⚡ ingeniería eléctrica

Prediction of spray dust suppression time for blasting dust in tunnel using CFD and Operon symbolic regression

Este estudio demuestra que el algoritmo de regresión simbólica Operon proporciona una expresión explícita altamente precisa, eficiente e interpretable para predecir el tiempo de supresión de polvo por aspersión en voladuras de túneles, superando a varios otros métodos de regresión y aprendizaje automático al tiempo que reduce significativamente los costos computacionales.

Autores originales: Zheng Chen, Chun Guo, Xuting Zheng

Publicado 2026-10-06

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Zheng Chen, Chun Guo, Xuting Zheng

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

Cuando se detona un túnel a través de roca sólida, el aire se llena de una densa y sofocante nube de polvo. Esto no es solo una molestia; es un peligro serio para los trabajadores que deben entrar al espacio para continuar con la construcción. Para limpiar el aire, los ingenieros utilizan pulverizadores de agua a alta presión que se convierten en una fina niebla, atrapando las partículas de polvo y dándoles peso para que caigan al suelo. El desafío consiste en saber exactamente cuánto tiempo mantener el agua funcionando. Si el pulverizador se detiene demasiado pronto, queda polvo peligroso. Si funciona demasiado tiempo, se desperdicia tiempo y agua valiosos. En el pasado, determinar la duración perfecta requería ejecutar miles de complejas simulaciones por computadora, un proceso que era preciso pero increíblemente lento y costoso.

Un equipo de investigadores se propuso encontrar una forma más rápida de predecir este tiempo crítico. Se centraron en un túnel ferroviario en China, donde la roca es un tipo duro de granito conocido como granodiorita gneisica. En lugar de depender únicamente de modelos computacionales lentos, combinaron mediciones del mundo real con una nueva clase de herramienta de descubrimiento matemático. Esta herramienta, conocida como regresión simbólica, actúa como un científico que puede observar un montón de datos y escribir la frase matemática exacta que los explica, en lugar de simplemente adivinar un número. El objetivo era crear una fórmula simple y clara que los ingenieros pudieran usar de inmediato para saber cuánto tiempo pulverizar agua después de una detonación, asegurando que el aire sea seguro sin desperdiciar recursos.

Los investigadores comenzaron observando un evento de voladura real en el túnel. Colocaron sensores a lo largo del suelo para medir cómo se movía el polvo y cuánto tiempo tardaba en despejarse. Descubrieron que la concentración de polvo tenía dos picos, con un descenso entre ellos, alcanzando un máximo peligroso de 2100 miligramos por metro cúbico. El viento dentro del túnel se movía lentamente, a unos 0,2 metros por segundo. Para comprender la física detrás de esto, construyeron un modelo computacional detallado del túnel. Este modelo simulaba la interacción entre el aire, las gotas de agua y las partículas de polvo. Probaron diferentes tamaños de boquillas, diferentes presiones de agua y diferentes ángulos para el pulverizado para ver cómo cada cambio afectaba el tiempo necesario para que el aire fuera seguro.

Para dar sentido a la vasta cantidad de datos generados por estas simulaciones, el equipo diseñó un experimento estructurado. Probaron cinco factores diferentes: el tamaño de la primera boquilla, la presión de la segunda boquilla, el ángulo de la segunda boquilla, la distancia entre los anillos de pulverización y el volumen de aire que se introduce en el túnel. Ejecutaron 25 combinaciones diferentes de estos ajustes. El factor más importante resultó ser el volumen de aire introducido en el túnel, seguido por el ángulo de la boquilla del pulverizador. La distancia entre los anillos de pulverización fue lo que menos importó. Encontraron que la mejor configuración para su túnel específico involucraba un diámetro de boquilla de 1,6 milímetros, una presión de pulverización de 5 megapascales, un ángulo de pulverización de 40 grados, un espaciamiento de 60 metros entre anillos y un suministro de aire de 28 metros cúbicos por segundo.

Con estos datos en mano, los investigadores recurrieron al algoritmo de regresión simbólica, un método que busca la mejor expresión matemática para describir la relación entre los ajustes de pulverización y el tiempo que tarda en despejarse el polvo. Compararon este método con muchas otras técnicas comunes de aprendizaje computacional, como los bosques aleatorios (random forests) y las máquinas de vectores de soporte (support vector machines). Aunque esos otros métodos eran muy buenos memorizando los datos de entrenamiento, fallaban al predecir situaciones nuevas con precisión, un problema conocido como sobreajuste (overfitting). El método de regresión simbólica, específicamente una herramienta llamada Operon, fue el que mejor funcionó. Encontró una fórmula que equilibraba la precisión con la simplicidad, logrando una precisión de predicción significativamente mayor que los otros métodos cuando se probó con datos nuevos.

