GEOTECNOLOGÍAS: EXPLORANDO LAS APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN LA INGENIERÍA GEOTÉCNICA

La inteligencia artificial (IA) se refiere a la capacidad de las máquinas para imitar o simular la inteligencia humana. Es un campo multidisciplinario de la informática que se ocupa de desarrollar sistemas o programas capaces de realizar tareas que normalmente requieren de la inteligencia humana, como el reconocimiento de voz, la toma de decisiones, el procesamiento del lenguaje natural, la visión por computadora y el aprendizaje automático.

La IA se basa en algoritmos y modelos matemáticos que permiten a las máquinas analizar grandes cantidades de datos, identificar patrones, aprender de ellos y tomar decisiones o realizar acciones con base en esa información. El aprendizaje automático, en particular, es una rama clave de la IA que se centra en desarrollar algoritmos que permiten a las máquinas aprender de manera autónoma a través de la experiencia y mejorar su rendimiento con el tiempo.

Existen diferentes enfoques dentro de la IA, como el aprendizaje supervisado, donde se proporciona a la máquina un conjunto de ejemplos etiquetados para entrenarla y permitirle realizar predicciones o clasificaciones; el aprendizaje no supervisado, donde la máquina busca patrones en los datos sin etiquetas; y el aprendizaje por refuerzo, donde la máquina aprende mediante ensayo y error, recibiendo recompensas o castigos según su desempeño.

La IA se utiliza en una amplia variedad de aplicaciones en la actualidad, desde asistentes virtuales en teléfonos inteligentes y sistemas de recomendación en plataformas de streaming, hasta robots industriales y vehículos autónomos. A medida que la tecnología continúa avanzando, se espera que la inteligencia artificial tenga un impacto cada vez mayor en nuestras vidas y en diversos campos como la medicina, la agricultura, la ciencia y muchos otros.

Existen diferentes enfoques y métodos dentro del campo de la inteligencia artificial. A continuación, se presentan algunos de los principales:

Estos son solo algunos ejemplos de los métodos y enfoques de inteligencia artificial. Es importante destacar que el campo de la IA es amplio y en constante evolución, y se están desarrollando y explorando constantemente nuevas técnicas y enfoques.

La red neuronal artificial (ANN) es una técnica inteligente de modelado de datos que se aplica principalmente para modelar relaciones no lineales complejas entre parámetros, sin suposiciones previas ni relaciones matemáticas establecidas. El desarrollo de ANN se inspira en el aspecto estructural, funcional y computacional de las redes neuronales biológicas (BNN). ANN replica el paralelismo de BNN utilizando una gran cantidad de elementos computacionales no lineales operativos, llamados neuronas artificiales (Haykin, 1999). Esto facilita altas tasas computacionales producidas por ANN e incorpora las variabilidades y fluctuaciones relacionadas con los conjuntos de datos.

Las tareas realizadas por una ANN se pueden clasificar en términos generales en dos categorías: (i) reconocimiento/clasificación de patrones y (ii) aproximación de funciones. Las ANN basadas en reconocimiento/clasificación de patrones están entrenadas para reconocer patrones en los datos o clasificarlos en categorías predefinidas. Las ANN de aproximación de funciones están capacitadas para aprender y generalizar la relación compleja no lineal entre los parámetros de entrada y salida, lo que permite la predicción de los parámetros de salida para una condición de entrada invisible determinada. En las literaturas consideradas en este estudio, la función de aproximación ANN se emplea principalmente, principalmente debido a su capacidad para aprender y generalizar los complejos procesos de ingeniería geotécnica.

La lógica difusa puede imitar la toma de decisiones humana más rápidamente y se puede usar con redes neuronales. La lógica difusa (FL) (Aliev y Tarassov, 2020) es una lógica multivaluada y está destinada a facilitar la definición de valores intermedios entre posibilidades binarias estrictas (Jouffe, 1998). Ejemplo, FL permite formulaciones matemáticas de expresiones vagas como “bastante bien”. Tal método de razonamiento permite el desarrollo de modelos inteligentes que pueden simular el razonamiento humano y el proceso de toma de decisiones.

