Investigadores de la Universidad de Los Andes utilizaron herramientas de ‘Machine Learning’ para estudiar la vulnerabilidad de esta carretera. El método que emplearon es aplicable a otros tipos de desastres naturales, en cualquier parte del mundo.
El kilómetro 58 de la vía al Llano, cerca del municipio de Guayabetal (Meta), es la zona más susceptible a los deslizamientos en este importante corredor vial, que conecta a Bogotá con el oriente del país y por el que cada día son transportados cientos de toneladas de mercancías vitales para el desarrollo económico del país.
Esta es una de las principales conclusiones de una investigación recientemente publicada en ‘Natural Hazards’, una reconocida revista científica dedicada a estudios relacionados con los riesgos y amenazas de origen natural. El primer autor es Wilmar Calderón, miembro de los departamentos de Geociencias e Ingeniería Civil de la Universidad de los Andes, y, junto con él, firman, los investigadores Mauricio Sánchez y Daniel Villarraga, de Ingeniería Civil, y Bogdan Nitescu, de Geociencias.
De acuerdo con el científico Calderón, la intención de su estudio era evaluar, mediante diferentes tipos de análisis, la susceptibilidad a los deslizamientos de la vía al Llano para, de esta manera, encontrar la mejor metodología que permitiera hacer evaluaciones para este tipo de fenómenos y que fuese aplicable en otras carreteras colombianas y del mundo.
A diferencia de otros estudios, dice el experto, esta investigación les permitió ir más allá de solamente concluir cuáles son las causales de los deslizamientos, sino que con ella pudieron cuantificar la probabilidad de falla en toda el área de estudio, en pequeñas secciones de 12,5m x 12,5m.
Fue así como delimitaron las áreas con probabilidades de ocurrencia muy alta, para obtener nuevas zonas de estudio más pequeñas y con estudios más detallados, de tal manera que pudieron enfocar los esfuerzos de la protección de infraestructura allí y no en grandes secciones, reduciendo los costos de exploraciones y estudios geotécnicos.
“Estudiamos un área de más de 4.000 km cuadrados, que es similar a la superficie de un departamento como Risaralda, enfocándonos en la vía al Llano. Encontramos que la zona más susceptible a deslizamientos es la cercana al kilómetro 58, próxima a Guayabetal, situación que es ocasionada por la confluencia de factores como fallas geológicas, el Río Guayuriba y la carretera. Estas circunstancias fueron factores condicionantes, por ejemplo, del deslizamiento que cerró la vía por casi seis meses en 2019”, asegura Calderón.
La vía estudiada hace parte de los proyectos de concesiones de primera generación, de 1994, y conecta a Bogotá y Villavicencio a lo largo de un trazado de 86 kilómetros. Esta carretera atraviesa la cordillera oriental de Colombia y conecta a los llanos orientales con la sabana de Bogotá en aproximadamente dos horas.
“La zona de estudio se caracteriza por su relieve montañoso, con rocas de tipo sedimentario, como lo conocemos los geólogos, y por una actividad sísmica relacionada con sistemas de fallas geológicas ubicadas en la parte oriental de la cordillera. También, esta zona es conocida por ser muy lluviosa, lo que causa que, junto a la actividad sísmica y el tipo de rocas de la zona, los movimientos de masa sean muy comunes”, afirma Calderón.
Según los investigadores, los deslizamientos son recurrentes en zonas montañosas. Sin embargo, dicen, en el contexto de la vía al Llano la ocurrencia de este fenómeno cobra una mayor relevancia, debido al impacto en el transporte.
“Para dar una Magnitud de estos impactos, en 2018 se registraron más de 188 deslizamientos con un costo de más de $950 millones al día. Se estima que, en los cierres de la vía en junio de 2019, las pérdidas económicas superaban los dos billones de pesos”, asegura Calderón.
“En general, las regiones más susceptibles a deslizamientos en la carretera van a ser las más cercanas a los ríos y al piedemonte llanero, porque son las zonas más lluviosas; también tienen mayor riesgo los costados de los valles de los ríos, que es donde se acumula más agua. Esto se debe a que, cuando el agua penetra en las rocas sedimentarias (como las de la zona de estudio), y especialmente aquellas con un alto contenido de arcillas, la resistencia de estas rocas se reduzca notablemente, causando la falla del suelo y el posterior deslizamiento”, advierte el experto.
‘Machine Learning’ para la prevención
Para su investigación, los autores utilizaron metodologías de analítica de datos y modelos de predicción con la intención de hacer pronósticos basados en una colección de información histórica; para ello, iniciaron recolectando datos, de múltiples fuentes, sobre características geológicas, topografía, usos de suelos y ubicación de las carreteras. Posteriormente, usaron imágenes satelitales para identificar zonas en las que han ocurrido deslizamientos, y otras en las que no.
De esta manera, obtuvieron una muestra que equivale a un pequeño porcentaje del área total de estudio, de la cual conocen los registros históricos; estos fueron usados para predecir la ocurrencia en otras zonas en las que no conocían si un deslizamiento puede o no ocurrir.
“Este conjunto de zonas lo usamos para que un algoritmo de aprendizaje de máquina (Machine Learning) extrajera patrones muy difíciles de ver para nosotros los humanos, y, con base en esta identificación, saber las otras zonas en las que pudiesen ocurrir deslizamientos”, asevera Calderón.
Los autores concluyen que gracias al estudio pueden mostrar la gran escalabilidad y precisión de los algoritmos de Machine Learning para estudiar la ocurrencia de eventos como deslizamientos, así como de otros tipos de desastres naturales, como las inundaciones.
Uno de los principales aportes del estudio es que, gracias a su metodología, se pueden hacer estudios para detallar áreas del tamaño de departamentos o, incluso, países, que sirvan como primer paso para la caracterización de la amenaza por deslizamientos y otros fenómenos, aun si la información es limitada. Así se pueden establecer las mejores estrategias de intervención (o no intervención) que le favorezcan más a una región.
“El uso de analítica de datos e inteligencia artificial es el futuro para modelar problemas de gran complejidad y que no se pueden modelar utilizando herramientas tradicionales debido a las limitaciones computacionales. Es un cambio de enfoque que pasa del comportamiento mecánico al análisis estadístico y la interpretación de datos”, concluyó el coautor del estudio Mauricio Sánchez Silva, profesor de la Facultad de Ingeniería de los Andes