El resultado final fue una ecuación específica que predice el tiempo de supresión del polvo basándose en los ajustes de pulverización. Los investigadores señalaron que la ecuación presentaba algunas ondulaciones y fluctuaciones, lo cual explicaron debido a que el polvo no se despeja de manera uniforme en todas partes del túulo al mismo tiempo. En algunos puntos, el polvo permanece en bolsas, mientras que en otros, se despeja rápidamente. La fórmula captura esta incertidumbre. Cuando probaron su ecuación de mejor rendimiento, predijo que el polvo se despejaría en unos 459 segundos en promedio para la configuración óptima, siendo el peor escenario de alrededor de 710 segundos. En sus simulaciones, las gotas de agua se estabilizaron en 100 segundos, y las gotas más grandes se asentaron cerca de la mitad del túnel, mientras que la niebla más fina llegó más adelante en la línea.

Este estudio proporciona una herramienta práctica para los ingenieros de túneles. En lugar de ejecutar horas de complejas simulaciones por computadora para cada nuevo proyecto, ahora pueden usar esta fórmula para estimar cuánto tiempo deben funcionar sus pulverizadores de agua. Los investigadores enfatizan que este enfoque va más allá del simple ajuste de datos para descubrir realmente las reglas subyacentes que gobiernan el proceso de despeje de polvo. Aunque el modelo actual se basa en condiciones específicas en un tipo particular de túnel ferroviario, el método ofrece un camino hacia predicciones más rápidas y fiables para entornos de túneles complejos en el futuro. El trabajo demuestra que, al combinar simulaciones físicas con un descubrimiento matemático inteligente, es posible convertir un problema de ingeniería lento y costoso en un cálculo rápido y resoluble.

Resumen Técnico: Predicción del Tiempo de Supresión de Polvo por Aspersión para el Polvo de Voladura en Túneles mediante CFD y Regresión Simbólica de Operon

Planteamiento del Problema
La supresión de polvo por aspersión es una medida crítica para el control del polvo de voladura en la ingeniería de túneles, particularmente en túneles ferroviarios donde las propiedades del polvo y las formas de la sección transversal difieren de los entornos de minas de carbón. Aunque las simulaciones numéricas (CFD) se utilizan ampliamente para optimizar los parámetros de supresión, estas conllevan altos costos computacionales, especialmente a medida que los modelos se vuelven más refinados. Los métodos de predicción existentes, como los métodos de superficie de respuesta o las redes neuronales, a menudo sufren grandes errores de predicción en relaciones de alta dimensionalidad o carecen de interpretabilidad (naturaleza de "caja negra"). Existe una necesidad específica de un método que pueda determinar rápidamente el tiempo óptimo de supresión de polvo por aspersión proporcionando, al mismo tiempo, una expresión matemática explícita e interpretable que equilibre la precisión con la plausibilidad física.

Metodología
El estudio emplea un enfoque híbrido que combina pruebas de campo, simulación numérica y aprendizaje automático:

Datos de Campo e Inversión Numérica:
- Se realizaron pruebas de campo en un túnel ferroviario de vía única (granodiorita granítica de tipo gneis de Grado III) utilizando un monitor de polvo CCZ3000. Los datos revelaron una concentración máxima de polvo de 2100 mg/m³ y un diámetro característico de 16.561 μm.
- Se estableció un modelo CFD acoplado gas-líquido-sólido validado contra los datos de campo. El modelo utilizó una malla media (1,023,576 elementos) para simular la migración del polvo y la interacción de la aspersión.
Diseño de Experimentos Ortogonales:
- Se diseñó un experimento ortogonal para investigar cinco factores influyentes: diámetro del orificio de la boquilla N.º 1 (A), presión de aspersión de la boquilla N.º 2 (B), ángulo de aspersión de la boquilla N.º 2 (C), espaciamiento del anillo de aspersión (D) y tasa de suministro de aire del conducto de aire forzado (E).
- El índice de evaluación fue el tiempo requerido para que la concentración promedio de polvo de la sección transversal cayera por debajo del límite de seguridad de 4 mg/m³ dentro de un rango de 200 m.
- Se añadió un "Test 26" suplementario para verificar la combinación óptima derivada del análisis ortogonal.
Ingeniería de Variables y Análisis Dimensional:
- El análisis de importancia inicial (valores SHAP) indicó que la tasa de suministro de aire (E) era el factor más significativo, mientras que el espaciamiento del anillo de aspersión (D) era el menos significativo.
- Para abordar las inconsistencias dimensionales y mejorar la precisión de la regresión, los autores construyeron nuevas variables adimensionales ( $X_1, X_2, X_3$ ) basadas en parámetros físicos (densidad del aire, tamaño de la gota, tamaño del polvo y tiempo de ventilación).
Regresión Simbólica (Operon):
- Se utilizó el algoritmo Operon, un marco de regresión simbólica de alto rendimiento basado en programación genética basada en árboles, para derivar una expresión matemática explícita para el tiempo de supresión de polvo.
- Operon se comparó contra otros 12 algoritmos, incluyendo PySR, GpGomea, SVR, Random Forest, XGBoost y diversas combinaciones de regresión.
- El criterio de selección del modelo fue la métrica SCORE, que equilibra el coeficiente de determinación ( $R^2$ ) y la complejidad de la ecuación.

