Publicación en la revista Water sobre análisis de datos e IA
El artículo “Greedy Weighted Stacking of Machine Learning Models for Optimizing Dam Deformation Prediction”, cuya autora es Patricia Alocén Humanes, científica de datos en ACIS2in, ha sido publicado en versión open Access en la prestigiosa revista Water.
El control de la seguridad de las presas es fundamental debido a sus implicaciones sociales, ambientales y económicas. Aunque actualmente sigue siendo más común el empleo de enfoques estadísticos convencionales para la vigilancia, los avances tecnológicos, particularmente en el campo de la Inteligencia Artificial (IA) y, en particular, en el Aprendizaje Automático (ML), vienen demostrando su capacidad de mejorar las capacidades predictivas y, por lo tanto, su gran potencial para mejorar la vigilancia del comportamiento de las presas a partir de sus datos de auscultación.
El artículo expone la investigación realizada en la aplicación de algoritmos de ML, incluidos Boosted Regresion Trees(BRT), Random Forest (RF) y Redes Neuronales (NN), centrándonos en su combinación mediante técnicas de Stacking para mejorar la precisión de la predicción sobre la deformación de presas de hormigón utilizando datos de desplazamiento radial de tres presas.
La metodología implica entrenar modelos de primer nivel (expertos) usando esos algoritmos, y un metaaprendiz de segundo nivel que combina sus predicciones usando tres diferentes métodos; un modelo BRT, un Modelo Lineal (LM) y el Greedy Weighted Algorithm (GWA).
Un análisis comparativo demuestra la superioridad del Stacking sobre los métodos tradicionales. El GWA se erigió como el metaaprendiz más adecuado, mejorando al experto óptimo en todos los casos, con tasas de mejora que alcanzaron hasta el 16,12% sobre el experto óptimo.
Nuestro estudio aborda preguntas críticas sobre la ponderación de expertos mediante GWA y su impacto en la precisión de la predicción. Los resultados indican que la combinación de modelos expertos precisos mediante GWA mejora la confiabilidad del modelo al reducir la dispersión de errores, sugiriendo que la metodología propuesta avanza significativamente en las aplicaciones de IA en el control de infraestructuras y, en particular, en el control de la seguridad de las presas.