Categoría: algoritmo

Europa premia a la UPV por revolucionar el diseño estructural con Inteligencia Artificial

La Universitat Politècnica de València (UPV) ha obtenido un reconocimiento destacado europeo al ganar el premio al mejor proyecto en la categoría «AI for Sustainable Development» de la European Universities Competition on Artificial Intelligence, organizada por la HAW Hamburg.

El trabajo galardonado, desarrollado en el ICITECH por el doctorando Iván Negrín, demuestra cómo la inteligencia artificial puede transformar el diseño estructural para hacerlo más sostenible y resiliente, con reducciones de hasta un 32 % en la huella de carbono respecto a los sistemas convencionales. Este logro posiciona a la UPV como un referente europeo en innovación ética e impacto y reafirma su compromiso con la búsqueda de soluciones frente al cambio climático y al desarrollo insostenible.

El trabajo se enmarca en el proyecto de investigación RESILIFE, que dirijo como investigador principal en la Universitat Politècnica de València. La tesis doctoral de Iván la dirigen los profesores Víctor Yepes y Moacir Kripka.

Introducción: El dilema de la construcción moderna.

La industria de la construcción se enfrenta a un reto monumental: edificar las ciudades del futuro sin agotar los recursos del presente. El enorme impacto medioambiental de los materiales y procesos tradicionales, especialmente las emisiones de CO₂, es uno de los problemas más acuciantes de nuestra era.

¿Y si la solución a este problema no radicara en un nuevo material milagroso, sino en una nueva forma de pensar? ¿Y si la inteligencia artificial (IA) pudiera enseñarnos a construir de manera mucho más eficiente y segura?

Esa es precisamente la hazaña que ha logrado un innovador proyecto de la Universitat Politècnica de València (UPV). Su enfoque es tan revolucionario que acaba de ganar un prestigioso premio europeo, lo que demuestra que la IA ya no es una promesa, sino una herramienta tangible para la ingeniería sostenible.

Clave 1: una innovación europea premiada al más alto nivel.

Este no es un proyecto académico cualquiera. La investigación, dirigida por el doctorando Iván Negrín del Instituto de Ciencia y Tecnología del Hormigón (ICITECH) de la UPV, ha recibido el máximo reconocimiento continental.

Inicialmente seleccionado como uno de los diez finalistas, el proyecto tuvo que defenderse en una presentación final ante un jurado de expertos. Tras la deliberación del jurado, el proyecto fue galardonado como el mejor en la categoría «AI for Sustainable Development Projects» de la competición «European Universities Competition on Artificial Intelligence to Promote Sustainable Development and Address Climate Change», organizada por la Universidad de Ciencias Aplicadas de Hamburgo (HAW Hamburg). Este reconocimiento consolida la reputación del proyecto en el ámbito de la innovación europea.

Clave 2: adiós al CO₂: reduce la huella de carbono en más del 30 %.

El resultado más impactante de esta investigación es su capacidad para abordar el principal problema medioambiental del sector de la construcción: las emisiones de carbono. La plataforma de diseño asistido por IA puede reducir la huella de carbono de los edificios de manera significativa.

En concreto, consigue una reducción del 32 % de la huella de carbono en comparación con los sistemas convencionales de hormigón armado, que ya habían sido optimizados. Esta reducción abarca todo el ciclo de vida del edificio, desde la extracción de materiales y la construcción hasta su mantenimiento y su eventual demolición.

En un sector tan difícil de descarbonizar, un avance de esta magnitud, impulsado por un diseño inteligente y no por un nuevo material, supone un cambio de paradigma fundamental para la ingeniería sostenible.

Clave 3: Rompe el mito: más sostenible no significa menos resistente.

Uno de los aspectos más revolucionarios del proyecto es la forma en que resuelve un conflicto histórico en ingeniería: la sostenibilidad frente a la resiliencia. La IA ha superado la barrera que obligaba a elegir entre usar menos material para ser sostenible o más material para ser resistente.

En una primera fase, el modelo optimizó estructuras mixtas de acero y hormigón (denominadas técnicamente RC-THVS) para que fueran altamente sostenibles, aunque con una resiliencia baja. Lejos de detenerse, la IA iteró sobre su propio diseño y, en una evolución posterior (RC-THVS-R), logró una solución altamente sostenible y resiliente frente a eventos extremos.

La metodología desarrollada permite compatibilizar la sostenibilidad y la resiliencia, superando el tradicional conflicto entre ambos objetivos.

Clave 4: Ahorro desde los cimientos. Menos costes, energía y materiales.

Los beneficios de esta IA no solo benefician al planeta, sino también al bolsillo y a la eficiencia del proyecto. La optimización inteligente de las estructuras se traduce en ahorros tangibles y medibles desde las primeras fases de la construcción.

Los datos demuestran un ahorro significativo en múltiples frentes:

  • -16 % de energía incorporada.
  • -6 % de coste económico.
  • – Reducción del 17 % de las cargas transmitidas a columnas y cimentaciones.

Este último punto es clave. Una menor carga en los cimientos no solo supone un ahorro directo de materiales, sino que tiene un efecto cascada en materia de sostenibilidad: al usar menos hormigón, se reduce la cantidad de cemento empleado, uno de los principales generadores de CO₂ a nivel mundial.

Clave 5: un enfoque versátil para las ciudades del futuro (y del presente).

La aplicación de esta metodología no se limita a los grandes edificios de nueva construcción. Su versatilidad la convierte en una herramienta estratégica para el desarrollo urbano integral.

Puede aplicarse a infraestructuras de transporte, como puentes y pasarelas, para minimizar su impacto ambiental. También es fundamental para la rehabilitación de estructuras existentes, ya que permite optimizar su seguridad y reducir las emisiones asociadas a los refuerzos.

Este enfoque se alinea con los Objetivos de Desarrollo Sostenible (ODS) de la ONU, concretamente con los ODS 9 (Industria, innovación e infraestructura), 11 (Ciudades y comunidades sostenibles) y 13 (Acción por el clima).

Conclusión: construyendo un futuro inteligente.

Este proyecto de la UPV demuestra que la inteligencia artificial ha dejado de ser una tecnología futurista para convertirse en una herramienta imprescindible en la ingeniería civil. Ya no se trata de promesas, sino de soluciones prácticas que resuelven problemas reales, medibles y urgentes.

La capacidad de diseñar estructuras más baratas, ecológicas, seguras y resistentes abre un nuevo capítulo en la construcción.

