Revista Científica Ciencia y Método | Vol.02 | Núm.01 | Ene – Mar | 2024 | www.revistacym.com pág. 27
Implementación de gemelos digitales probabilísticos
en el monitoreo de infraestructuras geotécnicas
Implementation of probabilistic digital twins in the monitoring of
geotechnical infrastructures
Rivadeneira-Moreira, Julio Cesar
1
https://orcid.org/0000-0003-4889-4392
jcrivadeneirar@ucvvirtual.edu.pe
Universidad Cesar Vallejo, Ecuador, Santo
Domingo.
Autor de correspondencia
1
DOI / URL: https://doi.org/xxxxxx
Resumen: La creciente complejidad de las infraestructuras
geotécnicas y su exposición a condiciones dinámicas y
variables ha motivado la implementación de gemelos
digitales probabilísticos como herramienta para su
monitoreo avanzado. Este estudio adopta una metodología
de revisión bibliográfica sistemática, examinando artículos
académicos recientes que abordan el desarrollo y
aplicación de estos modelos en contextos geotécnicos. Se
analizaron avances metodológicos como la integración de
inferencia bayesiana, simulaciones estocásticas y
aprendizaje automático, los cuales permiten representar y
actualizar modelos en tiempo real, incorporando la
incertidumbre inherente al comportamiento del terreno.
Asimismo, se documentaron aplicaciones en presas,
taludes y túneles, mostrando cómo estos sistemas mejoran
la predicción de fallas y optimizan la toma de decisiones.
No obstante, persisten desafíos técnicos y económicos
relacionados con la instrumentación, la variabilidad
geológica, la validación de modelos y los costos de
implementación. El estudio concluye que, pese a estas
limitaciones, los gemelos digitales probabilísticos
representan una evolución significativa en la gestión
estructural, con alto potencial de adopción en la ingeniería
civil moderna.
Palabras clave: gemelos digitales; ingeniería geotécnica;
monitoreo estructural; inferencia bayesiana; modelos
probabilísticos.
Artículo Científico
Received: 12/Ene/2024
Accepted: 31/Ene/2024
Published: 22/Feb/2024
Cita: Rivadeneira-Moreira, J. C. (2024).
Implementación de gemelos digitales
probabilísticos en el monitoreo de
infraestructuras geotécnicas. Revista
Científica Ciencia Y Método, 2(1), 27-
40. https://doi.org/10.55813/gaea/rcym/v2/n
1/29
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2024. Este artículo es un documento de
acceso abierto distribuido bajo los términos
y condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.02 | Núm.01 | Ene – Mar | 2024 | www.revistacym.com pág. 28
Artículo Científico
Enero – Marzo 2024
Abstract:
The increasing complexity of geotechnical infrastructures and their exposure to
dynamic and variable conditions has motivated the implementation of probabilistic
digital twins as a tool for advanced monitoring. This study adopts a systematic literature
review methodology, examining recent academic articles that address the
development and application of these models in geotechnical contexts. Methodological
advances such as the integration of Bayesian inference, stochastic simulations and
machine learning were analyzed, which allow representing and updating models in real
time, incorporating the uncertainty inherent to ground behavior. Likewise, applications
in dams, slopes and tunnels were documented, showing how these systems improve
failure prediction and optimize decision making. However, technical and economic
challenges related to instrumentation, geological variability, model validation and
implementation costs remain. The study concludes that, despite these limitations,
probabilistic digital twins represent a significant evolution in structural management,
with high potential for adoption in modern civil engineering.
Keywords: digital twins; geotechnical engineering; structural monitoring; Bayesian
inference; probabilistic models.
1. Introducción
La creciente complejidad de las infraestructuras geotécnicas y su estrecha relación
con la seguridad pública, el desarrollo urbano sostenible y la resiliencia frente al
cambio climático ha impulsado la necesidad de adoptar metodologías avanzadas de
monitoreo y diagnóstico estructural. En este contexto, la implementación de gemelos
digitales representa un avance significativo, al permitir una representación virtual en
tiempo real de las infraestructuras físicas. Sin embargo, la naturaleza inherentemente
incierta de los procesos geotécnicos —como la variabilidad del subsuelo, las
condiciones hidrológicas fluctuantes o el comportamiento no lineal de los materiales—
limita la eficacia de los modelos deterministas. Esto plantea el problema central
abordado en esta revisión: la necesidad de integrar enfoques probabilísticos dentro
del marco de los gemelos digitales para reflejar adecuadamente la incertidumbre en
el comportamiento y evolución de infraestructuras geotécnicas (Cuervo Reyes, 2020).
Las infraestructuras geotécnicas —incluyendo presas, túneles, taludes, cimentaciones
profundas y muros de contención— operan bajo condiciones altamente variables que
dificultan su monitoreo mediante técnicas convencionales. Los métodos tradicionales
de inspección in situ, combinados con modelos numéricos estáticos, resultan
insuficientes para anticipar fallas estructurales en escenarios de alta incertidumbre.
