Al incluir coordenadas geográficas, elevación e información estratigráfica como variables de entrada, los investigadores del Instituto de Tecnología de Shibaura han comparado tres algoritmos ML diferentes (RF, ANN y SVM) para predecir la profundidad de la capa de rodamiento. En comparación con ANN y SVM, RF mostró una precisión de predicción significativamente mayor para la profundidad de la capa de cojinete. Crédito: Shinya Inazumi/Shibaura Instituto de Tecnología Fuente Enlace: www.mdpi.com/2504-4990/7/3/69
“Un edificio es tan fuerte como su base” es un adagio común para significar la importancia de tener una base estable y sólida para construir. El tipo y el diseño de la base son importantes para garantizar la seguridad estructural de un edificio.
Entre varios factores que pueden afectar el diseño y la colocación de una base, con profundidad del estrato, a saber, la profundidad en la que la capa subyacente de suelo o roca tiene una fuerza adecuada para soportar una base, es una de las más cruciales. Esto se debe a que en las regiones que son propensas a los terremotos o deslizamientos de tierra, la profundidad del estrato de los rodamientos, también conocida como profundidad de la capa de rodamiento, sirve como un indirecto indirecto del riesgo de licuefacción del suelo, o el riesgo de colapsar el suelo y perder su rigidez y comportarse como un líquido.
Es comprensible que una estimación precisa de la profundidad de la capa de rodamiento es clave para diseñar cimientos robustos, limitar los riesgos de licuefacción del suelo y mitigar los desastres relacionados con el suelo.
Los métodos tradicionales para evaluar la profundidad de la capa de rodamiento, en particular la prueba de penetración estándar (SPT), son generalmente confiables pero involucran procesos intensivos en el tiempo y el trabajo para obtener muestras de suelo subsuperficial y son caros. Una alternativa rentable es, por lo tanto, imperativa.
Para abordar este problema, los científicos del Instituto de Tecnología de Shibaura (SIT), Japón, centraron su atención en el aprendizaje automático (ML). Un equipo de investigadores dirigido por la profesora Shinya Inazumi de la Facultad de Ingeniería de SIT utilizó 942 registros de la encuesta geológica y datos SPT del área metropolitana de Tokio y emplearon tres algoritmos de ML: bosque aleatorio (RF), red neuronal artificial (ANN) y la máquina vectorial de apoyo (SVM), para predecir la profundidad de la capa de counción.
Sus resultados de investigación fueron publicados en la revista Aprendizaje automático y extracción de conocimiento.
“La inspiración para esta investigación surgió de los desafíos apremiantes en la ingeniería geotécnica dentro de los paisajes urbanos vulnerables de terremotos como Tokio. Como región con una historia de eventos sísmicos devastadores, como los grandes terremotos de Kanto de 1923, la predicción precisa de la profundidad de la capa es vital. Mejora de la seguridad “, dijo Inazumi, explicando la motivación detrás del presente estudio.
En su estudio, los investigadores inicialmente capacitaron y optimizaron los modelos ML elegidos utilizando el conjunto de datos SPT. A partir de entonces, desarrollaron dos escenarios de casos experimentales dependiendo del conjunto de variables explicativas utilizadas para la evaluación.
Mientras que el primer escenario de caso (CASE-1) empleó latitud, longitud y elevación como variables explicativas, el segundo escenario (CASE-2) incluía datos de clasificación estratigráfica, a saber, información sobre la capa subterránea del suelo, además de los otros tres parámetros geográficos.
Durante la evaluación comparativa, los investigadores encontraron que el modelo de RF superó constantemente a ANN y SVM, particularmente en términos de precisión de predicción de profundidad (un error absoluto medio de 0.86 m para el caso-2 frente a 1.26 m para el caso-1) y la robustez a datos ruidosos. Además, la precisión de predicción de los tres modelos en el escenario Case-2, que incluye datos de clasificación estratigráfica como una variable explicativa adicional, mejoró notablemente.
Inspirados por sus resultados de investigación, los investigadores dieron un paso más allá e investigaron el impacto de la densidad de datos espaciales en el rendimiento de la predicción. Para este fin, generaron seis subconjuntos de datos diferentes con diferentes densidades espaciales: 0.5, 1.0, 1.5, 2.0, 2.5 y 3.0 puntos/km2.
Descubrieron que la precisión de predicción del modelo RF en el caso 2 mejoró con el aumento de la densidad de datos, lo que indica que los conjuntos de datos espacialmente más densos son valiosas para predicciones precisas de la profundidad de la capa de rodamiento.
En general, el estudio del equipo demuestra que ML, especialmente RF, puede ofrecer una alternativa muy necesaria a los métodos tradicionales para la evaluación regional de riesgos de desastres. Además, a diferencia de los modelos SPT, ML son rentables y, con más mejoras en la arquitectura informática e integración con plataformas avanzadas en tiempo real, podría revolucionar la planificación de la infraestructura en áreas sísmicamente activas, reduciendo la dependencia de las pruebas costosas y localizadas al tiempo que mejora la seguridad y la eficiencia.
Emphasizing the potential applications of the study, Inazumi concludes, “Our findings highlight the transformative real-world potential of ML models in geotechnical engineering and urban planning, especially in earthquake-prone regions like Tokyo. By combining ML with existing geological data, stakeholders can optimize site selection for resilient smart cities and other infrastructure projects, such as bridges or subways, with rapid, scalable simulations.”
Más información: Yuxin Cong et al, Predicción de la profundidad de la capa de rodamiento utilizando algoritmos de aprendizaje automático y evaluación de su rendimiento, aprendizaje automático y extracción de conocimiento (2025). Doi: 10.3390/make7030069
Proporcionado por el Instituto de Tecnología de Shibaura
Cita: Hacia una mejor evaluación de riesgos de terremotos con datos de aprendizaje automático y datos de la encuesta geológica (2025, 8 de agosto) Consultado el 8 de agosto de 2025 de https://techxplore.com/news/2025-08-earthquake-machine-geological-survey.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
