Las regiones del norte de Tailandia, caracterizadas por una geología compleja y sistemas de fallas activas, experimentan frecuentes deslizamientos de tierra que amenazan tanto la vida como la infraestructura crítica. En 2022, se produjo un derrumbe en la carretera n.º 1088, en la provincia de Chiang Mai, al norte de Tailandia. Cuando un equipo de investigación, dirigido por el profesor Shinya Inazumi, del Instituto Tecnológico de Shibaura, realizó estudios geotécnicos para determinar la causa del derrumbe, se encontró con una limitación crítica.
por el Instituto de Tecnología Shibaura
Si bien las imágenes de resistividad eléctrica 2D cubrieron toda la zona de la ladera, los datos de sondeo solo estaban disponibles a lo largo de ciertas líneas de levantamiento, lo que dejó porciones sustanciales del sitio sin caracterizar. Esta brecha generó incertidumbres significativas a la hora de identificar los límites de las capas de suelo, distinguir los diferentes geomateriales y evaluar la rigidez relativa del suelo en la zona de falla. El equipo reconoció que, si bien la perforación proporciona datos precisos en puntos específicos, su alto costo y la necesidad de tiempo hacen que la cobertura integral del sitio sea poco práctica, especialmente en terrenos montañosos difíciles.
En este sentido, los avances en el aprendizaje automático ofrecen nuevas posibilidades para el reconocimiento de patrones en datos geofísicos.
Ahora, el equipo presenta una metodología innovadora que reduce significativamente la necesidad de realizar perforaciones de pozos costosas y laboriosas en investigaciones geotécnicas. Sus hallazgos se publicaron en línea en la revista Journal of Rock Mechanics and Geotechnical Engineering el 26 de septiembre de 2025.
Al combinar imágenes de resistividad eléctrica 2D con aprendizaje automático, específicamente análisis de agrupamiento k-means, este estudio estima con éxito los parámetros de resistencia del suelo (valores N₁₂ ) en extensas áreas utilizando datos de tan solo cuatro pozos estratégicamente ubicados. La innovación clave reside en el desarrollo de una ecuación de potencia robusta (R₂ = 0,9467) que correlaciona la resistividad eléctrica del subsuelo con la rigidez del suelo, validada con alta precisión (MAE = 3,94, RMSE = 5,21).
«Cabe destacar que nuestro algoritmo de aprendizaje automático clasificó con éxito los materiales del subsuelo en tres niveles de competencia distintos: materiales de baja competencia, como arena suelta; materiales de competencia moderada, como arcilla de dureza media; y materiales de alta competencia, como arcilla de dureza rígida», señala el profesor Inazumi.
El enfoque propuesto reduce drásticamente la cantidad de perforaciones necesarias al tiempo que mantiene una caracterización confiable del subsuelo y minimiza los riesgos de perturbación del suelo, degradación de la superficie y contaminación de las aguas subterráneas asociados con las perforaciones extensivas.
Además, proporciona información continua del subsuelo en áreas de estudio completas, no solo en puntos de perforación específicos, lo que permite la identificación integral de zonas vulnerables para la mitigación de deslizamientos y el análisis de estabilidad de taludes. Este marco integrado de aprendizaje automático geofísico-geotécnico ofrece una solución escalable y práctica para el diseño de cimentaciones, las evaluaciones de estabilidad de taludes y la planificación de infraestructuras, especialmente valiosa en terrenos complejos donde la perforación tradicional resulta difícil o poco práctica.
El profesor Inazumi destaca las posibles aplicaciones prácticas de su trabajo: «Los departamentos de carreteras pueden evaluar la estabilidad del suelo a lo largo de las carreteras e identificar zonas vulnerables propensas a derrumbes de taludes, como se demostró en la investigación de este estudio sobre la carretera n.º 1088 en el norte de Tailandia tras un deslizamiento de tierra en 2022. Las empresas constructoras pueden optimizar los diseños de cimentaciones mediante el mapeo de las variaciones de resistencia del subsuelo en las distintas obras, lo que reduce el sobrediseño en zonas de suelo resistente y garantiza un soporte adecuado en las zonas más vulnerables».
Además, este trabajo puede permitir a las agencias gubernamentales realizar un mapeo integral del riesgo de deslizamientos de tierra en regiones montañosas, identificando laderas vulnerables para implementar medidas proactivas de estabilización. También puede ayudar a los ingenieros a evaluar las vías de filtración y la integridad de los terraplenes en presas existentes sin comprometer la estabilidad estructural por perforaciones excesivas, así como a los planificadores municipales a realizar investigaciones preliminares del sitio en grandes áreas de desarrollo de forma rentable, priorizando la perforación detallada solo en ubicaciones críticas identificadas mediante estudios de resistividad.
Por último, las agencias de gestión de emergencias pueden crear mapas regionales de resistencia del subsuelo para la evaluación de la susceptibilidad a la licuefacción de terremotos y la planificación de la resiliencia de la infraestructura a través de esta investigación.
En general, se espera que el desarrollo de un marco integrado que pueda extender datos limitados de perforaciones a áreas de investigación completas haga que la caracterización integral del subsuelo sea factible y asequible.
Más información: Ratchadakorn Chumkhiao et al., Uso de imágenes de resistividad eléctrica 2D y datos de pozos para estimar el valor N60 de suelos con agrupamiento de k-medias para la categorización de geomateriales del subsuelo, Journal of Rock Mechanics and Geotechnical Engineering (2025). DOI: 10.1016/j.jrmge.2025.05.030