Esta limitación no solo compromete la seguridad de las estructuras, sino que también
impone altos costos de mantenimiento y aumenta el riesgo de interrupciones críticas.
En consecuencia, la incorporación de modelos dinámicos que integren datos en
Revista Científica Ciencia y Método | Vol.02 | Núm.01 | Ene – Mar | 2024 | www.revistacym.com pág. 29
Artículo Científico
Enero – Marzo 2024
tiempo real, junto con técnicas de análisis probabilístico, se vuelve imperativa para
una toma de decisiones informada y eficiente (Aguado, 2023).
En este sentido, los gemelos digitales probabilísticos emergen como una herramienta
disruptiva. A diferencia de los gemelos digitales convencionales, que tienden a ser
deterministas, los modelos probabilísticos permiten capturar la incertidumbre
inherente a los sistemas geotécnicos mediante la utilización de metodologías como la
inferencia estadística, la simulación de escenarios, el aprendizaje automático y la
actualización de modelos basada en datos. Estas técnicas no solo permiten
representar el estado actual de la infraestructura, sino también predecir su evolución
bajo distintos escenarios con una medida explícita del riesgo. Además, la integración
de sensores inteligentes, técnicas de adquisición de datos geoespaciales y
plataformas de análisis en la nube permite que estos gemelos digitales sean
alimentados continuamente con datos del entorno físico, mejorando su precisión y
adaptabilidad (Lagos Sepúlveda, 2021).
La justificación para realizar una revisión bibliográfica sobre la implementación de
gemelos digitales probabilísticos en el ámbito geotécnico radica en la necesidad de
consolidar el conocimiento existente y establecer las tendencias más recientes en esta
área interdisciplinaria. Si bien el concepto de gemelo digital ha sido ampliamente
desarrollado en contextos industriales y de manufactura, su aplicación en ingeniería
geotécnica aún se encuentra en una etapa emergente y carece de una sistematización
clara. Esta revisión permite identificar brechas de conocimiento, evaluar las
metodologías empleadas, y analizar casos de aplicación documentados en la literatura
científica internacional. Asimismo, ofrece una base teórica sólida para futuras
investigaciones que busquen adaptar o desarrollar modelos probabilísticos
específicos para distintas tipologías de infraestructura geotécnica.
Desde el punto de vista de la viabilidad, el desarrollo de gemelos digitales
probabilísticos se ve favorecido por los avances en tecnologías de sensores,
conectividad, ciencia de datos e inteligencia artificial. Estos avances han reducido
significativamente los costos asociados a la instrumentación y procesamiento de
datos, al tiempo que han aumentado la capacidad de modelado y simulación. A nivel
institucional, existe un creciente interés por parte de gobiernos, agencias de
infraestructura y empresas privadas en adoptar enfoques de monitoreo inteligente
como parte de estrategias de mantenimiento predictivo y resiliencia estructural. Esto
sugiere que la adopción de gemelos digitales probabilísticos no solo es técnicamente
posible, sino también económicamente justificable y estratégicamente deseable
(González Canales, 2023).
El objetivo de este artículo es realizar una revisión bibliográfica exhaustiva sobre el
uso de gemelos digitales probabilísticos en el monitoreo de infraestructuras
geotécnicas, con énfasis en los fundamentos teóricos, metodologías
computacionales, fuentes de incertidumbre, casos de aplicación y desafíos actuales.
Se pretende establecer un marco conceptual y metodológico que permita a
Revista Científica Ciencia y Método | Vol.02 | Núm.01 | Ene – Mar | 2024 | www.revistacym.com pág. 30
Artículo Científico
Enero – Marzo 2024
investigadores, ingenieros y responsables de políticas públicas comprender el
potencial de esta herramienta, identificar sus limitaciones y delinear oportunidades de
desarrollo futuro. Esta revisión se sustenta en literatura científica indexada en bases
de datos reconocidas, asegurando la calidad y fiabilidad de las fuentes utilizadas
(Toala Arias et al., 2022).
2. Materiales y métodos
Para el desarrollo del presente artículo, se adoptó un enfoque exploratorio basado en
una revisión bibliográfica sistemática con el objetivo de recopilar, analizar y sintetizar
el estado actual del conocimiento relacionado con la implementación de gemelos
digitales probabilísticos en el monitoreo de infraestructuras geotécnicas. Esta
metodología permitió abordar el objeto de estudio desde una perspectiva integral,
considerando distintas aproximaciones teóricas, modelos computacionales,
aplicaciones prácticas y desafíos identificados en la literatura científica internacional.
El proceso de búsqueda de información se realizó en bases de datos académicas de
alto impacto, como Scopus y Web of Science, asegurando así la relevancia y calidad
de las fuentes utilizadas. Se establecieron criterios de inclusión específicos que
consideraron únicamente artículos científicos publicados en revistas arbitradas,
preferentemente indexadas, que abordaran temáticas vinculadas con gemelos
digitales, análisis probabilístico, monitoreo geotécnico, modelado computacional e
inteligencia artificial aplicada a la ingeniería civil. Asimismo, se limitaron los resultados
a publicaciones comprendidas entre los años 2015 y 2024, con el fin de garantizar la
actualidad de los enfoques analizados.
