Eduardo Martínez, premiado por aplicar machine learning a la geotecnia

Madrid 7 de octubre de 2026

La geotecnia suele pasar desapercibida para el gran público. Los cimientos, pilotes y estructuras enterradas rara vez ocupan titulares, aunque de ellos depende buena parte de la seguridad de cualquier infraestructura. Precisamente por eso, el reconocimiento concedido por la Fundación José Entrecanales Ibarra a la tesis doctoral de Eduardo Martínez García tiene un significado especial: premia una investigación que combina inteligencia artificial, ingeniería geotécnica y datos obtenidos durante la ejecución real de las obras para reducir una de las mayores incertidumbres de la construcción: conocer con precisión el terreno sobre el que se trabaja.

Defendida en la Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos de la Universidad Politécnica de Madrid, la tesis, titulada Obtención del perfil penetrométrico del suelo aplicando Machine Learning al registro de parámetros de perforación, fue dirigida por los profesores Marcos García Alberti y Antonio Alfonso Arcos Álvarez, obtuvo la calificación de Sobresaliente Cum Laude y acaba de recibir el Premio a la Mejor Tesis Doctoral en Materia de Geotecnia de la Fundación José Entrecanales Ibarra.

Aunque hoy la inteligencia artificial forma parte de la conversación cotidiana, cuando Martínez comenzó este trabajo el machine learning apenas empezaba a despertar interés fuera de los círculos especializados. Mientras desarrollaba su actividad profesional en una empresa especialista en geotecnia, decidió profundizar en estas técnicas y enseguida detectó una oportunidad.

«Nosotros teníamos esos datos y realmente no los estábamos utilizando para nada. El machine learning es capaz de sacar información donde no es evidente, encontrar patrones y clasificar los datos», explica. La idea le pareció tan natural que su primera reacción fue pensar que alguien ya la habría desarrollado. «Lo primero que piensas es: esto se ha hecho ya. Pues no».

El gran reto no era la inteligencia artificial, sino los datos

La investigación parte de una idea sencilla en apariencia: aprovechar los parámetros que registran continuamente las máquinas de perforación —como el par de rotación, la velocidad de penetración o el empuje— para estimar el perfil penetrométrico del terreno sin necesidad de realizar campañas adicionales de reconocimiento.

Sin embargo, convertir esa intuición en un modelo fiable resultó mucho más complejo de lo esperado. El principal obstáculo no estaba en diseñar los algoritmos, sino en preparar la información.

«Los datos estaban, pero de manera muy dispersa y en formatos muy difíciles de manejar por un ordenador», recuerda Martínez. Haber desarrollado la investigación desde una empresa privada le permitió acceder a esa información, aunque después fue necesario un largo proceso de organización, depuración y estructuración antes de poder entrenar los modelos de machine learning. «Ese ha sido quizá el principal obstáculo histórico para aplicar esta clase de herramientas y, desgraciadamente, lo seguirá siendo durante algunos años».

La tesis analiza precisamente ese proceso: desde la estructuración de los datos y la ingeniería de variables hasta la comparación de distintos algoritmos de aprendizaje automático. Los resultados mostraron que los modelos basados en árboles ensamblados (ensemble trees) reproducían con notable precisión el perfil penetrométrico del terreno, superando los métodos analíticos tradicionales utilizados hasta ahora.

Una herramienta para reducir la incertidumbre durante la obra

Uno de los aspectos que más destaca Martínez es el enorme potencial práctico de esta tecnología para las empresas constructoras. A diferencia de otros sistemas de reconocimiento del terreno, no requiere instrumentación adicional ni campañas específicas de ensayo. «Las máquinas modernas ya registran todos esos parámetros durante su funcionamiento. El coste de obtener esa información ya está asumido», explica.

Hasta ahora, cuando aparecía una incertidumbre geotécnica durante la ejecución de una obra era necesario movilizar equipos específicos, contratar nuevos ensayos y esperar sus resultados. El sistema desarrollado en la tesis permitiría disponer de esa información prácticamente en tiempo real.

«Voy trabajando y la propia máquina me va diciendo el tipo de terreno que tengo en cada momento, eliminando muchísima incertidumbre», resume. Además, disponer de esa información durante la ejecución facilita el análisis de cualquier incidencia que pueda surgir y proporciona una base objetiva para justificar decisiones técnicas.

Una inteligencia artificial explicable y verificable

Como ocurre con muchas aplicaciones de inteligencia artificial, una de las preguntas inevitables tiene que ver con la fiabilidad de los resultados. Martínez comprende esas reservas y considera que son completamente razonables.

«Es un miedo totalmente legítimo», afirma. Sin embargo, distingue claramente entre los grandes modelos de lenguaje, capaces de generar respuestas erróneas con aparente seguridad, y los algoritmos de machine learning utilizados en ingeniería.

«En nuestro caso trabajamos principalmente con números. Al final no dejan de ser modelos estadísticos cuya desviación puede medirse», subraya. Esa posibilidad de cuantificar el error permite establecer intervalos de confianza conocidos por el ingeniero. «Lo que sí puedo garantizar es que los valores están dentro de un determinado rango», asegura, comparando este procedimiento con el grado de confianza con el que habitualmente se utilizan otros parámetros de diseño, como la resistencia característica del hormigón.

Universidad y empresa: una alianza para innovar

Más allá de los resultados científicos, Martínez destaca también el camino seguido para desarrollar la investigación. A diferencia del recorrido académico más habitual, realizó la tesis mientras trabajaba a tiempo completo en la empresa privada. «La mayoría de los doctores vienen de hacer una carrera muy centrada en la investigación. A mí no me surgió así. Utilicé la tesis como una manera de estar motivado en una investigación que pensaba —y sigo pensando— que iba a aportar mucho valor».

Compatibilizar ambas actividades exigió un importante esfuerzo personal. «Se come todos los fines de semana que tengas», reconoce. Pero también considera que este modelo de investigación aplicada será cada vez más importante, especialmente en un momento en el que las empresas son las principales generadoras de datos.

En su opinión, el verdadero reto de los próximos años ya no será la inteligencia artificial, sino la estandarización de la información. «Creo que por fin el sector está empezando a entender el valor que tienen los datos», afirma. Cuando existan formatos comunes para compartir esa información, augura una auténtica transformación: modelos geotécnicos que se actualicen automáticamente conforme avance la obra, cálculos estructurales alimentados por datos reales y herramientas de apoyo a la decisión mucho más precisas. Eso sí, remarca que «todo deberá estar revisado por un ingeniero, que seguirá siendo el responsable final».

Para Martínez, el premio tiene un significado que trasciende el reconocimiento personal. «Los geotécnicos hacemos cosas en el suelo que quedan enterradas. Eso no lo ve nadie, incluso a otros ingenieros les parece que no importa demasiado. Y luego resulta que la mayoría de los problemas aparecen precisamente en el suelo».

Que una institución como la Fundación José Entrecanales Ibarra premie las tesis centradas en geotecnia supone también una forma de reivindicar una disciplina esencial para la ingeniería civil y de acercarla a la sociedad.

Por último, deja un mensaje para quienes desarrollan su carrera fuera del ámbito universitario: «Si alguien cree que realmente tiene una investigación que puede aportar valor a la sociedad, que la haga también desde la empresa privada. No tiene por qué existir un único camino para investigar».