Physics-guided explainable machine learning and uncertainty quantification for predicting unconfined compressive strength of nano shale–quicklime stabilized kaolin clay

El suelo bajo nuestros pies rara vez es uniforme. En muchos lugares, el suelo es blando, húmedo y propenso a desplazarse, lo que lo convierte en una base deficiente para carreteras, edificios o puentes. Los ingenieros han sabido durante mucho tiempo cómo solucionar esto mezclando la tierra débil con agentes estabilizadores como la cal o el cemento. Estos aditivos desencadenan reacciones químicas que unen las partículas del suelo, convirtiendo un desastre viscoso en un material sólido y capaz de soportar cargas. Sin embargo, determinar exactamente cuánto estabilizador usar y cuánto tiempo esperar para que el suelo se endurezca es un proceso lento y costoso. Requiere mezclar docenas de lotes diferentes en un laboratorio, esperar semanas para que se curen y luego triturarlos para medir su resistencia. Por cada nuevo tipo de suelo o por cada cambio en la receta, este ciclo debe repetirse, consumiendo tiempo y recursos que podrían emplearse mejor en la construcción.

Un equipo de investigadores ha desarrollado una nueva forma de acelerar este proceso sin sacrificar la precisión. Crearon un modelo informático que actúa como un predictor altamente capacitado, aprendiendo de experimentos pasados para adivinar la resistencia de futuras mezclas de suelo. Pero en lugar de simplemente alimentar al ordenador con números brutos, los investigadores le enseñaron a pensar como un ingeniero geotécnico. Construyeron el modelo utilizando características "guiadas por la física", lo que significa que le dieron al ordenador descriptores que reflejan los procesos físicos y químicos reales que ocurren en el suelo, como la forma en que el aglutinante interactúa con el tiempo y cómo cambia la plasticidad natural del suelo. Este enfoque permite que el modelo comprenda el "porqué" detrás de la resistencia, no solo el "qué". El resultado es una herramienta que puede evaluar rápidamente y de forma fiable diversas mezclas de suelo, ayudando a los ingenieros a decidir qué combinaciones valen la pena probar en el laboratorio y cuáles es probable que fallen, todo ello proporcionando una explicación clara de por qué se espera que una mezcla específica funcione bien.

Los investigadores se centraron en un tipo específico de tratamiento de suelos que involucra la arcilla kaolín, un suelo débil común, estabilizado con dos materiales: nano esquisto, un polvo de roca finamente molido, y cal rápida, una forma reactiva de óxido de calcio. Comenzaron con una base de datos de 180 mediciones de laboratorio individuales tomadas de 36 diseños de mezcla diferentes. Cada diseño variaba la cantidad de nano esquisto y de cal utilizados, así como el número de días que se dejaba curar el suelo. El objetivo era predecir la resistencia a la compresión simple, una medida estándar de cuánta presión puede soportar el suelo antes de romperse. Para lograrlo, probaron varios tipos de algoritmos de aprendizaje automático, que van desde ecuaciones lineales simples hasta redes neuronales artificiales complejas y modelos avanzados basados en árboles. No dividieron simplemente los datos en grupos de entrenamiento y prueba aleatorios, una práctica común que a veces puede ocultar fallos en un modelo. En su lugar, utilizaron un método riguroso llamado validación cruzada de grupos anidados. Esto aseguró que el modelo fuera probado con diseños de mezcla completamente nuevos que nunca había visto, evitando que simplemente memorizara los resultados de muestras similares y diera una falsa sensación de precisión.

Tras entrenar y probar estos modelos, los investigadores descubrieron que un algoritmo específico llamado CatBoost funcionaba mejor, pero solo después de refinar la información que recibía. Inicialmente, les proporcionaron siete características diseñadas para capturar la física del proceso de estabilización, como la cantidad total de aglutinante utilizado y cómo ese aglutinante interactuaba con el tiempo de curado. A través de un proceso cuidadoso de eliminación de características una por una, descubrieron que uno de estos parámetros era en realidad redundante y confundía al modelo. Al eliminarlo, crearon una versión optimizada con seis descriptores clave que incluían el contenido total de aglutinante, la interacción entre el nano esquisto y los días de curado, y una medida de la plasticidad relativa del suelo. Este modelo refinado, al que denominaron CatBoost-6PG, alcanzó un alto nivel de precisión, prediciendo correctamente la resistencia de las mezclas de suelo con un margen de error de aproximadamente 151 kilopascales. Este rendimiento fue significativamente mejor que el de los modelos más simples e incluso superó a los más complejos que no utilizaban estos datos basados en la física.

