Publicada By  V铆ctor Yepes Piqueras - algoritmo, estructuras, hormig贸n, investigaci贸n, modelo matem谩tico, optimizaci贸n, Puentes, sostenibilidad    

Figura 1. Dise帽o tradicional de estructuras por prueba y error (Yepes, 2017)

El dise帽o de las estructuras se ha basado fundamentalmente en la experiencia del ingeniero proyectista. La topograf铆a y las condiciones de tr谩fico, entre otros, determinan el dise帽o de un puente. A partir de ah铆, las dimensiones de la secci贸n transversal, el tipo de hormig贸n y la disposici贸n general de las armaduras se definen atendiendo a la experiencia profesional y a las recomendaciones y criterios de dise帽o (Figura 1). A continuaci贸n, se ajustan el resto de variables, tras comprobar el cumplimiento de los estados l铆mite 煤ltimo y de servicio. Si el proyectista quiere mejorar el dise帽o propuesto, normalmente se realiza un proceso de prueba y error, de forma que tras varios tanteos, se intenta reducir el consumo de materiales, y por tanto, el coste de la estructura. Frente a este planteamiento, los m茅todos heur铆sticos emplean t茅cnicas basadas en la inteligencia artificial para seleccionar un dise帽o, analizar la estructura, controlar las restricciones y redise帽ar la estructura modificando las variables hasta conseguir optimizar la funci贸n objetivo.

Cohn y Dinovitzer (1994) revisaron la investigaci贸n realizada en su momento en relaci贸n con la optimizaci贸n de las estructuras y se帽alaron la brecha existente entre los estudios te贸ricos y la aplicaci贸n en problemas estructurales reales. Sarma y Adeli (1998) analizaron a帽os m谩s tarde los estudios relacionados con la optimizaci贸n matem谩tica de las estructuras, complementada m谩s recientemente por Hare et al. (2013) que estudiaron la aplicaci贸n de los algoritmos heur铆sticos en la optimizaci贸n estructural. Los algoritmos heur铆sticos difieren en cuanto a planteamiento y aplicabilidad de los m茅todos matem谩ticos exactos. De hecho, la optimizaci贸n heur铆stica resulta muy efectiva pues, aunque no garantiza la obtenci贸n del 贸ptimo global del problema, proporciona soluciones casi 贸ptimas en tiempos de c谩lculo razonables. Esta ventaja cobra importancia en la optimizaci贸n de estructuras reales, donde el n煤mero de variables crece extraordinariamente de forma que desborda el tiempo de c谩lculo de los m茅todos exactos de optimizaci贸n. Adem谩s, la programaci贸n matem谩tica requiere el c谩lculo de gradientes de las restricciones, mientras que la optimizaci贸n heur铆stica incorpora las restricciones de dise帽o de una manera directa (Lagaros et al., 2006).

Las t茅cnicas metaheur铆sticas utilizan estrategias de b煤squeda para localizar 贸ptimos locales en grandes espacios de soluciones de forma efectiva. Un ejemplo de ello son los Algoritmos Gen茅ticos (Genetic Algorithms, GAs), que son procedimientos de b煤squeda poblacionales inspirados en la evoluci贸n natural (Holland, 1975). As铆, los GAs generan soluciones de alta calidad a trav茅s del cruce gen茅tico con otros individuos de una poblaci贸n y la mutaci贸n de algunas de sus caracter铆sticas a lo largo de generaciones. Los padres suelen seleccionarse atendiendo a su aptitud (Coello, 1994) y los hijos mantienen ciertas caracter铆sticas de sus padres. En cada generaci贸n sobreviven los hijos con mayores aptitudes. Adem谩s, para evitar la convergencia prematura del algoritmo, se utiliza un operador de mutaci贸n, al igual que ocurre en la Naturaleza, que cambia aleatoriamente de vez en cuando alguna de las caracter铆sticas de las nuevas soluciones. Una variante a esta t茅cnica son los Algoritmos Mem茅ticos (Moscato, 1989), donde cada individuo de la nueva generaci贸n se mejora mediante una b煤squeda local con el objetivo de mejorar los genes para que los padres obtengan mejores resultados en las siguientes generaciones. Esta t茅cnica, por tanto, aplica los GAs a poblaciones de 贸ptimos locales.

