Publicada By  V铆ctor Yepes Piqueras - Docencia, estructuras, hormig贸n, ingenier铆a civil, innovaci贸n, investigaci贸n, modelo matem谩tico, optimizaci贸n, ordenadores, sostenibilidad, toma de decisiones, universidad    

El programa de la asignatura Modelos Predictivos y de Optimizaci贸n de Estructuras de Hormig贸n se ha dise帽ado bas谩ndose en el programa presentado en el departamento de Ingenier铆a de la Construcci贸n y Proyectos de Ingenier铆a Civil por parte de la unidad docente de 鈥Procedimientos de Construcci贸n y Gesti贸n de Obras鈥, al que est谩 adscrita en la actualidad la asignatura, y aprobado por el Consejo del Departamento. Las l铆neas maestras de los contenidos se definieron previamente en la Memoria de Verificaci贸n del t铆tulo oficial de 鈥M谩ster Universitario en Ingenier铆a del Hormig贸n por la Universitat Polit猫cnica de Val猫ncia鈥.聽Se trata de una de las asignaturas de la materia 鈥淎n谩lisis de estructuras de hormig贸n鈥, siendo obligatoria para todos los alumnos de esta titulaci贸n y se imparte en el primer cuatrimestre del primer curso. La asignaci贸n de cr茅ditos ECTS es de 5,0, repartidos en 3,0 cr茅ditos de teor铆a y 2,0 de pr谩cticas, de acuerdo con el Plan de Estudios actualmente en vigor en el Departamento de Ingenier铆a de la Construcci贸n y Proyectos de Ingenier铆a Civil.

Resultados de aprendizaje

Los resultados de aprendizaje de la asignatura se definen a partir de las competencias y de los contenidos (Yepes, 2017). Como resultado de aprendizaje general, al terminar con 茅xito esta asignatura, los estudiantes ser谩n capaces de 鈥comprender los diferentes m茅todos predictivos y procedimientos de optimizaci贸n de estructuras de hormig贸n de modo que dispongan de las herramientas necesarias para la toma de decisiones en el 谩mbito del proyecto, construcci贸n y mantenimiento de estas estructuras considerando los aspectos de sostenibilidad econ贸mica, social y ambiental鈥.

En relaci贸n con los resultados espec铆ficos de aprendizaje de la asignatura, tenemos los siguientes:

  • RA1聽聽聽 Seleccionar y aplicar las distintas t茅cnicas procedentes de la estad铆stica, de la investigaci贸n operativa y de la miner铆a de datos en la toma de decisiones en el 谩mbito del hormig贸n
  • RA2聽聽聽 Modelizar un problema de optimizaci贸n de una estructura de hormig贸n y resolverlo mediante algoritmos heur铆sticos secuenciales y poblacionales
  • RA3聽聽聽 Aplicar la inferencia estad铆stica multidimensional para interpretar el comportamiento de las variables cualitativas y cuantitativas en el 谩mbito del hormig贸n
  • RA4聽聽聽 Formular modelos lineales de regresi贸n m煤ltiple e interpretar su validez l铆mites predictivos
  • RA5聽聽聽 Emplear t茅cnicas de dise帽o de experimentos para conocer los efectos principales y las interacciones entre los distintos factores que afectan a una variable de respuesta en el 谩mbito del hormig贸n
  • RA6聽聽聽 Optimizar el comportamiento de una estructura de hormig贸n utilizando la metodolog铆a de la superficie de respuesta
  • RA7聽聽聽 Aplicar redes neuronales artificiales en la predicci贸n de sistemas altamente no lineales en el 谩mbito del hormig贸n
  • RA8聽聽聽 Aplicar t茅cnicas de decisi贸n multicriterio en la selecci贸n de la mejor tipolog铆a estructural considerando aspectos econ贸micos, ambientales y sociales
  • RA9聽聽聽 Elegir la mejor opci贸n de una frontera de Pareto tras aplicar t茅cnicas de decisi贸n multicriterio
  • RA10 Aplicar programas estad铆sticos avanzados, tales como SPSS o Minitab, y otros como Matlab, Sap y Excel en la predicci贸n de variables de respuesta y en problemas de optimizaci贸n en el 谩mbito del hormig贸n

 

