Evaluación comparativa de modelos de Machine Learning (XGBoost, AdaBoost, Random Forest, Decision Tree) para la estimación de la capacidad de carga axial de pilotes en proyectos peruanos a partir de ensayos PDA

Abstract

El presente trabajo tiene como propósito evaluar y comparar el desempeño de cuatro algoritmos de Machine Learning XGBoost, AdaBoost, Random Forest y Decision Tree en la estimación de la capacidad de carga axial de pilotes, utilizando como referencia los resultados obtenidos mediante ensayos de carga dinámica (PDA) en proyectos realizados en el Perú. La investigación parte del problema de la baja precisión de los métodos analíticos tradicionales empleados en geotecnia, los cuales suelen sobrestimar la capacidad portante debido a la complejidad y variabilidad del subsuelo peruano. Para superar esta limitación, se implementó un enfoque cuantitativo basado en datos geotécnicos y geométricos de 94 pilotes hincados obtenidos de diversos proyectos nacionales, complementados con un conjunto de datos internacional que permitió fortalecer la validación de la metodología. Los modelos fueron entrenados y evaluados mediante métricas estadísticas comunes en regresión (R², RMSE y MAE), utilizando técnicas de validación cruzada y ajuste de hiperparámetros para asegurar resultados consistentes. Los resultados demostraron que el algoritmo de tipo boosting (AdaBoost) presentó el mejor desempeño predictivo, alcanzando coeficientes de determinación superiores a 0.90 y los menores errores promedio entre todos los modelos evaluados. En conclusión, el estudio confirma que la aplicación de algoritmos de inteligencia artificial puede mejorar notablemente la precisión en la estimación de la capacidad de carga axial de pilotes, ofreciendo una herramienta moderna, eficiente y adaptable a las condiciones geotécnicas del país

The purpose of this study is to evaluate and compare the performance of four Machine Learning algorithms—XGBoost, AdaBoost, Random Forest, and Decision Tree—in estimating the axial load capacity of piles, using as reference the results obtained from dynamic load tests (PDA) conducted in projects developed in Peru. The research stems from the issue of the low precision of traditional analytical methods used in geotechnical engineering, which often overestimate the bearing capacity due to the complexity and variability of Peruvian subsoil conditions. To overcome this limitation, a quantitative approach was implemented based on geotechnical and geometric data from 94 driven piles collected from various national projects, complemented by an international dataset that strengthened the validation of the methodology. The models were trained and evaluated using common regression metrics (R², RMSE, and MAE), along with cross-validation techniques and hyperparameter tuning to ensure consistent results. The findings showed that the boosting-based algorithm AdaBoost achieved the best predictive performance, recording coefficients of determination above 0.90 and the lowest average errors among all evaluated models. In conclusion, the study confirms that the application of artificial intelligence algorithms can significantly improve the accuracy of axial load capacity estimation in piles, providing a modern, efficient, and adaptable tool for the geotechnical conditions of the country