Los modelos acuáticos de AI mejoran las predicciones de lechada química en suelos complejos

Representación esquemática del proceso de lechada química. Crédito: Resultados en ingeniería (2025). Doi: 10.1016/j.rineng.2025.105071

La licuefacción del suelo, el proceso donde el suelo saturado pierde su estructura y se transforma en un estado de fluido, puede tener resultados devastadores, como lo demuestra el gran terremoto del este de Japón en 2011. La licencia a gran escala durante este desastre dañó miles de casas en el área de la Bahía de Tokio, lo que plantea un desafío formidable para la infraestructura en el Japón.

Para evitar esto, la lechada química se considera efectiva cuando la lechada se inyecta en el suelo para sustituir el agua de los poros del suelo con un químico solidificador, mejorando así la estructura del suelo. Pero, en el suelo heterogéneo con áreas de baja permeabilidad, lograr una permeación de lechada química uniforme y confiable es difícil.

Un estudio anterior presentó una técnica innovadora llamada Método de elementos finitos (FEM) para analizar el comportamiento de permeación de la lechada química en suelos homogéneos y heterogéneos, lo que demuestra que la lechada tiende a evitar áreas de baja permeabilidad, lo que afecta negativamente la remediación del suelo. Por lo tanto, la predicción y la optimización del rendimiento de la permeación son importantes para la lechada química exitosa en tipos de suelo complejos.

Con este fin, la profesora Shinya Inazumi de la Facultad de Ingeniería, Instituto de Tecnología de Shibaura (SIT), Japón, dirigió a un equipo de investigadores del Instituto de Tecnología Asiático de Tailandia, para integrar el modelado predictivo basado en IA en el análisis de permeación basado en FEM. Desarrollaron un marco práctico para evaluar el comportamiento de permeación de la lechada en suelos con zonas de baja permeabilidad, y su documento se publicó en la revista Results in Engineering el 1 de junio de 2025.

“A diferencia de los estudios previos que se basaron únicamente en los métodos de análisis de permeación tradicionales para resaltar los efectos de la heterogeneidad del suelo en la eficiencia de permeación de la lechada química, este estudio es único al combinar el análisis de permeación tradicional con técnicas de IA avanzadas, como las redes neuronales y los árboles de decisión de impulso de gradiente”, explica el profesor Inazumi sobre la novela del estudio.

Después de crear un modelo de suelo con regiones de baja permeabilidad, se realizó un análisis de permeación basado en FEM 2D para calcular la velocidad de permeación, en función de la cual se evaluaron el riesgo y el rango de permeación. Los parámetros que contribuyeron a un riesgo de permeación de más del 10% se identificaron y se usaron como insumos para el análisis de regresión múltiple para predecir el riesgo de permeación.

Los conjuntos de datos de permeación derivados de FEM también se usaron para capacitar a dos modelos predictivos basados ​​en IA: una red neuronal y un árbol de decisión de impulso de gradiente.

Marco metodológico para el análisis de permeación basado en FEM y el modelado predictivo basado en IA. Crédito: Profesora Shinya Inazumi de Sit, Japón, enlace de origen: https://doi.org/10.1016/j.rineng.2025.105071

Los resultados mostraron que el análisis de permeación basado en FEM demostró una tasa de permeación promedio del 94.5% y un valor en el peor de los casos del 81% cuando el 5.5% del suelo era de baja permeabilidad. Los modelos predictivos basados ​​en IA mostraron una tasa de permeación promedio del 96% y una caída del peor de los casos del 83%.

Una validación comparativa de modelos predictivos basados ​​en IA con simulaciones FEM y estudios anteriores sugiere una alta precisión predictiva de R2 = 0.849. Esto demuestra que los modelos basados ​​en IA pueden integrarse con el modelado numérico cuando se entrenan en conjuntos de datos bien estructurados.

Además, los modelos basados ​​en IA entregaron predicciones en menos de dos segundos, en comparación con las simulaciones FEM que tardaron casi 30-40 minutos en procesar predicciones. Los modelos de regresión simples se desarrollaron en este estudio utilizando entradas como la geometría del suelo y la proximidad a las zonas de baja permeabilidad estimadas con precisión los riesgos de permeación sin la necesidad de pasos computacionales exhaustivos.

Además, el análisis basado en FEM reveló que las zonas de baja permeabilidad bloquean los patrones de flujo y reducen las velocidades de permeación en el suelo.

Para lograr más modelos de predicción confiables, es necesaria la validación experimental con los datos de campo. Con datos de capacitación más diversos, los modelos predictivos basados ​​en IA pueden ser más precisos, reduciendo el riesgo de sobreestimación.

“Estos hallazgos contribuyen al campo al proponer un marco práctico que ayuda a los ingenieros a predecir el comportamiento de permeación de la lechada de manera más eficiente, incluso en suelos complejos y heterogéneos”, concluye el profesor Inazumi.

La incorporación de más propiedades físicas del proceso de lechada, como la presión de la lechada, la reología de la lechada, las condiciones de inyección y las distribuciones de tamaño de grano en simulaciones FEM, también puede mejorar la aplicabilidad práctica de campo de este nuevo marco integrador en el futuro.

En general, este estudio puede ayudar a abordar los desafíos críticos asociados con la licuefacción del suelo en regiones propensas a terremotos del mundo, como Japón.

Más información: Khin Nyein Chan Kyaw et al, Integración del análisis de permeación basado en FEM y modelos predictivos basados ​​en IA para una evaluación mejorada de permeación de la lechada química en suelos heterogéneos, da como resultado la ingeniería (2025). Doi: 10.1016/j.rineng.2025.105071

Proporcionado por el Instituto de Tecnología de Shibaura

Cita: los modelos acuáticos de AI mejoran las predicciones de la lechada química en suelos complejos (2025, 28 de mayo) recuperados el 28 de mayo de 2025 de https://techxplore.com/news/2025-05-ai-augmentada-chemical-chemia-comple.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.