Aprendizaje automático y modelos en ingeniería hidroambiental
Aprendizaje automático en ingeniería civil
Investigador principal
Fernando Salazar
Visión general
Investigación
Miembros
Proyectos
Publicaciones
Este grupo desarrolla herramientas basadas en ML para resolver problemas complejos de ingeniería en los campos hidráulico, geomecánico y medioambiental, combinando datos de sensores, modelización numérica y soluciones prácticas de software para el análisis predictivo y el apoyo a la toma de decisiones.
El Grupo de Investigación de Aprendizaje Automático en Ingeniería Civil del CIMNE se centra en resolver problemas complejos de ingeniería integrando técnicas de aprendizaje automático (AM) con datos procedentes de sensores, simulaciones numéricas y modelización física.
El grupo tiene una amplia experiencia en la aplicación de métodos de ML a infraestructuras hidráulicas, como presas, aliviaderos y sistemas de abastecimiento de agua, con un sólido historial en la supervisión del estado estructural, la detección de anomalías y el mantenimiento predictivo.
Más allá de la hidráulica, el grupo también explora aplicaciones en geomecánica, control medioambiental y procesos industriales. Las actividades de investigación abarcan todo el aliento del ML, desde el preprocesamiento de datos y el desarrollo de algoritmos hasta la cuantificación de la incertidumbre y la interpretabilidad.
Las técnicas incluyen modelos de conjunto, aprendizaje profundo y estrategias híbridas que combinan ML con modelos numéricos como CFD y DEM. El grupo mantiene una fuerte orientación práctica, desarrollando soluciones de software personalizadas con interfaces de usuario para su despliegue en el mundo real, y expandiéndose a áreas como la predicción de la calidad del agua y la desinfección de aguas residuales.
Areas de investigación
Actividades de investigación con técnicas de aprendizaje automático
Aprendizaje automático para predecir el comportamiento de las presas
Desarrollo de metodologías y software para el análisis de datos de monitorización de presas, incluida la generación de modelos predictivos ML y su interpretación, con el objetivo final de apoyar la toma de decisiones en materia de seguridad de presas. Relacionado con: Proyecto DOLMEN.
Software para la evaluación de la seguridad de presas mediante ML: capturas de pantalla de la aplicación SOLDIER . Repo de GitHub.
Aprendizaje automático avanzado para la detección y localización de anomalías
Exploramos las posibilidades del Aprendizaje Profundo y otros algoritmos avanzados de ML, como los Autoencoders, para curar los datos de monitorización, detectar anomalías y localizar posibles daños estructurales.
Estructura del autocodificador (izquierda) y detección de datos de vigilancia anómalos (derecha). Source: https://doi.org/10.1007/s13349-025-00910-4.
Nuevas herramientas computacionales para la evaluación de la seguridad de las presas basada en la fiabilidad
Uso de modelos ML como apoyo al análisis MEF para predecir la respuesta de las presas, incluyendo el análisis de incertidumbre y riesgo. Relacionado con: Proyecto TRISTAN
Detección de anomalías en presas: ejemplo de red de vigilancia (izquierda) y modelo numérico para simular sucesos anómalos (derecha). Source: https://doi.org/10.3390/w13172387
Análisis de estructuras hidráulicas
Análisis del comportamiento hidráulico de aliviaderos y desagües de fondo de presas combinando métodos numéricos (PFEM, superficie libre) y técnicas ML.
Rendimiento hidráulico del aliviadero: ejemplo de geometría (izquierda) y relación entre valores observados y predichos a partir de modelos ML de capacidad de descarga. Source: https://doi.org/10.3390/w11030544
Optimización inteligente de los procesos industriales
Soporte y optimización de procesos de diseño de deformación metálica rotacional. Uso de un marco de Gemelos Digitales basado en el MEF combinado con técnicas de clasificación ML. Relacionado con: Proyecto OPTIPRO
Análisis de procesos de conformado de metales: equipo industrial (izquierda) e interfaz gráfica de usuario para la parametrización del proceso (derecha)
Calidad del agua y técnicas de tratamiento del agua
Aplicación de modelos ML para la predicción del estado de la calidad del agua en masas de agua y la evaluación de tratamientos avanzados de eliminación de contaminantes del agua. Relacionado con: Proyecto DIGIT4WATER
Predicción de tratamientos avanzados de aguas residuales con técnicas de ML. Más información: https://doi.org/10.1016/j.jenvman.2024.123537
Previsión de la calidad del aire
Predicción basada en ML de la concentración de O3 troposférico en la plataforma PIKSEL.
Identificación de riesgos por rotura de presas con sustitutos ML
Estimación automática de los daños potenciales en caso de fallo de los embalses fuera del cauce. Relacionado con: Proyecto ACROPOLIS.
