Cómo utilizar IA para desarrollar aplicaciones de procesado de CPTu personalizadas

El ensayo CPTu (Cone Penetration Test con medida de presión intersticial) se considera una de las herramientas más utilizadas para la caracterización geotécnica del terreno. Su rapidez de ejecución, la gran cantidad de información obtenida y la posibilidad de realizar interpretaciones continuas del subsuelo lo convierten en un ensayo fundamental en numerosos proyectos de ingeniería.

Sin embargo, el verdadero valor del CPTu no reside únicamente en la adquisición de datos, sino en su procesamiento e interpretación. Es precisamente en esta etapa donde aparecen numerosos desafíos relacionados con la productividad, la estandarización y la adaptación a las necesidades específicas de cada proyecto.

La aparición de herramientas de inteligencia artificial abre una nueva vía para resolver estos problemas mediante el desarrollo de aplicaciones técnicas personalizadas capaces de automatizar gran parte del trabajo repetitivo asociado al tratamiento de datos CPTu.

1. Contexto

Un ensayo CPTu genera una gran cantidad de datos muy valiosos para la interpretación y posterior diseño durante una única penetración. Entre las variables más habituales encontramos:

• Resistencia de punta (q_c)
• Fricción lateral (f_s)
• Presión intersticial (u₂)
• Profundidad

A partir de estos datos suelen calcularse numerosos parámetros derivados, tanto desde el punto de vista de la resistencia como de la identificación geológica-geotécnica: Q_t, F_r, B_q, I_c, OCR, S_u, módulos de deformación o clasificaciones litológicas, entre otros.

Cada proyecto o estudio requiere de correlaciones diferentes, factores de seguridad específicos, criterios propios de interpretación, normativas distintas, etc. Como consecuencia, muchas organizaciones terminan desarrollando hojas de cálculo cada vez más complejas y difíciles de mantener, apareciendo con el tiempo problemas habituales: duplicación de versiones, escasa trazabilidad, dependencia de usuarios concretos, etc.

2. Situación actual

Tradicionalmente, el tratamiento de datos CPTu se ha apoyado en tres enfoques principales.

Hojas de cálculo avanzadas

El primer enfoque es el uso de hojas de cálculo avanzadas, probablemente la solución más extendida en la práctica profesional. Su principal ventaja es la flexibilidad inicial, ya que permite adaptar rápidamente los cálculos a las necesidades de cada proyecto. Sin embargo, a medida que el volumen de datos crece y los procedimientos se vuelven más complejos, aparecen limitaciones importantes relacionadas con el mantenimiento de las fórmulas, la trazabilidad de las versiones y el control de calidad de los resultados, especialmente cuando intervienen varios usuarios o versiones del mismo archivo.

Software comercial especializado

El segundo enfoque corresponde al uso de software comercial especializado en interpretación geotécnica. Estas plataformas ofrecen funcionalidades avanzadas, entornos visuales más robustos y metodologías de cálculo contrastadas, lo que las convierte en herramientas fiables para el análisis de CPTu. No obstante, presentan algunas limitaciones desde el punto de vista operativo: costes de licencia elevados, dificultad para personalizar procesos de cálculo o interpretación, dependencia del proveedor para actualizaciones o modificaciones, y una capacidad reducida para adaptarse a metodologías internas específicas de cada empresa o proyecto.

Desarrollo tradicional de software

El tercer enfoque es el desarrollo tradicional de software a medida dentro de las organizaciones, sin duda la opción menos común. Algunas empresas optan por crear sus propias aplicaciones para el procesado de datos CPTu, lo que permite un control total sobre los entregables, la interfaz y los flujos de trabajo. Sin embargo, esta opción suele implicar una inversión considerable en tiempo y recursos económicos, lo que la sitúa fuera del alcance de muchos equipos o proyectos de menor tamaño.

En este contexto, la inteligencia artificial introduce un cambio notable, al reducir de forma notable las dificultades asociadas al desarrollo de soluciones digitales.

3. Análisis técnico

La inteligencia artificial ha reducido de forma significativa la barrera de entrada para desarrollar software, permitiendo crear herramientas adaptadas a necesidades concretas sin requerir grandes conocimientos de programación. En este contexto, los modelos de lenguaje pueden generar aplicaciones web, scripts de análisis, interfaces gráficas, herramientas de visualización y sistemas automatizados de generación de informes.

Aplicado al ensayo CPTu, esto permite construir soluciones que cubren de forma integrada todo el flujo de trabajo:

• Importación de datos desde múltiples formatos habituales como CSV, XLSX, ASCII o exportaciones directas de equipos CPTu.
• Procesado automático de variables fundamentales como q_t, Q_t, F_r, B_q o I_c, aplicando metodologías geotécnicas reconocidas y garantizando consistencia en los cálculos.
• Clasificación de suelos basada en referencias como Robertson (1990), Robertson (2010) o Jefferies y Davies, integradas en un mismo entorno de análisis.
• Perfiles geotécnicos completos, con representación gráfica de la estratigrafía, parámetros resistentes y deformacionales, así como niveles freáticos.
• Exportación automática de resultados en formatos como PDF, Excel o imágenes, mejorando la estandarización y la calidad de los entregables.

4. Aplicación desarrollada

Para demostrar el potencial de este enfoque, se ha desarrollado una aplicación específica para el procesado e interpretación de datos de ensayos CPTu utilizando inteligencia artificial como herramienta de desarrollo.

La aplicación permite importar los datos directamente desde los archivos generados durante la campaña de campo en formato Excel y realizar de forma automática los cálculos necesarios para obtener los principales parámetros geotécnicos derivados del ensayo (q_t, Q_t, F_r, B_q e I_c). Además, incorpora diferentes metodologías de clasificación de suelos basadas en referencias ampliamente utilizadas en la práctica profesional, como pueden ser los diagramas de Robertson.

A partir de la información procesada, la herramienta genera perfiles geotécnicos y representaciones gráficas de los parámetros medidos y calculados, que facilitan la interpretación del terreno y la identificación de las distintas unidades estratigráficas. Todo ello se presenta a través de una interfaz sencilla e intuitiva, con la opción de exportar los resultados en formato PDF y XLSX.

Uno de los aspectos más interesantes es la posibilidad de adaptar fácilmente la aplicación a nuevas necesidades. La incorporación de correlaciones adicionales, nuevos criterios de interpretación, parámetros geotécnicos específicos o cambios en la presentación de resultados puede realizarse sin necesidad de desarrollar una nueva herramienta desde cero e invirtiendo un tiempo ínfimo. Algunas de estas posibles mejoras pueden ser el cálculo de capacidad portante de pilotes y de asentamiento del terreno mediante los datos y correlaciones del ensayo CPTu.

Este ejemplo demuestra cómo la inteligencia artificial permite a los propios ingenieros crear aplicaciones técnicas flexibles y evolutivas que respondan a necesidades reales.