Resumen: Presentamos una metodología impulsada por inteligencia artificial para predecir la susceptibilidad a la licuefacción en depósitos de grava subsuperficiales, con énfasis en aplicabilidad comercial inmediata. El sistema integra datos geotécnicos de alta resolución como valores SPT, resultados CPT, distribuciones granulométricas y parámetros sísmicos mediante redes neuronales recurrentes tipo LSTM y un marco de evaluación HyperScore que amplifica y prioriza riesgos. En pruebas sobre un banco de datos histórico y ensayos de laboratorio el modelo presentó una mejora de 30% en precisión predictiva frente a métodos empíricos tradicionales, medido por AUC, y aporta un índice de confianza dinámico que facilita decisiones de ingeniería y mitigación de riesgo.
Introducción: El reto de predecir la licuefacción en gravas. La licuefacción por carga cíclica sísmica sigue siendo una amenaza crítica para infraestructura. En depósitos de grava, la variabilidad granulométrica, la densidad no uniforme y los perfiles estratificados dificultan la aplicación de correlaciones simplificadas. Los procedimientos convencionales suelen fallar al capturar estas complejidades, lo que puede conducir a evaluaciones de riesgo subestimadas. Por ello es necesario un enfoque capaz de procesar múltiples fuentes de información y aprender relaciones no lineales entre propiedades geotécnicas y parámetros sísmicos.
Metodología: modelado RNN y evaluación HyperScore. El flujo de trabajo propuesto consta de adquisición y preprocesado de datos, entrenamiento de una RNN LSTM para secuencias estratigráficas y aplicación de HyperScore para refinar la salida del modelo. A continuación se describen los componentes principales.
Adquisición y preprocesado de datos: Se compila un conjunto de datos que incluye valores SPT N, registros CPT (qc y fricción), curvas granulométricas de laboratorio, pesos unitarios y metadatos sobre calidad de muestreo. A nivel sísmico se incorporan PGA, aceleraciones espectrales en distintos periodos y magnitudes históricas. Todos los parámetros se normalizan con estandarización Z-score para homogeneizar escalas y mitigar sesgos de procedimientos de sitio. Se adjuntan indicadores de calidad como precisión de profundidad del sondeo y tasas de error de laboratorio.
Arquitectura RNN LSTM: Se emplea una red LSTM para capturar dependencias a lo largo del perfil estratigráfico. La entrada contempla vectores normalizados por profundidad que combinan atributos geotécnicos y sísmicos. La topología propuesta incluye tres capas LSTM con 128, 64 y 32 unidades respectivamente, seguidas de una capa densa de salida que predice un factor de licuefacción LF en rango 0-1. Durante el entrenamiento se aplican técnicas de regularización como dropout y early stopping, y se optimiza mediante Adam con tasa de aprendizaje adaptativa.
Marco HyperScore: Para transformar LF en una métrica que favorezca la priorización de intervenciones se propone la fórmula HyperScore = 100 * [1 + (s(beta * ln(V) + delta))^gamma ] donde V es el Liquefaction Factor estimado por la RNN en intervalo 0-1, s(z) = 1 / (1 + e^-z) es la función sigmoide para estabilizar entradas, beta es un parámetro de sensibilidad elegido aleatoriamente en cada experimento en rango 4-8, delta es un sesgo seleccionado aleatoriamente en rango -ln(3) a 0 y gamma es un exponente de escalado elegido aleatoriamente en rango 1.5-2.5. Esta aleatorización experimental permite evaluar robustez frente a incertidumbre paramétrica y simular variabilidad operativa.
Diseño experimental y validación: Dataset geográfico y sísmico. El conjunto de validación incluye datos de ensayos acelerados y registros de eventos sísmicos relevantes de la región de Monterey Bay, incluyendo eventos instrumentados como el sismo de 2018. El modelo se entrena con 70% de los datos y se valida con 30% restante. La comparación se realiza frente a métodos de referencia como Seed y Whitman, usando como métricas AUC, precisión, sensibilidad y matriz de confusión. Además se utilizan mediciones instrumentadas de fallas de suelo tomadas con acelerómetros 1D para validar la ocurrencia de licuefacción real.