La estrategia de búsqueda incluyó el uso de operadores booleanos y términos clave
combinados en inglés y español, tales como “probabilistic digital twin”, “geotechnical
monitoring”, “uncertainty modeling”, “Bayesian updating”, “infrastructure health
monitoring” y “inteligencia artificial en geotecnia”. Los resultados obtenidos fueron
filtrados inicialmente por título y resumen, y posteriormente evaluados en función de
su pertinencia temática y contribución al objetivo del estudio.
Una vez seleccionados los documentos relevantes, se procedió a una lectura crítica
de los textos completos, extrayendo la información más significativa en relación con
los fundamentos conceptuales de los gemelos digitales probabilísticos, las
metodologías de implementación más comunes, los elementos de incertidumbre
considerados en los modelos y los casos de estudio documentados. Esta información
fue organizada y clasificada de acuerdo con categorías temáticas emergentes, lo que
facilitó la estructuración del análisis y la identificación de tendencias, vacíos de
investigación y oportunidades de desarrollo futuro.
Se emplearon técnicas cualitativas de análisis de contenido para interpretar los
hallazgos, priorizando la profundidad en el análisis conceptual y la coherencia en la
integración de los distintos enfoques revisados. La metodología también contempló la
Revista Científica Ciencia y Método | Vol.02 | Núm.01 | Ene – Mar | 2024 | www.revistacym.com pág. 31
Artículo Científico
Enero – Marzo 2024
comparación entre diferentes marcos metodológicos propuestos en la literatura, así
como la valoración crítica de sus ventajas, limitaciones y grado de aplicabilidad en
contextos reales de ingeniería geotécnica.
Dado el carácter exploratorio del estudio, no se realizó una meta-análisis cuantitativo,
ya que el propósito principal fue interpretar y discutir el conocimiento existente más
que evaluar estadísticamente la eficacia de intervenciones específicas. Esta decisión
metodológica es coherente con la naturaleza interdisciplinaria y emergente del tema
tratado, el cual aún se encuentra en proceso de consolidación conceptual y
metodológica en el ámbito de la ingeniería civil.
Finalmente, el corpus de análisis se complementó con documentos técnicos de
organismos internacionales, libros especializados y actas de congresos que
presentaran avances recientes o enfoques innovadores no publicados aún en revistas
científicas, siempre y cuando cumplieran con criterios de rigor académico. De esta
forma, la metodología adoptada permitió una comprensión amplia y actualizada del
fenómeno estudiado, aportando una base sólida para el análisis crítico y la formulación
de recomendaciones en el campo de los gemelos digitales probabilísticos aplicados a
infraestructuras geotécnicas.
3. Resultados
3.1. Avances metodológicos en gemelos digitales probabilísticos
La evolución de los gemelos digitales en el ámbito de la ingeniería geotécnica ha
derivado hacia el desarrollo de modelos probabilísticos que integran múltiples fuentes
de incertidumbre presentes en el comportamiento del subsuelo y en la interacción
suelo-estructura. Este avance metodológico no solo responde a la necesidad de
mayor precisión en la predicción del comportamiento de las infraestructuras, sino
también a la creciente disponibilidad de datos provenientes de sensores, sistemas de
monitoreo remoto e inteligencia artificial. La incorporación de la inferencia bayesiana,
los modelos estocásticos, la simulación en tiempo real y el aprendizaje automático
constituye una revolución en la forma en que los ingenieros conciben, representan y
gestionan los activos geotécnicos (Toala Arias et al., 2022)
Uno de los pilares metodológicos más relevantes es el uso de la inferencia bayesiana
para la actualización secuencial de los modelos numéricos a medida que se
incorporan nuevos datos observacionales. Esta técnica, que permite integrar
información previa (a priori) con datos empíricos (evidencia) para generar
distribuciones de probabilidad posteriores (a posteriori), ha demostrado una notable
capacidad para reducir la incertidumbre en la estimación de parámetros geotécnicos
críticos, tales como la resistencia al corte, el módulo de elasticidad o la presión
intersticial. Este enfoque ha sido particularmente eficaz en contextos donde las
condiciones del subsuelo cambian en el tiempo, como en taludes inestables, presas
de materiales sueltos o cimentaciones sometidas a ciclos de carga y descarga (Sun,
Revista Científica Ciencia y Método | Vol.02 | Núm.01 | Ene – Mar | 2024 | www.revistacym.com pág. 32
Artículo Científico
Enero – Marzo 2024
Zhang, & Zhou, 2022). A través de esta metodología, los gemelos digitales dejan de
ser réplicas estáticas y deterministas para convertirse en sistemas dinámicos, que se
ajustan continuamente a la realidad física, mejorando así su capacidad predictiva y su
utilidad operativa.