¿Estamos a las puertas de una nueva era en la ingeniería en la que la sostenibilidad y la máxima seguridad ya no son objetivos contrapuestos, sino aliados inseparables gracias a la inteligencia artificial?

En futuros artículos, explicaremos con más detalle el contenido de este proyecto ganador. De momento, os dejo una conversación que lo explica muy bien y un vídeo que resume lo más importante. Espero que os resulte interesante.

Os dejo un documento resumen, por si queréis ampliar la información.

Pincha aquí para descargar

Referencias:

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Environmental Life-Cycle Design Optimization of a RC-THVS composite frame for modern building construction. Engineering Structures, 345, 121461. DOI:10.1016/j.engstruct.2025.121461

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Manufacturing cost optimization of welded steel plate I-girders integrating hybrid construction and tapered geometry. International Journal of Advanced Manufacturing Technology, 140, 1601-1624. DOI:10.1007/s00170-025-16365-2

NEGRÍN, I.; CHAGOYÉN, E.; KRIPKA, M.; YEPES, V. (2025). An integrated framework for Optimization-based Robust Design to Progressive Collapse of RC skeleton buildings incorporating Soil-Structure Interaction effects. Innovative Infrastructure Solutions, 10:446. DOI:10.1007/s41062-025-02243-z

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Design optimization of a composite typology based on RC columns and THVS girders to reduce economic cost, emissions, and embodied energy of frame building construction. Energy and Buildings, 336:115607. DOI:10.1016/j.enbuild.2025.115607

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Metamodel-assisted design optimization of robust-to-progressive-collapse RC frame buildings considering the impact of floor slabs, infill walls, and SSI implementation. Engineering Structures, 325:119487. DOI:10.1016/j.engstruct.2024.119487

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2024). Optimized Transverse-Longitudinal Hybrid Construction for Sustainable Design of Welded Steel Plate Girders. Advances in Civil Engineering, 2024:5561712. DOI:10.1155/2024/5561712.

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2023). Multi-criteria optimization for sustainability-based design of reinforced concrete frame buildings. Journal of Cleaner Production, 425:139115. DOI:10.1016/j.jclepro.2023.139115

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2023). Metamodel-assisted meta-heuristic design optimization of reinforced concrete frame structures considering soil-structure interaction. Engineering Structures, 293:116657. DOI:10.1016/j.engstruct.2023.116657

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2023). Design optimization of welded steel plate girders configured as a hybrid structure. Journal of Constructional Steel Research, 211:108131. DOI:10.1016/j.jcsr.2023.108131

TERREROS-BEDOYA, A.; NEGRÍN, I.; PAYÁ-ZAFORTEZA, I.; YEPES, V. (2023). Hybrid steel girders: review, advantages and new horizons in research and applications. Journal of Constructional Steel Research, 207:107976. DOI:10.1016/j.jcsr.2023.107976.

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2023). Metamodel-assisted design optimization in the field of structural engineering: a literature review. Structures, 52:609-631. DOI:10.1016/j.istruc.2023.04.006

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

5 lecciones sorprendentes de ingeniería avanzada para construir puentes más sostenibles y económicos

Cuando pensamos en la construcción de grandes infraestructuras, como los puentes, a menudo nos viene a la mente una imagen de fuerza bruta: toneladas de hormigón y acero ensambladas con una precisión monumental. Se trata de una proeza de la ingeniería física, un testimonio de la capacidad humana para dominar los materiales y la geografía.

Sin embargo, detrás de esta fachada de poderío industrial se está produciendo una revolución silenciosa. La inteligencia artificial y los modelos computacionales avanzados, que pueden ejecutar el equivalente a décadas de diseño y pruebas de ingeniería en cuestión de horas, están redefiniendo las reglas del juego. Lejos de ser un mero ejercicio teórico, estas herramientas permiten a los ingenieros diseñar puentes que son no solo más resistentes, sino también sorprendentemente más económicos y respetuosos con el medio ambiente.

Las lecciones que siguen se basan en los hallazgos de una tesis doctoral, defendida por la profesora Lorena Yepes Bellver, innovadora en la optimización de puentes. La tesis obtuvo la máxima calificación de sobresaliente «cum laude». Las lecciones demuestran que el futuro de la construcción no radica únicamente en nuevos materiales milagrosos, sino en la aplicación de una inteligencia que permita aprovechar los ya existentes de forma mucho más eficiente.

De izquierda a derecha: Julián Alcalá, Salvador Ivorra, Lorena Yepes, Tatiana García y Antonio Tomás.

1. El pequeño coste de un gran impacto ecológico: pagar un 1 % más para emitir un 2 % menos de CO₂.

Uno de los principales obstáculos para la adopción de prácticas sostenibles ha sido siempre la creencia de que «ser verde» es significativamente más caro. Sin embargo, la investigación en optimización de puentes revela una realidad mucho más alentadora. Gracias a los diseños perfeccionados mediante metamodelos, es posible lograr reducciones significativas de la huella de carbono con un impacto económico mínimo.

El dato clave del estudio es contundente: «Un modesto aumento de los costes de construcción (menos del 1 %) puede reducir sustancialmente las emisiones de CO₂ (más del 2 %)». Este hallazgo demuestra que la sostenibilidad no tiene por qué ser un lujo, sino el resultado de una ingeniería más inteligente.

 

«Esto demuestra que el diseño de puentes sostenibles puede ser económicamente viable».

Esta lección es fundamental, ya que pone fin a una falsa dicotomía entre la economía y la ecología. Demuestra que no es necesario elegir entre un puente asequible y otro respetuoso con el medio ambiente. Gracias a las decisiones de diseño inteligentes, guiadas por la optimización avanzada, es posible alcanzar ambos objetivos simultáneamente, de modo que la sostenibilidad se convierte en una ventaja competitiva y no en una carga.

2. La paradoja de los materiales: añadir más componentes para reducir el consumo global.

La lógica convencional nos diría que, para construir de forma más sostenible, el objetivo debería ser reducir la cantidad total de materiales utilizados. Menos hormigón, menos acero, menos de todo. Sin embargo, uno de los hallazgos más sorprendentes de la tesis es una paradoja que desafía esta idea tan simple.

El diseño óptimo y más sostenible aumenta, de hecho, la cantidad de uno de sus componentes: la armadura pasiva (el acero de refuerzo convencional). A primera vista, esto parece contradictorio: ¿cómo puede ser más ecológico añadir más material?

