Eficiencia de un modelo predictivo de las propiedades mecánicas de los suelos basado en técnicas de machine learning

Abstract

El presente trabajo de investigación se realizó con el propósito de aumentar la eficiencia de un modelo predictivo de las propiedades mecánicas de los suelos. Para ello, se desarrollaron diferentes modelos predictivos empleando 3 técnicas de Machine Learning denominados: Extra Trees Regressor, Random Forest Regressor y Redes Neuronales Artificiales (ANN), con la finalidad de determinar la técnica que aumenta la eficiencia de un modelo para predecir las propiedades de Capacidad de Soporte (CBR), Máxima Densidad Seca (MDD) y Optimo Contenido de Humedad (OMC). El Set de Datos conformado por 3294 datos de todos los departamentos del Perú fueron recopilados de 311 expedientes técnicos de estudios y proyectos definitivos de construcción del Sistema Electrónico de Contrataciones del Estado (SEACE 3.0) y de investigaciones anteriores. En donde, se consideraron las variables de entrada del modelo: Cantidad de Grava, Cantidad de Arena, Cantidad de Finos, Límite Líquido, Límite Plástico, Índice de Plasticidad, Departamento y SUCS; los cuales fueron utilizados para predecir los valores de: CBR, MDD y OMC. Los resultados destacan la eficiencia de la técnica de Random Forest Regressor, particularmente cuando se emplean herramientas avanzadas de Auto-ML que hacen uso de técnicas innovadoras como el morfismo de red, la optimización bayesiana y entre otras técnicas que ya vienen implementadas en la herramienta. Estos resultados superan a otras técnicas en la predicción de propiedades mecánicas del suelo, alcanzando valores de R-Squared de 0.9342 para OMC, 0.9696 para MDD y 0.9848 para CBR. Comparado con investigaciones anteriores, los resultados muestran mejoras significativas, incluso superando a investigaciones más recientes. Los resultados de la evaluación de los modelos indican que, aunque el rendimiento de los tres modelos es bueno, el modelo de Random Forest Regressor resulta ser significativamente mejor en la predicción de las propiedades mecánicas de los suelos. Finalmente, la aplicación de técnicas de Machine Learning y la metodología KKD de Ciencia de Datos y Minería de Datos ayudaron a aumentar significativamente la eficiencia de los modelos predictivos. Los resultados de este estudio podrían ayudar a seleccionar los modelos de Machine Learning adecuados, los parámetros e hiperparámetros de entrada de forma más rápida y eficiente para predecir las propiedades mecánicas de los suelos.