ANFIS es una combinación de la representación lingüística de FL y la capacidad de generalización de ANN (Coley, 1999). ANFIS utiliza una red feedforward con aprendizaje supervisado. La estructura de red adaptativa consta de nodos y enlaces direccionales. El sistema adaptativo utiliza un algoritmo de aprendizaje híbrido para identificar los parámetros de los sistemas de inferencia difusos (Walia et al., 2015). Este método utiliza una combinación del método de mínimos cuadrados y el método de pendiente de difusión descendente para enseñar los parámetros de rendimiento de los miembros del FIS para imitar un conjunto de datos entrenado (Rezael et al., 2014a, 2014b). La red aprende en dos pasos principales. En el paso hacia adelante del algoritmo de aprendizaje, los parámetros resultantes se estiman al menos cuadrados. En el paso inverso, las señales de error, que son las derivadas del error cuadrático con respecto a cada salida del nodo, se transmiten hacia atrás desde la capa de salida a la capa de entrada. Los parámetros de las funciones de pertenencia se establecen durante el proceso de aprendizaje.

Support Vector Machine (SVM) fue propuesto por primera vez por Boser et al. (1992). SVM utiliza ecuaciones matemáticas para encontrar soluciones no lineales a problemas de regresión y clasificación. Este método utiliza un hiperplano, que es una línea que separa los nodos de entrada de datos con diferentes valores. La ubicación del hiperplano determina cómo funciona este método, para conocer cómo funciona este método te recomiendo consultar el artículo: What is a support vector machine? (Noble, 2006).

El método de memoria a corto plazo largo (LSTM) es una de las formas de la red neuronal repetitiva (RNN) y una red neuronal cíclica que se usa comúnmente en ingeniería geotécnica para varios propósitos, como predecir y clasificar series temporales. Este tipo de arquitectura, LSTM, fue presentada por Hochreiter y Schmidhuber (1997) como un nuevo tipo de red neuronal de aprendizaje automático profundo con capacidad de memoria a corto y largo plazo. Las redes neuronales recurrentes generales tienen el problema de la explosión de gradientes o la desaparición de gradientes y solo tienen la capacidad de aprender bien en información a distancias cortas (Sahoo et al., 2019).

La red neuronal convolucional (CNN) es uno de los métodos de aprendizaje profundo que se usa comúnmente para estudiar imágenes visuales. Este método fue introducido por primera vez por O'Shea y Nash (2015). CNN, como método de perceptor multicapa, es un método que consiste en redes de neuronas, cada neurona en cada capa conectada a todas las neuronas en la siguiente capa. Este tipo de conexión se denomina “conectividad total”. CNN consiste en una estructura matemática que tiene tres tipos de capas: convolución, integración y capas totalmente conectadas. La extracción de características se realiza mediante capas de convolución e integración. Una capa completamente conectada es responsable de mapear las propiedades extraídas al resultado final. Uno de los puntos positivos de este método es su preprocesamiento relativamente bajo, lo que provoca una alta independencia de la red del conocimiento previo y la intervención humana en la extracción de características.

En los últimos años, los investigadores han propuesto varios métodos para el aprendizaje en red. Uno de los métodos introducidos que condujo a muchos avances en ingeniería e informática fue la introducción de redes neuronales de convolución profunda que tienen más capacidad para resolver problemas más complejos al agregar más capas y tienen una mayor precisión en la clasificación y el diagnóstico. Las redes son que el creciente número de capas dificulta entrenarlas y la precisión de la red comienza a saturarse y disminuye gradualmente. Para resolver este problema, en 2016, los investigadores de Microsoft introdujeron el método ResNet (He et al., 2016). ResNet adquiere esta capacidad mediante el uso de conexiones de salto, que son atajos que se utilizan para saltar ciertas capas. Por lo tanto, el método ResNet tiene dos características importantes: en primer lugar, es fácil de optimizar y, en segundo lugar, su precisión aumenta con el aumento de la profundidad del modelo. Este método también tiene la capacidad de resolver el problema de la degradación de la red hasta cierto punto.

Ian Goodflow et al. introdujeron una red adversarial generativa (GAN) como un método de aprendizaje automático. en 2014 (Goodfellow et al., 2014). En este método, basado en un conjunto de datos de entrenamiento, la red puede generar y predecir nuevos datos basados en nuevas entradas. Este método se presentó primero como modelo con aprendizaje no supervisado y luego se presentó el método GAN con aprendizaje semi-supervisado (Salimans et al., 2016), y totalmente supervisado (Isola et al., 2017), y aprendizaje reforzado. Una característica importante y fundamental de una GAN es que es enseñada indirectamente por otra red neuronal que tiene la capacidad de detectar la autenticidad de una entrada, conocida como detector. El detector también se actualiza con la ayuda de nuevos datos (Adeli et al., 2021).