La inteligencia de enjambre (swarm intelligence) es una metaheur铆stica poblacional empleada en los problemas de optimizac贸n. Estos algoritmos imitan el comportamiento colectivo de los sistemas descentralizados y auto-organizados, tales como algunas colonias de insectos, bas谩ndose en la interacci贸n entre los vecinos, pero que siguen un patr贸n global. Los algoritmos de enjambre difieren en filosof铆a de los algoritmos gen茅ticos porque utilizan la cooperaci贸n en lugar de la competencia (Dutta et al., 2011). Entre los algoritmos pertenecientes a este grupo, basados en el comportamiento biol贸gico, destaca la optimizaci贸n de colonias de hormigas (Ant Colony Optimization, ACO), la optimizaci贸n de enjambre de part铆culas (Particle Swarm Optimization, PSO), las colonias de abejas artificiales (Artificial Bee Colony, ABC), la optimizaci贸n en enjambres de luci茅rnagas (Glowworm Swarm Optimization, GSO), entre otros. ACO basa su estrategia en el comportamiento de las hormigas, que dejan un rastro de feromonas para encontrar alimento de forma efectiva (Colorni et al., 1991); PSO simula un sistema social simplificado (Kennedy y Eberhart, 1995); ABC imita el comportamiento alimentario forrajero de las abejas (Karaboga y Basturk, 2008); GSO imita un movimiento de las luci茅rnagas hacia los vecinos m谩s brillantes (Krishnanand y Ghose, 2009).

Las metaheur铆sticas poblacionales presentan una amplia capacidad de b煤squeda en paralelo y una fuerte robustez. Sin embargo, para mejorar la intensificaci贸n de la b煤squeda, estos algoritmos suelen combinarse con otras heur铆sticas de b煤squeda local. Esta hibridaci贸n consigue explotar la diversificaci贸n en la b煤squeda poblacional con la intensificaci贸n de la b煤squeda local. Luo y Zhang (2011) comprobaron que el algoritmo h铆brido presenta una convergencia m谩s r谩pida, una mayor precisi贸n y es m谩s efectivo en la optimizaci贸n de problemas ingenieriles. Blum et al. (2011) estudiaron las ventajas de la hibridaci贸n de las metaheur铆sticas en el caso de la optimizaci贸n combinatoria.

El recocido simulado (Simulated Annealing, SA), propuesto por Kirkpatrick et al. (1983), constituye uno de los algoritmos utilizados en la optimizaci贸n estructural. Este algoritmo se basa en el fen贸meno f铆sico del proceso de recocido de los metales. La energ铆a de un sistema termodin谩mico se compara con la funci贸n de coste evaluada para una soluci贸n de un problema de optimizaci贸n combinatoria. En ambos casos se trata de evolucionar de un estado a otro de menor energ铆a o coste. El acceso de un estado metaestable a otro se alcanza introduciendo 鈥渞uido鈥 con un par谩metro de control al que se denomina temperatura. Su reducci贸n adecuada permite, con una elevada probabilidad, que un sistema termodin谩mico adquiera un m铆nimo global de energ铆a. SA presenta la ventaja de admitir soluciones de peor calidad al principio de la b煤squeda, lo cual permite eludir 贸ptimos locales de baja calidad. La aceptaci贸n por umbrales (Threshold Accepting, TA), propuesto por Dueck y Scheuer (1990), tolera tambi茅n opciones de peor calidad para eludir los 贸ptimos locales. La diferencia entre SA y TA es que el criterio de aceptaci贸n de una soluci贸n peor es probabilista en el primer caso y determinista en el segundo. Los algoritmos gen茅ticos se han hibridado con el recocido simulado en el dise帽o 贸ptimo de puentes prefabricados de hormig贸n pretensado (Mart铆 et al., 2013; Mart铆 et al., 2016) y vigas en I de hormig贸n armado (RC) (Yepes et al., 2015a). Otras estrategias de hibridaci贸n tambi茅n han demostrado su eficiencia con PSO (Shieh et al., 2011, Valdez et al., 2011, Wang et al., 2013) y ACO (Behnamian et al, 2009, Chen et al., 2012).

