INTELIGENCIA ARTIFICIAL EN LA CARACTERIZACIÓN GEOTÉCNICA DE SITIOS

Ha habido múltiples esfuerzos para estandarizar un formato de datos geotécnicos. En los EE. UU., el formato DIGGS se desarrolló y adoptó para permitir la transferencia de datos geotécnicos y geoambientales digitales dentro y entre usuarios (es decir, individuos, organizaciones y agencias).

La columna vertebral del marco de datos DIGGS es el lenguaje de marcado geográfico (GML), que proporciona la gramática y el vocabulario base en un archivo de lenguaje de marcado extensible (XML) para codificar datos geotécnicos y geoambientales georreferenciados en un formato que es legible por humanos y legible por máquina. Actualmente, DIGGS se ha vuelto lo suficientemente sólido como para admitir varios datos de caracterización de sitios geotécnicos, incluidos registros de pozos, resultados de pruebas de laboratorio y datos de pruebas in situ.

El equipo de investigación de la Universidad de Dayton (UD) ha desarrollado un conjunto de algoritmos computacionales basados en IA, también conocido como aprendizaje automático (ML), junto con otros principios disciplinarios, como técnicas de simulación de campo aleatorio, para crear una nueva metodología para integrar e interpretar datos de investigación del sitio. Juntas, estas herramientas se pueden usar para crear un modelo de estratificación del subsuelo con la incertidumbre asociada cuantificada para aplicaciones de análisis y diseño posteriores (p. estratificación y propiedades del suelo).

La Figura 1 muestra un marco conceptual de alto nivel de este enfoque, en el que el módulo de aprendizaje automático lee y procesa los datos originales de caracterización del sitio (es decir, registros de pozo en la parte superior izquierda); el modelo de estratificación del subsuelo inferido con la cuantificación de la incertidumbre asociada de los límites de las capas se muestra en el bloque superior derecho. Luego, los usuarios pueden extraer, visualizar y analizar los resultados computacionales con respecto a los posibles entornos estratigráficos, además de la incertidumbre estadística de las propiedades mecánicas del suelo (abajo a la derecha). La información interpretada puede ser utilizada por profesionales geotécnicos para la planificación, el diseño y la construcción (abajo a la izquierda). La base matemática de la metodología desarrollada se basa en el conocimiento de las siguientes disciplinas fundamentales:

En última instancia, la combinación de DIGGS e IA podría conducir a nuevas metodologías para mejorar las capacidades de caracterización del sitio al:

- Fusionar múltiples conjuntos de datos de diferentes métodos de investigación del sitio (registros de pozos, pruebas in situ y mediciones geofísicas) y proporcionar una interpretación estadística sintetizada de los perfiles de suelo/roca para cada capa basada en simulación estocástica y técnicas de aprendizaje automático.

- Mejorar la visualización de los modelos de estratificación del subsuelo interpretados con información adicional, como una medida del nivel de confianza de los modelos de suelo y la identificación de ubicaciones donde se podría realizar un sondeo adicional para mejorar el nivel de confianza de los modelos interpretados. Con base en los algoritmos desarrollados, el equipo de la UD ha desarrollado cuatro módulos computacionales para permitir a los usuarios realizar las siguientes tareas:

El módulo A es una interfaz fácil de usar que permite la importación directa de datos geotécnicos compatibles con DIGGS en los principales módulos computacionales B y C. El módulo B realiza la fusión de datos de varias fuentes de datos y el posterior análisis bayesiano basado en IA de los tipos y propiedades del suelo en pozos conocidos o ubicaciones de CPT y correlaciones espaciales en diferentes ubicaciones de prueba.

El Módulo C utiliza técnicas de simulación estocástica para llenar los vacíos de información en las ubicaciones inexploradas y estimar el nivel de confianza correspondiente del modelo de estratificación del subsuelo establecido. El Módulo D es una interfaz de salida fácil de usar de los resultados computacionales en la representación 2D/3D que muestra información útil, como los perfiles del subsuelo y la medida de incertidumbre asociada en términos de entropía de la información. El caso 1 de estudio que se describe a continuación incluye una explicación relevante del concepto de entropía de la información como medida de la incertidumbre de la estratificación. El módulo D también genera archivos de entrada de datos pertinentes para otros programas, como análisis de cimentación profunda o estabilidad de taludes.

