Hoy en día, muchos aspectos de nuestras vidas se basan en tecnologías para visualizar o caracterizar objetos o estructuras invisibles al ojo humano. Es el caso, por ejemplo, de las ecografías y radiografías, donde se reconstruyen imágenes de una parte del interior del cuerpo humano. Es el caso también de la exploración geofísica, dónde cartografiar el subsuelo terrestre es fundamental para el aprovechamiento de los recursos naturales y para el almacenamiento de CO2 e hidrógeno en el subsuelo. Otra área de aplicación de estas tecnologías es la salud estructural de infraestructuras que pueden esconder grietas, fisuras u otros fallos que pueden generar hasta el derrumbamiento de dichas estructuras, si no se detectan y evalúan a tiempo.

Matemáticamente, estos problemas pertenecen a la clase de “problemas inversos”: a partir de mediciones experimentales obtenidas con ondas que se propagan por un medio, podemos averiguar los parámetros que caracterizan dicho medio. Los modelos matemáticos para estos fenómenos se conocen desde hace décadas: están basados en ecuaciones en derivadas parciales, cuyos coeficientes engloban parámetros físicos, conocidos o no. Sin embargo, resolver los problemas inversos asociados sigue siendo un reto para la comunidad científica debido al gran coste computacional que la interpretación de datos requiere.

En este contexto, nuestro proyecto pretende contribuir a una interpretación en tiempo real de las mediciones adquiridas en aquellas situaciones que requieren decisiones instantáneas para un funcionamiento óptimo de los dispositivos tecnológicos, como son, por ejemplo, las herramientas de perforación del subsuelo y las plataformas eólicas marinas.

En concreto, trabajamos en la integración de las técnicas de aprendizaje profundo en la resolución de estos problemas, basándonos en el éxito que esta rama de la inteligencia artificial ha tenido en otros tipos de problemas, como reconstrucción de imágenes y procesamiento de señales de audio. El aprendizaje profundo usa una cascada de capas que forman una red neuronal, capaz de aprender a parir de ejemplos. Asimismo, nuestro trabajo consiste por un lado en generar la base de datos necesaria para entrenar la red neuronal y, por otro lado, en diseñar arquitecturas de redes neuronales capaces de aprender de estos ejemplos sintéticos. Una vez esta etapa esté acabada, el algoritmo podrá asociar, en una fracción de segundo, mediciones experimentales con los parámetros buscados y, de esta manera, resolver los problemas inversos de interés.

El resultado final de este proyecto será una herramienta innovadora para problemas prácticos que requieran la caracterización y monitorización de zonas ocultas del subsuelo terrestre o de varias estructuras. Para lograr este objetivo, contamos con un equipo de científicos de talla mundial con experiencia complementaria en matemáticas aplicadas, exploración geofísica, energía eólica marina y computación de alto rendimiento.

Aplicaciones como el almacenamiento de hidrógeno, el almacenamiento de CO2, y la producción de energía geotérmica dependen de una herramienta fiable de descubrimiento, caracterización y monitorización del subsuelo terrestre. En este sentido, nuestro proyecto contribuirá a una explotación segura y con mínimo impacto ambiental de los recursos de la Tierra. En las aplicaciones relacionadas con las plataformas marinas de energía eólica, el proyecto contribuirá a la reducción de los costes y riesgos de mantenimiento y reparación mediante el diseño de algoritmos inteligentes capaces de detectar automáticamente eventuales daños (grietas, corrosiones, rotura de cabos de amarre, entre otros) basándonos en mediciones de desplazamientos de la plataforma, vibraciones y deformaciones en puntos concretos de la estructura.

De manera más general, nuestro trabajo contribuirá al desarrollo de energías más respetuosas con el medio ambiente y de bajo coste: energía eólica, energía geotérmica, y energía basada en el hidrógeno.