Qu et al. (2011) se帽alaron la lentitud en la convergencia de los algoritmos GSO; del mismo modo Zhang et al. (2010) apuntaron ciertas deficiencias de estos algoritmos en la b煤squeda del 贸ptimo global. Es por ello que se ha hibridado SA con GSO (Garc铆a-Segura et al., 2014c, Yepes et al., 2015b) para combinar la diversificaci贸n de la b煤squeda de GSO con la intensificaci贸n de la b煤squeda de SA para encontrar de forma efectiva un 贸ptimo de elevada calidad. Garc铆a-Segura et al. (2014c) mostraron c贸mo un algoritmo h铆brido de optimizaci贸n de enjambre de luci茅rnagas (SAGSO) obtuvo resultados considerablemente mejores en cuanto a calidad y tiempo de c谩lculo. SAGSO super贸 al GSO en t茅rminos de eficiencia, precisi贸n y convergencia. Sin embargo, se requiere una buena calibraci贸n para garantizar soluciones de alta calidad con un tiempo de c贸mputo corto.

La b煤squeda de la armon铆a (Harmony Search, HS) constituye una heur铆stica propuesta por Geem et al. (2001) inspirada en el jazz, donde se trata de armonizar u construir sucesiones de acordes razonables. Las notas, los instrumentos y la mejor armon铆a representan los valores, las variables y el 贸ptimo global. Alberdi y Khandelwal (2015) compararon ACO, GA, HS, PSO, SA y TS en la optimizaci贸n del dise帽o de marcos de acero, comprobando que los mejores resultados se obten铆an con HS. La b煤squeda de la armon铆a se ha utilizado para optimizar columnas rectangulares de hormig贸n armado (de Medeiros y Kripka, 2014), forjados compuestos (Kaveh y Shakouri Mahmud Abadi, 2010) y p贸rticos planos de hormig贸n armado (Akin y Saka, 2015). Alia y Mandava (2011) recogieron en su trabajo las variantes utilizadas para hibridar con HS. Garc铆a-Segura et al. (2015) emplearon un algoritmo de b煤squeda de la armon铆a hibridada con la aceptaci贸n por umbrales para encontrar dise帽os 贸ptimos sostenibles de puentes peatonales de hormig贸n postesado.

La optimizaci贸n de los puentes atrajo la atenci贸n de los ingenieros a partir de la d茅cada de los a帽os 70, incluyendo los puentes viga de acero, (Wills, 1973), el refuerzo de los puentes losa (Barr et al., 1989), los puentes viga de hormig贸n pretensado (Aguilar et al., 1973, Lounis y Cohn, 1993), y los puentes en caj贸n postesados construidos 鈥渋n situ鈥 (Bond, 1975; Yu et al., 1986). Desde la aparici贸n de la inteligencia artificial, se ha puesto mayor 茅nfasis en el uso de t茅cnicas de optimizaci贸n heur铆stica para optimizar las estructuras. Srinivas y Ramanjaneyulu (2007) usaron redes neuronales artificiales y algoritmos gen茅ticos para optimizar el coste de un puente de vigas en T. Rana et al. (2013) propusieron una optimizaci贸n evolutiva para minimizar el coste de una estructura de puente continuo de hormig贸n pretensado de dos tramos. Mart铆 et al. (2013) implementaron un algoritmo de recocido simulado h铆brido para encontrar las soluciones m谩s econ贸micas de puentes prefabricados de hormig贸n pretensado de vigas artes. El uso de refuerzos de fibra de acero en ese tipo de puente se estudi贸 posteriormente con algoritmos mem茅ticos (Mart铆 et al., 2015). Se propusieron algoritmos gen茅ticos para optimizar las cubiertas polim茅ricas reforzadas con fibras h铆bridas y los puentes atirantados (Cai y Aref, 2015).

Tambi茅n se han optimizado otro tipo de estructuras con algoritmos heur铆sticos, como los forjados prefabricados (de Albuquerque et al., 2012), columnas de hormig贸n armado (Park et al., 2013; Nigdeli et al., 2015), columnas de acero (Kripka y Chamberlain Pravia, 2013), marcos espaciales de acero (Degertekin et al., 2008), marcos de hormig贸n armado (Camp y Huq, 2013), p贸rticos de hormig贸n armado (Pay谩-Zaforteza et al., 2010), vigas en I de hormig贸n armado (Garc铆a-Segura et al., 2014c; Yepes et al., 2015a), p贸rticos de carreteras (Perea et al., 2008), pilas altas de viaductos (Mart铆nez et al., 2011; 2013), muros de contenci贸n (Gandomi et al., 2015; Pei y Xia, 2012; Yepes et al., 2008, 2012; Molina-Moreno et al., 2017a), zapatas de hormig贸n armado (Camp y Assadollahi, 2013; Camp y Huq, 2013), b贸vedas de pasos inferiores en carreteras (Carbonell et al., 2011) y estribos de puentes (Luz et al., 2015).

