Predicción de alertas de falla para planes de monitoreo geotécnico aplicando el método del inverso de la velocidad acoplado con algoritmos de aprendizaje supervisado

Abstract

Se realizó un modelo para predicción de niveles de alerta para fallas de geomateriales utilizando el método del Inverso de la Velocidad del desplazamiento en conjunto con métodos de aprendizaje de máquinas de tipo supervisado, que puede ser utilizado en planes de monitoreo geotécnico continuo. Para el modelo se propuso el uso de Máquinas de Soporte Vectorial (SVM), y Árboles de Decisión como métodos de aprendizaje de máquinas a evaluar, obteniendo resultados de desempeño con la matriz de confusión cercanos a 0,6 en el primero y de 0,98 con el segundo. En ambos casos el entrenamiento del modelo se ejecutó con datos sintéticos y la evaluación se efectuó empleando datos de casos reales donde ocurrió una falla del geomaterial monitoreado. El modelo demuestra la idoneidad de la utilización de datos sintéticos para su entrenamiento, especialmente para el modelo implementado con árboles de decisión. No obstante, es clara la dependencia del modelo a datos de instrumentación geotécnica de tipo automatizada para la aplicación del plan de monitoreo continuo. Esto para poder contar con un sistema de predicción en tiempo cuasi real, además de que se hace incuestionable que se obtiene un mejor desempeño cuando se cuentan con volúmenes de información superiores a 8 datos por hora, asimismo para la metodología desarrollada es imprescindible contar con un registro de datos con un espaciado de tiempo constante. (texto tomado de la fuente)

A model is made to predict alert levels for geomaterial failures using the inverse velocity method with supervised machine learning, which can be used in continuous geotechnical monitoring plans. For the model, it proposes the use of Support Vector Machines (SVM), and Decision Trees as machine learning methodologies to be evaluated, obtaining performance results with the confusion matrix close to 0.6 in the first and 0.98 with the second. In both cases, the model training was executed with theoretical data and the evaluation was performed using data from real cases where a failure of the monitored geomaterial occurred. The model demonstrates the suitability of using theoretical data for model training, especially for the methodology implemented with decision trees. However, the dependence of the model on automated geotechnical instrumentation data for the application of the continuous monitoring plan is evident, thus to have a prediction system in quasi real time. In addition, it is unquestionable to the developed methodology that better performance is XII Predicción de alertas de falla para planes de monitoreo geotécnico obtained when there are volumes of information greater than 8 data per hour. Plus, it is essential to have a data recording with a constant time interval.