Modelos Predictivos para Penetración de TBM

La perforación mecanizada de túneles mediante Tunnel Boring Machines (TBM) es una de las metodologías más avanzadas y eficientes en la ingeniería geotécnica moderna. La capacidad de predecir la tasa de penetración (PR) de estas máquinas representa un aspecto fundamental para la planificación, gestión de riesgos y optimización de la producción en obras subterráneas. En este contexto, los modelos predictivos, alimentados por datos en tiempo real y algoritmos de machine learning, han transformado la manera en que se analizan y controlan los procesos de excavación.

Fundamentos técnicos de la tasa de penetración

La PR se define como la cantidad de avance de la TBM por unidad de tiempo, generalmente expresada en metros por hora. Este parámetro es afectado por múltiples factores, incluyendo:

• Propiedades del terreno: resistencia a la compresión simple (UCS), abrasividad, cohesión, presencia de agua, estructura geológica.

• Parámetros operacionales: empuje, torque, revoluciones del cabezal, presión en la cámara, velocidad de avance.

• Condiciones externas: variabilidad estratigráfica, interferencias estructurales y presencia de obstáculos.
  

El desafío principal es que muchos de estos factores presentan una interacción no lineal y su comportamiento cambia a lo largo del trazado del túnel.

Limitaciones de los modelos tradicionales

Los métodos clásicos, como el método de Graham, el modelo NTNU o las correlaciones empíricas desarrolladas por la industria, ofrecen una primera aproximación, pero son estáticos y no se ajustan en tiempo real. Su principal debilidad es que su precisión depende de la calidad y representatividad de la información previa a la excavación, lo que puede ser muy limitado en proyectos urbanos o en condiciones geológicas complejas.

Modelos predictivos basados en datos

La revolución digital permite integrar información en tiempo real directamente desde los sensores de la TBM. Variables como torque, empuje, tasa de penetración, revoluciones del cabezal y presión del escudo son registradas continuamente. Estos datos, combinados con la caracterización geotécnica (boreholes, ensayos in-situ, laboratorio), permiten alimentar modelos de machine learning que identifican patrones de comportamiento y predicen la PR en función del entorno geotécnico.

Las técnicas más utilizadas incluyen regresiones multivariantes, redes neuronales artificiales, árboles de decisión y modelos híbridos que combinan reglas físicas con ajuste estadístico. Estos modelos ofrecen ventajas claras frente a enfoques deterministas, ya que se adaptan automáticamente al comportamiento real observado y permiten actualizaciones dinámicas.

Beneficios para la operación

• Predicción precisa del rendimiento de la máquina en cada tramo geológico

• Mejora en la toma de decisiones de avance y cambios de parámetros operativos

• Detección de anomalías geológicas antes de que generen incidencias

• Planificación logística y de mantenimiento más precisa

• Integración con modelos numéricos para recalibración de parámetros del terreno
  

DAARWIN: Inteligencia aplicada a la excavación

La plataforma DAARWIN integra los datos operacionales de la TBM con modelos predictivos entrenados en base a machine learning. A través de una interfaz intuitiva en la nube, el equipo técnico puede visualizar la evolución de la PR, comparar la predicción con los valores reales y ajustar en tiempo real las estrategias de avance.

Una funcionalidad diferenciadora es la recalibración automática de los parámetros del modelo de penetración en cada anillo, integrando también el backanalysis geotécnico. Así, DAARWIN convierte el proceso de excavación en un entorno dinámico y adaptable, alineado con los principios del Observational Method.

Además, DAARWIN permite realizar análisis retrospectivos para identificar zonas con comportamiento anómalo, entender sus causas y optimizar futuras estrategias de diseño y construcción en proyectos similares.

La aplicación de modelos predictivos para la penetración de TBM representa una evolución hacia la toma de decisiones basada en datos. Herramientas como DAARWIN demuestran que la digitalización no solo mejora la eficiencia operativa, sino que también aporta seguridad, control y capacidad de adaptación a las condiciones reales del terreno. Esta nueva forma de entender la tunelación permite a los ingenieros anticiparse, optimizar recursos y construir con mayor confianza.

👉 ¿Quieres saber cómo puedes aplicar esto en tu próximo proyecto? Descubre más sobre la gestión de datos de TBM con DAARWIN.