DE LA DETECCIÓN AL MACHINE LEARNING EN GEOTECNIA: CONSTRUYENDO NUESTRA PROPIA PERSPECTIVA DE IA

En ingeniería geotécnica, los datos se pueden producir a partir de varias fuentes y durante varios ciclos del proyecto. En este artículo, clasificamos ampliamente los datos de origen como (i) caracterización del sitio, (ii) equipo de construcción, (iii) instrumentación y monitoreo, y (iv) detección remota.

La investigación y el modelado de las características del suelo de un sitio siempre está en el corazón de la profesión de geoingeniería. Por supuesto, esta es una tarea desafiante porque cada sitio es diferente y siempre tiene una variabilidad e incertidumbre inherentes. Realizamos varios métodos de investigación y pruebas para obtener datos para inferir las condiciones del sitio. Las fuentes más convencionales son datos de pruebas geotécnicas in situ y de laboratorio. Estos datos están en forma de datos numéricos que se pueden categorizar en un formato estructurado, que se puede presentar en forma de tabla con variables como columnas y puntos de observación de datos como filas.

Los datos de caracterización del sitio también se pueden obtener a partir de métodos geofísicos que utilizan campos sísmicos, electromagnéticos, eléctricos o gravitacionales para inferir las condiciones del sitio. Los datos producidos están en formatos diferentes a los de las pruebas geotécnicas, y el tamaño de los datos puede ser sustancialmente mayor. El desafío aquí es obtener una correlación matemática entre las respuestas geofísicas de la propiedad física y la distribución de los datos adquiridos. En muchos casos, las correlaciones requieren evidencia física independiente de otras técnicas de investigación. La integración y la caracterización sólida de los datos del sitio siguen siendo áreas de investigación activas y pueden requerir técnicas especializadas de procesamiento de datos.

La maquinaria de construcción moderna suele estar equipada con numerosos sensores para registrar las actividades de construcción. Las máquinas perforadoras de túneles, por ejemplo, pueden emplear cientos o incluso miles de sensores para medir y registrar varios parámetros de excavación de túneles (por ejemplo, el eje de corte, la fuerza de empuje, la tasa de avance, los acondicionadores de suelo inyectados y los volúmenes de lodo) cada pocos segundos.

La Figura 1 muestra una descripción general de los principales componentes de la TBM de equilibrio de presión de tierra y la taxonomía de los datos producidos. Claramente, estos sensores producen una cantidad masiva de datos de alta dimensión (conjuntos de datos con cientos o incluso miles de variables). Los datos contienen mucha información, como las decisiones de los operadores, los comportamientos de TBM e incluso las relaciones con las condiciones geológicas y los movimientos del suelo. Sin embargo, puede ser difícil interpretar los datos manualmente debido al tamaño y al nivel de complejidad. El uso de ML puede permitirnos interpretar esta gran cantidad de datos en tiempo real y construir un sistema sistemático de toma de decisiones para las operaciones de túneles.

La instrumentación y el monitoreo de los sistemas geotécnicos y estructurales se pueden implementar durante la construcción (p. ej., para monitorear el movimiento del suelo inducido por una excavación) o durante la operación de la infraestructura (p. ej., para monitorear el desempeño de un sistema de diques). Varias tecnologías de detección novedosas, como las redes de sensores inalámbricos (WSN por sus siglas en inglés) y los sensores de fibra óptica distribuidos, han surgido para estos fines. WSN permite el monitoreo discreto y periódico de sistemas de infraestructura distribuida en un área amplia con bajo acceso a energía y comunicación.

Los sensores de fibra óptica distribuidos, o DFOS, permiten la medición continua de la temperatura, la tensión y la distribución de vibraciones a lo largo del cable de fibra óptica. Estos sistemas producen una estructura única de datos de medición que es diferente de los instrumentos mecánicos o eléctricos convencionales.

