Resumen
La caracterización geotécnica del subsuelo enfrenta grandes desafíos debido a la escasez de datos y su fuerte autocorrelación espacial. Este trabajo presenta una metodología computacional basada en herramientas de código abierto para optimizar campañas de investigación geotécnica mediante la incorporación secuencial de sondeos.
A través del uso de modelos de aprendizaje automático (ML), se analiza cómo varía la precisión y la incertidumbre del modelo al añadir nuevos datos de campo. Se emplean métricas como accuracy, kappa, log loss e incertidumbre promedio, y se evidencia el problema de fuga de datos (data leakage) asociado al uso de validación cruzada aleatoria en contextos espaciales.
El caso de estudio, ubicado en el sur de Argentina, permite mostrar cómo identificar el punto óptimo de sondeos más allá del cual la ganancia informativa es marginal. Los resultados subrayan la necesidad de adoptar esquemas de validación espacial más estrictos para obtener modelos robustos y confiables.
Conferencista
Nicolás Ibáñez, especialista en geotecnia de SRK Argentina.
