Upload 3 files

app.py

@@ -0,0 +1,530 @@
+# -*- coding: utf-8 -*-
+"""Untitled0.ipynb
+
+Automatically generated by Colab.
+
+Original file is located at
+    https://colab.research.google.com/drive/1lA4vvx9sbWFfjQHAmGs8ADgwhNOypfsM
+"""
+
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+import gradio as gr
+import io
+import base64
+from datetime import datetime
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.metrics import r2_score, mean_squared_error
+import tempfile
+
+print("🚀 Iniciando GeoPredict en Hugging Face...")
+
+# ==============================================================================
+# BLOQUE 1: ENTRENAMIENTO DEL MODELO (se ejecuta al iniciar)
+# ==============================================================================
+
+print("📂 Cargando y entrenando modelos...")
+
+# Cargar datos
+df = pd.read_excel('base_datos.xlsx')
+
+# Limpieza robusta
+df['N60'] = pd.to_numeric(df['N60'], errors='coerce')
+df['φ_grados'] = pd.to_numeric(df['φ_grados'], errors='coerce')
+df['Densidad_relativa'] = df['Densidad_relativa'].astype(str).str.replace(r'[-%]', '', regex=True)
+df['Densidad_relativa'] = pd.to_numeric(df['Densidad_relativa'], errors='coerce')
+df['Cu/Su (KPa)'] = pd.to_numeric(df['Cu/Su (KPa)'], errors='coerce')
+df = df.dropna(subset=['MATERIAL', 'N60'], how='all')
+
+# Configuración de modelos
+config = [
+    ('ARENA', 'φ_grados', 'Ángulo de fricción (φ)', 'grados'),
+    ('GRAVA', 'φ_grados', 'Ángulo de fricción (φ)', 'grados'),
+    ('ARCILLA', 'Cu/Su (KPa)', 'Resistencia no drenada (Cu/Su)', 'kPa'),
+    ('ARENA', 'Densidad_relativa', 'Densidad relativa (Dr)', 'decimal'),
+    ('GRAVA', 'Densidad_relativa', 'Densidad relativa (Dr)', 'decimal')
+]
+
+modelos_rf = {}
+
+for material, col_y, nombre_prop, unidad in config:
+    print(f"🧠 Entrenando: {material} → {nombre_prop}")
+    df_mat = df[df['MATERIAL'] == material].copy()
+    X = df_mat[['N60']]
+    y = df_mat[col_y]
+
+    mask = y.notnull()
+    X, y = X[mask], y[mask]
+
+    if len(X) < 5:
+        print(f"  ⚠️ Pocos datos. Saltando...")
+        continue
+
+    # Entrenar Random Forest
+    model = RandomForestRegressor(n_estimators=100, random_state=42)
+    model.fit(X, y)
+
+    # Evaluar
+    y_pred = model.predict(X)
+    r2 = r2_score(y, y_pred)
+    rmse = np.sqrt(mean_squared_error(y, y_pred))
+
+    # Guardar modelo
+    clave = f"{material}_{col_y}"
+    modelos_rf[clave] = {
+        'modelo': model,
+        'R2': r2,
+        'RMSE': rmse,
+        'unidad': unidad,
+        'propiedad': nombre_prop,
+        'X_train': X.values.flatten(),
+        'y_train': y.values.flatten()
+    }
+
+print("✅ Modelos entrenados correctamente")
+
+# ==============================================================================
+# BLOQUE 2: CONFIGURACIÓN Y FUNCIONES PARA GRADIO
+# ==============================================================================
+
+# Configuración profesional de matplotlib
+plt.rcParams['font.size'] = 12
+plt.rcParams['axes.grid'] = True
+plt.rcParams['grid.alpha'] = 0.3
+
+# RANGOS por material
+RANGOS_MATERIAL = {
+    'ARENA': {'min': 1, 'max': 60, 'defecto': 25, 'rango_real': "1-60"},
+    'GRAVA': {'min': 5, 'max': 100, 'defecto': 40, 'rango_real': "5-100"},
+    'ARCILLA': {'min': 5, 'max': 30, 'defecto': 15, 'rango_real': "5-30"}
+}
+
+def predecir_propiedades_completo(material, n60, nombre_ing, ubicacion, proyecto):
+    """Función completa para predicciones profesionales"""
+
+    try:
+        # Validar rango
+        rango = RANGOS_MATERIAL[material]
+        if n60 < rango['min'] or n60 > rango['max']:
+            raise ValueError(f"N60 = {n60} fuera del rango válido para {material} ({rango['min']}-{rango['max']})")
+
+        predicciones = {}
+        graficas_base64 = []
+        detalles_modelo = []
+
+        if material in ['ARENA', 'GRAVA']:
+            # Predicción para φ
+            clave_phi = f"{material}_φ_grados"
+            if clave_phi in modelos_rf:
+                info = modelos_rf[clave_phi]
+                phi_pred = info['modelo'].predict([[n60]])[0]
+                predicciones['Ángulo de Fricción (φ)'] = {
+                    'valor': f"{phi_pred:.1f}°",
+                    'valor_num': phi_pred,
+                    'r2': info['R2'],
+                    'rmse': info['RMSE']
+                }
+
+                # Gráfica para φ
+                fig, ax = plt.subplots(figsize=(10, 6))
+
+                sample_size = min(50, len(info['X_train']))
+                sample_indices = np.random.choice(len(info['X_train']), size=sample_size, replace=False)
+                X_sample = info['X_train'][sample_indices]
+                y_sample = info['y_train'][sample_indices]
+
+                ax.scatter(X_sample, y_sample, alpha=0.7, color='steelblue', s=60,
+                          label='Datos de Campo', edgecolors='white', linewidth=0.5)
+
+                N60_plot = np.linspace(info['X_train'].min(), info['X_train'].max(), 100).reshape(-1, 1)
+                y_plot = info['modelo'].predict(N60_plot)
+                ax.plot(N60_plot, y_plot, color='purple', linewidth=3, label='Modelo Random Forest')
+
+                ax.scatter([n60], [phi_pred], color='red', s=150, zorder=5,
+                          marker='*', label=f'Predicción: {phi_pred:.1f}°')
+
+                ax.axvline(x=n60, color='red', linestyle='--', alpha=0.5)
+                ax.axhline(y=phi_pred, color='red', linestyle='--', alpha=0.5)
+
+                ax.set_title(f'{material}: Ángulo de Fricción (φ)\nR² = {info["R2"]:.3f} | RMSE = {info["RMSE"]:.2f}',
+                            fontsize=14, fontweight='bold')
+                ax.set_xlabel('N60 (SPT)', fontsize=12)
+                ax.set_ylabel('φ (grados)', fontsize=12)
+                ax.legend()
+                ax.grid(True, alpha=0.3)
+
+                plt.tight_layout()
+                buf = io.BytesIO()
+                plt.savefig(buf, format='png', dpi=100, bbox_inches='tight')
+                buf.seek(0)
+                graficas_base64.append(base64.b64encode(buf.getvalue()).decode('utf-8'))
+                plt.close()
+
+            # Predicción para Dr
+            clave_dr = f"{material}_Densidad_relativa"
+            if clave_dr in modelos_rf:
+                info = modelos_rf[clave_dr]
+                dr_pred = info['modelo'].predict([[n60]])[0] * 100
+                predicciones['Densidad Relativa (Dr)'] = {
+                    'valor': f"{dr_pred:.1f}%",
+                    'valor_num': dr_pred,
+                    'r2': info['R2'],
+                    'rmse': info['RMSE']
+                }
+
+                # Gráfica para Dr
+                fig, ax = plt.subplots(figsize=(10, 6))
+
+                sample_size = min(50, len(info['X_train']))
+                sample_indices = np.random.choice(len(info['X_train']), size=sample_size, replace=False)
+                X_sample = info['X_train'][sample_indices]
+                y_sample = info['y_train'][sample_indices] * 100
+
+                ax.scatter(X_sample, y_sample, alpha=0.7, color='green', s=60,
+                          label='Datos de Campo', edgecolors='white', linewidth=0.5)
+