La explicación se debe a un enfoque sistémico. Este aumento estratégico y calculado del refuerzo pasivo permite reducir considerablemente el consumo de otros dos materiales clave: el hormigón y la armadura activa (el acero de pretensado). La producción de estos materiales, especialmente la del cemento y del acero de alta resistencia, es intensiva en energía y, por tanto, genera numerosas emisiones de CO₂. En esencia, se sacrifica una pequeña cantidad de un material de menor impacto para ahorrar una cantidad mucho mayor de materiales de alto impacto.

Este enfoque, que podría describirse como «sacrificar una pieza para ganar el juego», es un ejemplo perfecto de cómo la optimización avanzada supera las reglas simplistas de reducción. En lugar de aplicar un recorte general, se analiza el sistema en su conjunto y se determina el equilibrio más eficiente. Este equilibrio inteligente de materiales solo es posible si se afina otro factor clave: la geometría de la estructura.

Retos en la optimización de puentes con metamodelos

3. Más esbelto es mejor: el secreto de la «delgadez» estructural para la sostenibilidad.

En el ámbito de la ingeniería de puentes, el concepto de «esbeltez» es fundamental. En términos sencillos, se refiere a la relación entre el canto de la losa y la luz que debe cubrir. Una mayor esbeltez implica un diseño estructural, en palabras comunes, más «delgado» o «fino».

La investigación revela un hallazgo crucial: los diseños que son óptimos tanto en términos de emisiones de CO₂ como de energía incorporada se logran con relaciones de esbeltez altas, concretamente de entre 1/30 y 1/28. En otras palabras, los puentes más sostenibles son también los más delgados y se complementan con hormigones óptimos situados entre 35 y 40 MPa de resistencia característica.

¿Por qué es esto tan beneficioso? Un diseño más esbelto requiere, inherentemente, una menor cantidad de materiales, principalmente de hormigón. Lo realmente notable es cómo se consigue. Los métodos tradicionales suelen basarse en reglas generales y márgenes de seguridad amplios, mientras que la optimización computacional permite a los ingenieros explorar miles, e incluso millones, de variaciones para acercarse al límite físico de la eficiencia sin sacrificar la seguridad. El resultado es una elegancia estructural casi contraintuitiva: puentes que alcanzan su fuerza no a través de la masa bruta, sino mediante una delgadez inteligentemente calculada, donde la sostenibilidad es una consecuencia natural de la eficiencia.

4. La optimización inteligente genera ahorros reales: una reducción de costes de hasta un 6,5 %.

Más allá de los beneficios medioambientales, la aplicación de estas técnicas de optimización tiene un impacto económico directo y medible. El diseño de infraestructuras deja de ser un arte basado únicamente en la experiencia para convertirse en una ciencia precisa que busca la máxima eficiencia económica.

El resultado principal del estudio sobre la optimización de costes es claro: el uso de modelos sustitutos (metamodelos Kriging) guiados por algoritmos heurísticos, como el recocido simulado, logró una reducción de costes del 6,54 % en comparación con un diseño de referencia.

Estos ahorros no son teóricos, sino que provienen directamente de la reducción de materiales. En concreto, se consiguió una disminución del 14,8 % en el uso de hormigón y del 11,25 % en el acero activo (pretensado). Es crucial destacar que estas reducciones se consiguieron sin afectar a la integridad estructural ni a la capacidad de servicio del puente. No se trata de sacrificar la calidad por el precio, sino de diseñar de manera más inteligente. Esta metodología convierte la optimización del diseño en una tarea académica en una herramienta práctica y altamente eficaz para la gestión económica de grandes proyectos de ingeniería civil.

5. No todos los cerebros artificiales piensan igual; la clave está en elegir el modelo computacional adecuado.

Una de las lecciones más importantes de esta investigación es que no basta con aplicar «inteligencia artificial» de forma genérica. El éxito de la optimización depende de elegir la herramienta computacional adecuada para cada tarea específica.

La tesis comparó dos potentes metamodelos: las redes neuronales artificiales (RNA) y los modelos de Kriging. Se descubrió una diferencia crucial en su rendimiento: si bien las RNA ofrecían predicciones absolutas más precisas sobre el comportamiento de un diseño concreto, el modelo de Kriging demostró ser mucho más eficaz para identificar los «óptimos locales», es decir, las zonas del mapa de diseño donde se encontraban las mejores soluciones.

Esto revela una capa más profunda de la optimización inteligente. Un modelo puede ser excelente para predecir un resultado (RNA), mientras que otro es más eficaz para guiar la búsqueda del mejor resultado posible (Kriging). No se trata solo de utilizar IA, sino de comprender qué «tipo de pensamiento» artificial es el más adecuado para cada fase del problema: predecir frente a optimizar. La verdadera maestría de la ingeniería moderna consiste en saber elegir las herramientas adecuadas para cada fase del problema.

Conclusión: la nueva frontera del diseño de infraestructuras.

La construcción de nuestras infraestructuras entra en una nueva era. La combinación de la ingeniería estructural clásica con el poder de los modelos computacionales avanzados, como el metamodelado Kriging y las redes neuronales artificiales, está abriendo una nueva frontera en la que la eficiencia y la sostenibilidad no son objetivos opcionales, sino resultados intrínsecos de un buen diseño.

Como hemos visto, los grandes avances no siempre provienen de materiales revolucionarios. A menudo, los «secretos» mejor guardados residen en la optimización inteligente de los diseños y materiales que ya conocemos. Obtener un mayor beneficio ecológico pagando menos, utilizar estratégicamente más de un material para reducir el consumo global o diseñar estructuras más esbeltas y elegantes son lecciones que van más allá de la construcción de puentes.

Nos dejan con una pregunta final que invita a la reflexión: si podemos lograr esto con los puentes, ¿qué otras áreas de la construcción y la industria están esperando a ser reinventadas por el poder de la optimización inteligente?

Os dejo un audio en el que se discuten las ideas de la tesis doctoral. Espero que os guste.

Y en este vídeo, tenemos resumidas las ideas principales de esta tesis.