El Departamento de Transporte de Ohio (ODOT) ha proporcionado fondos de investigación al equipo de investigación de la UD para validar los algoritmos computacionales desarrollados. Los tres estudios de casos presentados a continuación demuestran el poder computacional y los beneficios de los algoritmos desarrollados para mejorar las capacidades de caracterización del sitio.

Este ejemplo de estudio de caso involucra la interpretación de la elevación de la interfaz suelo-roca para una determinación preliminar del tipo de cimentación para un proyecto de expansión de puente. Están disponibles cinco registros de pozo existentes a lo largo de la alineación del puente. Para investigar el efecto del número de registros de perforación y ubicaciones de perforación en el nivel de confianza de la interfase suelo-roca interpretada, se consideraron tres escenarios, como se muestra en la Figura 2: 1) dos registros de perforación conocidos (Figura 2 superior); 2) tres registros de pozo conocidos (Figura 2 en el medio); y 3) cinco registros de pozo conocidos (Figura 2 abajo).

En lugar de información adicional para definir la interfaz suelo-roca, la práctica habitual generalmente es dibujar una línea recta que conecte la elevación de la interfaz en las ubicaciones de los pozos. Este enfoque determinista, sin embargo, está sujeto al juicio de ingeniería y al conocimiento de los ingenieros sobre la geología del sitio. Además, este enfoque no permite una determinación cuantitativa del nivel de confianza de la interpretación lineal.

Por el contrario, cuando se utilizan algoritmos computacionales basados en IA, el trabajo computacional detrás de escena se puede describir de la siguiente manera. En primer lugar, se llevó a cabo un algoritmo computacional basado en el aprendizaje automático bayesiano para conocer la restricción espacial de los tipos de unidades (p. ej., suelo y roca en este ejemplo) en múltiples pozos. En otras palabras, se puede determinar la zona de influencia de todos y cada uno de los pozos. A continuación, se utilizaron técnicas de simulación estocástica para generar muchas configuraciones estratigráficas posibles que están condicionadas en función de la información conocida del pozo. En esta etapa, los usuarios también pueden ingresar al entorno geológico conocido.

Finalmente, se realizó un análisis estadístico de estos entornos estratigráficos simulados para cuantificar la incertidumbre de los modelos de estratificación del subsuelo interpretados utilizando el concepto de entropía de la información, que se define como la suma negativa de los productos entre las probabilidades y los logaritmos de las probabilidades sobre todos los posibles valores. En la gestión de riesgos de ingeniería, es una medida ampliamente utilizada para describir la cantidad de incertidumbre asociada con una variable aleatoria (es decir, el tipo de unidad en una ubicación y profundidad determinadas en el contexto actual). Un valor más bajo de la entropía de la información representa un nivel de confianza más alto del modelo interpretado.

Como se muestra en la Figura 2 (arriba), se indica un alto nivel de incertidumbre para la región entre las dos ubicaciones de registro de pozo conocidas (es decir, Pozo #1 y #5). Si se agrega un registro de pozo más (es decir, Pozo #3), la cantidad de incertidumbre se reduce en la vecindad de la ubicación del pozo. Generalmente, mientras más información de registros de pozos se incorpore en la interpretación, existirá menos incertidumbre en la ubicación interpretada de la interfase suelo-roca. Para comparar los diferentes escenarios, la entropía de la información normalizada se puede calcular dividiendo el valor de la entropía local en cada píxel por el valor de la entropía máxima de toda la imagen (0 corresponde a “absolutamente seguro”, mientras que 1 corresponde a “muy incierto”).