+                N60_plot = np.linspace(info['X_train'].min(), info['X_train'].max(), 100).reshape(-1, 1)
+                y_plot = info['modelo'].predict(N60_plot) * 100
+                ax.plot(N60_plot, y_plot, color='purple', linewidth=3, label='Modelo Random Forest')
+
+                ax.scatter([n60], [dr_pred], color='red', s=150, zorder=5,
+                          marker='*', label=f'Predicción: {dr_pred:.1f}%')
+
+                ax.axvline(x=n60, color='red', linestyle='--', alpha=0.5)
+                ax.axhline(y=dr_pred, color='red', linestyle='--', alpha=0.5)
+
+                ax.set_title(f'{material}: Densidad Relativa (Dr)\nR² = {info["R2"]:.3f} | RMSE = {info["RMSE"]:.3f}',
+                            fontsize=14, fontweight='bold')
+                ax.set_xlabel('N60 (SPT)', fontsize=12)
+                ax.set_ylabel('Dr (%)', fontsize=12)
+                ax.legend()
+                ax.grid(True, alpha=0.3)
+
+                plt.tight_layout()
+                buf = io.BytesIO()
+                plt.savefig(buf, format='png', dpi=100, bbox_inches='tight')
+                buf.seek(0)
+                graficas_base64.append(base64.b64encode(buf.getvalue()).decode('utf-8'))
+                plt.close()
+
+        elif material == 'ARCILLA':
+            clave_cu = "ARCILLA_Cu/Su (KPa)"
+            if clave_cu in modelos_rf:
+                info = modelos_rf[clave_cu]
+                cu_pred = info['modelo'].predict([[n60]])[0]
+                predicciones['Resistencia No Drenada (Cu)'] = {
+                    'valor': f"{cu_pred:.1f} kPa",
+                    'valor_num': cu_pred,
+                    'r2': info['R2'],
+                    'rmse': info['RMSE']
+                }
+
+                # Gráfica para Cu
+                fig, ax = plt.subplots(figsize=(10, 6))
+
+                sample_size = min(50, len(info['X_train']))
+                sample_indices = np.random.choice(len(info['X_train']), size=sample_size, replace=False)
+                X_sample = info['X_train'][sample_indices]
+                y_sample = info['y_train'][sample_indices]
+
+                ax.scatter(X_sample, y_sample, alpha=0.7, color='coral', s=60,
+                          label='Datos de Campo', edgecolors='white', linewidth=0.5)
+
+                N60_plot = np.linspace(info['X_train'].min(), info['X_train'].max(), 100).reshape(-1, 1)
+                y_plot = info['modelo'].predict(N60_plot)
+                ax.plot(N60_plot, y_plot, color='purple', linewidth=3, label='Modelo Random Forest')
+
+                ax.scatter([n60], [cu_pred], color='red', s=150, zorder=5,
+                          marker='*', label=f'Predicción: {cu_pred:.1f} kPa')
+
+                ax.axvline(x=n60, color='red', linestyle='--', alpha=0.5)
+                ax.axhline(y=cu_pred, color='red', linestyle='--', alpha=0.5)
+
+                ax.set_title(f'Arcilla: Resistencia No Drenada (Cu)\nR² = {info["R2"]:.3f} | RMSE = {info["RMSE"]:.2f}',
+                            fontsize=14, fontweight='bold')
+                ax.set_xlabel('N60 (SPT)', fontsize=12)
+                ax.set_ylabel('Cu (kPa)', fontsize=12)
+                ax.legend()
+                ax.grid(True, alpha=0.3)
+
+                plt.tight_layout()
+                buf = io.BytesIO()
+                plt.savefig(buf, format='png', dpi=100, bbox_inches='tight')
+                buf.seek(0)
+                graficas_base64.append(base64.b64encode(buf.getvalue()).decode('utf-8'))
+                plt.close()
+
+        # Generar reporte HTML