Referencias:

YEPES-BELLVER, L.; ALCALÁ, J.; YEPES, V. (2025). Predictive modeling for carbon footprint optimization of prestressed road flyovers. Applied Sciences, 15(17), 9591. DOI:10.3390/app15179591

VILLALBA, P.; SÁNCHEZ-GARRIDO, A.; YEPES-BELLVER, L.; YEPES, V. (2025). A Hybrid Fuzzy DEMATEL–DANP–TOPSIS Framework for Life Cycle-Based Sustainable Retrofit Decision-Making in Seismic RC Structures. Mathematics, 13(16), 2649. DOI:10.3390/math13162649

ZHOU, Z.; WANG, Y.J.; YEPES-BELLVER, L.; ALCALÁ, J.; YEPES, V. (2025). Intelligent monitoring of loess landslides and research on multi-factor coupling damage. Geomechanics for Energy and the Environment, 42:100692. DOI:10.1016/j.gete.2025.100692

ZHOU, Z.; YEPES-BELLVER, L.; ALCALÁ, J.; YEPES, V. (2025). Study on the failure mechanism of deep foundation pit of high-rise building: comprehensive test and microstructure coupling. Buildings, 15(8), 1270. DOI:10.3390/buildings15081270

YEPES-BELLVER, L.; BRUN-IZQUIERDO, A.; ALCALÁ, J.; YEPES, V. (2025). Surrogate-assisted cost optimization for post-tensioned concrete slab bridges. Infrastructures, 10(2): 43. DOI:10.3390/infrastructures10020043.

BLIGHT, T.; MARTÍNEZ-PAGÁN, P.; ROSCHIER, L.; BOULET, D.; YEPES-BELLVER, L.; YEPES, V. (2025). Innovative approach of nomography application into an engineering educational context. Plos One, 20(2): e0315426. DOI:10.1371/journal.pone.0315426

NAVARRO, I.J.; VILLALBA, I.; YEPES-BELLVER, L.; ALCALÁ, J. Social Life Cycle Assessment of Railway Track Substructure Alternatives. J. Clean. Prod. 2024, 450, 142008.

YEPES-BELLVER, L.; BRUN-IZQUIERDO, A.; ALCALÁ, J.; YEPES, V. (2024). Artificial neural network and Kriging surrogate model for embodied energy optimization of prestressed slab bridges. Sustainability, 16(19), 8450. DOI:10.3390/su16198450

YEPES-BELLVER, L.; BRUN-IZQUIERDO, A.; ALCALÁ, J.; YEPES, V. (2023). Embodied energy optimization of prestressed concrete road flyovers by a two-phase Kriging surrogate model. Materials, 16(20); 6767. DOI:10.3390/ma16206767

YEPES-BELLVER, L.; BRUN-IZQUIERDO, A.; ALCALÁ, J.; YEPES, V. (2022). CO₂-optimization of post-tensioned concrete slab-bridge decks using surrogate modeling. Materials, 15(14):4776. DOI:10.3390/ma15144776

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

Prohibieron la IA en sus clases de ingeniería. Ahora es su mejor herramienta para enseñar a pensar.

Introducción: El dilema de la IA en las aulas.

En los pasillos de la educación superior, un debate resuena con fuerza: ¿qué hacemos con la inteligencia artificial generativa (IAG)? Para muchos, herramientas como ChatGPT suponen una amenaza directa para el pensamiento crítico, ya que facilitan el plagio y fomentan la superficialidad académica. El temor es comprensible y está muy extendido.

Sin embargo, ¿y si el problema no fuera la herramienta, sino nuestra forma de reaccionar ante ella? El proyecto PROFUNDIA (acrónimo de PROFUNDo y autonomÍA) surge de esta cuestión, pero con un enfoque inesperado. Esta iniciativa de innovación educativa en ingeniería estructural no surgió de una prohibición teórica, sino de un problema práctico y urgente: el uso no regulado de la IA por parte de los estudiantes estaba deteriorando la calidad de su aprendizaje.

En lugar de intensificar la prohibición, este proyecto propone una solución radicalmente diferente. Este artículo explora los cuatro descubrimientos clave de un enfoque que busca transformar la IA de una amenaza en una de las herramientas pedagógicas más potentes.

Los 4 descubrimientos clave del proyecto PROFUNDIA

1. La cruda realidad es que el uso no supervisado de la IA estaba deteriorando el aprendizaje.

El proyecto PROFUNDIA no se basó en una hipótesis abstracta, sino que surgió de una necesidad urgente detectada en las aulas a partir del curso 2023-2024. El profesorado comenzó a observar un patrón preocupante en los trabajos de los estudiantes.

Las estadísticas internas confirmaron la sospecha: las encuestas revelaron que más del 60 % del alumnado ya utilizaba la IA para hacer sus trabajos. Sin embargo, el dato más alarmante era otro: solo el 25 % de ellos revisaba críticamente los resultados que la herramienta generaba.

La consecuencia fue una «notable disminución de la calidad técnica y argumentativa» de los proyectos. El problema era específico y grave: aunque la herramienta ofrecía soluciones funcionales, no podía verificar las hipótesis iniciales ni razonar la adecuación del modelo al contexto técnico. Los estudiantes dependían de la IA de forma acrítica, entregando trabajos con «errores conceptuales importantes» y debilitando su capacidad de razonamiento. Esto demostró que mirar hacia otro lado no era una opción, sino que era necesaria una intervención educativa guiada.

2. El cambio de paradigma: de la prohibición a la integración crítica.

Hasta entonces, la política en las asignaturas implicadas era clara: el uso de la IA «estaba explícitamente prohibido». Sin embargo, la realidad demostró que esta medida era ineficaz y contraproducente.

En lugar de librar una batalla perdida contra una tecnología omnipresente, el proyecto PROFUNDIA optó por un cambio de 180 grados: integrarla de forma «explícita, guiada y crítica». La nueva filosofía consistía en enseñar a los estudiantes a utilizar la herramienta de manera inteligente en lugar de ignorarla.

La esencia de este nuevo paradigma se resume en su declaración de intenciones:

Frente a enfoques que restringen o penalizan el uso de la IA, PROFUNDIA propone su integración crítica y formativa como herramienta cognitiva para potenciar el aprendizaje profundo, la interpretación técnica, la argumentación fundamentada y el desarrollo de la autonomía del estudiante.

3. El método: aprender a pensar «enseñando» a la IA.

La propuesta metodológica supone un cambio estructural en el aprendizaje, ya que se pasa de un proceso lineal (profesor-estudiante) a otro triangular (profesor-estudiante-IA). En primer lugar, los estudiantes resuelven un problema por sus propios medios. Después, piden a la IA que resuelva el mismo problema. La fase clave llega a continuación: deben comparar críticamente su solución con la de la IA.