Los campos de aplicación de los métodos de inteligencia artificial encontrados en la literatura de acuerdo con Baghbani et al. (2022) son:

La figura 1 representa el número de estudios realizados mediante el uso de IA en nueve campos de la ingeniería geotécnica.

Debido a la gran cantidad de parámetros efectivos en este campo, los métodos y algoritmos de IA se han utilizado para predecir, clasificar y optimizar varios parámetros de salida. Por ejemplo, en la predicción de las propiedades térmicas del suelo, el contenido de agua, la porosidad, las densidades húmeda y seca, la mineralogía y la composición química, el tamaño de las partículas, la temperatura del suelo, la forma, la orientación y el tamaño de los poros (Bi et al., 2018; Li et al., 2020; Liu et al., 2020).

La capacidad de los métodos y algoritmos de IA para clasificar y predecir patrones complejos ha llevado a sus aplicaciones en problemas de mecánica de rocas, como grietas y juntas (Shams et al., 2015), donde intervienen muchos parámetros. Los parámetros comúnmente predichos en mecánica de rocas son voladura de rocas por explosiones, velocidad máxima de partículas, fragmentación y resistencia a la compresión no confinada (UCS).

El módulo resiliente, la relación de carga de California (CBR), el valor de resistencia, el módulo elástico y la conductividad hidráulica son los parámetros clave involucrados en la selección de materiales y el diseño estructural en la ingeniería de pavimentos. La extensión del daño (agrietamiento, formación de surcos, sangrado, etc.) es el principal indicador relacionado con el mantenimiento y el control del rendimiento de los pavimentos. Todos estos parámetros son utilizados como entrada y salida de los métodos de IA.

Por ejemplo, Kaseko y Ritchie (1993) utilizaron métodos de IA para identificar y clasificar cuantitativamente las grietas en la superficie del pavimento. La investigación se llevó a cabo preparando y procesando 250 imágenes de pavimentos tomadas de otro proyecto (Fundakowski et al., 1991). Utilizando una red de avance de múltiples capas, el estudio clasificó las grietas según el tipo, la gravedad y la extensión de las grietas en las imágenes. Se concluyó que los métodos de IA pueden detectar grietas en superficies de pavimento de asfalto y concreto con una alta precisión.

Más recientemente, ANN se ha utilizado para predecir el módulo resiliente del suelo de subrasante y otros materiales de pavimento (Hanandeh et al., 2020; Sadrossadat et al., 2016; Zaman et al., 2010). Algunas de estas obras incluyeron suelos estabilizados. Se pueden identificar siete parámetros de entrada que influyen en el módulo resiliente: contenido de humedad, porcentaje de arcilla, porcentaje de finos, índice de plasticidad, porcentaje de cemento, cal y cenizas volantes.

Los parámetros de salida más comúnmente predichos usando IA son el potencial de licuación, los movimientos de pendiente y la susceptibilidad a deslizamientos de tierra. La mayoría de los estudios utilizaron ANN para predecir la susceptibilidad a deslizamientos de tierra con datos de temperatura del suelo, índice de vegetación de diferencia normalizada, número de vegetación mejorado y datos de humedad del suelo como entradas (Baghbani et al., 2022).

SVM también se usó en algunos otros estudios con una selección de parámetros de entrada, como uso de la tierra, datos climáticos y datos de presión de agua intersticial. ANN también se utilizó para predecir la licuación del suelo en varios estudios. Se tomaron como entradas la profundidad del nivel freático, el valor de la prueba de penetración estándar (SPT) y el valor de la prueba de penetración del cono (CPT). Un pequeño número de estudios también utilizó SVM. Los parámetros de entrada utilizados para SVM fueron el valor de la prueba de penetración estándar (SPT) y relación de esfuerzo cíclica (CSR).