+        reporte_html = generar_reporte_completo(predicciones, graficas_base64, material, n60, nombre_ing, ubicacion, proyecto)
+
+        # HTML para mostrar en la interfaz
+        resultados_html = f"""
+        <div style="background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
+                    color: white; padding: 20px; border-radius: 10px; margin-bottom: 20px;">
+            <h2 style="margin: 0; text-align: center;">🏗️ GeoPredict SPTro - Resultados</h2>
+            <p style="text-align: center; margin: 5px 0 0 0; opacity: 0.9;">
+                {material} | N60 = {n60} | {datetime.now().strftime('%d/%m/%Y %H:%M')}
+            </p>
+        </div>
+
+        <div style="background: #fff3cd; color: #856404; padding: 15px; border-radius: 8px;
+                    border: 1px solid #ffeaa7; margin: 15px 0;">
+            <strong>📏 Rango del modelo:</strong> N60 = {rango['min']}-{rango['max']}
+        </div>
+
+        <div style="background: #f8f9fa; padding: 20px; border-radius: 8px; margin: 15px 0;">
+            <h3 style="color: #2c3e50; margin-top: 0;">📊 Predicciones</h3>
+            <div style="display: grid; grid-template-columns: repeat(auto-fit, minmax(250px, 1fr)); gap: 15px;">
+        """
+
+        for prop, data in predicciones.items():
+            resultados_html += f"""
+                <div style="background: white; padding: 15px; border-radius: 8px;
+                          border-left: 4px solid #667eea; box-shadow: 0 2px 4px rgba(0,0,0,0.1);">
+                    <div style="font-weight: bold; color: #2c3e50; margin-bottom: 5px;">{prop}</div>
+                    <div style="font-size: 1.4em; font-weight: bold; color: #667eea;">{data['valor']}</div>
+                    <div style="font-size: 0.9em; color: #666; margin-top: 5px;">R² = {data['r2']:.3f}</div>
+                </div>
+            """
+
+        resultados_html += """
+            </div>
+        </div>
+        """
+
+        # Gráficas HTML
+        graficas_html = "<div style='margin-top: 20px;'>"
+        for img_base64 in graficas_base64:
+            graficas_html += f"""
+            <div style="background: white; padding: 15px; border-radius: 8px; margin: 15px 0;
+                      box-shadow: 0 2px 8px rgba(0,0,0,0.1);">
+                <img src="data:image/png;base64,{img_base64}"
+                     style="max-width: 100%; height: auto; border-radius: 5px;">
+            </div>
+            """
+        graficas_html += "</div>"
+
+        return resultados_html, graficas_html, reporte_html
+
+    except Exception as e:
+        error_html = f"""
+        <div style="background: #f8d7da; color: #721c24; padding: 20px; border-radius: 8px;
+                    border: 1px solid #f5c6cb; margin: 20px 0;">
+            <h3 style="margin: 0 0 10px 0;">❌ Error en la predicción</h3>
+            <p style="margin: 0;">{str(e)}</p>
+        </div>
+        """
+        return error_html, "", ""
+
+def generar_reporte_completo(predicciones, graficas_base64, material, n60, nombre_ing, ubicacion, proyecto):
+    """Genera reporte HTML completo"""
+    html_content = f"""<!DOCTYPE html>
+<html>
+<head>
+    <meta charset="UTF-8">
+    <title>Reporte Geotécnico - GeoPredict Pro</title>
+    <style>
+        body {{ font-family: Arial, sans-serif; line-height: 1.6; color: #333; max-width: 1200px; margin: 0 auto; padding: 20px; }}
+        .header {{ background: linear-gradient(135deg, #667eea 0%, #764ba2 100%); color: white; padding: 30px; border-radius: 15px; text-align: center; margin-bottom: 30px; }}
+        .prediction-card {{ background: #667eea; color: white; padding: 20px; border-radius: 10px; text-align: center; margin: 10px; }}
