La detecció precoç de túnels clandestins sota canonades de gas i petroli és un repte crític per a la seguretat energètica. Els mètodes convencionals només identifiquen el dany una vegada que la infraestructura ja ha estat compromesa, cosa que deixa espai per a robatoris, sabotatges i contraban. El radar de penetració terrestre (GPR) ofereix una capacitat d'imatge no invasiva, però la interpretació manual de radargrames és inviable per a vigilància contínua al llarg de corredors extensos. Els enfocaments supervisats, per la seva banda, requereixen exemples de túnels que a la pràctica són escassos. Davant d'aquesta limitació, sorgeix una solució innovadora basada en aprenentatge no supervisat: un pipeline que entrena un autoencoder convolucional de denoising exclusivament amb radargrames de subsòl normal, sense cap túnel etiquetat. Durant la inferència, les anomalies es detecten mitjançant l'error de reconstrucció.
El progrés clau d'aquesta metodologia rau en una puntuació d'anomalia restringida per profunditat i basada en top-k. En lloc d'avaluar tot el radargrama, es concentra en la banda on els túnels poden existir físicament (1.5-3 metres), seleccionant només els errors de reconstrucció més alts dins d'aquest rang. Aquest principi físic, sense necessitat de reentrenament ni etiquetes, eleva l'AUC de 0.986 a 0.994 i redueix les deteccions fallides de 74 a 17 sobre 634 finestres de túnel, en comparació amb la puntuació d'imatge completa. A més, s'observa que la fracció òptima de top-k varia en aplicar la restricció de profunditat: un 1% és millor en imatges completes, mentre que un 5% funciona òptimament una vegada restringit el rang. El sistema final assoleix un AUC de 0.994, F1 de 0.975, recall del 97.3% i precisió del 97.6% sobre 1600 finestres de camp real, amb una taxa de falses alarmes de només 1.6%, sense usar etiquetes de túnel per a entrenament, puntuació ni calibratge de llindars.
Aquest enfocament demostra que és possible aconseguir una vigilància automatitzada, escalable i precisa d'infraestructures crítiques mitjançant intel·ligència artificial no supervisada. La combinació de xarxes neuronals profundes amb regles físiques específiques del domini obre la porta a aplicacions a mida en sectors com oil & gas, mineria i seguretat perimetral. Per a desplegar solucions d'aquest tipus en producció, es requereix una infraestructura tecnològica robusta: des de IA per a empreses que integri models de detecció d'anomalies fins a plataformes al núvol que processin grans volums de dades de sensors. Una empresa com Q2BSTUDIO ofereix justament aquest ecosistema, amb programari a mida que pot adaptar aquests algoritmes a les necessitats específiques de cada client, combinant intel·ligència artificial, ciberseguretat per protegir les dades i serveis cloud AWS i Azure per garantir escalabilitat i disponibilitat.
A més, la capacitat de generar alertes primerenques i visualitzar tendències es potencia amb serveis d'intel·ligència de negoci com Power BI, que permeten als operadors interpretar els resultats del model en quadres de comandament interactius. La integració d'agents IA autònoms podria fins i tot automatitzar respostes davant deteccions confirmades, reduint els temps de reacció. En un context on la seguretat d'infraestructures crítiques és cada vegada més prioritària, solucions com la descrita —basades en aprenentatge no supervisat, restriccions físiques i una plataforma tecnològica integral— representen el següent pas en la protecció preventiva d'actius.