En este punto radica la innovación más profunda del método. La IA se incorpora «como un agente más en el proceso, con un papel activo y con un sesgo deliberado hacia el error». El papel del estudiante cambia radicalmente: deja de ser un usuario pasivo para convertirse en entrenador activo de la IA. Su tarea ya no consiste en obtener una respuesta, sino en identificar, cuestionar y corregir los errores de la herramienta, lo que les lleva a «enseñar» a la IA a resolver problemas complejos y, en el proceso, a dominar el tema a un nivel mucho más profundo.

El objetivo final de este proceso es la «reflexión metacognitiva». Se pretende que el estudiante «reflexione sobre cómo piensa y aprende» al contrastar su razonamiento con el de la IA, sus compañeros y el profesor.

4. La meta final: la IA como una «mindtool» para crear mejores ingenieros.

Este enfoque no es solo una técnica ingeniosa, sino que se fundamenta en un concepto pedagógico sólido: el de las mindtools o «herramientas para la mente». Esta idea defiende el uso de la tecnología no como un sustituto del esfuerzo intelectual, sino como un andamio para potenciar el pensamiento crítico y la construcción activa del conocimiento, es decir, tratar la tecnología no como una muleta, sino como un gimnasio para la mente.

Este planteamiento conecta directamente con las demandas del mercado laboral actual. Como señalan estudios previos (Pellicer et al., 2017), las empresas no solo buscan egresados con conocimientos técnicos, sino también con habilidades transversales como la resolución de problemas, la autonomía y el juicio crítico.

Por tanto, los resultados de aprendizaje que se persiguen son extremadamente precisos y potentes. El objetivo es formar ingenieros que puedan:

  1. Formular problemas técnicos complejos con la precisión necesaria para que la IAG pueda analizarlos.
  2. Evaluar y validar críticamente las soluciones generadas por la IAG, justificando sus decisiones.
  3. Gestionar de forma autónoma el uso de la IAG en estrategias complejas de resolución de problemas.

En definitiva, se les prepara para un entorno profesional «complejo, colaborativo y en constante evolución».

Conclusión: ¿Y si dejamos de temer a la tecnología y empezamos a usarla para pensar mejor?

El proyecto PROFUNDIA demuestra que es posible cambiar la perspectiva sobre la IA en la educación. Transforma lo que muchos consideran una amenaza para el aprendizaje en una oportunidad única para fomentar un pensamiento más profundo, crítico y autónomo.

Su reflexión trasciende las aulas de ingeniería. ¿Qué otras tecnologías emergentes podríamos empezar a integrar en nuestras profesiones, no como un atajo, sino como un catalizador para desarrollar un pensamiento más crítico y sofisticado?

Os dejo un audio en el que dos personas hablan y discuten sobre este tema.

También os dejo un vídeo que resume muy bien el contenido del proyecto.

Referencias:

Blight, T., Martínez-Pagán, P., Roschier, L., Boulet, D., Yepes-Bellver, L., & Yepes, V. (2025). Innovative approach of nomography application into an engineering educational context. PloS one, 20(2), e0315426.

Castro-Aristizabal, G., Acosta-Ortega, F., & Moreno-Charris, A. V. (2024). Los entornos de aprendizaje y el éxito escolar en Latinoamérica. Lecturas de Economía, (101), 7-46.

Hadgraft, R. G., & Kolmos, A. (2020). Emerging learning environments in engineering education. Australasian Journal of Engineering Education, 25(1), 3-16.

Jiang, N., Zhou, W., Hasanzadeh, S., & Duffy Ph D, V. G. (2025). Application of Generative AI in Civil Engineering Education: A Systematic Review of Current Research and Future Directions. In CIB Conferences (Vol. 1, No. 1, p. 306).

Jonassen, D. H., Peck, K. L., & Wilson, B. G. (1999). Learning with technology: A constructivist perspective. Columbus, OH: Merrill/Prentice-Hall.

Liao, W., Lu, X., Fei, Y., Gu, Y., & Huang, Y. (2024). Generative AI design for building structures. Automation in Construction, 157, 105187.

Navarro, I. J., Marti, J. V., & Yepes, V. (2023). Evaluation of Higher Education Students’ Critical Thinking Skills on Sustainability. International Journal of Engineering Education, 39(3), 592-603.

Onatayo, D., Onososen, A., Oyediran, A. O., Oyediran, H., Arowoiya, V., & Onatayo, E. (2024). Generative AI applications in architecture, engineering, and construction: Trends, implications for practice, education & imperatives for upskilling—a review. Architecture, 4(4), 877-902.

Pellicer, E., Yepes, V., Ortega, A. J., & Carrión, A. (2017). Market demands on construction management: View from graduate students. Journal of Professional Issues in Engineering Education and Practice, 143(4), 04017005.

Perkins, D., & Unger, C. (1999). La enseñanza para la comprensión. Argentina: Paidós.

Torres-Machí, C., Carrión, A., Yepes, V., & Pellicer, E. (2013). Employability of graduate students in construction management. Journal of Professional Issues in Engineering Education and Practice, 139(2), 163-170.

Xu, G., & Guo, T. (2025). Advances in AI-powered civil engineering throughout the entire lifecycle. Advances in Structural Engineering, 13694332241307721.

Zhou, Z., Tian, Q., Alcalá, J., & Yepes, V. (2025). Research on the coupling of talent cultivation and reform practice of higher education in architecture. Computers and Education Open, 100268.

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

La interacción suelo–estructura como factor decisivo en el diseño optimizado y robusto frente al colapso progresivo de edificios de hormigón armado

Acaban de publicarnos un artículo en Innovative Infrastructure Solutions, revista indexada en el JCR. El artículo presenta un marco de optimización estructural para edificios con pórticos de hormigón armado que integra la resistencia frente al colapso progresivo y la interacción suelo-estructura con el objetivo de conseguir diseños seguros, sostenibles y realistas. El trabajo se enmarca dentro del proyecto de investigación RESILIFE que dirijo como investigador principal en la Universitat Politècnica de València. A continuación se recoge un resumen sintético del trabajo.

En los últimos años, la optimización matemática se ha convertido en una herramienta muy valiosa para la ingeniería. Lejos de ser un mero ejercicio teórico, se ha comprobado que permite diseñar estructuras más eficientes, con menos consumo de materiales, costes e impacto medioambiental. Sin embargo, hasta ahora, un aspecto importante había quedado fuera de estos procesos de optimización: la seguridad frente al colapso progresivo, un fenómeno en el que el fallo localizado de un elemento estructural provoca una reacción en cadena que puede ocasionar el derrumbe total del edificio.