La entropía de la información normalizada se puede utilizar para identificar los lugares donde se necesitan perforaciones adicionales para mejorar el nivel de confianza de la interpretación de la interfaz suelo-roca. A partir de este ejemplo, se puede ver que el valor agregado de usar IA y las técnicas de simulación asociadas en la interpretación es probabilístico en lugar de determinista. Así, se puede obtener una medida de la incertidumbre del modelo interpretado, en términos de entropía de la información. Además, el mapa de entropía brinda orientación sobre la cantidad de perforaciones adicionales y sus ubicaciones óptimas para minimizar la incertidumbre del modelo al nivel deseable mientras se utiliza una cantidad mínima de perforaciones.

Este caso ilustra el uso de la técnica de IA en la extracción de patrones estadísticos del modelo de suelo utilizando datos CPT e información de registros de pozos. Una investigación geotécnica de campo puede incluir registros de pozos y datos CPT recopilados en diferentes lugares y momentos para un sitio de proyecto. Por lo tanto, tanto los datos métricos (p. ej., resistencia del cono, relación de fricción, presión intersticial) como categóricos (p. ej., el Sistema de clasificación de suelos unificado o el Sistema de clasificación de suelos AASHTO) están disponibles para la caracterización del sitio.

Es importante extraer y estimar las propiedades estadísticas de las mediciones normalizadas [p. ej., log(Qtn) y log(Fr)] de cada tipo de suelo, pero no es una tarea trivial en este contexto porque los datos métricos y categóricos generalmente se recopilan en diferentes lugares. Además, la ubicación de cada registro de pozo y el punto de sondeo CPT están escasamente ubicados en un área de proyecto grande, por lo que no se pueden vincular fácilmente debido a la heterogeneidad inherente del subsuelo. La técnica de IA desarrollada puede fusionar datos métricos y categóricos mediante el llamado algoritmo de aprendizaje semisupervisado (es decir, un algoritmo de aprendizaje que se ocupa de un conjunto de datos parcialmente etiquetado o interpretado).

La Figura 3a muestra la distribución estadística extraída de las mediciones de CPT normalizadas según cada tipo de suelo (es decir, arena, grava, limo) utilizando ambas fuentes de datos (es decir, los registros de perforación y las mediciones de CPT in situ normalizadas). El algoritmo de IA permite la consideración y evaluación simultáneas de la similitud en los puntos de datos tanto en el espacio del subsuelo 3D como en el espacio de características (es decir, el espacio enmarcado por las mediciones CPT normalizadas).

Este patrón estadístico extraído [es decir, el diagrama de dispersión en el gráfico de tipo de comportamiento del suelo de Robertson (Figura 3a izquierda) y los histogramas de log(Qtn) y log(Fr) de diferentes tipos de suelo (Figura 3a derecha)] se puede usar no solo para la interpretación de datos (Figura 3b), sino también para el análisis basado en la confiabilidad que requiere descriptores estadísticos de los parámetros pertinentes del suelo y sus correlaciones estadísticas. A modo de comparación, también proporcionamos los resultados de interpretación habituales directamente utilizando un gráfico de tipo de comportamiento del suelo de Robertson.

Este caso demuestra la capacidad de los algoritmos desarrollados para la interpretación conjunta de datos de múltiples CPT en un proyecto. La Figura 4a muestra las ubicaciones de 44 CPT y tres perforaciones. Los algoritmos basados en IA se utilizaron para analizar e interpretar los datos CPT simultáneamente, de modo que la similitud estadística y la correlación espacial de los puntos de datos en diferentes ubicaciones y profundidades pudieran extraerse para desarrollar un modelo de suelo consistente.

La Figura 4b muestra los patrones estadísticos (es decir, los contornos de todos los grupos) de mediciones in situ normalizadas usando los datos de todos los CPT en el sitio del proyecto. Los patrones estadísticos correspondientes a las diferentes categorías de suelo mejoran mucho en comparación con una sola CPT. Este proceso produce una estimación sólida de las características estadísticas (es decir, las funciones de densidad de probabilidad representadas por los contornos en la Figura 4b) debido al conjunto de puntos de datos de múltiples CPT. Hasta la fecha, los algoritmos desarrollados son la única técnica disponible para el modelado probabilístico conjunto y la interpretación de la heterogeneidad del subsuelo utilizando datos de investigación del sitio de alto volumen (por ejemplo, decenas a cientos de CPT en un sitio de proyecto de parque eólico marino).

