⚡ ingeniería eléctrica

Damage prediction of shield tunnel structures driven by numerical simulation and machine learning

Este estudio propone un marco de predicción de daños fiable para túneles de escudo que integra un modelo numérico de alta fidelidad, validado mediante experimentos para revelar un proceso de falla de tres etapas, con una red de memoria de largo plazo de corto plazo optimizada mediante optimización por enjambre de partículas para predecir con precisión la evolución del ancho de las grietas bajo condiciones de carga última.

Autores originales: Yang Yu, Haishuang Guan, Shuang Gao, Chunbing Guo, Yanyu Meng

Publicado 2026-09-28

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yang Yu, Haishuang Guan, Shuang Gao, Chunbing Guo, Yanyu Meng

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

Bajo las bulliciosas calles de las ciudades modernas se extiende una vasta y silenciosa red de túneles que transporta a millones de personas cada día. Estos túneles de escudo, construidos para durar un siglo, están diseñados para resistir la inmensa presión de la tierra y el peso de la ciudad que se encuentra encima. Sin embargo, no son inmunes a las fuerzas lentas y rastreras del tiempo y el estrés. Cuando un túnel es empujado más allá de sus límites, tal vez por un cambio repentino en el terreno o una carga inesperada, los anillos de concreto que forman sus paredes comienzan a agrietarse. Comprender exactamente cómo estas grietas se inician, crecen y eventualmente conducen a una falla estructural es crítico para mantener seguro el metro. Los ingenieros han dependido durante mucho tiempo de pruebas físicas y complejas simulaciones computacionales para predecir estas fallas, pero el comportamiento del concreto agrietado es tan intrincado que incluso las mejores simulaciones pueden tener dificultades para capturar cada detalle. Para cerrar esta brecha, los investigadores están recurriendo ahora a un nuevo enfoque que combina la precisión del modelado basado en la física con el poder de reconocimiento de patrones de la inteligencia artificial.

Un equipo de investigadores de la Universidad de Beihua en China ha desarrollado un nuevo método para predecir exactamente cuánto se agrietará un túnel de escudo bajo un estrés extremo. Comenzaron construyendo un gemelo digital altamente detallado de un segmento de túnel real, modelado a partir de un proyecto en Shanghái. Este no fue un simple boceto; fue un sofisticado modelo computacional que tomó en cuenta la forma específica en que el concreto se comporta cuando es estirado, la presencia de barras de acero ocultas dentro de las paredes y las juntas complejas donde los anillos de concreto se conectan. Los investigadores también incluyeron el efecto de los pozos de inspección, que crean puntos débiles en la estructura, y la fricción entre los pernos que sujetan los anillos. Para asegurar que su modelo digital fuera confiable, realizaron una prueba virtual que imitaba un experimento del mundo real donde un segmento de túnel de tamaño real era comprimido hasta romperse. Las predicciones de la computadora coincidieron casi perfectamente con el experimento físico, confirmando que el modelo digital podía simular con precisión el viaje del túnel desde un estado saludable hasta uno roto.

Con un modelo digital confiable en mano, el equipo realizó miles de simulaciones para observar la falla del túnel en cámara lenta. Observaron que la estructura no colapsa de golpe; en cambio, pasa por tres fases distintas. Primero, el túnel se comporta como un resorte rígido, doblándose ligeramente pero regresando a su forma original. A medida que la carga aumenta, el concreto comienza a desarrollar diminutas grietas, marcando una transición hacia una segunda fase donde el daño es localizado y manejable. Finalmente, si la presión continúa aumentando, las grietas se multiplican y se propagan rápidamente, las barras de acero en su interior comienzan a doblarse permanentemente y la estructura entra en una etapa de falla global. Los investigadores descubrieron que el túnel podía soportar una carga de hasta 420 kilonewtons antes de alcanzar este punto crítico de colapso. En esta etapa, las grietas en la superficie se habían ensanchado a más de 4 milímetros y el refuerzo de acero había cedido, lo que significa que se había estirado más allá de su capacidad de recuperación.

