Cómo el aprendizaje automático mejora los cálculos de volumen de movimiento de tierras a partir de datos topográficos
Los cálculos de volumen de movimiento de tierras tienen un secreto a voces: los métodos estándar que la mayoría de los contratistas utilizan, el promedio por cuadrícula y el análisis por secciones transversales, producen habitualmente estimaciones que se desvían entre un 10 y un 15% de los volúmenes realmente movidos. En un paquete de obra civil de $2 millones, eso representa entre $200,000 y $300,000 de exposición potencial. Los enfoques de aprendizaje automático están reduciendo esa brecha considerablemente.
Por qué los métodos tradicionales fallan
El método de cuadrícula divide un terreno en cuadrados, calcula la profundidad promedio de corte o relleno para cada cuadrado y suma los volúmenes. El problema es que suaviza las irregularidades del terreno entre los puntos de la cuadrícula. Un barranco de 1.8 metros de profundidad que cruza diagonalmente un cuadrado de la cuadrícula se promedia como una pendiente suave. El método de secciones transversales es mejor para capturar elementos lineales, pero aún interpola entre secciones, típicamente espaciadas entre 7.5 y 15 metros.
Ambos métodos también tienen dificultades con los límites irregulares del terreno, las instalaciones subterráneas existentes que restringen la nivelación y las transiciones entre zonas de corte y relleno donde la línea de equilibrio se desplaza. Un superintendente de obra experimentado sabe que estas son las áreas donde las estimaciones de movimiento de tierras se desvían, pero las matemáticas detrás de los métodos tradicionales de medición las tratan igual que cualquier otra zona del terreno.
Qué hace diferente el aprendizaje automático
Las herramientas de movimiento de tierras basadas en ML ingieren la nube de puntos completa de levantamientos con drones o escaneos LiDAR, a veces millones de puntos de datos por acre. En lugar de reducir esto a una cuadrícula o un conjunto de secciones transversales, construyen un modelo de superficie continuo y calculan los volúmenes contra la superficie de diseño a una resolución mucho mayor.
Más importante aún, los modelos de ML entrenados con proyectos completados aprenden los patrones que afectan los volúmenes reales frente a los estimados. El tipo de suelo afecta los factores de esponjamiento y contracción. La inclinación de la pendiente afecta cuánto sobre-corte ocurre durante la nivelación. La proximidad a estructuras existentes limita el acceso de equipos y cambia cómo se mueve realmente el material. Los modelos incorporan estos factores automáticamente una vez entrenados con suficientes datos de proyectos.
Un programa piloto del DOT de Colorado probó los cálculos de volumen basados en ML contra los métodos tradicionales en 8 proyectos de carreteras con volúmenes reales conocidos. El método tradicional de secciones transversales promedió una desviación del 11.3% respecto a los valores reales. El enfoque de ML promedió una desviación del 3.7%. En el proyecto más grande, una ampliación de carretera de 6.4 kilómetros, la estimación de ML estuvo dentro del 2.1% del volumen final medido.
El flujo de datos que lo hace funcionar
La mejora en la precisión depende en gran medida de la calidad de los datos de entrada. Los levantamientos con drones realizados a 60 metros de altura con un 75% de superposición producen nubes de puntos con una precisión de 2 a 3 cm, lo cual es suficiente para la mayoría de los movimientos de tierras comerciales. Los puntos de control en tierra importan enormemente. Los proyectos que utilizaron 4 o más GCPs por cada 4 hectáreas lograron una precisión de ML dentro del 3%. Los proyectos que omitieron los GCPs o usaron menos de los recomendados vieron caer la precisión al 7 u 8%, lo cual es apenas mejor que los métodos tradicionales.
El flujo desde el levantamiento hasta la estimación típicamente funciona así: el vuelo del dron captura las condiciones existentes, el software de fotogrametría genera la nube de puntos, el software de ML importa la nube de puntos junto con la superficie de diseño de los planos de ingeniería civil, y el cálculo de volumen se ejecuta en minutos en lugar de horas.