El verdadero valor de este trabajo, sin embargo, reside en su transparencia. Los investigadores no se detuvieron en obtener una buena predicción; querían comprender qué estaba aprendiendo realmente el modelo. Utilizando una técnica llamada análisis SHAP, mapearon qué factores eran más importantes. Descubrieron que el modelo identificaba correctamente el índice de plasticidad del suelo —una medida de cuánta agua puede retener el suelo antes de volverse pegajoso— como el factor más crítico. Una alta plasticidad conducía consistentemente a predicciones de resistencia más bajas, lo cual concuerda perfectamente con la mecánica de suelos establecida. El modelo también aprendió que el paso del tiempo era crucial, con periodos de curado más largos que resultaban en un suelo más resistente, y que la interacción entre el aglutinante y el tiempo de curado era más importante que la cantidad de aglutinante por sí sola. Por ejemplo, el modelo mostró que añadir más nano esquisto solo ayudaba si había suficiente tiempo para que ocurrieran las reacciones químicas. Estos hallazgos confirman que el modelo no solo está encontrando patrones estadísticos, sino que está capturando los mecanismos físicos reales de la estabilización del suelo.

Para asegurar que las predicciones fueran fiables, el equipo también cuantificó la incertidumbre, o el rango de posibles resultados, para cada predicción. Simularon miles de escenarios donde los valores de entrada, como la cantidad exacta de cal o el tiempo de curado, variaban ligeramente para imitar las imperfecciones del mundo real. Descubrieron que la mayor fuente de incertidumbre provenía de la variabilidad de los propios materiales de entrada, más que de los cálculos internos del modelo. Cuando tuvieron en cuenta esta variabilidad, el modelo proporcionó un intervalo de predicción que cubría casi el 90 por ciento de los resultados de las pruebas reales. Esto significa que, si bien el modelo ofrece un número específico para la resistencia esperada, también proporciona un margen de seguridad, indicando a los ingenieros cuánto podría fluctuar ese número en la realidad. Esta es una característica vital para la ingeniería, donde la seguridad depende de comprender los límites de una predicción.

El estudio también exploró qué tan útil sería el modelo en las etapas iniciales de un proyecto, cuando los ingenieros podrían no tener aún datos detallados sobre las propiedades de compactación o los límites de plasticidad del suelo. Probaron el modelo utilizando únicamente las variables básicas del diseño de la mezcla: las cantidades de nano esquisto y de cal, y el tiempo de curado. Aunque el modelo aún podía realizar una estimación aproximada con esta información limitada, su precisión disminuía significativamente. Este hallazgo es práctico y honesto: el modelo no es un reemplazo para las pruebas de laboratorio, sino una herramienta poderosa para guiarlas. Puede ayudar a los ingenieros a reducir la lista de mezclas prometedoras para probar, ahorrando tiempo y dinero, pero sigue dependiendo de las propiedades fundamentales del suelo para realizar sus predicciones más precisas.

En última instancia, esta investigación ofrece un puente entre los datos brutos y la intuición de la ingeniería. Al combinar el aprendizaje automático con una comprensión profunda de los procesos físicos subyacentes, los investigadores crearon una herramienta que es tanto precisa como explicable. No trata al suelo como una caja negra, sino que aprende las reglas de cómo los aglutinantes, el tiempo y las propiedades del suelo interactúan para generar resistencia. Este enfoque permite un proceso de diseño más eficiente, donde los ingenieros pueden evaluar con confianza las mezclas y centrar sus recursos en las combinaciones con mayor probabilidad de éxito. El trabajo demuestra que cuando la inteligencia artificial es guiada por las leyes de la física, puede convertirse en un socio fiable para resolver desafíos de ingeniería complejos, ofreciendo claridad y confianza en el diseño de las estructuras que sostienen nuestra vida cotidiana.