Referencias:

  • Aguilar, R.J.; Movassaghi, K.; Brewer, J.A.; Porter, J.C. (1973). Computerized optimization of bridge structures. Computers & Structures, 3(3), 429鈥442.
  • Akin, A.; Saka, M.P. (2015). Harmony search algorithm based optimum detailed design of reinforced concrete plane frames subject to ACI 318-05 provisions. Computers & Structures, 147, 79鈥95.
  • Alberdi, R.; Khandelwal, K. (2015). Comparison of robustness of metaheuristic algorithms for steel frame optimization. Engineering Structures, 102, 40鈥60.
  • Alia, O.M.; Mandava, R. (2011). The variants of the harmony search algorithm: an overview. Artificial Intelligence Review, 36(1), 49鈥68.
  • Barr, A.S.; Sarin, S.C.; Bishara, A.G. (1989). Procedure for structural optimization. ACI Structural Journal, 86(5), 524鈥531.
  • Behnamian, J.; Zandieh, M.; Fatemi Ghomi, S.M.T. (2009). Parallel-machine scheduling problems with sequence-dependent setup times using an ACO, SA and VNS hybrid algorithm. Expert Systems with Applications, 36(6), 9637鈥9644.
  • Blum, C.; Puchinger, J.; Raidl, G.R.; Roli, A. (2011). Hybrid metaheuristics in combinatorial optimization: A survey. Applied Soft Computing, 11(6), 4135鈥4151.
  • Bond, D. (1975). An examination of the automated design of prestressed concrete bridge decks by computer. Proceedings of the Institution of Civil Engineers, 59(4), 669鈥697.
  • Cai, H.; Aref, A.J. (2015). A genetic algorithm-based multi-objective optimization for hybrid fiber reinforced polymeric deck and cable system of cable-stayed bridges. Structural and Multidisciplinary Optimization, 52(3), 583鈥594.
  • Camp, C.V.; Assadollahi, A. (2013). CO2 and cost optimization of reinforced concrete footings using a hybrid big bang-big crunch algorithm. Structural and Multidisciplinary Optimization, 48(2), 411鈥426.
  • Camp, C.V.; Huq, F. (2013). CO2 and cost optimization of reinforced concrete frames using a big bang-big crunch algorithm. Engineering Structures, 48, 363鈥372.
  • Carbonell, A.; Gonz谩lez-Vidosa, F.; Yepes, V. (2011). Design of reinforced concrete road vaults by heuristic optimization. Advances in Engineering Software, 42(4), 151-159.
  • Chen, S.M.; Sarosh, A.; Dong, Y.F. (2012). Simulated annealing based artificial bee colony algorithm for global numerical optimization. Applied Mathematics and Computation, 219(8), 3575鈥3589.
  • Coello, C. (1994). Uso de Algoritmos Gen茅ticos para el Dise帽o 脫ptimo de Armaduras. In Congreso Nacional de Inform谩tica 鈥淗erramientas Estrat茅gicas para los Mercados Globales鈥, pp. 290鈥305. Fundaci贸n Arturo Rosenblueth, M茅xico, D.F.
  • Cohn, M.Z.; Dinovitzer, A.S. (1994). Application of Structural Optimization. Journal of Structural Engineering, 120(2), 617鈥650.
  • Colorni, A.; Dorigo, M.; Maniezzo, V. (1991). Distributed optimization by ant colonies. In Proceeding of ECALEuropean Conference on Artificial Life, pp. 134鈥142. Paris: Elsevier.
  • de Albuquerque, A.T.; El Debs, M.K.; Melo, A.M.C. (2012). A cost optimization-based design of precast concrete floors using genetic algorithms. Automation in Construction, 22, 348鈥356.
  • de Medeiros, G.F. Kripka, M. (2014). Optimization of reinforced concrete columns according to different environmental impact assessment parameters. Engineering Structures, 59, 185鈥194.
  • Degertekin, S.O.; Saka, M.P.; Hayalioglu, M.S. (2008). Optimal load and resistance factor design of geometrically nonlinear steel space frames via tabu search and genetic algorithm. Engineering Structures, 30(1), 197鈥205.