En complemento, los modelos estocásticos permiten representar la aleatoriedad
inherente al medio geotécnico mediante la simulación de variables como la
heterogeneidad del terreno, la distribución espacial de propiedades mecánicas, o la
ocurrencia de eventos extremos, como sismos o lluvias intensas. En lugar de una
única solución, estos modelos generan múltiples escenarios posibles del
comportamiento estructural, proporcionando a los tomadores de decisiones una gama
de resultados asociados a distintos niveles de confianza. Esto resulta crucial en
proyectos con alto impacto económico o social, donde los errores de predicción
pueden tener consecuencias severas. Gras, Arroyo, Gens y Soga (2023) proponen un
marco metodológico integral que incorpora campos aleatorios, redes de sensores
inteligentes y simulaciones de Monte Carlo para generar gemelos digitales capaces
de capturar el comportamiento probabilístico del sistema geotécnico en distintas
etapas del ciclo de vida de la infraestructura.
Por otro lado, los avances en plataformas digitales y herramientas computacionales
han facilitado la implementación de métodos de simulación en tiempo real,
alimentados por flujos de datos continuos provenientes de sensores de presión de
poros, inclinómetros, piezómetros o sistemas LIDAR. Estas plataformas integran
motores de cálculo numérico con módulos de análisis de datos, permitiendo una
interacción constante entre el modelo digital y su contraparte física. A esta integración
se suma el aprendizaje automático, que ha potenciado la capacidad adaptativa de los
gemelos digitales. Algoritmos como las redes neuronales profundas, los modelos de
bosques aleatorios y los métodos de boosting han sido aplicados para detectar
patrones de comportamiento no lineal en grandes volúmenes de datos, identificar
precursores de fallas y optimizar modelos constitutivos del suelo (Wang, Kim, &
Zhang, 2021). Esta convergencia de métodos físicos y computacionales ha dado
origen a sistemas ciberfísicos capaces de tomar decisiones autónomas o
semiautónomas basadas en análisis probabilísticos y datos históricos.
Un desafío metodológico adicional ha sido la adaptación de marcos conceptuales de
gemelos digitales, originalmente diseñados para industrias con condiciones de
operación controladas (como la aeroespacial o la manufacturera), al entorno
impredecible y heterogéneo de la geotecnia. Mientras que en industrias como la
automotriz las condiciones de carga y los parámetros materiales pueden medirse con
alta precisión y replicarse en laboratorio, en geotecnia la incertidumbre es estructural
y muchas veces no reducible (Toala Arias et al., 2022). Esto ha exigido reformular las
arquitecturas de los gemelos digitales, diseñando modelos que incorporen límites
difusos, datos incompletos y condiciones de contorno dinámicas. Zhang, Li y Chen
(2023) proponen una arquitectura de gemelo digital orientada específicamente a
geotecnia, basada en sistemas distribuidos de adquisición de datos, modelos
Revista Científica Ciencia y Método | Vol.02 | Núm.01 | Ene – Mar | 2024 | www.revistacym.com pág. 33
Artículo Científico
Enero – Marzo 2024
geomecánicos estocásticos y módulos de inferencia continua, permitiendo una mayor
fidelidad entre el modelo y el comportamiento real de la infraestructura (Fatás
Casanovas, 2024).
En resumen, los avances metodológicos en gemelos digitales probabilísticos han
transformado la manera en que se monitorean, modelan y mantienen las
infraestructuras geotécnicas. Al incorporar técnicas de inferencia bayesiana,
simulaciones estocásticas y aprendizaje automático, se fortalece la capacidad de
anticipar fallas, gestionar riesgos y tomar decisiones informadas bajo incertidumbre.
Estas metodologías no solo representan una mejora técnica, sino también un cambio
epistemológico profundo en la ingeniería geotécnica, orientado hacia un enfoque más
flexible, adaptativo y basado en datos, en la presente figura 1 se demuestra la
transformación que permite la representación más precisa, interactiva y adaptativa del
comportamiento del subsuelo.
Figura 1
Evolución de los gemelos digitales geotécnicos: de la estática a la dinámica
Nota: Representación de lo estático a lo inteligente: los gemelos digitales ahora aprenden y se ajustan
a la realidad (Autores, 2024).
3.2. Aplicaciones y desafíos en infraestructuras geotécnicas
La adopción de gemelos digitales probabilísticos en infraestructuras geotécnicas
representa un avance disruptivo en el monitoreo, análisis predictivo y gestión del
riesgo en obras de ingeniería civil de alta complejidad. Su aplicabilidad en estructuras
como presas, taludes y túneles está estrechamente relacionada con la capacidad de
estos sistemas para integrar incertidumbre, datos en tiempo real y simulaciones
numéricas adaptativas, permitiendo una representación fiel, dinámica y
estadísticamente robusta del comportamiento estructural. A pesar de los logros
alcanzados, aún persisten importantes retos que limitan su escalabilidad, efectividad
Revista Científica Ciencia y Método | Vol.02 | Núm.01 | Ene – Mar | 2024 | www.revistacym.com pág. 34
Artículo Científico
Enero – Marzo 2024
técnica y viabilidad económica. Esta sección presenta un análisis profundo sobre las
principales aplicaciones documentadas y los desafíos técnicos que enfrenta su
implementación (González Canales, 2023).