Resultos Clave

Sensibilidad de los Factores: El análisis de rango de los experimentos ortogonales clasificó los factores que afectan el tiempo de supresión de polvo en orden descendente de influencia: Tasa de suministro de aire (E) > Ángulo de aspersión de la boquilla N.º 2 (C) > Presión de aspersión de la boquilla N.º 2 (B) > Diámetro de la boquilla N.º 1 (A) > Espaciamiento del anillo de aspersión (D).
- La combinación óptima identificada fue: diámetro N.º 1 de 1.6 mm, presión N.º 2 de 5 MPa, ángulo N.º 2 de 40°, espaciamiento de 60 m y suministro de aire de 28 m³/s.
Perspectivas de la Simulación Numérica: En el Test 26 óptimo, el tiempo de seguridad máximo registrado fue cercano a 710 s (con una media de 459 s), lo que representa la media más baja y la dispersión más estrecha entre todas las pruebas. En contraste, el Test 9 arrojó el tiempo de seguridad más largo del conjunto de datos, aproximadamente 1,780 s. La simulación mostró que las gotas se estabilizaron a los 100 s. Las gotas grandes (>50 μm) se concentraron entre 50–110 m, mientras que las gotas finas (<50 μm) se encontraron por debajo de los 120 m. Las partículas de polvo (<10 μm) ocuparon principalmente las zonas medias-superiores. Para los 600 s, la mayor parte del polvo había sido capturado, y para los 800 s, el polvo del túnel estaba casi totalmente capturado o descargado más allá de la sección de 200 m.
Desempeño de los Algoritmos:
- Operon demostró la mejor capacidad de generalización entre todos los algoritmos probados. Aunque muchos modelos complejos (por ejemplo, TPS, KNN, GPR+SVR+RF) lograron ajustes casi perfectos en el conjunto de entrenamiento ( $R^2 \approx 1.0$ ), sufrieron un sobreajuste severo en el conjunto de prueba ( $R^2$ cayó a 0.15–0.34).
- Operon logró el $R^2$ más alto en el conjunto de prueba de 0.58 entre todos los algoritmos, seguido por GpGomea, SVR, PySR y otros que oscilaron entre 0.15 y 0.35. Operon mantuvo tiempos de entrenamiento cortos y una complejidad controlada, con una capacidad de $R^2$ máximo predicho de aproximadamente 0.85 en configuraciones específicas.
- La ecuación final derivada (Ec. 13) expresa el tiempo de supresión de polvo $T$ como una función de las nuevas variables, incorporando términos trigonométricos y de raíz cuadrada para capturar las relaciones no lineales.

Significancia y Reivindicaciones
El artículo afirma proporcionar una herramienta práctica para estimar la duración de la supresión de polvo por aspersión bajo condiciones de voladura de túnel similares sin la necesidad de realizar simulaciones de CFD extensas y costosas en tiempo para cada escenario. Al utilizar el algoritmo de regresión simbólica Operon, el estudio logra cerrar la brecha entre la predicción basada en datos y la interpretabilidad física.

Los autores enfatizan que este método ofrece una alternativa de "caja blanca" a las redes neuronales, produciendo una expresión matemática explícita que los ingenieros pueden analizar y aplicar directamente. El estudio concluye que, si bien la ecuación derivada refleja la incertidumbre inherente a los datos de supresión de polvo de rango limitado (evidenciada por las oscilaciones en la superficie de ajuste), representa un paso significativo hacia el movimiento de la regresión simbólica desde el simple "ajuste de datos" hacia el "descubrimiento de conocimiento" en sistemas ambientales de túneles complejos. Se propone como trabajo futuro integrar el aprendizaje profundo y las restricciones físicas para refinar aún más estas ecuaciones de predicción.

Más como este