@mastersthesis{20.500.12880/13967,
year = {2025},
month = {7},
url = {https://hdl.handle.net/20.500.12880/13967},
abstract = {Este Trabajo de Fin de Máster propone una metodología innovadora de análisis retrospectivo 
de parámetros geotécnicos aplicada al diseño de cimentaciones superficiales, más 
concretamente, en la estimación del módulo de elasticidad en suelos granulares. Frente a las 
limitaciones de los enfoques tradicionales, dependientes de un elevado número de ensayos in 
situ, hipótesis simplificadas y análisis iterativos costosos, se plantea un esquema híbrido que 
combina el potencial exploratorio del aprendizaje automático con la precisión de métodos 
deterministas. El objetivo es ofrecer una herramienta robusta, eficiente y adaptable a contextos 
reales de obra civil y edificación.
En primer lugar, se implementa un módulo de búsqueda global que, gracias a técnicas de 
Machine Learning, ofrece estimaciones preliminares del módulo de elasticidad y otros 
parámetros esenciales. A continuación, estas estimaciones se refinan mediante un algoritmo 
de optimización que integra los métodos de Gauss-Newton o Levenberg-Marquardt, 
garantizando una convergencia rápida y estable. Este enfoque asegura no solo la precisión en 
la predicción de respuestas tensionales y deformacionales, sino también una drástica 
reducción en el número de iteraciones necesarias.
La metodología se valida exhaustivamente en dos escenarios: un caso sintético (con y sin 
introducción de ruido estadístico) y un proyecto real de cimentación en un edificio de gran 
altura. En el primer caso, se alcanzó un error medio cuadrático (RMSE) de apenas 2.3 kPa 
(R²=1.00) en condiciones ideales y 1,623.0 kPa (R²=0.898) con ruido; en el segundo, la 
correlación con los datos reales obtuvo un R²=0.998. Estos resultados se han contrastado con 
treinta y dos métodos clásicos de análisis inverso, ofreciendo el método propuesto no solo una 
eficiencia computacional notablemente inferior, sino que también demuestran una elevada
precisión en los parámetros retrocalculados.
Además, la arquitectura modular de la propuesta facilita su integración con sistemas de 
monitorización en tiempo real (IoT) y herramientas de inteligencia artificial, adaptándose a los 
nuevos Eurocódigos (EN 1997-1:2024, EN 1997-3:2025) y contribuyendo al cumplimiento de 
los Objetivos de Desarrollo Sostenible de la Agenda 2030. En definitiva, este estudio ofrece una 
herramienta robusta y escalable, capaz de transformar la práctica profesional en diseño y 
control de cimentaciones, reduciendo costes y tiempos sin sacrificar fiabilidad ni seguridad},
title = {Análisis retrospectivo de parámetros 
geotécnicos basado en mediciones de 
asientos y presiones de contacto en 
cimentaciones directas},
keywords = {Cimentaciones},
keywords = {Módulo de elasticidad},
keywords = {Métodos deterministas},
keywords = {Machine learning},
author = {Sendín Moreno, Eduardo},
}