Avance tecnológico: Gemelo digital predice el deshielo del permafrost bajo carreteras árticas

Un desafío crítico para el Ártico: el permafrost bajo las carreteras

El permafrost en el Ártico se está calentando y volviendo menos estable, lo que representa un riesgo creciente para las infraestructuras del norte. Sin embargo, predecir su evolución es complicado debido a la variabilidad de las condiciones subterráneas en distancias cortas, la escasez de observaciones y las limitaciones de los modelos tradicionales, que no se actualizan fácilmente con nuevos datos de campo.

Un gemelo digital con física integrada

En un estudio reciente publicado en el Journal of Geophysical Research: Earth Surface, los investigadores Gou et al. [2026] presentan una solución innovadora aplicada a un tramo de carretera en Utqiaġvik, Alaska. Utilizando mediciones de temperatura con fibra óptica a lo largo de un transecto de 100 metros, el equipo desarrolló un gemelo digital que combina inteligencia artificial y física del subsuelo para modelar el comportamiento del permafrost.

Lo más destacado de este trabajo no es solo el uso de aprendizaje automático, sino la integración de una red neuronal dentro de un solver de transferencia de calor. Esto permite que el modelo mantenga las leyes físicas fundamentales mientras se actualiza con nuevos datos, ajustando propiedades inciertas del suelo en tiempo real.

Cómo funciona el sistema

El marco propuesto por los autores funciona de la siguiente manera:

• La red neuronal (NN) recibe como entrada la temperatura del suelo en cada posición lateral y genera seis parámetros desconocidos que varían con la distancia.
• Estos parámetros se integran en la ecuación de transferencia de calor mediante relaciones constitutivas.
• El sistema resultante se resuelve utilizando un método de diferencias finitas (FDM).
• La diferencia entre las temperaturas predichas y observadas se calcula como "pérdida", y los gradientes de esta pérdida se retropropagan para actualizar los parámetros de la red neuronal.

Este enfoque permite reconstruir campos de temperatura subterráneos, inferir propiedades termodinámicas como el contenido de agua no congelada y la conductividad térmica, y validar estas inferencias con datos independientes de DAS, temperaturas de pozos y mediciones de laboratorio.

Más allá de un modelo local: una solución escalable

Aunque el estudio se centra en un caso específico en Alaska, los investigadores destacan que este sistema no es un ejercicio de modelado aislado. Por el contrario, ofrece un camino creíble hacia la predicción en tiempo casi real del permafrost y la monitorización de infraestructuras en una región que se calienta rápidamente.

Esta innovación podría ser clave para gestionar los riesgos asociados al deshielo del permafrost, especialmente en zonas remotas donde la infraestructura es vital para las comunidades locales.

"Este trabajo va más allá de la predicción basada en cajas negras. Se trata de un sistema interpretable y actualizable que puede reconstruir campos de temperatura subterráneos y probar sus inferencias con datos independientes."

Referencia del estudio

Cita: Gou, L., Xiao, M., Zhu, T., Martin, E. R., Wang, Z., Rocha dos Santos, G., et al. (2026). Physics-informed digital twin for predicting permafrost thermodynamic characteristics under an embankment road in Utqiaġvik, Alaska. Journal of Geophysical Research: Earth Surface, 131, e2025JF008787. https://doi.org/10.1029/2025JF008787

Nota: Texto © 2026. Los autores. Licencia CC BY-NC-ND 3.0. Las imágenes están sujetas a derechos de autor. Cualquier uso no autorizado está prohibido.