Aplicación de algoritmos de redes neuronales para la modelación eficiente de problemas de interacción suelo-estructura

Abstract

La interacción suelo-estructura (SSI) representa un fenómeno complejo y fundamental en el análisis estructural sísmico, cuya representación precisa mediante modelos numéricos de alta fidelidad demanda elevados recursos computacionales. Estas limitaciones dificultan su incorporación en simulaciones rutinarias y en estudios paramétricos extensos. En respuesta a esta problemática, la presente investigación propone el uso de redes neuronales profundas, específicamente arquitecturas Long Short-Term Memory (LSTM), para desarrollar un modelo de orden reducido capaz de aproximar el comportamiento dinámico del suelo en sistemas sometidos a excitación sísmica. El enfoque metodológico se basa en la generación de un conjunto de datos a partir de simulaciones numéricas en OpenSees, considerando múltiples registros sísmicos. Sobre esta base, se implementa un esquema Teacher–Student, donde un modelo LSTM de alta capacidad (Teacher) aprende la respuesta completa del sistema, mientras que un modelo reducido (Student) busca replicar dicho comportamiento utilizando un conjunto limitado de variables de entrada. Los resultados muestran que el modelo Teacher logra una alta fidelidad en la predicción de variables clave, mientras que el modelo Student mantiene un desempeño aceptable en ciertas variables, particularmente la aceleración basal, aunque presenta degradaciones en variables más dependientes de estados internos, evidenciando efectos de propagación de error. En conjunto, el enfoque propuesto permite reducir significativamente el costo computacional del análisis, manteniendo una representación adecuada de la respuesta dinámica, lo que posiciona a los modelos basados en aprendizaje profundo como una alternativa prometedora para la simulación eficiente de problemas de interacción suelo-estructura. Soil–structure interaction (SSI) is a complex and fundamental phenomenon in seismic structural analysis, whose accurate representation through numerical models requires significant computational resources. These limitations hinder its incorporation into routine simulations and large-scale parametric studies. In response to this challenge, this research proposes the use of deep learning techniques, specifically Long Short-Term Memory (LSTM) neural networks, to develop a reduced-order model capable of replicating the dynamic behavior of soil in structures subjected to seismic loading. The methodological approach consists of generating a dataset from high-fidelity numerical simulations performed in OpenSees, considering multiple seismic records to capture a wide range of dynamic responses. This dataset is used to train a Teacher–Student framework, where a high-capacity LSTM model (Teacher) learns the full soil–structure response, and a reduced model (Student) aims to approximate this behavior using a limited set of input variables. The results demonstrate that the Teacher model achieves high accuracy across all response variables, while the Student model maintains acceptable performance for certain variables, particularly base acceleration. However, its performance degrades for variables that depend on intermediate states, highlighting the impact of error propagation in reduced-order models. Overall, the proposed approach shows significant potential for reducing computational costs while preserving essential dynamic characteristics, enabling more efficient analyses in seismic engineering applications.