La Figura 2 muestra un ejemplo de datos producidos por sensores basados en DFOS, específicamente, detección acústica distribuida para monitoreo de pavimento. A diferencia de los sensores de deformación convencionales, DAS produce datos 3D densos que dependen de la magnitud de la potencia acústica empleada, la información espacial a lo largo del cable y el tiempo. Los sensores producen cantidades masivas de datos de alta resolución en tiempo real. Los datos se pueden transformar en varios tipos de información, como actividades en el pavimento a lo largo del tiempo, como se muestra en la figura. Esta interpretación se realizó manualmente, pero proporcionar una interpretación robusta de una gran cantidad de datos en tiempo real puede requerir técnicas avanzadas de procesamiento de datos. ML puede ser una herramienta potencial para abordar este desafío.

La aplicación de tecnologías de teledetección en geoingeniería ha surgido recientemente. Las tecnologías utilizan sensores basados en satélites, aviones o terrestres para adquirir información sin contacto físico. Las tecnologías de teledetección activa más utilizadas son la detección y medición de luz (LiDAR) y el radar interferométrico de apertura sintética (InSAR). Como sensores activos, tanto LiDAR como InSAR emiten un pulso de energía y registran su retorno al sensor. La mayoría de los sistemas LiDAR utilizan un láser de infrarrojo cercano. InSAR utiliza un rango de longitud de onda más largo o más amplio para penetrar las perturbaciones atmosféricas y ambientales.

Las cámaras ópticas se utilizan comúnmente para la detección remota pasiva, que captura las señales naturales emitidas por los objetos medidos. El conjunto de datos se puede procesar utilizando técnicas de visión por computadora para reconstruir las estructuras 3D del objeto. Structure from Motion es el algoritmo más popular de los métodos de reconstrucción 3D. La Figura 3 muestra ejemplos de datos producidos por sensores remotos. La Figura 3a muestra los datos de movimiento del suelo capturados por InSAR, y la Figura 3b muestra datos de imágenes ópticas para el monitoreo de la deformación del túnel. Estas cifras muestran que la teledetección produce tipos de datos sustancialmente diferentes a los de los instrumentos de seguimiento tradicionales. InSAR nos permite obtener la magnitud de la deformación de la superficie en extensión espacial (en términos de millones de puntos en cientos de kilómetros cuadrados) a lo largo de los años, donde cada punto de datos (y su color) representa el movimiento del suelo en esa ubicación en particular.

Los sensores ópticos producen imágenes que se pueden clasificar como datos no estructurados, que no se pueden presentar en forma de tabla de datos. La información sobre la deformación del túnel se puede extraer y medir a partir de una serie de imágenes a lo largo del tiempo. Es difícil procesar estos datos usando técnicas tradicionales de análisis de datos. Además, el tamaño de ambos conjuntos de datos puede ser sustancialmente mayor que los datos producidos por sensores convencionales. Por lo tanto, es posible que se requiera una mayor potencia informática y algoritmos de ML avanzados, como el aprendizaje profundo, para procesar estos conjuntos de datos.

La adopción de AI/ML puede ser inevitable a medida que los proyectos generan cada vez más y más datos. Sin embargo, la adopción debe tomarse de manera crítica y con cautela porque podemos tener características de datos, problemas y desafíos diferentes a los de otros dominios donde se ha implementado con éxito. Tres problemas que pueden ser los principales desafíos para la adopción de ML en geotecnia incluyen:

Las grandes empresas de tecnología generan inherente y continuamente una cantidad asombrosa de datos. Cada minuto, Google procesa y envía millones de consultas de búsqueda y correos electrónicos, se ven millones de videos en YouTube y se venden miles de artículos en Amazon. Cada clic puede contener una relación compleja entre la decisión de los usuarios y sus antecedentes psicológicos. Esta información se puede explotar con fines de marketing dirigido, por ejemplo. Este tipo de minería de datos sólo puede ser realizado por ML, y es por eso que ML triunfa en la industria tecnológica.

Nuestro dominio de la geotecnia también se basa en gran medida en los datos. Sin embargo, la implementación de ML se ve obstaculizada por la disponibilidad de nuestros conjuntos de datos. En muchos casos, el tamaño de los conjuntos de datos que usamos con frecuencia no es tan grande como para poder administrarlos manualmente, como por ejemplo mediante el procesamiento de hojas de cálculo. Otro impedimento es que los datos tampoco están integrados, ni disponibles, porque cada dueño de proyecto o consultor los guarda por separado, y en varios formatos diferentes. Este es también el caso en la investigación.