Conocimientos previos

Los alumnos que cursan esta asignatura, tienen diversas procedencias: Ingenier铆a de Caminos, Canales y Puertos, Ingenier铆a Industrial, Arquitectura, Ingenier铆a Agron贸mica, Licenciado en Qu铆micas, Ingenier铆a Geol贸gica, Ingenier铆a T茅cnica de Obras P煤blicas, Ingenier铆a T茅cnica Industrial, o los actuales grados en ingenier铆a civil, de obras p煤blicas o m谩ster en ingenier铆a de caminos, canales y puertos, entre otros. Adem谩s los alumnos, en un porcentaje significativo, proceden de universidades latinoamericanas o europeas. Como es f谩cil de comprender, los alumnos tienen formaciones muy diferentes, habiendo estudiado las asignaturas relacionadas con el hormig贸n, con los m茅todos num茅ricos o la estad铆stica de forma muy diversa, con niveles de adquisici贸n de conocimientos descompensados. Esta situaci贸n implica cierta nivelaci贸n en cada uno de los temas, de forma que se adquieran los niveles b谩sicos de comprensi贸n de los contenidos de forma progresiva con el objetivo que todos los alumnos adquieran las competencias y los resultados de aprendizaje previstos.

Seg煤n la Gu铆a Docente de la asignatura, los conocimientos recomendados versar铆an sobre estad铆stica y sobre lenguajes de programaci贸n (MATLAB, SPSS, MINITAB, SAP, etc.), aunque no son imprescindibles.聽 Adem谩s, resultan necesarios unos conocimientos b谩sicos sobre el hormig贸n y su an谩lisis como material estructural. Ello obliga al profesor a sintetizar el contenido previo para la correcta comprensi贸n de la asignatura.

 

Programa resumido de la asignatura

La asignatura se desarrolla siguiendo un programa que tiene en cuenta los resultados de aprendizaje antes definidos, las actividades formativas y el sistema propuesto para la evaluaci贸n. Ello permite organizar la asignatura en 25 temas y sus pr谩cticas de inform谩tica asociadas.

  • Tema 1. La investigaci贸n operativa y la toma de decisiones
  • Tema 2. La modelizaci贸n de un problema estructural de hormig贸n
  • Tema 3. Algoritmos y problemas de decisi贸n
  • Tema 4. Optimizaci贸n y programaci贸n matem谩tica
  • Tema 5. Optimizaci贸n combinatoria y algoritmos heur铆sticos
  • Tema 6. Clasificaci贸n y uso de heur铆sticas y metaheur铆sticas
  • Tema 7. B煤squeda local de m谩ximo gradiente
  • Tema 8. Recocido simulado, aceptaci贸n por umbrales y b煤squeda tab煤
  • Tema 9. Sistemas de inteligencia de enjambre
  • Tema 10. Programaci贸n evolutiva y estrategias evolutivas
  • Tema 11. Algoritmos gen茅ticos y mem茅ticos
  • Tema 12. GRASP, b煤squeda dispersa y b煤squeda de la armon铆a
  • Tema 13. Heur铆sticas de optimizaci贸n multiobjetivo
  • Tema 14. Inferencia estad铆stica bidimensional
  • Tema 15. Inferencia estad铆stica multidimensional
  • Tema 16. Modelos lineales de regresi贸n m煤ltiple
  • Tema 17. Modelos de ecuaciones estructurales
  • Tema 18. Dise帽o de experimentos
  • Tema 19. Optimizaci贸n mediante la metodolog铆a de superficie de respuesta
  • Tema 20. Modelos Kriging y dise帽os robustos
  • Tema 21. Redes neuronales artificiales
  • Tema 22. Programaci贸n gen茅tica y l贸gica difusa
  • Tema 23. La toma de decisiones en el ciclo de vida de una estructura de hormig贸n
  • Tema 24. T茅cnicas de decisi贸n multicriterio continua
  • Tema 25. T茅cnicas de decisi贸n multicriterio discreta

 

 