+        .section {{ background: white; padding: 20px; margin: 20px 0; border-radius: 10px; box-shadow: 0 2px 5px rgba(0,0,0,0.1); }}
+        .graph-container {{ text-align: center; margin: 20px 0; }}
+        .graph-container img {{ max-width: 100%; height: auto; }}
+    </style>
+</head>
+<body>
+    <div class="header">
+        <h1>🏗️ GeoPredict SPTro - Reporte Geotécnico</h1>
+        <p>{material} | N60 = {n60} | {datetime.now().strftime('%d/%m/%Y %H:%M')}</p>
+    </div>
+
+    <div class="section">
+        <h2>📋 Información del Proyecto</h2>
+        <p><strong>Proyecto:</strong> {proyecto}</p>
+        <p><strong>Ubicación:</strong> {ubicacion}</p>
+        <p><strong>Ingeniero:</strong> {nombre_ing}</p>
+        <p><strong>Material:</strong> {material}</p>
+        <p><strong>N60 (SPT):</strong> {n60}</p>
+        <p><strong>Fecha:</strong> {datetime.now().strftime('%d/%m/%Y %H:%M')}</p>
+    </div>
+
+    <div class="section">
+        <h2>📊 Resultados de Predicción</h2>
+        <div style="display: flex; flex-wrap: wrap;">
+    """
+
+    for prop, data in predicciones.items():
+        html_content += f"""
+            <div class="prediction-card">
+                <h3>{prop}</h3>
+                <div style="font-size: 2em; font-weight: bold;">{data['valor']}</div>
+                <div>R² = {data['r2']:.3f}</div>
+            </div>
+        """
+
+    html_content += """
+        </div>
+    </div>
+    """
+
+    if graficas_base64:
+        html_content += """
+    <div class="section">
+        <h2>📊 Gráficas de Análisis</h2>
+        """
+        for img_base64 in graficas_base64:
+            html_content += f"""
+        <div class="graph-container">
+            <img src="data:image/png;base64,{img_base64}" alt="Gráfica de análisis">
+        </div>
+            """
+        html_content += """
+    </div>
+        """
+
+    html_content += f"""
+    <div class="section" style="text-align: center; background: #f8f9fa;">
+        <p><strong>GeoPredict Pro</strong> - Sistema de Predicción Geotécnica con IA</p>
+        <p>Reporte generado automáticamente el {datetime.now().strftime('%d/%m/%Y')}</p>
+    </div>
+</body>
+</html>"""
+    return html_content
+
+# ==============================================================================
+# BLOQUE 3: INTERFAZ GRADIO
+# ==============================================================================
+
+with gr.Blocks(theme=gr.themes.Soft(), title="GeoPredict SPTpro") as demo:
+
+    gr.Markdown("""
+    # 🏗️ GeoPredict SPTpro
+    ### Sistema Profesional de Predicción Geotécnica con IA
+    """)
+
+    with gr.Row():
+        with gr.Column(scale=1):
+            gr.Markdown("### ⚙️ Parámetros de Entrada")
+
+            material = gr.Dropdown(
+                ["ARENA", "GRAVA", "ARCILLA"],
+                label="🎯 Material del Suelo",
+                value="ARENA",
+                info="Seleccione el tipo de material"
+            )
+
+            n60 = gr.Slider(
+                1, 100, value=25, step=1,
+                label="🔢 Valor N60 (SPT)",
+                info="Rango completo: 1-100"
+            )
+
+            nombre_ing = gr.Textbox(
+                label="👤 Ingeniero Responsable",
+                value="Ing. Geotécnico",
+                placeholder="Ingrese su nombre"
+            )
+
+            ubicacion = gr.Textbox(
+                label="📍 Ubicación del Proyecto",
+                value="Sitio de Estudio",
+                placeholder="Ubicación del proyecto"
+            )
+
+            proyecto = gr.Textbox(