3.2.1. Casos en presas, taludes y túneles
Las presas, particularmente aquellas construidas con materiales sueltos o
compactados, presentan condiciones de operación que se ven afectadas por la
variabilidad hidrogeológica, las filtraciones internas y la evolución de esfuerzos no
uniformes a lo largo del tiempo. En este contexto, la aplicación de gemelos digitales
probabilísticos ha demostrado ser especialmente eficaz al permitir la anticipación de
comportamientos anómalos mediante el acoplamiento de sensores geotécnicos,
modelado numérico y simulaciones estocásticas. Un ejemplo emblemático se
encuentra en la presa de Shuibuya (China), donde se integró un sistema digital que
combina inferencia bayesiana, datos de presión intersticial y deformación, generando
un entorno de modelado dinámico que permitió identificar patrones de comportamiento
asociados a fallas potenciales antes de que se manifestaran físicamente (Wu, Tang,
& Zhang, 2023). El gemelo digital, en este caso, sirvió como un sistema de alerta
temprana que fortaleció significativamente la toma de decisiones operativas y de
mantenimiento.
En el ámbito de los taludes, especialmente aquellos que bordean infraestructuras
viales o ferroviarias, el uso de gemelos digitales ha permitido modelar la evolución del
factor de seguridad en función de variables exógenas como las precipitaciones, la
sismicidad o los cambios en el nivel freático. La aplicación desarrollada en los taludes
del corredor ferroviario Lyon-Turín representa un caso de referencia, donde se empleó
un sistema de monitoreo híbrido que incluía radar interferométrico terrestre
(GBInSAR), estaciones topográficas y sensores inerciales conectados a una
plataforma digital que ejecutaba simulaciones probabilísticas en tiempo real. El
modelo digital fue capaz de anticipar deslizamientos incipientes con una precisión
superior a las metodologías convencionales, generando un historial de datos útil para
la calibración de modelos futuros (Crespo, Gallipoli, & Tasiopoulou, 2021).
En lo que respecta a túneles, estos representan uno de los entornos más desafiantes
para el monitoreo estructural debido a la dificultad de acceder al terreno circundante
durante la excavación, así como a la heterogeneidad litológica que puede encontrarse
incluso en trayectos cortos. En el túnel urbano de Oslo (Noruega), se implementó un
gemelo digital que integraba un modelo tridimensional del frente de excavación con
retroalimentación de sensores de convergencia y presiones de contacto. Este sistema
permitió ajustar en tiempo real los parámetros del modelo numérico mediante
algoritmos de actualización bayesiana, facilitando una excavación más segura y
eficiente (Johansen, Ødegård, & Hjelseth, 2022). Este tipo de aplicación evidencia
cómo el gemelo digital no solo cumple una función pasiva de representación, sino que
actúa como agente activo en la toma de decisiones técnicas durante la fase
constructiva.
Revista Científica Ciencia y Método | Vol.02 | Núm.01 | Ene – Mar | 2024 | www.revistacym.com pág. 35
Artículo Científico
Enero – Marzo 2024
3.2.2. Limitaciones por sensores y variabilidad del terreno
A pesar de sus beneficios, la efectividad de los gemelos digitales probabilísticos
depende directamente de la calidad y representatividad de los datos recolectados por
los sistemas de sensores. Las infraestructuras geotécnicas, al estar ubicadas en
entornos naturales altamente variables, requieren sensores capaces de operar en
condiciones adversas, con rangos de medición amplios, bajo consumo energético y
mínima necesidad de mantenimiento. No obstante, la realidad técnica actual presenta
limitaciones significativas. Los sensores tradicionales, como los piezómetros y los
extensómetros, si bien confiables, tienen cobertura espacial limitada y pueden
presentar problemas de calibración o interferencia electromagnética. Incluso los
sistemas de fibra óptica, a pesar de sus ventajas en términos de resolución y
durabilidad, requieren una instalación costosa y especializada (Liu, Wu, Zhang, &
Wang, 2021).
Adicionalmente, la variabilidad intrínseca del terreno plantea uno de los retos más
complejos para la implementación de modelos digitales probabilísticos. La
heterogeneidad espacial de parámetros como la cohesión, el ángulo de fricción o la
permeabilidad puede derivar en comportamientos no lineales que son difíciles de
capturar incluso con modelos estocásticos. La baja densidad de instrumentación en
muchos proyectos implica que se deben hacer inferencias sobre grandes volúmenes
de suelo a partir de un número limitado de observaciones, lo que puede introducir
errores en la simulación digital. Para mitigar esta limitación, se han comenzado a
explorar algoritmos de aprendizaje automático robusto que permiten imputar datos
faltantes o reducir el ruido en señales reales sin comprometer la fidelidad del modelo
digital (Zhang, Li, & Chen, 2023).
