La socavación constituye uno de los mecanismos de deterioro más críticos para los puentes sobre cauce. Aunque su ocurrencia es relativamente poco frecuente, puede comprometer gravemente la estabilidad de las cimentaciones y es responsable de un 30% de los colapsos de puentes registrados a nivel mundial. Su detección resulta especialmente compleja, ya que los procesos erosivos suelen desarrollarse bajo la lámina de agua y, en muchos casos, no son visibles durante las inspecciones visuales convencionales.
Con el objetivo de mejorar la identificación temprana de este riesgo y optimizar la planificación de las campañas de inspección subacuática, el Ministerio de Transportes y Movilidad Sostenible (MITMS) encargó a INES el desarrollo de una metodología basada en machine learning para evaluar la vulnerabilidad a la socavación de los puentes sobre cauce de la Red General de Carreteras del Estado.
Para ello, INES diseñó una arquitectura de datos que integró información procedente de múltiples fuentes. Además de los datos contenidos en el Sistema de Gestión de Puentes (SGP) del MITMS —inventario estructural, resultados históricos de inspecciones principales e inspecciones de cauce— se incorporaron datos hidrológicos del Ministerio para la Transición Ecológica y el Reto Demográfico (MITECO), información climática procedente del programa Copernicus e información geológica y geotécnica del Instituto Geológico y Minero de España (IGME). El proceso de integración, depuración y transformación de datos permitió consolidar una base de conocimiento compuesta inicialmente por más de 1.700 variables descriptivas relacionadas con las características estructurales de los puentes, la geometría y comportamiento de los cauces, las condiciones hidráulicas extremas, las protecciones existentes, las características geotécnicas de las cimentaciones y las condiciones climáticas del entorno.
A partir de esta información se desarrolló un modelo avanzado de tipo Hurdle, especialmente diseñado para abordar problemas con variables altamente desbalanceadas, como ocurre en la socavación, donde la mayoría de las estructuras no presentan deterioro visible mientras que un número reducido concentra los casos más relevantes. El modelo combina dos algoritmos de potenciación del gradiente (Gradient Boosting): una primera etapa de clasificación que determina la probabilidad de que exista socavación y una segunda etapa de regresión que estima la severidad del fenómeno mediante un Índice de Socavación comprendido entre 0 y 100, donde 0 representa ausencia de deterioro y 100 el colapso de la estructura por socavación.
El desarrollo del modelo requirió un proceso iterativo de selección de variables, optimización de hiperparámetros y validación cruzada, reduciendo las más de 1.700 variables iniciales a un conjunto final de únicamente 30 predictores con mayor capacidad explicativa. Entre los factores más influyentes identificados por el modelo destacan las características geométricas del cauce, la anchura del río, la morfología y material del lecho, las condiciones de los márgenes, el nivel máximo alcanzado por el agua en los estribos, las precipitaciones extremas acumuladas y los caudales asociados a distintos periodos de retorno.
Los resultados obtenidos demostraron la capacidad de la analítica avanzada para complementar las metodologías convencionales de gestión de puentes. El modelo alcanzó un AUC de 0,786 para la detección de socavación y redujo en un 26,6% el error respecto a un modelo de referencia, proporcionando una estimación robusta del riesgo a escala de red. Sin embargo, el proyecto también evidenció la complejidad inherente a la modelización de fenómenos de baja ocurrencia, donde los casos positivos representan únicamente una pequeña fracción de la población total analizada y donde la propia detección del deterioro presenta limitaciones derivadas de su naturaleza oculta.
Más allá de los resultados del modelo, el trabajo permitió identificar los factores que condicionan la capacidad de anticipar procesos de socavación y puso de relieve la importancia de disponer de datos de inventario e inspección fiables, homogéneos y obtenidos mediante metodologías consistentes a lo largo del tiempo. La experiencia adquirida confirma que las técnicas de machine learning no sustituyen el conocimiento experto ni las inspecciones especializadas, sino que constituyen una herramienta complementaria que permite extraer mayor valor de la información existente, identificar patrones difíciles de detectar mediante análisis convencionales y orientar de forma más eficiente la planificación de inspecciones y actuaciones de mantenimiento.
El proyecto ha contribuido asimismo a identificar oportunidades de mejora en los procedimientos tradicionales de inspección y evaluación del deterioro, especialmente en relación con la caracterización de las condiciones hidráulicas, geomorfológicas y geotécnicas que influyen en los procesos de socavación. De este modo, los resultados obtenidos no solo proporcionan una herramienta adicional para apoyar la toma de decisiones, sino que también aportan conocimiento útil para la evolución futura de los sistemas de inspección y gestión de puentes basados en riesgo.