simbólica evolutiva que genera fórmulas explícitas.
QNET: Un marco de modelado de red neuronal alternativo.

El rendimiento se evaluó mediante el coeficiente de determinación ( $R^2$ ), el Error Cuadrático Medio (RMSE) y el índice de acuerdo de Willmott ( $DC$ ). Se realizaron análisis de sensibilidad mediante la eliminación de predictores de uno en uno para determinar la influencia relativa de cada variable.

Resultos Clave

Rendimiento del Modelo: QNET logró el mayor rendimiento reportado en el conjunto de prueba de reserva, con un $R^2$ de 0.9958, RMSE de 0.0111 y $DC$ de 0.9836. La ANN le siguió con un sólido desempeño ( $R^2 = 0.9206$ , RMSE = 0.0303, $DC = 0.9285$ ). El SVM y el KNN demostraron un rendimiento intermedio, mientras que la configuración de GEP con la entrada completa mostró una generalización más débil ( $R^2 = 0.6791$ ), a pesar de proporcionar una expresión simbólica explícita.
Sensibilidad de los Predictores: La sensibilidad de los predictores varió según el modelo y la métrica.
- En SVM, la eliminación del contenido de arcilla ( $CP$ ) causó la mayor caída en $R^2$ , mientras que la eliminación del número de Froude ( $Fr$ ) causó la mayor caída en $DC$ .
- En QNET y ANN, la eliminación del número de Froude ( $Fr$ ) resultó en el declive más significativo de $R^2$ y $DC$ , resaltando el papel crítico de la intensidad hidráulica.
- Los resultados de GEP también indicaron una fuerte influencia de $Fr$ , aunque las inconsistencias en sus métricas de sensibilidad reportadas impidieron una atribución cuantitativa precisa.
Generalización: Aunque QNET y ANN mostraron una alta precisión de entrenamiento, el estudio señaló una brecha de generalización mensurable para la ANN (entrenamiento $R^2$ 0.9996 frente a reserva 0.9206). El rendimiento cercano a la unidad de QNET se interpretó con cautela debido al modesto tamaño de la muestra y la dependencia de una única partición de datos.

Significación y Reivindicaciones
El artículo afirma demostrar el potencial del aprendizaje automático para predecir la socavación en lechos cohesivos, enfatizando que los marcos predictivos deben considerar simultáneamente el forzamiento hidráulico y la resistencia del lecho. El estudio destaca la importancia de utilizar predictores físicamente consistentes (como el número de Froude y la resistencia al corte normalizada) en lugar de depender únicamente del ajuste estadístico.

Los autores declaran explícitamente que sus resultados deben interpretarse como el rendimiento reportado para la partición de datos específica utilizada, y no como una prueba definitiva de la superioridad universal de los modelos o de la generalización a escala de campo. Advierten que el rendimiento casi perfecto de QNET requiere una interpretación cuidadosa dado el conjunto de datos limitado (122 registros) y la falta de registros de remuestreo repetido o validación externa. El estudio concluye que, si bien el aprendizaje automático ofrece herramientas poderosas para este dominio, los modelos desarrollados deben considerarse como herramientas de predicción basadas en datos dentro del dominio de laboratorio representado, no como ecuaciones de diseño sin restricciones. Se sugiere como trabajo futuro incluir una validación externa rigurosa utilizando conjuntos de datos independientes (como los de Gudavalli y Kothyari et al.) y la aplicación de métodos de ensamble con técnicas de IA explicable.

Más como este