⚡ electrical engineering

Interpretable hybrid XGBoost-MH models for predicting crack coalescence stress from direct shear testing of rock-like specimens containing non-persistent joints

Este estudio desarrolla un modelo híbrido interpretable de XGBoost-Optimización de Mariposa, validado en 450 ensayos de corte directo e integrado en una interfaz gráfica de usuario intuitiva, para predecir con precisión el esfuerzo de coalescencia de grietas en macizos rocosos fracturados, identificando al mismo tiempo los principales impulsores mecánicos mediante el análisis SHAP.

Autores originales: Fariborz Matinpour, Shadman Mohammadi Bolbanabad, Vahab Sarfarazi, Mohammad Rezaei, Matin Eghdami, Mahdi Hasanipanah

Publicado 2026-07-10

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Fariborz Matinpour, Shadman Mohammadi Bolbanabad, Vahab Sarfarazi, Mohammad Rezaei, Matin Eghdami, Mahdi Hasanipanah

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

Imagina que tienes un bloque gigante de roca, pero no es un cubo sólido y perfecto. Es más bien como un rompecabezas hecho de piezas rotas pegadas, con grietas que recorren la estructura pero que no llegan a atravesarla por completo. Estas se llaman "juntas no persistentes". Ahora, imagina que intentas deslizar la mitad superior de este bloque lateralmente mientras presionas hacia abajo sobre él. ¿Qué sucede? La roca no solo se desliza; las grietas comienzan a crecer, se encuentran y, de repente, todo el conjunto se quiebra. El momento exacto en que las grietas unen sus fuerzas para romper la roca se llama Esfuerzo de Coalescencia de Grietas (CCS, por sus siglas en inglés).

Durante mucho tiempo, calcular exactamente cuándo ocurre este quiebre ha sido como intentar adivinar el final de una novela de misterio leyendo solo la primera página. Los científicos han realizado cientos de experimentos, pero las matemáticas detrás de esto son tan enrevesadas y complicadas que es difícil predecirlo sin realizar el laborioso trabajo de laboratorio cada vez.

Ahí es donde entra este estudio. Los investigadores decidieron enseñar a un cerebro de computadora súper inteligente a ser el detective. No usaron solo un cerebro; construyeron un equipo de cuatro algoritmos "metaheurísticos"—piensa en ellos como cuatro tipos diferentes de buscadores de tesoros, cada uno con su propia forma única de buscar la mejor respuesta. Estos buscadores eran:

El Tejón (HBA): Un excavador duro y persistente.
La Mariposa (BOA): Un buscador sensible que sigue rastros de aroma.
El Cuervo (CSA): Un ave astuta que recuerda dónde escondió la comida y observa a los demás.
El Lobo Gris (GWO): Un líder de manada que coordina la caza.

Su trabajo era ajustar una poderosa herramienta de aprendizaje automático llamada XGBoost. Piensa en XGBoost como una calculadora muy rápida y precisa que puede aprender de los patrones. Pero, al igual que un personaje de un videojuego, necesita que sus ajustes se perfeccionen para funcionar de la mejor manera. Los cuatro "buscadores" (algoritmos) compitieron para encontrar la configuración perfecta para la calculadora.

El Gran Descubrimiento
El equipo realizó 450 pruebas de corte directo en especímenes similares a la roca hechos de yeso y cemento. Procesaron todos esos datos y dejaron que los cuatro buscadores hicieran lo suyo. Este fue el resultado: Los cuatro buscadores fueron buenos, pero la Mariposa (BOA) fue la clara ganadora.

El modelo XGBoost–BOA no solo adivinó; acertó la predicción. Al probarlo con nuevos datos no vistos, lo logró con una precisión del 99.62% (una puntuación llamada VAF). Su error fue diminuto, con una Raíz del Error Cuadrático Medio (RMSE) de solo 1.2680 y un Error Absoluto Medio (MAE) de 0.8159. En el mundo de la física de rocas, eso es como darle al centro de la diana desde el otro lado de la habitación. Los otros buscadores (GWO, CSA y HBA) estuvieron cerca, pero las predicciones de la Mariposa fueron las más estables y confiables, con la menor cantidad de "tambaleo" o incertidumbre.

¿Qué es lo que realmente importa?
Los investigadores no solo querían una caja negra que entregue un número; querían saber por qué la computadora tomó su decisión. Usando una herramienta especial de "rayos X" llamada análisis SHAP, miraron dentro del cerebro del modelo. Descubrieron que tres factores son los pesos pesados que controlan cuándo se rompe la roca:

Esfuerzo Normal (σₙ): Qué tan fuerte estás presionando hacia abajo sobre la roca.
Resistencia a la Compresión Uniaxial (σc): Qué tan fuerte es el material de la roca en sí.
Coeficiente de Juntas (JC): Un número que describe qué tanta superficie de la roca es realmente una grieta frente a la roca sólida.