Un subcontratista de movimiento de tierras en Dallas documentó su transición. Antes de las herramientas de ML, su estimador dedicaba de 12 a 16 horas a los cálculos de volumen para un terreno comercial típico de 8 hectáreas. Con el flujo de ML, el vuelo del dron toma 45 minutos, el procesamiento toma 2 horas mayormente desatendidas, y el estimador dedica 2 horas a revisar y ajustar los resultados. El tiempo total del estimador se redujo de 14 horas a aproximadamente 3 horas, y la precisión mejoró de su promedio histórico de 9% de desviación a 4% de desviación.
Manejo de situaciones complicadas
Las instalaciones subterráneas existentes siguen siendo un desafío. Los modelos de ML pueden tener en cuenta los corredores de servicios si las ubicaciones son conocidas y se proporcionan como restricciones, pero las instalaciones desconocidas siguen siendo un riesgo que ninguna tecnología resuelve completamente. Sin embargo, las herramientas de ML manejan algunas situaciones mejor que los métodos tradicionales. Los terrenos con roca significativa que requiere diferentes métodos de remoción pueden modelarse con datos del subsuelo provenientes de sondeos geotécnicos, y el ML puede estimar los volúmenes de roca frente a suelo por separado basándose en patrones de interpolación aprendidos de condiciones geológicas similares.
El movimiento de tierras por fases, donde la nivelación ocurre en etapas con almacenamiento temporal entre fases, es otra área donde el ML mejora la precisión. Los modelos pueden rastrear superficies intermedias entre fases y tener en cuenta la remanipulación, la compactación y la degradación del material del suelo almacenado. Los métodos tradicionales generalmente solo calculan el volumen bruto y aplican un único factor de ajuste, lo cual tiende a subestimar las horas totales de equipo.
Integración con la preparación de ofertas
Los números de volumen alimentan directamente la preparación de ofertas, y aquí es donde la precisión mejorada multiplica su valor. Estimaciones de volumen más ajustadas significan cálculos de acarreo más precisos, proyecciones de horas de equipo más exactas y mejores estimaciones de costos de combustible. Un contratista general que utiliza herramientas de análisis de construcción impulsadas por IA reportó que sus ofertas de movimiento de tierras se volvieron un 6% más competitivas en promedio mientras mantenían su margen objetivo, simplemente porque estaban ofertando números más ajustados con mayor confianza.
La asignación de flota es particularmente valiosa. Las estimaciones tradicionales llevan a una planificación conservadora de equipos porque la incertidumbre es alta. Con volúmenes derivados de ML desglosados por zona, tipo de suelo y distancia de acarreo, los contratistas pueden planificar los despliegues de equipos con menos margen de seguridad, lo que reduce directamente los costos de movilización.
Limitaciones prácticas
Las herramientas de ML para movimiento de tierras no son una solución completa para todas las situaciones. Requieren buenos datos topográficos, lo que significa invertir en capacidades de drones o subcontratistas de topografía. Funcionan mejor en proyectos con terrenos relativamente abiertos donde el acceso de drones es sencillo. Los proyectos de relleno urbano denso con acceso aéreo limitado e infraestructura existente significativa aún se benefician más de los métodos tradicionales de levantamiento y estimación.
Los modelos también necesitan calibración según las condiciones locales. Un modelo entrenado principalmente con suelos arcillosos en Texas no producirá la misma precisión en granito descompuesto en Arizona sin reentrenamiento. Los contratistas que adopten estas herramientas deben planificar un período de calibración de 5 a 10 proyectos antes de que los números de precisión se estabilicen en sus mejores niveles.
Sin embargo, lo que los datos muestran consistentemente es que incluso durante el período de calibración, las estimaciones basadas en ML superan a los métodos tradicionales de cuadrícula y secciones transversales. El piso de precisión del ML es aproximadamente equivalente al techo de los métodos tradicionales, lo cual representa un cambio significativo para una industria donde los sobrecostos en movimiento de tierras son uno de los cinco principales riesgos presupuestarios en cualquier proyecto de desarrollo de terrenos.