3.2.3. Retos de validación, escalabilidad y costos
La validación de gemelos digitales probabilísticos en contextos geotécnicos plantea
desafíos de orden técnico y metodológico. Dado que muchas de las condiciones de
carga, geometría y propiedades del terreno no pueden reproducirse
experimentalmente, resulta difícil establecer criterios de validación directa entre el
modelo digital y el sistema físico. Este problema se agrava por la ausencia de
estándares unificados que definan métricas de precisión, convergencia y desempeño
en entornos probabilísticos. En respuesta a esta carencia, algunos autores proponen
el uso de validación cruzada mediante datos históricos, comparación entre modelos
múltiples y análisis de sensibilidad probabilística como mecanismos alternativos de
validación (Giuffrè, Granà, & Marino, 2020).
En cuanto a la escalabilidad, la implementación de gemelos digitales en obras de gran
envergadura o con presupuestos restringidos aún representa una barrera. Las
plataformas más avanzadas requieren una combinación de hardware especializado,
almacenamiento en la nube, herramientas de modelado numérico y personal
altamente capacitado. Esto limita su aplicación a proyectos piloto o infraestructuras
críticas con alto presupuesto. La interoperabilidad entre software de simulación, bases
Revista Científica Ciencia y Método | Vol.02 | Núm.01 | Ene – Mar | 2024 | www.revistacym.com pág. 36
Artículo Científico
Enero – Marzo 2024
de datos geoespaciales y redes de sensores aún es baja, lo que obliga a procesos de
adaptación técnica que elevan los tiempos y costos de implementación (Facio Medina,
2020).
En términos económicos, los costos iniciales de un gemelo digital probabilístico
pueden ser significativos, considerando la necesidad de sensores avanzados,
sistemas de procesamiento y modelado, y formación técnica. Sin embargo, diversos
estudios muestran que, a largo plazo, esta inversión se ve compensada con una mayor
eficiencia en la gestión del mantenimiento, reducción de intervenciones correctivas y
prevención de fallas catastróficas. Zhang et al. (2023) destacan que la adopción
temprana de estas tecnologías puede reducir los costos del ciclo de vida de una
infraestructura geotécnica en hasta un 20 %, especialmente en contextos de alta
criticidad estructural o complejidad geológica.
4. Discusión
La implementación de gemelos digitales probabilísticos en el monitoreo de
infraestructuras geotécnicas representa un cambio de paradigma en la forma en que
se conciben, analizan y gestionan sistemas estructurales en contextos naturales
complejos. La evidencia analizada a lo largo de esta revisión bibliográfica revela que
estos modelos avanzados no solo permiten una representación dinámica y continua
del estado estructural, sino que integran de manera explícita la incertidumbre
inherente al comportamiento del subsuelo, superando las limitaciones de los enfoques
deterministas tradicionales (Fatás Casanovas, 2024).
Desde un punto de vista metodológico, se destaca el papel central que desempeñan
las técnicas de inferencia bayesiana y los modelos estocásticos en la construcción de
gemelos digitales capaces de actualizarse en tiempo real con datos empíricos. Esta
capacidad adaptativa es particularmente valiosa en geotecnia, donde la escasa
visibilidad del medio y la variabilidad espacial de los parámetros materiales dificultan
una caracterización exacta a priori. La literatura revisada muestra cómo la inferencia
bayesiana ha sido empleada con éxito en presas y túneles para refinar modelos a
medida que se acumulan datos de monitoreo, mejorando la precisión predictiva y el
control del riesgo estructural (Sun, Zhang, & Zhou, 2022; Wu, Tang, & Zhang, 2023).
No obstante, la implementación efectiva de estos modelos exige una base de datos
densa y confiable, lo cual no siempre es factible debido a las restricciones técnicas y
económicas presentes en muchos proyectos de ingeniería civil.
La aplicación de plataformas digitales que combinan simulación numérica, inteligencia
artificial y redes de sensores ha permitido una integración sin precedentes entre el
entorno físico y el entorno virtual. El uso de algoritmos de aprendizaje automático ha
potenciado la capacidad de los gemelos digitales para interpretar grandes volúmenes
de datos, detectar patrones no lineales y anticipar fallos estructurales con mayor
eficiencia. Esta sinergia ha sido particularmente útil en escenarios de comportamiento
Revista Científica Ciencia y Método | Vol.02 | Núm.01 | Ene – Mar | 2024 | www.revistacym.com pág. 37
Artículo Científico
Enero – Marzo 2024
complejo, como los deslizamientos de taludes o la deformación progresiva de túneles
urbanos, donde las condiciones cambian rápidamente y las decisiones deben tomarse
con base en información en tiempo real (Crespo, Gallipoli, & Tasiopoulou, 2021;
Johansen, Ødegård, & Hjelseth, 2022).
A pesar de estos avances, persisten desafíos técnicos significativos que limitan la
masificación de esta tecnología. Entre ellos, la fiabilidad y resolución de los sensores
utilizados en condiciones geotécnicas adversas siguen siendo un factor crítico. La
cobertura espacial limitada, la susceptibilidad a interferencias ambientales y la
complejidad del mantenimiento de sensores en terreno dificultan una recolección de
datos continua y precisa. Además, la heterogeneidad geológica no solo introduce
incertidumbre epistemológica en los modelos, sino que también complica los procesos
de interpolación y validación cruzada. Como señalan Liu et al. (2021), la efectividad
del gemelo digital está condicionada por la calidad de los datos de entrada y por la
robustez de los algoritmos de integración que permiten su actualización en contextos
de alta variabilidad.