Los 25 temas se encuentran agrupados en 4 bloques tem谩ticos. El primero de los bloques es introductorio. Consta de 5 temas que presentan al alumno la aplicaci贸n de las t茅cnicas de la investigaci贸n cient铆fica en el 谩mbito de la toma de decisiones en las empresas a trav茅s de lo que se conoce como investigaci贸n operativa. Se introduce al alumno en la forma de abordar los problemas reales en el 谩mbito de las estructuras de hormig贸n a trav茅s de modelos de distinto tipo. Se describen los componentes b谩sicos de un problema de optimizaci贸n: funci贸n objetivo, variables de decisi贸n, par谩metros y restricciones. A continuaci贸n se describe el concepto de algoritmo y complejidad algor铆tmica para explicar las limitaciones de la programaci贸n matem谩tica en la resoluci贸n de problemas reales, lo cual da paso a la introducci贸n de los algoritmos heur铆sticos como aproximaciones en la b煤squeda de 贸ptimos locales de calidad en tiempos de c谩lculo razonables.

El segundo de los bloques se centra en la descripci贸n y aplicaci贸n de la optimizaci贸n heur铆stica en las estructuras de hormig贸n. Se describe paso a paso tanto las t茅cnicas de b煤squeda secuencial de m谩ximo gradiente y de 鈥hill-climbing鈥 como otras t茅cnicas poblacionales basadas en los algoritmos gen茅ticos o en la inteligencia de part铆culas. Este bloque termina con una explicaci贸n de la optimizaci贸n multiobjetivo y la construcci贸n de fronteras de Pareto de calidad en el caso de confluencia de funciones objetivo contrapuestas.

El bloque tercero se centra espec铆ficamente en los modelos predictivos de las estructuras de hormig贸n. Se hace un repaso de las t茅cnicas de inferencia bidimensional y multidimensional para pasar a los modelos predictivos lineales, tanto los basados en regresiones m煤ltiples como en los modelos de ecuaciones estructurales. Posteriormente se aborda el dise帽o de experimentos como t茅cnicas estad铆sticas b谩sicas en la predicci贸n de los efectos principales y las interacciones de los distintos factores que afectan a un problema de hormig贸n. El estudio de los dise帽os factoriales lleva directamente al planteamiento de la metodolog铆a de la superficie de respuesta, que permite realizar la optimizaci贸n de la respuesta. Tanto la metodolog铆a de la superficie de respuesta como los modelos Kriging o las redes neuronales, constituyen metamodelos que se explican como herramientas muy 煤tiles para simplificar el espacio de soluciones de los problemas reales del hormig贸n estructural. En particular, los modelos Kriging permiten el dise帽o robusto 贸ptimo, es decir, aquel que se comporta bien incluso ante cambios en las variables o en las condiciones de contorno. Para los sistemas altamente complejos, se explican las redes neuronales artificiales que, adem谩s, permiten su uso como metamodelos o como parte de un algoritmo heur铆stico de optimizaci贸n. La programaci贸n gen茅tica y la l贸gica difusa tambi茅n se explican en una lecci贸n como herramientas posibles en el 谩mbito de los modelos predictivos y cuando los par谩metros o restricciones del problema no son determin铆sticos.

El cuarto bloque se dedica a la toma de decisi贸n multicriterio en las estructuras de hormig贸n. A los alumnos se les explica c贸mo, antes de realizar una optimizaci贸n multiobjetivo, es necesario seleccionar la mejor tipolog铆a estructural con base en criterios que no siempre son objetivos: econom铆a, plazo, est茅tica, medioambiente, aspectos sociales, durabilidad, etc. Se introducen las distintas t茅cnicas de toma de decisi贸n multicriterio y se comentan su empleo, incluso, para la obtenci贸n de pesos objetivos de criterios que pueden ser incluso subjetivo, o bien para la selecci贸n de la mejor opci贸n dentro de una frontera de Pareto tras una optimizaci贸n multiobjetivo.

En la Tabla siguiente se muestra el programa resumido de la asignatura 鈥Modelos Predictivos y de Optimizaci贸n de Estructuras de Hormig贸n鈥 (T, Teor铆a; P, Pr谩cticas inform谩ticas), indic谩ndose el n煤mero de horas asignadas a cada tema.

Referencias:

YEPES, V. (2017). Proyecto docente. Concurso de Acceso al Cuerpo de Catedr谩ticos de Universidad. Universitat Polit猫cnica de Val猫ncia, 642 pp.

 

Licencia de Creative Commons
Este obra est谩 bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.