An LLM-Driven Agentic Framework for Automated Seismic Soil Liquefaction Hazard Assessment Using SPT- and CPT-Based Machine Learning Models

Cuando el suelo se sacude durante un terremoto, la tierra bajo nuestros pies puede, en ocasiones, comportarse como un líquido. Este fenómeno, conocido como licuación de suelos, ocurre cuando la arena suelta y húmeda pierde su resistencia y rigidez, provocando que los edificios se hundan, las carreteras se deformen y la infraestructura falle. Es una de las fuerzas más destructivas desatadas por eventos sísmicos, responsable de daños catastróficos en los grandes terremotos de la historia. Para proteger a las comunidades, los ingenieros deben determinar, antes de que comience la construcción, si es probable que el terreno se conviera en líquido bajo estrés. Esta evaluación se basa en dos métodos principales para sondear la tierra: el Ensayo de Penetración Estándar, que mide qué tan difícil es introducir un muestreador en el suelo, y el Ensayo de Penetración de Cono, que empuja un cono a través del suelo para medir la resistencia de forma continua. Tradicionalmente, interpretar estos ensayos requiere que un ingeniero geotécnico recopile datos manualmente, realice cálculos complejos y decida qué método aplicar, un proceso que consume mucho tiempo y es propenso al error humano.

Un equipo de investigadores de la India, Australia y Estados Unidos ha desarrollado un nuevo sistema diseñado para hacer que este control de seguridad crítico sea más rápido y accesible. Crearon un marco automatizado que combina potentes modelos de aprendizaje computacional con una inteligencia artificial sofisticada capaz de comprender el lenguaje humano. En lugar de obligar a los ingenieros a formatear los datos en hojas de cálculo rígidas, este nuevo sistema les permite describir las condiciones de un sitio en lenguaje natural. La computadora lee la descripción, identifica los datos necesarios del suelo y del terremoto, elige el método de cálculo correcto y entrega un informe de ingeniería claro. El objetivo no era reemplazar el juicio humano, sino actuar como un asistente inteligente que se encargue del trabajo pesado de procesamiento de datos y selección de modelos, permitiendo que los expertos se concentren en las decisiones finales de seguridad.

Los investigadores comenzaron enseñando a dos programas informáticos distintos cómo predecir la licuación. Un programa fue entrenado con casi 2,000 casos del mundo real donde se utilizó el Ensayo de Penetración Estándar, mientras que el otro aprendió de casi 500 casos que involucraban el Ensayo de Penetración de Cono. Estos programas, construidos sobre una técnica llamada potenciación de gradiente extremo (extreme gradient boosting), aprendieron a reconocer los patrones complejos y no lineales entre la densidad del suelo, los niveles de agua y la intensidad del terremoto que conducen al fallo. Al ser probados con datos nuevos y no vistos, el programa entrenado con el Ensayo de Penetración Estándar identificó correctamente si el suelo se licuaría o permanecería estable en el 96 por ciento de los casos. El programa entrenado con el Ensayo de Penetración de Cono alcanzó una tasa de éxito del 91 por ciento. Ambos sistemas demostraron ser altamente confiables, mostrando el modelo del Ensayo de Penetración Estándar una fortaleza particular para detectar suelos peligrosos y licuables, un rasgo crucial para la seguridad en la ingeniería.

La verdadera innovación de este trabajo reside en cómo estas herramientas de predicción se conectaron a un modelo de lenguaje extenso, un tipo de inteligencia artificial diseñada para comprender y generar lenguaje humano. En intentos previos de utilizar el aprendizaje automático para la ingeniería geotécnica, los modelos computacionales estaban aislados; solo podían funcionar si un humano primero extraía cada número de un informe de sitio y lo introducía en el sistema en un formato específico. Este nuevo marco elimina esa barrera. Los investigadores construyeron un "agente", un asistente digital que actúa como el cerebro de la operación. Cuando un usuario escribe una descripción natural de un sitio —mencionando detalles como la profundidad del suelo, la fuerza del movimiento del suelo o la resistencia medida por una sonda—, el agente lee el texto, extrae los números relevantes y determina qué modelo de predicción debe utilizar. Si la descripción contiene datos de resistencia de cono, dirige la solicitud al modelo de cono; si contiene conteos de golpes, la envía al modelo de ensayo de penetración.

Para asegurar que este sistema funcione en el mundo real, el equipo lo probó con diez escenarios diferentes, cada uno describiendo una condición de sitio única. En cada uno de los casos, el agente extrajo correctamente los parámetros requeridos del texto y eligió el modelo de predicción adecuado para ejecutarlo. Luego, tomó la salida bruta del modelo computacional y la tradujo en un informe de ingeniería estructurado y profesional que explicaba el riesgo y ofrecía recomendaciones. Este flujo de trabajo de extremo a extremo demuestra que es posible cerrar la brecha entre los datos de campo brutos y no estructurados y las predicciones de aprendizaje automático de alta precisión sin requerir que el usuario sea un científico de datos. El sistema convierte efectivamente un análisis de ingeniería complejo y de múltiples pasos en una simple conversación.

Sin embargo, los investigadores son cuidadosos al definir los límites de su creación. Enfatizan que esta herramienta está destinada al cribado preliminar y al apoyo en la toma de decisiones, no como un reemplazo final para el análisis tradicional o el juicio profesional. El sistema está diseñado para detectar peligros potenciales de manera temprana y agilizar el proceso de revisión inicial, pero no puede tener en cuenta cada matiz geológico único o el alcance total de la historia de un sitio. Para casos marginales donde el riesgo no está claro, o cuando los datos de entrada son incompletos, el sistema está programado para recomendar una investigación adicional por parte de un ingeniero calificado. El estudio concluye que, si bien el marco automatizado mejora significamente la accesibilidad y la eficiencia de la evaluación de riesgos sísmicos, funciona mejor como un socio de la experiencia humana, encargándose del trabajo rutinario de datos para que los ingenieros puedan concentrarse en la seguridad de las estructuras que construyen.