  • Dueck, G.; Scheuer, T. (1990). Threshold accepting: A general purpose optimization algorithm appearing superior to simulated annealing. Journal of Computational Physics, 90(1), 161鈥175.
  • Dutta, R.; Ganguli, R.; Mani, V. (2011). Swarm intelligence algorithms for integrated optimization of piezoelectric actuator and sensor placement and feedback gains. Smart Materials and Structures, 20(10), 105018.
  • Gandomi, A.H.; Kashani, A.R.; Roke, D.A.; Mousavi, M. (2015). Optimization of retaining wall design using recent swarm intelligence techniques. Engineering Structures, 103, 72鈥84.
  • Garc铆a-Segura, T.; Yepes, V. (2016). Multiobjective optimization of post-tensioned concrete box-girder road bridges considering cost, CO2 emissions, and safety. Engineering Structures, 125, 325鈥336.
  • Garc铆a-Segura, T.; Yepes, V.; Alcal谩, J. (2014a). Life cycle greenhouse gas emissions of blended cement concrete including carbonation and durability. The International Journal of Life Cycle Assessment, 19(1), 3鈥12.
  • Garc铆a-Segura, T.; Yepes, V.; Alcal谩, J. (2014b). Sustainable design using multiobjective optimization of high-strength concrete I-beams. In The 2014 International Conference on High Performance and Optimum Design of Structures and Materials HPSM/OPTI (Vol. 137, pp. 347鈥358). Ostend, Belgium.
  • Garc铆a-Segura, T.; Yepes, V.; Alcal谩, J.; P茅rez-L贸pez, E. (2015). Hybrid harmony search for sustainable design of post-tensioned concrete box-girder pedestrian bridges. Engineering Structures, 92, 112鈥122.
  • Garc铆a-Segura, T.; Yepes, V.; Frangopol, D.M. (2017a). Multi-objective design of post-tensioned concrete road bridges using artificial neural networks. Structural and Multidisciplinary Optimization, 56(1):139-150.,
  • Garc铆a-Segura, T.; Yepes, V.; Frangopol, D.M.; Yang, D. Y. (2017b). Lifetime reliability-based optimization of post-tensioned box-girder bridges. Engineering Structures, 145, 381-391.
  • Garc铆a-Segura, T.; Yepes, V.; Mart铆, J.V.; Alcal谩, J. (2014c). Optimization of concrete I-beams using a new hybrid glowworm swarm algorithm. Latin American Journal of Solids and Structures, 11(7), 1190鈥1205.
  • Geem, Z.W.; Kim, J.H.; Loganathan, G.V. (2001). A new heuristic optimization algorithm: Harmony search. Simulation, 76(2), 60鈥68.
  • Hare, W.; Nutini, J.; Tesfamariam, S. (2013). A survey of non-gradient optimization methods in structural engineering. Advances in Engineering Software, 59, 19鈥28.
  • Holland, J. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press, Ann Arbor, USA.
  • Karaboga, D.; Basturk, B. (2008). On the performance of artificial bee colony (ABC) algorithm. Applied Soft Computing, 8(1), 687鈥697.
  • Kaveh, A.; Shakouri Mahmud Abadi, A. (2010). Cost optimization of a composite floor system using an improved harmony search algorithm. Journal of Constructional Steel Research, 66(5), 664鈥669.
  • Kennedy, J.; Eberhart, R. (1995). Particle swarm optimization. In Proceedings of ICNN鈥95 – International Conference on Neural Networks, Vol. 4, pp. 1942鈥1948. IEEE.
  • Kirkpatrick, S.; Gelatt, C.D.; Vecchi, M.P. (1983). Optimization by simulated annealing. Science, 220(4598), 671鈥680.
  • Kripka, M.; Chamberlain Pravia, Z.M. (2013). Cold-formed steel channel columns optimization with simulated annealing method. Structural Engineering and Mechanics, 48(3), 383鈥394.
  • Krishnanand, K.N.; Ghose, D. (2009). Glowworm swarm optimisation: a new method for optimising multi-modal functions. International Journal of Computational Intelligence Studies, 1(1), 93鈥119.
  • Lagaros, N.D.; Fragiadakis, M.; Papadrakakis; M.; Tsompanakis, Y. (2006). Structural optimization: A tool for evaluating seismic design procedures. Engineering Structures, 28(12), 1623鈥1633.