Debido a la confidencialidad de muchos proyectos, algunos investigadores no pueden publicar los datos para complementar sus estudios. La calidad de los datos también puede ser una preocupación en la adopción de ML, ya que tenemos incertidumbres inherentes en los datos de nuestro dominio y limitaciones en nuestras herramientas de medición. Debido a que los datos son la base de ML, su disponibilidad debe ser la prioridad clave para impulsar la adopción de ML en geotecnia. El avance de la tecnología de detección y el paradigma hacia la digitalización pueden cambiar el juego. En un futuro cercano, podemos esperar obtener más datos en mayor cantidad y mejor calidad en cada ciclo del proyecto.

Sin embargo, debido al tamaño, es posible que los datos producidos no se procesen ni utilicen con enfoques tradicionales. Los gobiernos, investigadores y profesionales también podrían desempeñar un papel importante en el desarrollo al traer iniciativas para integrar datos relacionados con la geolocalización en un repositorio accesible. Esto elevará la adopción de ML en la investigación y las aplicaciones de geoingeniería.

El aprendizaje supervisado es una poderosa herramienta de interpolación que puede encontrar patrones complejos dentro de datos de alta dimensión sin suposiciones ni leyes físicas predefinidas. Sin embargo, pueden funcionar mal en problemas de extrapolación, donde las condiciones están fuera de los límites del entrenamiento. Parece que la industria de la tecnología ve esta restricción de manera pragmática al obtener más datos y expandir continuamente los límites de capacitación. Se pueden realizar mejoras continuas si hay errores.

Este enfoque es factible porque muchos problemas que enfrentan las empresas de tecnología no tienen consecuencias catastróficas si hay errores de predicción. Puede que no sea un problema grave si Amazon proporciona recomendaciones de productos inexactas o si Google clasifica incorrectamente nuestros correos electrónicos no deseados, pero es diferente para nuestra industria. Podemos usar ML para estimar las características de un sitio, predecir el comportamiento de tensión-deformación de los geomateriales o predecir la capacidad de los cimientos y otros sistemas geotécnicos. Pero los errores de predicción en estos problemas pueden conducir a una falla grave y pueden costar mucho más dinero e incluso provocar accidentes.

Entonces, ¿podemos confiar en ML para hacer predicciones para nuestros problemas? ¿Cuánto error podemos tolerar? ¿Cómo debemos evaluar los errores? Aquí es donde debemos repensar cómo debemos usar ML en ingeniería geotécnica. La precisión de la predicción siempre ha sido el centro del desarrollo de ML. En muchos de nuestros problemas, sin embargo, podemos tolerar cierta imprecisión y variabilidad de las predicciones porque normalmente tenemos márgenes entre la capacidad diseñada y la demanda permitida.

Por el contrario, no podemos tolerar predicciones poco confiables, como cuando un modelo produce errores sustanciales debido a la falta de generalización (es decir, capacidad para adaptarse a nuevos datos) o perturbación de datos (por ejemplo, valores atípicos, ruidos). Nuestras herramientas estándar, ya sean métodos empíricos simplificados o modelos numéricos sofisticados, siempre tienen una imprecisión inherente debido a la variabilidad de los parámetros, los supuestos del modelo y otras incertidumbres epistémicas. Pero estas herramientas pueden considerarse confiables si comprendemos los supuestos y las limitaciones. Desafortunadamente, esta es una de las principales limitaciones de ML.

Los modelos son propensos a sobreajustarse y solo pueden funcionar de manera confiable dentro de los límites de entrenamiento dados. Para adoptar ML, debemos cambiar nuestro enfoque de la precisión de la predicción a la confiabilidad de la predicción. Esto puede requerir marcos de ML novedosos que sean adecuados para nuestro dominio de problemas y métricas de evaluación que pongan más peso en la confiabilidad del modelo. Los conceptos probabilísticos y las herramientas estadísticas, como el bootstrapping y la validación cruzada, pueden desempeñar un papel importante aquí. También deberíamos esforzarnos más en comprender nuestros datos. Esto se puede hacer trayendo más discusión sobre las características de los conjuntos de datos e investigando bajo qué condiciones se puede producir una predicción confiable.

