Técnica permite estimar la fuerza que actúa sobre cada grano de arena de una duna

Investigadores brasileños desarrollaron una técnica que permite estimar, a partir de imágenes, la fuerza ejercida sobre cada grano de arena en una duna. El método, basado en simulaciones numéricas y inteligencia artificial (IA), revoluciona la forma de estudiar la dinámica de los sistemas granulares y abre el camino para investigar procesos físicos que antes eran imposibles de medir. Las aplicaciones van desde la ingeniería civil hasta la exploración espacial.

Los resultados fueron publicados en la revista Geophysical Research Letters.

El foco de la investigación fueron las llamadas “dunas barcanas” – estructuras con forma de media luna, cuyos extremos apuntan en la dirección del flujo del viento o del agua. “Estas dunas aparecen en entornos muy distintos: el interior de tuberías, los fondos de ríos y mares, los desiertos terrestres e incluso la superficie de otros planetas, como Marte. Esa forma de media luna es un atractor. Basta con tener una cantidad razonable de granos sobre un suelo no erosionable y un fluido fluyendo de manera unidireccional para que se forme una barcana”, explica Erick Franklin, profesor de la Facultad de Ingeniería Mecánica de la Universidade Estadual de Campinas (FEM-Unicamp) y coordinador del estudio.

Las escalas involucradas varían enormemente: en ambientes acuáticos de laboratorio, las dunas pueden tener solo 10 centímetros y desplazarse en menos de un minuto; en los desiertos de la Tierra, miden unos 100 metros y se mueven a lo largo de un año; en Marte, pueden alcanzar 1 kilómetro y tardar unos mil años en desplazarse. “A pesar de esa diferencia de escalas, la dinámica subyacente es muy parecida”, destaca Franklin. “Y eso permite hacer predicciones sobre la evolución de la superficie de Marte a partir de una pequeña duna de laboratorio.”

Aunque la simple observación de su forma y movimiento permite inferir la dirección e intensidad media de los vientos, conocer la fuerza resultante sobre cada grano de arena siempre se consideró una misión imposible. Es fácil entender por qué. “Una duna subacuática de laboratorio puede tener 100 mil granos, cada uno de 0.2 milímetros de diámetro. Para medir la fuerza que actúa sobre cada uno sería necesario colocar un acelerómetro diminuto en cada grano, algo que simplemente no existe. En las dunas de los desiertos terrestres, el número de granos asciende a 10¹⁵ (un cuatrillón), y en las dunas de Marte, a 10¹⁷ (100 cuatrillones)”, detalla el investigador.

Incluso con cámaras de alta velocidad y técnicas avanzadas de medición de movimiento, la fuerza individual sobre los granos siempre estuvo fuera del alcance experimental. La solución fue combinar experimentos de dunas subacuáticas –que se forman y se mueven en cuestión de minutos– con simulaciones numéricas en las que la dinámica (fuerzas y movimientos) de cada grano puede calcularse en todo momento.

Estas simulaciones, de alta resolución espacial y temporal, reproducen con precisión las dunas observadas en los experimentos y proporcionan mapas de fuerza imposibles de obtener directamente a gran escala.

El estudio emparejó entonces las imágenes reales de las superficies de las dunas con los mapas de fuerza generados por las simulaciones, proporcionando para cada grano un par de datos: imagen y fuerza. “Con base en esto, entrenamos una red neuronal convolucional (CNN) para estimar las fuerzas resultantes que actúan sobre los granos de dunas reales”, explica Renato Miotto, estudiante de posdoctorado en la FEM-Unicamp e investigador visitante en la Syracuse University, en Estados Unidos.

Una red neural convolucional (CNN, por sus siglas en inglés) es un modelo de inteligencia artificial diseñado para procesar datos con estructura espacial, como imágenes. Utiliza capas de convolución que aplican filtros a pequeñas regiones de la entrada para detectar patrones locales (bordes, texturas, formas) y generar mapas de características. Con varias capas, la red combina patrones simples en estructuras complejas, lo que le permite reconocer objetos, clasificar imágenes o extraer información de manera automática y eficiente.

Las CNN se usan ampliamente en visión computacional, reconocimiento facial, análisis médico y otras tareas de detección y clasificación. “En el estudio, la red fue capaz de inferir la distribución de fuerzas a partir de simples imágenes de dunas e incluso generalizar sus predicciones para formas que nunca había visto antes”, puntualiza Miotto.

William Wolf, profesor de la FEM-Unicamp y coautor del estudio, destaca que el proceso requirió especial cuidado en la preparación de los datos: “Usamos simulaciones tridimensionales de alta fidelidad que nos permiten obtener una resolución muy elevada en las escalas espaciales y temporales, lo que nos dio un nivel de detalle muy cercano a la realidad. Así, la CNN aprendió los detalles de la dinámica y la morfología de las dunas, parámetros esenciales para que la red pudiera generalizar las imágenes experimentales”.

Aplicaciones

Miotto añade que la metodología no se limita a la arena: “Cualquier sistema granular visible mediante imágenes —ya sea hielo, sal o partículas sintéticas— puede analizarse, siempre que exista una simulación capaz de reproducir adecuadamente el comportamiento del material.”

Según los investigadores, la técnica puede adaptarse para estudiar otros sistemas formados por partículas en movimiento y abordar problemas concretos como el sedimentado de ríos, la erosión costera, el movimiento de arena en puertos y los flujos industriales. “Estos procesos tienen enormes costos económicos y afectan comunidades enteras. Herramientas como esta pueden ayudar a prever y mitigar los daños. En el caso de Marte, es posible inferir, a partir de imágenes ampliamente disponibles, la intensidad de los vientos en el pasado y la evolución futura de las dunas”, enfatiza Franklin.

Wolf resalta el carácter colaborativo del estudio: “Trabajamos juntos desde hace años, uniendo competencias en física de flujos, mecánica de fluidos y análisis computacional. Es un ejemplo de cómo el apoyo continuo a la investigación básica puede generar avances con impacto en múltiples áreas.”

El estudio recibió apoyo de la FAPESP a través de seis proyectos (13/08293-7, 18/14981-7, 19/17874-0, 21/06448-0, 22/01758-3 y 22/09196-4).

El artículo Resultant force on grains of a real sand dune: how to measure it? puede leerse en su totalidad en: agupubs.onlinelibrary.wiley.com/doi/10.1029/2025GL116942.