La verdadera innovación de este estudio reside en lo que los investigadores hicieron después. En lugar de simplemente detenerse en la simulación, utilizaron los datos generados de estas fallas virtuales para enseñar a una computadora cómo predecir el futuro. Emplearon un tipo de inteligencia artificial conocida como red de memoria a corto y largo plazo (long short-term memory), la cual es particularmente buena para entender secuencias de eventos a lo largo del tiempo, de manera muy similar a cómo una persona recuerda una historia al recordar el orden de los eventos. Sin embargo, estas redes computacionales tienen muchos ajustes que deben sintonizarse perfectamente para funcionar bien. Para resolver esto, el equipo utilizó un algoritmo de optimización de enjambre de partículas, un método inspirado en cómo las aves se desplazan en bandadas para encontrar la mejor fuente de alimento. Este algoritmo buscó automáticamente la combinación perfecta de ajustes para la red neuronal, asegurando que pudiera aprender los patrones complejos del crecimiento de las grietas de la manera más eficiente posible.

El resultado fue una nueva herramienta de predicción que podía pronosticar el ancho de las grietas en un túnel de escudo con una precisión notable. Al ser probada contra datos que nunca había visto antes, este nuevo sistema superó a varios otros modelos comunes de inteligencia artificial. Predijo el ancho de la grieta con un margen de error de solo 0.1033 milímetros y coincidió con los datos reales con un alto grado de certeza. El estudio demuestra que, al combinar las leyes físicas de la ingeniería con el poder de aprendizaje de la inteligencia de las máquinas, es posible crear un sistema robusto para monitorear la salud de los túneles. Este enfoque ofrece una forma de identificar peligros potenciales antes de que se vuelvan catastróficos, proporcionando a los ingenieros una guía confiable para mantener la seguridad de los sistemas de tránsito subterráneo de los que dependen las ciudades. Los hallazgos sugieren que tal modelo híbrido puede servir como una herramienta vital para la protección a largo plazo de la infraestructura, convirtiendo datos complejos en conocimientos claros y accionables para mantener el mundo moviéndose de manera segura bajo nuestros pies.

Resumen Técnico: Predicción de Daños en Estructuras de Túneles de Escudo mediante Simulación Numérica y Aprendizaje Automático

Planteamiento del Problema

Los túneles de escudo son infraestructuras permanentes críticas diseñadas para vidas útiles de hasta 100 años. Sin embargo, son vulnerables a las perturbaciones de las actividades de construcción circundantes (por ejemplo, carga de sobrecarga, excavación adyacente) y eventos sísmicos, lo que puede provocar la fisuración de los segmentos, la dislocación de las juntas y, en casos graves, inestabilidad global. Si bien existe una amplia investigación sobre métodos analíticos simplificados y simulaciones numéricas para el rendimiento de los túneles de escudo, existe una notable brecha en la investigación predictiva centrada específicamente en la evolución de la falla y el daño de los túneles de escudo bajo condiciones de carga última. Las aplicaciones existentes del aprendizaje automático en la ingeniería de túneles se han centrado predominantemente en problemas de asentamiento y deformación, dejando en gran medida inexplorada la predicción de los procesos de falla estructural y la evolución del ancho de las grietas bajo cargas extremas.

Metodología

El estudio propone un marco híbrido que integra la simulación numérica de alta fidelidad con el aprendizaje automático para predecir la evolución del daño. La metodología se desarrolla a través de cuatro etapas distintas:

1. Modelado Numérico Refinado

Se desarrolló un modelo numérico tridimensional detallado de un segmento de túnel de escudo basado en las dimensiones del proyecto del Metro de Shanghái (6.2 m de diámetro exterior, 0.35 m de espesor).

Modelado Constitutivo: La no linealidad del concreto se representó mediante un modelo de grieta de deformación total (específicamente el modelo de grieta rotante) para capturar con precisión el comportamiento bajo tensión, compresión y cortante combinados.
Detalles Estructurales: El modelo consideró explícitamente el debilitamiento local por pozos de registro, múltiples interfaces de contacto (simuladas con elementos de interfaz para deslizamiento/rotación) y el refuerzo embebido (simulado mediante elementos de armadura o truss).
Validación: La fiabilidad del modelo se verificó frente a resultados experimentales a escala real, mostrando una buena concordancia en las respuestas de carga-desplazamiento.

2. Simulación de Falla y Generación de Datos

Se realizaron simulaciones de falla bajo condiciones de capacidad de carga última para dilucidar la evolución del esfuerzo, la deformación y el esfuerzo de refuerzo estructural.