  • Lounis, Z.; Cohn, M.Z. (1993). Optimization of precast prestressed concrete bridge girder systems. PCI Journal, 38(4), 60鈥78.
  • Luo, Q.F.; Zhang, J.L. (2011). Hybrid Artificial Glowworm Swarm Optimization Algorithm for Solving Constrained Engineering Problem. Advanced Materials Research, 204-210, 823鈥827.
  • Luz, A.; Yepes, V.; Gonz谩lez-Vidosa, F.; Mart铆, J.V. (2015). Dise帽o de estribos abiertos en puentes de carretera obtenidos mediante optimizaci贸n h铆brida de escalada estoc谩stica. Informes de la Construcci贸n, 67(540), e114.
  • Mart铆, J.V.; Garc铆a-Segura, T.; Yepes, V. (2016). Structural design of precast-prestressed concrete U-beam road bridges based on embodied energy. Journal of Cleaner Production, 120, 231鈥240.
  • Mart铆, J.V.; Gonz谩lez-Vidosa, F.; Yepes, V.; Alcal谩, J. (2013). Design of prestressed concrete precast road bridges with hybrid simulated annealing. Engineering Structures, 48, 342鈥352.
  • Mart铆, J.V.; Yepes, V.; Gonz谩lez-Vidosa, F. (2015). Memetic algorithm approach to designing precast-prestressed concrete road bridges with steel fiber reinforcement. Journal of Structural Engineering, 141(2), 04014114.
  • Mart铆nez-Mart铆n, F. J.; Gonz谩lez-Vidosa, F.; Hospitaler, A.; Yepes, V. (2013). A parametric study of optimum tall piers for railway bridge viaducts. Structural Engineering and Mechanics, 45(6), 723鈥740.
  • Mart铆nez-Mart铆n, F.J.; Gonz谩lez-Vidosa, F.; Hospitaler, A.; Yepes, V. (2012). Multi-objective optimization design of bridge piers with hybrid heuristic algorithms. Journal of Zhejiang University: Science A, 13(6), 420鈥432.
  • Molina-Moreno, F.; Garc铆a-Segura, T.; Mart铆, J.V.; Yepes, V. (2017a). Optimization of Buttressed Earth-Retaining Walls using Hybrid Harmony Search Algorithms. Engineering Structures, 134, 205-216.
  • Molina-Moreno, F.; Mart铆, J.V.; Yepes, V. (2017b). Carbon embodied optimization for buttressed earth-retaining walls: implications for low-carbon conceptual designs. Journal of Cleaner Production, 164, 872-884.
  • Moscato, P. (1989). On evolution, search, optimization, genetic algorithms and martial arts: Towards memetic algorithms. Caltech Concurrent Computation Program (report 826). Caltech, Pasadena, California, USA.
  • Nigdeli, S.M.; Bekdas, G.; Kim, S.; Geem, Z. W. (2015). A novel harmony search based optimization of reinforced concrete biaxially loaded columns. Structural Engineering and Mechanics, 54(6), 1097鈥1109.
  • Park, H.; Kwon, B.; Shin, Y.; Kim, Y.; Hong, T.; Choi, S. (2013). Cost and CO2 emission optimization of steel reinforced concrete columns in high-rise buildings. Energies, 6(11), 5609鈥5624.
  • Pay谩, I.; Yepes, V.; Gonz谩lez-Vidosa, F.; Hospitaler, A. (2008). Multiobjective optimization of reinforced concrete building frames by simulated annealing. Computer-Aided Civil and Infrastructure Engineering, 23(8), 596鈥610.
  • Pay谩-Zaforteza, I.; Yepes, V.; Gonz谩lez-Vidosa, F.; Hospitaler, A. (2010). On the Weibull cost estimation of building frames designed by simulated annealing. Meccanica, 45(5), 693鈥704.
  • Pay谩-Zaforteza, I.; Yepes, V.; Hospitaler, A.; Gonz谩lez-Vidosa, F. (2009). CO2-optimization of reinforced concrete frames by simulated annealing. Engineering Structures, 31(7), 1501鈥1508.
  • Pei, Y.; Xia, Y. (2012). Design of Reinforced Cantilever Retaining Walls using Heuristic Optimization Algorithms. Procedia Earth and Planetary Science, 5, 32鈥36.
  • Qu, L.; He, D.; Wu, J. (2011). Hybrid Coevolutionary Glowworm Swarm Optimization Algorithm with Simplex Search Method for System of Nonlinear Equations. Journal of Information & Computational Science, 8(13), 2693鈥 2701.
