Predicción de la capacidad de carga en pilotes cortos a tracción perforados en suelo cohesivo aplicando algoritmos de inteligencia artificial

Resumen

La estimación de la capacidad de carga a tracción en pilotes perforados en suelo cohesivo representa un desafío en la ingeniería geotécnica debido a la complejidad de la interacción suelo-pilote y a las estimaciones de los métodos tradicionales de cálculo. El objetivo principal es evaluar y comparar el desempeño de distintos algoritmos de aprendizaje automático para la predicción de la capacidad de carga a tracción, a partir de una base de datos generada mediante el Método de los Elementos Finitos. Se incluye la modelación numérica de pilotes sometidos a tracción en suelo cohesivo utilizando PLAXIS 2D con la implementación de un modelo axial-simétrico, y la definición, entrenamiento y validación de modelos predictivos en la plataforma KNIME Analytics Platform mediante métricas estadísticas y esquemas de validación cruzada y externa. Los resultados evidencian que los modelos de aprendizaje automático generan con alta precisión la respuesta numérica del sistema suelo-pilote, destacándose las Redes Neuronales Artificiales con un 99%. Estos resultados confirman el potencial del uso combinado de modelación numérica y aprendizaje automático como una herramienta eficiente y confiable para el análisis de cimentaciones profundas.