Capturas de pantalla del software ACROPOLIS. Disponible en GitHub.
Calibración de modelos numéricos con ML
Calibración de los parámetros DEM del comportamiento de la arcilla: modelo numérico para simular las pruebas de comportamiento de la arcilla (izquierda), y análisis de calibración mediante ML (centro y derecha). Source: https://doi.org/10.1007/s40571-022-00550-1
Actividades de investigación con métodos numéricos
Comportamiento termomecánico de las presas de hormigón
Simulación del comportamiento de presas de hormigón durante las fases de construcción y explotación integrando cargas termomecánicas de alto detalle. Relacionado con: Proyecto ACOMBO; Aplicación informática «DamApplication» (integrada en el marco Kratos).
Modelización de presas de hormigón: simulación de la fase de construcción (izquierda), campo de desplazamientos (centro) y campo de tensiones (derecha). Source: https://doi.org/10.1007/s11831-020-09439-9
Diseño de aliviaderos de bloques en forma de cuña
Simulación CFD mediante modelización MEF euleriana y simulación de estabilidad de bloques mediante modelización DEM. Relacionado con: Proyecto PABLO.
Simulación de aliviaderos de bloques en forma de cuña: análisis hidráulico (izquierda), diseño de bloques (centro) y análisis de estabilidad de bloques (derecha)
Diseño industrial de compuertas fusibles de presas
Simulaciones de interacción fluido-sólido mediante modelización PFEM+DEM para calcular los siguientes procesos: flujo de descarga para diferentes posiciones de la compuerta, velocidad de caída de la compuerta y fuerza de impacto compuerta-pared. Relacionado con: Proyecto COFRE.
Simulación de puertas fusibles: diseño de la geometría (izquierda), simulación 2D de la interacción fluido-sólido (centro) y simulación 3D (derecha)
Análisis CFD de estructuras hidráulicas: aliviaderos altamente convergentes, cuencas amortiguadoras y modelización de sistemas de drenaje
Simulación de fenómenos hidráulicos complejos en 3D, mediante modelos FEM y PFEM, como la posición de la superficie libre del salto hidráulico, los campos de presión y velocidad y la identificación de zonas con riesgo de erosión.
Análisis CFD de estructuras hidráulicas: aliviaderos altamente convergentes (izquierda) y simulación de cuencos amortiguadores (derecha)
Análisis del comportamiento del balasto ferroviario con el Método de los Elementos Discretos (DEM)
Simulación de infraestructuras ferroviarias frente a las acciones del cambio climático y evaluación de la respuesta del balasto ferroviario mediante un modelo DEM. Relacionado con: Proyecto RESILTRACK.
Simulación de infraestructuras ferroviarias: simulación del comportamiento del balasto (izquierda), análisis de calibración (centro) y simulación de infraestructuras ferroviarias (derecha)
Modelización numérica de Redes de Distribución de Agua (RDA)
Desarrollo de modelos numéricos para la simulación de fugas mediante solucionadores avanzados basados en la presión. Relacionado con: Proyecto SMILER.
Esquema metodológico de utilidad numérica avanzada para simular casos masivos de escenarios de fugas en las RDAs
Enfoques híbridos
Predicción flexible y precisa del comportamiento de las presas
Enfoques inteligentes para aumentar la flexibilidad y precisión de la predicción del comportamiento de las presas combinando resultados de métodos numéricos y modelos ML mediante datos de monitorización. Relacionado con: proyecto DOLMEN.
Predicción del desplazamiento de presas de arco con enfoques híbridos.
Predicción del caudal a corto plazo con modelos híbridos
Metodologías para combinar los resultados de los modelos numéricos 2D (basados en el software IBER) con modelos basados en ML que tengan en cuenta las precipitaciones y los valores pasados del caudal para obtener predicciones precisas y rápidas con 3 horas de antelación del caudal en caso de inundación.
Hidrograma observado frente a predicciones con enfoques híbridos. Source: https://doi.org/10.1080/02626667.2024.2426720
Proyectos en curso
Proyectos finalizados
Búsqueda
Noticias relacionadas
CIMNE experts use Machine Learning to streamline reservoir risk assessment
Researchers at CIMNE's Machine Learning in Civil Engineering Research Group and the Flumen Institute have developed a new machine-learning based tool to classify off-stream reservoirs based on their potential risk of rupture. The work, carried out as part of the...
CIMNE’s new machine learning-based software improves dam structural safety
Researchers from the Machine Learning in Civil Engineering group at CIMNE have developed a new machine-learning based software to predict structural behaviour of dams, allowing for enhanced decision-making and minimizing safety risks of these critical infrastructures....