El modelo mostró que si presionas más fuerte (mayor esfuerzo normal) o si la roca es más fuerte (mayor resistencia a la compresión), las grietas necesitan más fuerza para unirse. Curiosamente, otros factores como la elasticidad de la roca o la relación de Poisson jugaron un papel mucho menor en este escenario específico. El modelo aprendió que los "tres grandes" son los que toman las decisiones.

Lo que el documento descarta
El estudio argumenta explícitamente contra la idea de que puedes predecir fácilmente este comportamiento mirando solo un factor de forma aislada, como solo la longitud de la junta o solo el ángulo. El documento sugiere que la interacción entre el esfuerzo normal, la resistencia del material y el coeficiente de juntas es demasiado compleja para desenredarla con experimentos simples. La vieja forma de intentar adivinar estas relaciones cualitativamente (solo mirando y suponiendo) no es suficiente; necesitas este tipo de enfoque basado en datos e híbrido para ver el panorama completo.

¿Qué tan seguros están?
Los autores están muy seguros de sus números, pero son cuidadosos de no afirmar que han resuelto el universo. Demostraron que su modelo funciona increíblemente bien en los 450 tests específicos que realizaron en el laboratorio. Utilizaron una técnica llamada validación cruzada de 10 pliegues (10-fold cross-validation), que es como evaluar a un estudiante con diez exámenes de práctica diferentes para asegurar que no solo está memorizando respuestas, sino que realmente está aprendiendo la lección. Los resultados se mantuvieron constantes en cada ocasión.

Sin embargo, son honestos sobre los límites. Este modelo fue entrenado con especímenes similares a la roca hechos de mezclas de yeso y cemento en un entorno de laboratorio. No afirman que este modelo funcione perfectamente en cada tipo de roca en el mundo real (como una montaña de granito o arenisca) sin más pruebas. Sugieren que, aunque la herramienta es poderosa, el trabajo futuro necesita probarla en una variedad más amplia de materiales y condiciones de esfuerzo para que sea verdaderamente universal.

El Bonus Genial: Un Videojuego para Ingenieros
Para hacer esto útil para personas reales, el equipo no solo dejó las matemáticas en un cuaderno. Construyeron una Interfaz Gráfica de Usuario (GUI). Imagina una aplicación sencilla donde un ingeniero puede escribir la resistencia de la roca, la presión y los detalles de las grietas, hacer clic en un botón de "Predecir" y obtener instantáneamente la respuesta. Convierte un problema matemático complejo y de alta tecnología en una herramienta simple que cualquiera puede usar para diseñar túneles, presas y taludes más seguros.

En resumen, el documento muestra que, al dejar que una "Mariposa" busque la mejor configuración en una supercomputadora, podemos predecir exactamente cuándo una roca agrietada se romperá bajo presión con una precisión asombrosa, dándonos un mapa más claro de cómo podría comportarse el suelo bajo nuestros pies.

Resumen Técnico: Modelos Híbridos Interpretables XGBoost-MH para la Predicción del Estrés de Coalescencia de Grietas

Planteamiento del Problema
El estrés de coalescencia de grietas (CCS, por sus siglas en inglés) es un parámetro mecánico crítico que gobierna la falla inducida por cizallamiento en macizos rocosos fracturados, desempeñando un papel vital en el análisis de estabilidad de proyectos de ingeniería subterránea y superficial. Mientras que la investigación de laboratorio ha examinado extensamente la iniciación y propagación de grietas bajo diversos estados de esfuerzo, la influencia simultánea y cuantitativa del esfuerzo normal ( $\sigma_n$ ), las propiedades mecánicas intrínsecas del material intacto y el coeficiente de fracturación (JC) sobre el CCS sigue sin comprenderse suficientemente. Los enfoques experimentales tradicionales suelen tener dificultades para aislar estos efectos no lineales acoplados, particularmente cuando se dispone de grandes conjuntos de datos pero las relaciones subyacentes están oscurecidas. Este estudio aborda esta brecha mediante el desarrollo de un marco basado en datos para predecir el CCS en especímenes similares a la roca que contienen fracturas no persistentes sometidos a carga de cizallamiento directo.

Metodología
El estudio utiliza una base de datos exhaustiva derivada de 450 ensayos de cizallamiento directo realizados en especímenes cúbicos de tipo roca (mezclas de yeso y cemento) con diversas configuraciones de fracturas no persistentes. El programa experimental varió sistemáticamente el coeficiente de fracturación (JC), el esfuerzo normal ( $\sigma_n$ ) y las propiedades mecánicas del material (resistencia a la compresión uniaxial $\sigma_c$ , resistencia a la tracción $\sigma_t$ , módulo elástico $E$ , coeficiente de Poisson $\nu$ , cohesión $C$ y ángulo de fricción interna $\phi$ ).

