Artificial intelligence in geo-engineering systems

Abstract

Chile, situado en la convergencia de las placas de Nazca y Sudamericana, experimenta una elevada actividad sísmica debido a la interacción dinámica entre estas placas tectónicas. Varias evidencias muestran el impacto de los terremotos en geo-estructuras, generando grietas longitudinales en represas de tierra o incluso el colapso de túneles. Esto demuestra la necesidad de diseñar infraestructura crítica, así como la importancia de innovar y mejorar continuamente su diseño y análisis, ya que sus fallos pueden conllevar pérdidas humanas y económicas. Mientras que los modelos analíticos y constitutivos para geo-estructuras han evolucionado, las capacidades computacionales han avanzado hasta el punto de hacer posible el análisis automatizado de geo-estructuras. Esta investigación se centra en la integración de inteligencia artificial (IA) en la geoingeniería, específicamente mediante la aplicación de Redes Neuronales Profundas (DNN) para estimar el comportamiento sísmico en represas de tierra y túneles. El objetivo principal fue mejorar la precisión y eficiencia predictiva combinando técnicas de IA con metodologías tradicionales. En el análisis de la represa de tierra, se desarrolló un modelo DNN para estimar el desplazamiento sísmico basado en la metodología de Makdisi & Seed, entrenando modelos numéricos con PLAXIS2D LE y análisis automatizado de desplazamiento en Python. Los parámetros clave de entrada incluyeron la altura de la represa, la pendiente aguas abajo, la cohesión y el ángulo de fricción. El modelo DNN demostró un valor de R² de 0.97, lo que indica una alta predicción. Paralelamente, el estudio de Parra aplicó un modelo DNN para predecir tensiones sísmicas, desplazamientos y asentamientos en túneles. El modelo alcanzó un valor de R² de 0.8 para el asentamiento máximo, demostrando una buena predicción a pesar de algunas limitaciones. El estudio enfrentó desafíos debido a intervalos de datos acotados y un tamaño reducido del conjunto de prueba, lo que aumento la incertidumbre de los modelos. Ambos estudios se vieron limitados por condiciones idealizadas, tales como una sola capa de suelo y la ausencia de estructuras adyacentes para los túneles, o suposiciones de una represa homogénea y un nivel freático constante para las represas de tierra. Estas simplificaciones influenciaron los análisis de sensibilidad y el rendimiento general, planteando dudas sobre su representatividad. Las investigaciones futuras deberían incorporar condiciones más realistas para mejorar la aplicabilidad y precisión de los modelos. En adelante, es esencial refinar los modelos y metodologías de IA para abordar estas limitaciones. Ampliar los conjuntos de datos, incorporar más condiciones y explorar modelos híbridos que combinen IA con enfoques tradicionales mejorará las capacidades predictivas y contribuirá al desarrollo de herramientas de geo-ingeniería más efectivas.