El valor agregado de usar este algoritmo basado en IA para los profesionales geotécnicos incluye la capacidad de interpretar rápidamente una gran cantidad de datos de investigación del sitio y el potencial de una conexión perfecta con el diseño basado en la confiabilidad. Por ejemplo, el algoritmo desarrollado proporciona distribuciones estadísticas de las mediciones in situ normalizadas, que pueden transferirse aún más a distribuciones estadísticas de los parámetros del suelo de diseño (p. ej., resistencia y compresibilidad) utilizando gráficos de mapeo/transformación empíricos existentes.

Por lo tanto, los algoritmos pueden ayudar aún más a mejorar la práctica actual de diseño basada en la confiabilidad desde dos aspectos: 1) los parámetros nominales del suelo en un enfoque de diseño calibrado (p. ej., LRFD) pueden determinarse directamente a partir de los datos de investigación del sitio, y 2) los parámetros del suelo puede generarse con precisión utilizando un enfoque de diseño totalmente probabilístico (es decir, basado en la teoría de la confiabilidad, como el método de segundo momento de primer orden, FOSM; o el método de simulación de Monte Carlo).

A medida que se adopta más ampliamente un estándar de informes de datos geotécnicos como DIGGS, y los conjuntos de datos de caracterización de sitios disponibles se vuelven cada vez más grandes, naturalmente allana el camino para utilizar técnicas de análisis de big data y otros principios disciplinarios para ayudar a analizar e inferir datos de investigación de sitios geotécnicos. Este blog describe el desarrollo y la aplicación de algoritmos computacionales basados en IA para construir modelos de estratificación del suelo del subsuelo utilizando datos de investigación del sitio geotécnico, incluidos registros de pozos y CPT, que generalmente son geográficamente dispersos para el sitio de un proyecto.

Como se demostró en los tres estudios de caso, la estratificación del suelo del subsuelo inferida y los modelos estadísticos se presentan con una estimación cuantitativa de la incertidumbre asociada en términos de entropía de la información y nivel de confianza. La capacidad de evaluar el nivel de confianza de los perfiles de estratificación del suelo inferidos y las mediciones in situ normalizadas asociadas, en nuestra opinión, crea un nuevo paradigma de caracterización del sitio. Este nuevo paradigma permite a los ingenieros tomar en consideración la incertidumbre fundamental de la caracterización del sitio y usarla para a) administrar y reducir el riesgo y las incertidumbres asociadas con la caracterización del sitio, y b) avanzar en el diseño basado en la confiabilidad, lo que significa que la variación espacial del diseño geotécnico.

Los parámetros (p. ej., resistencia y compresibilidad) en ubicaciones inexploradas se estiman en función de los datos sondeados en el mismo sitio del proyecto. En el futuro, a medida que DIGGS se expanda para incluir varios tipos adicionales de datos geotécnicos y geoambientales en su marco, la dimensión de los datos disponibles aumentará aún más. Por lo tanto, es cada vez más imperativo que las técnicas de interpretación de datos basadas en IA se exploren y exploten más para aprovechar la disponibilidad de grandes cantidades de datos de caracterización del sitio.

Después de varios años de investigación y desarrollo, los autores han publicado su trabajo sobre el desarrollo de los algoritmos y sus aplicaciones a varios tipos de sistemas geotécnicos, como túneles, taludes y cimientos. Creemos que los algoritmos actuales se pueden mejorar aún más con más información obtenida de los estudios de casos. Sin embargo, es nuestra intención que este blog haga que la comunidad geotécnica sea más consciente de algunas de las aplicaciones recientes de la IA en el campo geotécnico. Con suerte, esto motivará a la profesión a adoptar estos métodos emergentes para innovar la práctica de una de sus tareas más fundamentales, pero quizás la más desafiante: la caracterización del sitio.