Para predecir el CCS, los autores desarrollaron un marco de modelado híbrido que integra el algoritmo Extreme Gradient Boosting (XGBoost) con cuatro técnicas de optimización metaheurística basadas en la población:

Algoritmo Honey Badger (HBA)
Algoritmo Butterfly Optimization (BOA)
Algoritmo Crow Search (CSA)
Optimizador de Lobo Gris (GWO)

Los algoritmos metaheurísticos se emplearon para optimizar sistemáticamente los hiperparámetros del modelo XGBoost (por ejemplo, número de estimadores, tasa de aprendizaje, profundidad máxima). El proceso de modelado involucró:

Partición de Datos: El conjunto de datos se dividió en un 80% para entrenamiento y un 20% para prueba.
Optimización: Se implementó una estrategia de validación cruzada de 10 pliegues (10-fold cross-validation) en el conjunto de entrenamiento para minimizar el sobreajuste y seleccionar los hiperparámetros óptimos minimizando el Error Cuadrático Medio (RMSE).
Evaluación: El rendimiento del modelo se evaluó mediante índices estadísticos ( $R^2$ , VAF, RMSE, MAE), criterios de información-teórica (AIC, BIC), diagnósticos gráficos (diagramas de Taylor, curvas de característica de error de regresión), análisis de residuos y evaluación de incertidumbre.
Interpretabilidad: El modelo con mejor desempeño fue analizado utilizando explicaciones de valores de Shapley (SHAP) y Gráficos de Dependencia Parcial (PDP) con Expectativa Condicional Individual (ICE) para dilucidar la importancia de las características y los efectos no lineales.
Aplicación: Se desarrolló una Interfaz Gráfica de Usuario (GUI) amigable para facilitar la aplicación práctica en ingeniería.

Resultos Clave
Los cuatro modelos híbridos demostraron excelentes capacidades predictivas. Sin embargo, el modelo XGBoost–BOA superó consistentemente a los demás, logrando el mejor equilibrio entre precisión, generalización y robustez.

Métricas de Desempeño: El modelo XGBoost–BOA alcanzó un $R^2$ en la etapa de prueba de 0.9960 y una Varianza Explicada (VAF) del 99.62%. Registró los errores de predicción más bajos con un RMSE de 1.2680 y un MAE de 0.8159.
Generalización: A diferencia del modelo XGBoost–CSA, que mostró la mayor precisión en el entrenamiento pero signos de sobreajuste (mayor error de prueba), el modelo XGBoost–BOA mantuvo un desempeño superior en el conjunto de prueba independiente.
Incertidumbre: El análisis de incertidumbre confirmó que el modelo XGBoost–BOA tenía el ancho de banda de confianza más estrecho (WCB = 0.4056), lo que indica la mayor fiabilidad para datos no vistos.
Importancia de las Características: El análisis SHAP identificó el esfuerzo normal ( $\sigma_n$ ) como el factor dominante que influye en el CCS, seguido por la resistencia a la compresión uniaxial ( $\sigma_c$ ) y el coeficiente de fracturación (JC). Otros parámetros mecánicos ( $\sigma_t, \nu, E, C, \phi$ ) se consideraron de influencia secundaria dentro del alcance del conjunto de datos.
Efectos No Lineales: Los gráficos PDP–ICE revelaron comportamientos escalonados distintivos e interacciones no lineales, particularmente una caída brusca en el CCS predicho en un JC de 0.65, y un aumento fuerte y casi monotónico del CCS con el incremento del esfuerzo normal.

Significancia y Contribuciones
El artículo sostiene que la contribución principal de este trabajo es el desarrollo de una herramienta práctica y transparente para evaluar el estrés de coalescencia de grietas en sistemas de roca fracturada bajo condiciones de cizallamiento directo. Al acoplar XGBoost con la optimización metaheurística, el estudio logra capturar los complejos efectos acoplados de los parámetros geométricos y mecánicos que son difíciles de aislar únicamente mediante pruebas de laboratorio.

La significancia del trabajo radica en tres áreas principales:

Precisión Predictiva: El modelo híbrido XGBoost–BOA proporciona un método altamente preciso y robusto para predecir el CCS, superando otras configuraciones ajustadas mediante metaheurísticas.
Interpretabilidad: A diferencia de los modelos de "caja negra", la integración de los análisis SHAP y PDP–ICE asegura que las predicciones del modelo sean físicamente consistentes con los conceptos establecidos de la mecánica de fractura, validando el dominio del esfuerzo normal y la geometría de las fracturas.
Utilidad en Ingeniería: La integración del modelo predictivo en una GUI permite a los ingenieros explorar rápidamente los efectos paramétricos y estimar el CCS para el diseño y la evaluación experimental, cerrando la brecha entre el modelado computacional avanzado y las aplicaciones prácticas de la ingeniería de rocas.

Los autores reconocen modestamente que el estudio se basa en especímenes a escala de laboratorio con composiciones de materiales y configuraciones de fractura específicas. Sugieren que, si bien la base de datos es extensa, la expansión futura para incluir geometrías, trayectorias de esfuerzo y tipos de materiales más amplios fortalecería aún más la aplicabilidad general del marco propuesto.

Más como este