Este tipo de situaciones no son meramente hipotéticas: explosiones accidentales, impactos de vehículos, errores de ejecución e incluso actos intencionados han provocado a lo largo de la historia fallos de este tipo, con consecuencias devastadoras en términos humanos y económicos. Por este motivo, organismos como la General Services Administration (GSA) y el Departamento de Defensa (DoD) de EE. UU. han desarrollado directrices específicas para incorporar criterios de robustez frente al colapso progresivo en el diseño estructural.

La principal aportación de este trabajo es la propuesta de un marco computacional integrado denominado Optimization-based Robust Design to Progressive Collapse (ObRDPC), que combina tres elementos fundamentales:

  1. Optimización estructural mediante algoritmos heurísticos.

  2. Diseño robusto frente a colapso progresivo, aplicado desde el inicio del proceso de cálculo con el método del Alternate Path.

  3. Consideración de la interacción suelo–estructura (SSI), aspecto habitualmente ignorado, pero que modifica de forma notable la respuesta real de un edificio.

La metodología desarrollada no se limita a verificar a posteriori si una estructura cumple los requisitos de robustez, sino que integra estas exigencias como restricciones en el propio proceso de optimización. Así, el algoritmo no solo busca minimizar un objetivo (en este caso, las emisiones de CO₂ asociadas a la construcción), sino que también garantiza la seguridad frente a escenarios de fallo.

Para validar la propuesta, se estudiaron cinco casos de edificios de pórticos de hormigón armado tridimensionales con distintas combinaciones de número de plantas (de cuatro a seis) y longitudes de vano (cuatro, seis y ocho metros). A cada edificio se le aplicaron dos escenarios de daño: la eliminación de una columna de esquina y la eliminación de una columna exterior. Estos escenarios, definidos en la guía GSA, simulan situaciones críticas y permiten evaluar la capacidad de la estructura para redistribuir las cargas y evitar un colapso en cadena.

El marco ObRDPC integra un proceso automatizado en el que el modelado estructural se realiza con SAP2000, enlazado con rutinas programadas en MATLAB. Además, se tiene en cuenta el diseño constructivo de cimentaciones mediante zapatas aisladas, que se modelan como losas apoyadas sobre un suelo con comportamiento elástico. En este punto, la SSI es fundamental, ya que los asientos diferenciales de la cimentación generan esfuerzos adicionales en pilares y vigas, lo que modifica la redistribución de cargas en caso de fallo. El estudio muestra que ignorar este efecto puede dar lugar a errores de hasta el 24 % en el dimensionamiento de la superestructura tras la pérdida de un pilar, lo que se traduce en diseños potencialmente inseguros o, por el contrario, sobredimensionados y poco sostenibles.

Los resultados más destacados se pueden resumir así:

  • Influencia de la altura del edificio: a medida que aumenta el número de plantas, la estructura gana en robustez. Esto se debe a la redundancia estructural y a la existencia de múltiples caminos alternativos para la redistribución de cargas (efecto de pórtico global, mecanismos tipo Vierendeel, etc.). En consecuencia, los edificios de mayor altura presentan una menor diferencia entre un diseño convencional y otro robusto frente al colapso progresivo.

  • Influencia de la luz de vano: a diferencia de lo que ocurre con la altura, un mayor aumento de la luz compromete la robustez. En vanos de 8 metros, el impacto ambiental de un diseño robusto frente al colapso progresivo aumenta en más de un 50 %. La razón es doble: por un lado, las vigas deben absorber momentos flectores mucho mayores cuando desaparece un apoyo y, por otro, disminuye la redundancia estructural al haber menos pilares por unidad de superficie.

  • Estrategias de redistribución de cargas: los mecanismos estructurales varían según el elemento. En las vigas, la optimización conduce a secciones más profundas y a un incremento del refuerzo superior de hasta el 35 % en zonas críticas. En los pilares, tienden a utilizarse secciones más robustas y hormigones de mayor resistencia (hasta 40 MPa) para controlar las solicitaciones combinadas de axiles y flectores. Las cimentaciones, por su parte, tienden a tener geometrías más cuadradas, lo que mejora su respuesta frente a asientos diferenciales.

  • Impacto ambiental y sostenibilidad: en edificios con vanos moderados (4 m), el sobrecoste ambiental de diseñar frente a un colapso progresivo es inferior al 8 %, una cifra razonable para garantizar una mayor seguridad. Sin embargo, en estructuras con vanos grandes, el impacto es muy significativo, por lo que es necesario reflexionar sobre las limitaciones geométricas de ciertos proyectos si se pretende compatibilizar sostenibilidad y robustez.

El valor práctico de esta investigación es indudable. Frente a los métodos tradicionales basados en el ensayo y el error y en hipótesis de apoyo rígido, la propuesta permite automatizar el proceso de diseño e integrar la seguridad y la sostenibilidad desde el principio. Para los ingenieros y proyectistas, esto supone una herramienta que evita tanto el riesgo de subdiseño (estructuras inseguras) como el de sobrediseño (estructuras innecesariamente pesadas y contaminantes).

En definitiva, este trabajo supone un avance hacia una ingeniería estructural más integral, ya que no solo se trata de optimizar costes o reducir emisiones, sino también de garantizar la resiliencia de nuestras construcciones frente a eventos extremos. La integración de la interacción suelo-estructura añade, además, un realismo que acerca la investigación a la práctica profesional. En el futuro, esta metodología podría extenderse a otros sistemas estructurales, como marcos metálicos, estructuras mixtas o rascacielos, lo que supondría un horizonte prometedor para la construcción de infraestructuras seguras, sostenibles y duraderas.

Referencia:

NEGRÍN, I.; CHAGOYÉN, E.; KRIPKA, M.; YEPES, V. (2025). An integrated framework for Optimization-based Robust Design to Progressive Collapse of RC skeleton buildings incorporating Soil-Structure Interaction effects. Innovative Infrastructure Solutions, 10:446. DOI:10.1007/s41062-025-02243-z

Os dejo el artículo para que lo descarguéis, ya que está publicado en abierto.