Protocolo de Carga: Se aplicó un proceso de carga de dos etapas, simulando cargas radiales en la clave, el intradós y las espaldillas hasta que ocurrió la falla de capacidad de carga estructural.
Extracción de Datos: Las simulaciones generaron datos detallados sobre la evolución del ancho de las grietas, que sirvieron como el indicador clave para la predicción del daño. El conjunto de datos capturó la evolución escalonada de las grietas debido a la naturaleza frágil del concreto.

3. Marco de Aprendizaje Automático (PSO-LSTM)

Para predecir la serie temporal de la evolución del ancho de las grietas, se seleccionó una red de Memoria de Corto Plazo de Largo Ámbito (LSTM) como el modelo predictivo base debido a su capacidad para manejar dependencias de largo plazo en datos de series temporales.

Optimización: Se empleó un algoritmo de Optimización por Enjambre de Partículas (PSO) para optimizar los hiperparámetros críticos de la LSTM, incluyendo el número de unidades ocultas, la tasa de aprendizaje inicial y el coeficiente de regularización L2.
Entrenamiento: El algoritmo PSO actualizó iterativamente las posiciones y velocidades de las partículas para identificar el óptimo global, minimizando el error de predicción.

4. Evaluación Comparativa

El modelo propuesto PSO-LSTM fue entrenado y probado utilizando el conjunto de datos de la simulación numérica. Su desempeño se comparó cuantitativamente con otros tres modelos: una red neuronal de Retropropagación (BP), una Red Neuronal Convolucional (CNN) y un modelo LSTM convencional. Las métricas de evaluación incluyeron el Error Cuadrático Medio (RMSE) y el Coeficiente de Determinación ( $R^2$ ).

Resultados Clave

Hallazgos de la Simulación Numérica

Etapas de Falla: El proceso de falla estructural se dividió en tres etapas:
1. Etapa Elástica Lineal: Hasta 230 kN (ancho de grieta ~0.11 mm).
2. Etapa de Daño Local: 230 kN a 420 kN (ancho de grieta hasta 3.16 mm).
3. Etapa de Falla Global: >420 kN (ancho de grieta hasta 4.37 mm).
Características del Daño: La falla por tensión dominó el patrón de daño. Las grietas se iniciaron en los lados internos de la clave y el intradós, propagándose hacia las espaldillas. El colapso local ocurrió en las juntas de los segmentos, y la capacidad de carga última se determinó en 420 kN.
Comportamiento del Refuerzo: El refuerzo interno experimentó una concentración progresiva de esfuerzo de tensión, alcanzando finalmente el esfuerzo de fluencia (335 MPa) en la falla estructural.

Desempeño del Aprendizaje Automático

Configuración Óptima: El análisis de sensibilidad identificó 15 partículas y 30 iteraciones de PSO como configuraciones óptimas. Una división de datos de 7:3 (entrenamiento:prueba) arrojó el mejor desempeño.
Precisión de Predicción: El modelo PSO-LSTM logró un RMSE de 0.1033 y un $R^2$ de 0.9487.
Superioridad Comparativa: El modelo PSO-LSTM superó a los modelos BP, CNN y LSTM convencional tanto en precisión como en estabilidad. El modelo BP exhibió sobreajuste (overfitting), mientras que el modelo PSO-LSTM demostró una capacidad superior para capturar las características dinámicas complejas de la evolución del daño sin un sobreajuste evidente.

Significancia y Reivindicaciones

El artículo sostiene que el enfoque propuesto proporciona una guía efectiva para el monitoreo y la protección de los túneles de metro. Al integrar la simulación numérica de alta fidelidad con un modelo de aprendizaje automático optimizado, el estudio ofrece un método confiable para predecir la evolución del ancho de las grietas bajo condiciones de carga última.

Los autores afirman que este marco contribuye a mejorar la seguridad operativa al permitir la identificación temprana de riesgos catastróficos potenciales y apoyar las decisiones relativas a la reparación o refuerzo oportunos. El estudio enfatiza que el modelo PSO-LSTM proporciona una base robusta y creíble para la operación y el mantenimiento de túneles, abordando la limitación de los métodos existentes que se centran principalmente en el asentamiento en lugar de los mecanismos de falla última.