Otro aspecto crítico identificado es la falta de marcos estandarizados para la
validación de gemelos digitales en geotecnia. A diferencia de otras disciplinas donde
existen protocolos experimentales bien definidos, en geotecnia las condiciones del
terreno no son replicables y muchas veces los datos de referencia son escasos o
incompletos. Esto requiere el desarrollo de nuevas metodologías de validación
basadas en la comparación probabilística de escenarios, la calibración cruzada con
eventos históricos y la evaluación de métricas de desempeño bajo incertidumbre
(Giuffrè, Granà, & Marino, 2020).
En términos de escalabilidad y sostenibilidad económica, si bien los costos iniciales
de implementación son elevados, los beneficios en términos de optimización del
mantenimiento, prolongación de la vida útil y reducción de fallas no anticipadas
justifican la inversión en el mediano y largo plazo. Estudios recientes han demostrado
que el uso de gemelos digitales puede reducir en más de un 20 % los costos del ciclo
de vida de infraestructuras críticas, lo que sugiere una oportunidad estratégica para
su adopción en proyectos de alta responsabilidad estructural (Zhang, Li, & Chen,
2023).
En suma, la discusión evidencia que el desarrollo de gemelos digitales probabilísticos
en infraestructuras geotécnicas se encuentra en una etapa de transición entre la
validación conceptual y la aplicación operacional. Si bien las experiencias
documentadas en presas, taludes y túneles muestran resultados alentadores, es
necesario continuar avanzando en la estandarización de metodologías, la integración
de datos multifuente, el diseño de sensores robustos y el fortalecimiento de
capacidades técnicas para maximizar el potencial transformador de esta tecnología.
La combinación de enfoques probabilísticos, inteligencia artificial y monitoreo
geotécnico en tiempo real tiene el potencial no solo de mejorar la eficiencia técnica de
Revista Científica Ciencia y Método | Vol.02 | Núm.01 | Ene – Mar | 2024 | www.revistacym.com pág. 38
Artículo Científico
Enero – Marzo 2024
los proyectos, sino también de redefinir las prácticas de seguridad, mantenimiento y
sostenibilidad en la ingeniería civil del siglo XXI (Facio Medina, 2020).
5. Conclusiones
La revisión realizada permite concluir que la implementación de gemelos digitales
probabilísticos en infraestructuras geotécnicas constituye una estrategia avanzada y
de alto potencial para el monitoreo, análisis y gestión de estructuras sometidas a
condiciones geológicas complejas y dinámicas. Estos modelos representan una
evolución significativa frente a los enfoques deterministas tradicionales, al incorporar
explícitamente la incertidumbre inherente al comportamiento del subsuelo y al integrar
datos en tiempo real provenientes de sensores distribuidos.
Desde una perspectiva metodológica, el uso de técnicas como la inferencia bayesiana,
los modelos estocásticos y el aprendizaje automático ha demostrado una capacidad
notable para mejorar la precisión predictiva, facilitar la actualización continua del
modelo y optimizar la toma de decisiones bajo condiciones de riesgo. La integración
de estas herramientas dentro de plataformas digitales permite no solo una
representación más fiel del estado estructural, sino también la generación de alertas
tempranas y la planificación eficiente del mantenimiento.
Las aplicaciones en presas, taludes y túneles han evidenciado resultados positivos en
cuanto a la detección temprana de fallas, la reducción de incertidumbre y el soporte a
la operación y la construcción en entornos críticos. No obstante, su implementación
generalizada enfrenta desafíos significativos relacionados con la instrumentación del
terreno, la variabilidad geológica, la validación de modelos y los costos asociados al
desarrollo e integración de estas tecnologías.
A pesar de estas limitaciones, los beneficios técnicos, operacionales y económicos
que ofrecen los gemelos digitales probabilísticos justifican su desarrollo continuo y su
incorporación en proyectos de infraestructura de alta responsabilidad. La maduración
de esta tecnología requerirá esfuerzos coordinados en investigación, estandarización,
desarrollo de sensores robustos y formación de profesionales capacitados en la
intersección entre geotecnia, modelado computacional e inteligencia artificial.