Pincha aquí para descargar

 

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

Pasarelas peatonales sostenibles: cómo optimizar su diseño para reducir costes económicos y ambientales

Este artículo se centra en la aplicación práctica de la evaluación del ciclo de vida (LCA) para optimizar el impacto ambiental y los costes de los puentes peatonales compuestos de acero y hormigón. Los autores utilizan el algoritmo de búsqueda de armonía multiobjetivo (MOHS) para identificar soluciones de diseño que minimicen simultáneamente las emisiones de CO₂, la energía incorporada y los costes de construcción. Los resultados muestran una relación directa y lineal entre el coste, las emisiones de CO₂ y la energía incorporada, lo que sugiere que las soluciones económicamente eficientes también son beneficiosas para el medio ambiente. Se analizan escenarios alternativos, como variaciones en la resistencia del hormigón y fluctuaciones en el precio de los materiales, para evaluar su impacto en los resultados de la optimización. En última instancia, el estudio demuestra la eficacia de combinar la optimización estructural con la evaluación del ciclo de vida para fomentar un diseño de infraestructura más sostenible.

El trabajo se enmarca dentro del proyecto de investigación RESILIFE que dirijo como investigador principal en la Universitat Politècnica de València. Se trata de una colaboración internacional de nuestro grupo con investigadores brasileños. A continuación se recoge un resumen sintético del trabajo.

El sector de la construcción es uno de los que más recursos consume y más emisiones de gases de efecto invernadero genera. Según el Programa de las Naciones Unidas para el Medio Ambiente, este sector consume alrededor del 34 % de la energía mundial y es responsable de aproximadamente el 37 % de las emisiones de CO₂. Ante esta realidad, mejorar la sostenibilidad de las infraestructuras es fundamental para alcanzar los Objetivos de Desarrollo Sostenible (ODS) de la ONU. En este contexto, el artículo «Aplicación práctica de la evaluación del ciclo de vida para optimizar el impacto ambiental de los puentes peatonales de acero y hormigón», de Fernando Luiz Tres Junior y colaboradores, muestra cómo la combinación de la optimización estructural multiobjetivo y la evaluación del ciclo de vida permite diseñar un puente peatonal que reduce simultáneamente su coste económico, las emisiones de CO₂ y la energía incorporada, sin sacrificar la seguridad ni la funcionalidad.

El trabajo aporta varias conclusiones relevantes. Una de las más importantes es que los objetivos de minimizar el coste y el impacto ambiental no son opuestos, sino que las soluciones más baratas también son más sostenibles. Además, el estudio cuantifica con precisión la relación entre estos factores, por lo que es posible estimar cómo varía el impacto ambiental en función del presupuesto. Otra aportación destacable es la validación práctica de la metodología: la combinación de técnicas de optimización y bases de datos de evaluación del ciclo de vida (LCA, por sus siglas en inglés) conduce a soluciones óptimas y robustas, incluso ante cambios en parámetros como la resistencia del hormigón o las fluctuaciones de precios.

El caso de estudio consiste en un puente peatonal de 17,5 m de luz y 3 m de ancho ubicado en el sur de Brasil. La estructura combina vigas de acero soldadas y una losa de hormigón armado, unidas mediante conectores de corte. Las variables de diseño incluyen el espesor y la resistencia del hormigón, las dimensiones de las vigas de acero y el grado de interacción entre ambos materiales. Estas variables pueden adoptar distintos valores discretos, lo que da lugar a más de 700 000 millones de combinaciones posibles. El objetivo de la optimización es hallar las mejores soluciones en términos de coste económico, emisiones de CO₂ y energía incorporada, cumpliendo siempre con la normativa brasileña sobre seguridad estructural y confort frente a vibraciones.

Para evaluar el impacto ambiental de los materiales, los autores utilizaron dos bases de datos. En el caso del acero de las vigas, utilizaron una base de datos internacional, que contiene datos globales sobre emisiones y consumo de energía. En el caso del hormigón y las armaduras, recurrieron a datos locales de producción del sur de Brasil. Además, analizaron dos escenarios alternativos para comprobar la solidez de las soluciones: uno con hormigón de menor resistencia (20 MPa en lugar de 40 MPa) y otro con precios más altos para los materiales (como ocurrió durante la pandemia en 2022).

Todas las soluciones se verificaron para garantizar que cumplían los requisitos normativos de seguridad y servicio, incluidos los estados límite últimos, las deformaciones y las vibraciones. Las soluciones que no superaban estas comprobaciones eran penalizadas y el algoritmo de optimización las descartaba. Para la optimización, utilizaron el algoritmo Multiobjective Harmony Search (MOHS), inspirado en la improvisación musical, que busca soluciones que «armonizan» los distintos objetivos. Este algoritmo genera y mejora iterativamente las soluciones hasta construir la denominada «frontera de Pareto», que recoge las mejores alternativas posibles sin que ninguna sea mejor en todos los objetivos a la vez.

Los resultados muestran que estos tres objetivos —coste, emisiones de CO₂ y energía incorporada— están estrechamente relacionados y no entran en conflicto entre sí. Se evita la emisión de 1 kg de CO₂ por cada 6,56 reales brasileños ahorrados por metro de puente, y se reducen 1 MJ de energía por cada 0,70 reales. Además, por cada 9,3 MJ ahorrados se evita la emisión de 1 kg de CO₂. Estas relaciones lineales reflejan que, al reducir el consumo de materiales, se consigue simultáneamente un ahorro económico y un menor impacto medioambiental.

Las soluciones óptimas obtenidas tienen características muy similares entre sí. La losa de hormigón tiene un espesor de 12 cm y la viga de acero mide aproximadamente 860 mm de altura, con un espesor del alma de 6,35 mm, y mantiene la clásica proporción luz/altura cercana a 20. La anchura de las alas superior e inferior de la viga varía, siendo la inferior más ancha y gruesa. En todos los casos, la interacción entre el acero y el hormigón es completa (grado de interacción igual a 1).

Al considerar el escenario con hormigón de menor resistencia, se observó un aumento del coste total del 3 %, debido a que fue necesario añadir más acero para compensar la menor resistencia del hormigón. En cuanto al impacto ambiental, las emisiones de CO₂ apenas se redujeron (menos de un 1 %), mientras que la energía incorporada aumentó alrededor de un 4 %. En el escenario con precios más altos de los materiales, se obtuvieron dos soluciones óptimas: una más barata, pero con mayores emisiones, y otra más cara y sostenible. En ambos casos, las diferencias entre las soluciones fueron pequeñas y se mantuvo la relación lineal entre los objetivos.

En conclusión, este trabajo demuestra que es posible diseñar puentes peatonales más económicos y sostenibles combinando optimización estructural y LCA. La reducción del consumo de materiales no solo abarata la estructura, sino que también disminuye las emisiones de CO₂ y la energía incorporada. Además, el uso de hormigón de alta resistencia reduce la cantidad de acero necesaria, lo que tiene un impacto positivo en el coste y la sostenibilidad. Las soluciones óptimas resultaron muy similares al modificar las condiciones del diseño o del mercado, lo que confirma la solidez de la metodología.