Los métodos y algoritmos de IA han mostrado un mejor rendimiento en comparación con métodos tradicionales para determinar la estabilidad de un talud debido a su capacidad para predecir problemas complejos. Estudios recientes, descritos por Baghbani et al. (2022), se basaron principalmente en ANN para predecir la estabilidad de las pendientes. Entre los parámetros de entrada utilizados en estos estudios se encuentran el ángulo de inclinación, el coeficiente de aceleración horizontal y el ancho de equilibrio del contrapeso. Algunos investigadores también utilizaron SVM con una combinación diferente de entradas. Estos incluyeron la cohesión, el ángulo de fricción interna, el coeficiente de presión de agua intersticial, el peso unitario del suelo, el ángulo de la pendiente y la altura de la pendiente.

Los investigadores han usado y recomendado métodos y algoritmos de IA para predecir diferentes modelos de problemas de ingeniería de cimientos debido a su capacidad para predecir patrones no lineales (Rezaei et al., 2016). por ejemplo, Rahman et al. (2001) predijeron la capacidad de levantamiento de cajones de succión con la ayuda de un modelo ANN. El modelo fue entrenado utilizando una base de datos de pruebas de centrífuga. Los resultados mostraron que ANN es un método confiable para predecir la salida. Esta investigación inicial allanó el camino para una incorporación más amplia de métodos basados en IA en la ingeniería de cimentaciones. En general, los investigadores tienden a utilizar métodos basados en IA para predecir el asentamiento y la capacidad de carga de los pilotes y asentamiento y capacidad portante de cimentaciones superficiales.

La ventaja de la utilización de estos métodos en el diseño y análisis de túneles es su capacidad para predecir procesos complejos entre la geomecánica, la geología y la hidrología de las aguas subterráneas. Los métodos de modelado basados en IA se han utilizado para predecir parámetros como la presión de la tierra en la excavación de túneles, el rendimiento de la máquina perforadora de túneles (TBM) y la carga y el asentamiento causados por la excavación de túneles.

La mayoría de los estudios se basan en ANN con modelos desarrollados para predecir el rendimiento de las máquinas perforadoras de túneles. La agregación del suelo, la cohesión, el ángulo de fricción, la resistencia a la compresión, el índice de fragilidad, los factores técnicos (como el empuje y el torque) de la máquina perforadora de túneles se consideraron como entradas en estos modelos.

Las condiciones óptimas y seguras de operación de la presa dependen del tipo y los objetivos definidos para la presa. Debido a los patrones altamente estocásticos de los parámetros hidrológicos involucrados en el diseño de presas, el desarrollo de modelos precisos para predecir el rendimiento es una tarea difícil. En consecuencia, las técnicas de IA se han utilizado cada vez más para desarrollar modelos hidroambientales para presas y embalses. Estos estudios se centraron principalmente en la predicción de las características de entrada/salida, filtraciones y deformación de presas.

Por ejemplo, en un estudio comparativo, Tayfur et al. (2005) utilizaron modelos ANN y de elementos finitos (FEM) para predecir los niveles de agua en piezómetros. Sus resultados mostraron que ANN funcionó mejor que el modelo FEM para predecir el flujo a través de la presa. Este éxito inicial fue seguido por más estudios que utilizaron ANN para predecir el flujo de entrada y salida, así como la deformación de la presa.

Los suelos no saturados, al ser un sistema de 4 fases (sólido, agua, aire e interfaz aire-agua) plantean desafíos únicos para desarrollar relaciones para el comportamiento de cambio de volumen y esfuerzo-deformación (Javadi et al., 2012; Kayadelen, 2008). Los métodos y algoritmos de IA han surgido como una solución alternativa en las últimas tres décadas.

ANN es el método de IA más buscado en el modelado de suelos no saturados, independientemente de la mayor precisión lograda en otros métodos sobre ANN. Por ejemplo, para comparar la eficacia de diferentes métodos, Samui y Jagan (2013) utilizaron la regresión del proceso gaussiano (GPR) y ANN para predecir los parámetros de tensión efectivos del suelo no saturado. Este estudio consideró la presión de confinamiento neta, el contenido volumétrico de agua saturada, el contenido de agua residual, la presión de burbujeo, la succión y el parámetro de ajuste como entradas del modelo. Se concluyó que la regresión del proceso gaussiano (GPR) puede estimar el parámetro de estrés efectivo del suelo no saturado mejor que ANN