La detección temprana de túneles clandestinos bajo tuberías de gas y petróleo es un desafío crítico para la seguridad energética. Los métodos convencionales solo identifican el daño una vez que la infraestructura ya ha sido comprometida, lo que deja espacio para robos, sabotajes y contrabando. El radar de penetración terrestre (GPR) ofrece una capacidad de imagen no invasiva, pero la interpretación manual de radargramas es inviable para vigilancia continua a lo largo de corredores extensos. Los enfoques supervisados, por su parte, requieren ejemplos de túneles que en la práctica son escasos. Frente a esta limitación, surge una solución innovadora basada en aprendizaje no supervisado: un pipeline que entrena un autoencoder convolutional de denoising exclusivamente con radargramas de subsuelo normal, sin ningún túnel etiquetado. Durante la inferencia, las anomalías se detectan mediante el error de reconstrucción.
El avance clave de esta metodología reside en una puntuación de anomalía restringida por profundidad y basada en top-k. En lugar de evaluar todo el radargrama, se concentra en la banda donde los túneles pueden existir físicamente (1.5-3 metros), seleccionando solo los errores de reconstrucción más altos dentro de ese rango. Este principio físico, sin necesidad de reentrenamiento ni etiquetas, eleva el AUC de 0.986 a 0.994 y reduce las detecciones fallidas de 74 a 17 sobre 634 ventanas de túnel, en comparación con la puntuación de imagen completa. Además, se observa que la fracción óptima de top-k varía al aplicar la restricción de profundidad: un 1% es mejor en imágenes completas, mientras que un 5% funciona óptimamente una vez restringido el rango. El sistema final alcanza un AUC de 0.994, F1 de 0.975, recall del 97.3% y precisión del 97.6% sobre 1600 ventanas de campo real, con una tasa de falsas alarmas de solo 1.6%, sin usar etiquetas de túnel para entrenamiento, puntuación ni calibración de umbrales.
Este enfoque demuestra que es posible lograr una vigilancia automatizada, escalable y precisa de infraestructuras críticas mediante inteligencia artificial no supervisada. La combinación de redes neuronales profundas con reglas físicas específicas del dominio abre la puerta a aplicaciones a medida en sectores como oil & gas, minería y seguridad perimetral. Para desplegar soluciones de este tipo en producción, se requiere una infraestructura tecnológica robusta: desde IA para empresas que integre modelos de detección de anomalías hasta plataformas en la nube que procesen grandes volúmenes de datos de sensores. Una empresa como Q2BSTUDIO ofrece justamente ese ecosistema, con software a medida que puede adaptar estos algoritmos a las necesidades específicas de cada cliente, combinando inteligencia artificial, ciberseguridad para proteger los datos y servicios cloud AWS y Azure para garantizar escalabilidad y disponibilidad.
Además, la capacidad de generar alertas tempranas y visualizar tendencias se potencia con servicios inteligencia de negocio como Power BI, que permiten a los operadores interpretar los resultados del modelo en cuadros de mando interactivos. La integración de agentes IA autónomos podría incluso automatizar respuestas ante detecciones confirmadas, reduciendo los tiempos de reacción. En un contexto donde la seguridad de infraestructuras críticas es cada vez más prioritaria, soluciones como la descrita —basadas en aprendizaje no supervisado, restricciones físicas y una plataforma tecnológica integral— representan el siguiente paso en la protección preventiva de activos.