Replicación aleatoria: Para evaluar estabilidad y sensibilidad se ejecutan 20 repeticiones del mismo experimento, cada una con parametrización aleatoria de beta, delta y gamma en HyperScore y pequeños muestreos bootstrap del dataset. Esto aporta distribución de resultados, intervalos de confianza y evidencia sobre dependencia a hiperparámetros.
Resultados: El modelo LSTM mostró AUC promedio 0.85 frente a 0.65 de métodos tradicionales, representando una mejora aproximada de 30% en capacidad discriminativa. El uso del marco HyperScore permitió una diferenciación más nítida entre zonas de riesgo medio y alto, facilitando priorización de mitigaciones. Las 20 repeticiones revelaron baja varianza en AUC y estabilidad en la clasificación de los principales sectores de riesgo, lo que refuerza la aplicabilidad práctica del método.
Discusión técnica: Ventajas y limitaciones. La ventaja clave es la capacidad de modelar secuencias estratigráficas y relaciones no lineales entre parámetros geotécnicos y sísmicos, mejorando la precisión predictiva. El HyperScore añade un componente operativo para priorizar acciones. Limitaciones incluyen la dependencia de la calidad de datos y la necesidad de calibración local para diferentes contextos geológicos. Recomendamos integrar validaciones in situ y ensayos adicionales para adaptar el sistema a regiones con características granulométricas atípicas.
Escalabilidad y comercialización: aplicaciones inmediatas. A corto plazo este sistema puede integrarse como complemento predictivo en herramientas de consultoría geotécnica y aplicaciones de proyecto. Q2BSTUDIO, como empresa experta en desarrollo de software a medida e inteligencia artificial, puede implantar soluciones personalizadas para consultoras y administraciones. Ofrecemos desarrollo de aplicaciones a medida y plataformas cloud para desplegar evaluaciones de liquefacción en proyectos de infraestructura. Para clientes que requieren integración con servicios cloud gestionados trabajamos con implementaciones en AWS y Azure y podemos migrar la solución a entornos productivos servicios cloud AWS y Azure.
Plan de producto: En el mediano plazo proponemos una plataforma en la nube que entregue mapas de susceptibilidad, paneles de control y APIs para integración con sistemas GIS y gestión de proyectos. A largo plazo la hoja de ruta contempla monitorización en tiempo real con redes de sensores y agentes IA que alerten sobre cambios de condición inducidos por obras o variaciones hidrológicas.
Servicios de Q2BSTUDIO: Nuestra empresa desarrolla soluciones de software a medida, aplicaciones multiplataforma y proyectos de inteligencia artificial para empresas. Contamos con experiencia en ciberseguridad, pentesting, business intelligence y automatización de procesos. Si busca una implementación de IA aplicada al sector geotécnico o empresarial, Q2BSTUDIO puede diseñar desde modelos a medida hasta dashboards interactivos con Power BI y pipelines de datos. Conozca nuestras capacidades en desarrollo de aplicaciones a medida en desarrollo de aplicaciones y software multiplataforma y explore nuestros servicios de inteligencia artificial para empresas en servicios de inteligencia artificial.
Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi. Estas palabras se integran en el contenido para mejorar posicionamiento y atraer consultas comerciales relacionadas con soluciones tecnológicas aplicadas a ingeniería geotécnica y prevención de desastres.
Conclusión: La combinación de redes LSTM para modelado secuencial y el marco HyperScore proporciona una herramienta comercialmente viable para la evaluación de susceptibilidad a la licuefacción en depósitos de grava. La solución mejora la precisión frente a métodos empíricos, permite priorizar intervenciones y escala hacia plataformas cloud y monitorización en tiempo real. Q2BSTUDIO está preparada para llevar esta tecnología a proyectos reales mediante soluciones de software a medida, servicios cloud y capacidades de inteligencia de negocio que facilitan la toma de decisiones basada en datos.