+                label="🏢 Nombre del Proyecto",
+                value="Proyecto de Infraestructura",
+                placeholder="Nombre oficial del proyecto"
+            )
+
+            btn_predict = gr.Button(
+                "🚀 Ejecutar Predicción",
+                size="lg",
+                variant="primary"
+            )
+
+        with gr.Column(scale=2):
+            gr.Markdown("### 📊 Resultados del Análisis")
+            resultados = gr.HTML(label="Predicciones")
+            graficas = gr.HTML(label="Gráficas del Modelo")
+
+            gr.Markdown("### 💾 Descargar Reporte")
+            descarga_html = gr.HTML("""
+            <div style="background: #d4edda; color: #155724; padding: 15px; border-radius: 8px;
+                        border: 1px solid #c3e6cb; text-align: center;">
+                <p style="margin: 0;">📄 Ejecuta una predicción para generar el reporte</p>
+            </div>
+            """)
+
+            descarga_btn = gr.Button(
+                "📥 Descargar Reporte HTML",
+                size="lg",
+                variant="secondary",
+                visible=False
+            )
+
+            archivo_descarga = gr.File(
+                label="Reporte Geotécnico",
+                visible=False
+            )
+
+    # Ejemplos
+    gr.Markdown("### 🚀 Ejemplos Rápidos")
+    with gr.Row():
+        gr.Examples(
+            examples=[
+                ["ARENA", 25, "Ing. Ejemplo", "Ciudad Ejemplo", "Edificio Corporativo"],
+                ["GRAVA", 60, "Ing. Ejemplo", "Zona Industrial", "Planta de Producción"],
+                ["ARCILLA", 15, "Ing. Ejemplo", "Área Residencial", "Conjunto Habitacional"]
+            ],
+            inputs=[material, n60, nombre_ing, ubicacion, proyecto]
+        )
+
+    # Variable para almacenar el reporte actual
+    reporte_actual = gr.State("")
+
+    # Función principal
+    def procesar_prediccion(material, n60, nombre_ing, ubicacion, proyecto):
+        resultados_html, graficas_html, reporte_html = predecir_propiedades_completo(
+            material, n60, nombre_ing, ubicacion, proyecto
+        )
+
+        mostrar_descarga = reporte_html != ""
+
+        return resultados_html, graficas_html, gr.Button(visible=mostrar_descarga), reporte_html
+
+    # Función para descargar
+    def generar_descarga(reporte_html):
+        if reporte_html:
+            filename = "reporte_geotecnico.html"
+            temp_file = tempfile.NamedTemporaryFile(delete=False, suffix='.html', mode='w', encoding='utf-8')
+            temp_file.write(reporte_html)
+            temp_file.close()
+            return gr.File(value=temp_file.name, label=filename, visible=True)
+        return gr.File(visible=False)
+
+    # Conectar botones
+    btn_predict.click(
+        fn=procesar_prediccion,
+        inputs=[material, n60, nombre_ing, ubicacion, proyecto],
+        outputs=[resultados, graficas, descarga_btn, reporte_actual]
+    )
+
+    descarga_btn.click(
+        fn=generar_descarga,
+        inputs=[reporte_actual],
+        outputs=[archivo_descarga]
+    )
+
+# ==============================================================================
+# EJECUCIÓN PRINCIPAL
+# ==============================================================================
+
+if __name__ == "__main__":
+    demo.launch(
+        debug=False,
+        show_error=True,
+        server_name="0.0.0.0",  # ← AÑADE ESTO
+        server_port=7860        # ← AÑADE ESTO
+    )

requirements.txt

@@ -0,0 +1,6 @@
+pandas==1.5.3
+scikit-learn==1.2.2
+matplotlib==3.7.1
+openpyxl==3.1.2
+numpy==1.24.3
+gradio==4.13.0