La figura 4 muestra una implementación del aprendizaje de estructura de red bayesiana para comprender las interacciones de las características variables en un conjunto de datos TBM. El algoritmo BNSL comenzó a construir el modelo de interacción de características con un solo enlace entre los nodos (es decir, la primera iteración). El algoritmo continuó reiterando el modelo de interacción agregando y reconfigurando los enlaces hasta que encontró las mejores interacciones posibles, definidas por una puntuación de algoritmo de búsqueda. Este modelo nos permite investigar cuantitativamente los posibles efectos causales de las decisiones de los operadores de tuneladoras durante la excavación de túneles. Esto demuestra la utilización de una herramienta de ML para ayudarnos a comprender un conjunto de datos, en lugar de simplemente hacer predicciones de una variable de respuesta. Cuanto más entendemos las características de los conjuntos de datos, más entendemos la confiabilidad del modelo.

Los modelos ML se han visto notoriamente como modelos de caja negra. Sin embargo, comprender cómo los modelos ML llegan a los resultados de predicción puede no ser la principal prioridad de las empresas tecnológicas. No importa cómo estos modelos clasifiquen el spam en los correos electrónicos o identifiquen los objetos en las fotografías, siempre que puedan producir predicciones precisas. Este no es el caso en nuestra profesión. Como ingenieros, no deberíamos sentirnos cómodos siendo responsables de resultados que no podemos entender. Necesitamos desarrollar herramientas para escudriñar los modelos y dilucidar cómo el modelo llega a los resultados de la predicción. La importancia de las características es una herramienta que está disponible para investigar los parámetros de entrada de un modelo de ML. Existen muchos métodos para medir el rango de importancia de las características, pero cada método tendrá sus propios sesgos y limitaciones.

La Figura 5 clasifica los parámetros de TBM que contienen información importante sobre las condiciones geológicas de un clasificador de bosques aleatorios (un algoritmo de aprendizaje supervisado). Los rangos fueron producidos por tres métodos de importancia de características ampliamente utilizados. Como era de esperar, la figura muestra que cada método produjo rangos diferentes y, por lo tanto, se pueden extraer conclusiones muy limitadas con respecto al modelo y los parámetros. Este resultado indica que se necesitan métodos de interpretación más sólidos para los modelos ML. ML interpretable sigue siendo un área de investigación activa, y los ingenieros geotécnicos deberían ser uno de los usuarios clave aquí porque los problemas que encontramos probablemente requieran estas herramientas más que los otros campos.

Como dominio emergente, la IA, especialmente el ML como subconjunto, ha atraído mucha atención y discusión, incluso en nuestra profesión. Algunos de nosotros tenemos grandes expectativas, mientras que otros lo ven con escepticismo. Sea cual sea nuestra posición, depende de nosotros cómo avancemos con esta tecnología. Sin duda, el avance de la tecnología de detección y el paradigma hacia la digitalización traerán más datos a nuestra industria. La adopción de ML puede ser inevitable si queremos extraer y utilizar información valiosa de datos más abundantes.

ML puede ayudarnos a explotar los datos, generar nuevos conocimientos y crear nuevos descubrimientos científicos. Sin embargo, es menos probable que ML penetre en nuestra industria si simplemente se utiliza para resolver problemas clásicos con los mismos enfoques que solo requieren conjuntos de datos limitados. Necesitamos ver nuestros conjuntos de datos y problemas desde diferentes perspectivas. Necesitamos dar forma a las herramientas de ML de acuerdo con nuestras necesidades, con nuestro conocimiento del dominio como base. Aquí es donde podemos cosechar los beneficios de ML y transformar nuestro campo en la próxima generación de la profesión de geoingeniería, en la era de la IA.