Inteligencia Artificial aplicada a la ingeniería geotécnica: Comparación de LightGBM y XGBoost para la predicción de propiedades mecánicas del suelo

Abstract

Este estudio investiga las capacidades no lineales de los modelos de predicción LightGBM y XGBoost, técnicas de machine learning dentro del campo de la Inteligencia Artificial (IA), para estimar cuatro propiedades mecánicas clave del suelo: la máxima densidad seca (MDS), el contenido óptimo de humedad (OCH), la relación de soporte de California al 100% (CBR100) y al 95% (CBR95) de la MDS. Determinar estas propiedades es fundamental en el diseño estructural de pavimentos, pero los métodos tradicionales de laboratorio suelen ser costosos y requieren tiempo. En este trabajo se utilizaron 201 registros experimentales obtenidos del Laboratorio Nº2 de Mecánica de Suelos de la Facultad de Ingeniería Civil de la UNI (FIC-UNI), incorporando como variables de entrada tres parámetros granulométricos (grava, arena y finos) y tres relacionados con los límites de consistencia (límite líquido, límite plástico e índice de plasticidad). Ambos modelos fueron entrenados utilizando optimización por grid search para ajustar sus hiperparámetros y maximizar el rendimiento predictivo. Los resultados, evaluados mediante métricas como RMSE, MAE y MAPE, indican que el modelo XGBoost supera en precisión al modelo LightGBM para la predicción de las cuatro propiedades mecánicas analizadas.