  • Rana, S.; Islam, N.; Ahsan, R.; Ghani, S.N. (2013). Application of evolutionary operation to the minimum cost design of continuous prestressed concrete bridge structure. Engineering Structures, 46, 38鈥48.
  • Sarma, K.C.; Adeli, H. (1998). Cost optimization of concrete structures. Journal of Structural Engineering, 124(5), 570鈥578.
  • Shieh, H.L.; Kuo, C.C.; Chiang, C.M. (2011). Modified particle swarm optimization algorithm with simulated annealing behavior and its numerical verification. Applied Mathematics and Computation, 218(8), 4365鈥4383.
  • Srinivas, V.; Ramanjaneyulu, K. (2007). An integrated approach for optimum design of bridge decks using genetic algorithms and artificial neural networks. Advances in Engineering Software, 38(7), 475鈥487.
  • Valdez, F.; Melin, P.; Castillo, O. (2011). An improved evolutionary method with fuzzy logic for combining Particle Swarm Optimization and Genetic Algorithms. Applied Soft Computing, 11(2), 2625鈥2632.
  • Wang, E.; Shen, Z. (2013). A hybrid Data Quality Indicator and statistical method for improving uncertainty analysis in LCA of complex system 鈥 application to the whole-building embodied energy analysis. Journal of Cleaner Production, 43, 166鈥173.
  • Wills, J. (1973). A mathematical optimization procedure and its application to the design of bridge structures. Wokingham, Berkshire, United Kingdom.
  • Yepes, V.; Alcal谩, J.; Perea, C.; Gonz谩lez-Vidosa, F. (2008). A parametric study of optimum earth-retaining walls by simulated annealing. Engineering Structures, 30(3), 821鈥830.
  • Yepes, V.; D铆az, J.; Gonz谩lez-Vidosa, F.; Alcal谩, J. (2009). Caracterizaci贸n estad铆stica de tableros pretensados para carreteras. Revista de la Construcci贸n, 8(2), 95-109.
  • Yepes, V.; Garc铆a-Segura, T.; Moreno-Jim茅nez, J.M. (2015a). A cognitive approach for the multi-objective optimization of RC structural problems. Archives of Civil and Mechanical Engineering, 15(4), 1024鈥1036.
  • Yepes, V.; Gonz谩lez-Vidosa, F.; Alcal谩, J.; Villalba, P. (2012). CO2-optimization design of reinforced concrete retaining walls based on a VNS-threshold acceptance strategy. Journal of Computing in Civil Engineering, 26(3), 378鈥386.
  • Yepes, V.; Mart铆, J.V.; Garc铆a-Segura, T. (2015b). Cost and CO2 emission optimization of precast鈥損restressed concrete U-beam road bridges by a hybrid glowworm swarm algorithm. Automation in Construction, 49, 123鈥134.
  • Yepes, V.; Mart铆, J.V.; Garc铆a-Segura, T.; Gonz谩lez-Vidosa, F. (2017). Heuristics in optimal detailed design of precast road bridges. Archives of Civil and Mechanical Engineering, 17(4), 738-749.
  • Yepes, V.; Torres-Mach铆, C.; Chamorro, A.; Pellicer, E. (2016). Optimal pavement maintenance programs based on a hybrid greedy randomized adaptive search procedure algorithm. Journal of Civil Engineering and Management, 22(4), 540-550.
  • Yepes, V. (2017).聽Trabajo de investigaci贸n. Concurso de Acceso al Cuerpo de Catedr谩ticos de Universidad.聽Universitat Polit猫cnica de Val猫ncia, 110 pp.
  • Yu, C.H.; Gupta, N.C. Das; Paul, H. (1986). Optimization of prestressed concrete bridge girders. Engineering Optimization, 10(1), 13鈥24.
  • Zhang, J.; Zhou, G.; Zhou, Y. (2010). A New Artificial Glowworm Swarm Optimization Algorithm Based on Chaos Method. In B. Cao, G. Wang, S. Chen, & S. Guo (Eds.), Quantitative Logic and Soft Computing 2010, Vol. 82, pp. 683鈥693. Berlin, Heidelberg: Springer Berlin Heidelberg.

 

 

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

16 abril, 2018