En síntesis, los gemelos digitales probabilísticos no solo representan una innovación
tecnológica, sino también una transformación profunda en las prácticas de monitoreo
y gestión de infraestructuras geotécnicas. Su adopción progresiva abrirá nuevas
posibilidades para alcanzar niveles superiores de seguridad, sostenibilidad y eficiencia
en la ingeniería civil contemporánea.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Revista Científica Ciencia y Método | Vol.02 | Núm.01 | Ene – Mar | 2024 | www.revistacym.com pág. 39
Artículo Científico
Enero – Marzo 2024
Referencias Bibliográficas
Aguado, M. (2023). Caracterización geológica y aplicaciones de las arenas silíceas en
infraestructuras costeras: Incertidumbres en los modelos de predicción [Tesis
doctoral, Escuela Técnica Superior de Ingenieros de Caminos, Canales y
Puertos, Universidad Politécnica de Madrid].
https://doi.org/10.20868/UPM.thesis.69762
Beltrán-Jimenez, S. S., Gómez-Reina, M. Ángel, Monsalve-Estrada, N. Y., Ospina-
Ladino, M. C., & López-Muñoz, L. G. (2023). Optimización del Overrun
(aireado), del rendimiento, de los sólidos solubles y los costos de un helado
mediante el diseño de mezclas. Journal of Economic and Social Science
Research, 3(4), 68–83. https://doi.org/10.55813/gaea/jessr/v3/n4/81
Crespo, M., Gallipoli, D., & Tasiopoulou, P. (2021). Monitoring landslides with digital
twin frameworks: Application to the Lyon–Turin railway. Engineering Geology,
289, 106218.
Cuervo Reyes, M. H. (2020). Tecnologías digitales de la construcción [Tesis de
maestría, Universidad de los Andes]. Repositorio Séneca.
http://hdl.handle.net/1992/5096
Facio Medina, A. (2020). Algoritmos de optimización para la provisión de máquinas
virtuales en la nube elástica de Amazon para la ejecución de gemelos digitales
de procesos industriales [Tesis de maestría, Centro de Investigación Científica
y de Educación Superior de Ensenada, CICESE]. Repositorio CICESE.
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/3347
Fatás Casanovas, O. (2024). Gemelo digital de una viga biapoyada para la
monitorización del daño a fatiga [Trabajo de fin de grado, Escola d’Enginyeria
de Barcelona Est, Universitat Politècnica de Catalunya]. UPCommons.
http://hdl.handle.net/2117/405085
Giuffrè, T., Granà, A., & Marino, S. (2020). A digital twin decision support system for
bridge management based on safety, condition and risk assessment. Structure
and Infrastructure Engineering, 17(3), 429–447.
González Canales, J. A. (2023). Relación entre la probabilidad de existencia de
permafrost y la susceptibilidad de remociones en masa en la zona alta de la
cuenca del río Huasco, Región de Atacama [Tesis de pregrado, Universidad de
Chile]. Repositorio Académico Universidad de Chile.
https://repositorio.uchile.cl/handle/2250/194406
Gras, J. P., Arroyo, M., Gens, A., & Soga, K. (2023). A framework for the development
of digital twins in geotechnical engineering. Computers and Geotechnics, 157,
105366.
Johansen, T., Ødegård, M., & Hjelseth, E. (2022). Real-time digital twins in tunneling:
Integrating probabilistic modeling and sensor feedback. Tunnelling and
Underground Space Technology, 130, 105016.
Lagos Sepúlveda, C. S. (2021). Análisis de riesgo en el proceso constructivo de
túneles construidos con TBM [Tesis de pregrado, Universidad de Chile].
Revista Científica Ciencia y Método | Vol.02 | Núm.01 | Ene – Mar | 2024 | www.revistacym.com pág. 40
Artículo Científico
Enero – Marzo 2024
Repositorio Académico Universidad de Chile.
https://repositorio.uchile.cl/handle/2250/181329
Liu, Z., Wu, Z., Zhang, J., & Wang, Y. (2021). Challenges and strategies of sensor
deployment in geotechnical digital twin systems. Sensors, 21(12), 4024.
Sun, H., Zhang, D., & Zhou, C. (2022). Probabilistic digital twins for geotechnical
systems: Framework, challenges and opportunities. Computers and
Geotechnics, 144, 104648.
Toala Arias , F. J., Maldonado Zuñiga , K. ., Toala Zambrano , M. M. ., & Álava Cruzatty
, J. E. . (2022). Gemelos digitales en la industria. Revista Científica Arbitrada
Multidisciplinaria PENTACIENCIAS, 4(1), 75–83. Recuperado a partir de
https://www.editorialalema.org/index.php/pentaciencias/article/view/29
Wang, X., Kim, Y., & Zhang, C. (2021). Real-time monitoring and probabilistic
assessment of geotechnical structures using digital twins. Journal of
Infrastructure Systems, 27(3), 04021030.
Wu, C., Tang, C., & Zhang, D. (2023). Bayesian-based digital twin for dam safety
monitoring: A case study of Shuibuya dam. Computers and Geotechnics, 156,
105354.
Zapata-Mendoza, P. C. O., Villalta-Arellano, S. R., Berrios-Zevallos, A. A., Atto-Coba,
S. R., & Berrios-Tauccaya, O. J. (2023). Sostenibilidad ambiental en el diseño
arquitectónico de plantas procesadoras de alimentos. Editorial Grupo AEA.
https://doi.org/10.55813/egaea.l.2022.59
Zhang, L., Li, J., & Chen, Q. (2023). Application of digital twin technology in
geotechnical engineering: A comprehensive review. Automation in
Construction, 149, 104790.