Este tipo de estudios es especialmente valioso en los países en desarrollo, donde las necesidades de infraestructuras son elevadas y los recursos económicos, limitados. El diseño de estructuras asequibles y sostenibles contribuye al desarrollo regional y a la lucha contra el cambio climático. Los autores recomiendan ampliar futuras investigaciones para incluir también el impacto social y considerar así los tres pilares de la sostenibilidad: el económico, el ambiental y el social. También recomiendan analizar el ciclo de vida completo de la estructura, incluyendo el mantenimiento y la demolición. Por último, esta metodología podría aplicarse fácilmente a otros tipos de infraestructuras, como puentes para vehículos o edificios.

En definitiva, este trabajo no solo muestra cómo reducir costes y emisiones en un puente peatonal concreto, sino que también abre la puerta a un diseño más sostenible de nuestras infraestructuras. Es un claro ejemplo de cómo la ingeniería civil puede ser una aliada clave en el desarrollo sostenible.

Referencia:

Tres Junior, F.L., Yepes, V., de Medeiros, G.F., Kripka, M. (2025). Practical Application of LCA to Optimize Environmental Impacts of Steel–concrete Footbridges. In: Brandli, L., Rosa, F.D., Petrorius, R., Veiga Avila, L., Filho, W.L. (eds) The Contribution of Life Cycle Analyses and Circular Economy to the Sustainable Development Goals. World Sustainability Series. Springer, Cham. https://doi.org/10.1007/978-3-031-85300-5_22

Glosario de términos clave

  • Evaluación del ciclo de vida (LCA): Una metodología para estimar los impactos ambientales resultantes de la fabricación de un producto o servicio, examinando cada etapa de su ciclo de vida, desde la extracción de recursos naturales hasta su eliminación.
  • Emisiones de CO2: La cantidad de dióxido de carbono liberada a la atmósfera, utilizada como un criterio clave para evaluar el impacto ambiental en este estudio.
  • Energía incorporada: La suma total de energía necesaria para producir un producto, desde la extracción de las materias primas hasta el final del proceso de fabricación, utilizada como otro criterio de impacto ambiental.
  • Optimización multi-objetivo: Un proceso de optimización que considera múltiples funciones objetivo que deben minimizarse o maximizarse simultáneamente. Produce un conjunto de soluciones no dominadas o Pareto-óptimas.
  • Algoritmo de búsqueda de armonía multi-objetivo (MOHS): Un algoritmo metaheurístico basado en la improvisación musical, adaptado para resolver problemas de optimización multi-objetivo.
  • Pasarela mixta de hormigón y acero: Una estructura que combina elementos de acero y hormigón de manera que trabajen juntos como una sola unidad para soportar cargas, aprovechando las fortalezas de ambos materiales.
  • Frontera de Pareto: Una representación gráfica que conecta el conjunto de soluciones no dominadas (Pareto-óptimas) en un problema de optimización multi-objetivo, lo que permite analizar las compensaciones entre los objetivos.
  • Solución no dominada (Pareto-Óptima): Una solución para la cual no existe otra solución admisible que mejore simultáneamente todas las funciones objetivo. Mejorar un objetivo solo es posible a expensas de al menos otro.
  • Grado de interacción (α): Una variable de diseño en vigas compuestas que representa el nivel de conexión entre el acero y el hormigón, influyendo en su comportamiento estructural combinado.
  • Estado límite último (ULS): Verificaciones relacionadas con la capacidad de la estructura para resistir las cargas máximas sin colapsar, incluyendo la tensión de cizallamiento y el momento de flexión.
  • Estado límite de servicio (SLS): Verificaciones relacionadas con el rendimiento de la estructura bajo cargas normales para garantizar la comodidad y la funcionalidad, como la limitación de los desplazamientos y las aceleraciones.
  • Penalización: Un método utilizado en algoritmos de optimización para hacer que las soluciones que no cumplen con las restricciones de diseño sean menos atractivas para el algoritmo, agregando un valor a la función objetivo.

Aportaciones al Congreso sobre Optimización de Estructuras HPSM/OPTI 2025, Edimburgo (Reino Unido)

Los días 10 a 12 de junio de 2025 se celebró en Edimburgo (Reino Unido) uno de los congresos más importantes sobre optimización de estructuras: “12th International Conference on High Performance and Optimum Design of Structures and Materials, HPSM/OPTI 2025“. He participado en dicho congreso tanto en su Comité Científico como Invited Speaker.

Este trabajo se enmarca dentro del proyecto de investigación RESILIFE, que dirijo como investigador principal, junto con el profesor Julián Alcalá, en la Universitat Politècnica de València. Además, es uno de los resultados de la tesis doctoral de Lorena Yepes.

En cuanto la comunicación esté publicada en el libro de ponencias, os pasaré el enlace para su descarga gratuita. A continuación os paso el resumen de la comunicación presentada.

El artículo «Multi-Attribute Decision-Making in Prestressed Concrete Road Flyover Design», propone una innovadora metodología para optimizar el diseño de puentes de hormigón pretensado teniendo en cuenta simultáneamente tres criterios clave: el coste económico, las emisiones de CO₂ y la energía incorporada en los materiales. Su objetivo es encontrar soluciones de compromiso que equilibren sostenibilidad y eficiencia estructural.

Aportaciones principales del estudio

Este trabajo aporta un enfoque sistemático y práctico para integrar criterios medioambientales y económicos en el diseño de pasos elevados. Frente a las metodologías tradicionales que suelen priorizar únicamente el coste, los autores aplican técnicas de toma de decisiones multicriterio para considerar también el impacto ambiental desde el inicio del proceso proyectual. Además, ofrecen pautas concretas para diseños preliminares que buscan un equilibrio entre coste, emisiones y consumo energético.

Metodología empleada

La investigación se basa en técnicas avanzadas de optimización y modelado. En primer lugar, se utilizaron 50 soluciones iniciales de diseño generadas mediante un muestreo estadístico conocido como Latin Hypercube Sampling, que explora diferentes combinaciones de parámetros como la resistencia del hormigón, la anchura de la base y la profundidad del tablero.

A continuación, se aplicó un modelo de sustitución de tipo Kriging, capaz de estimar con gran precisión los resultados estructurales sin necesidad de cálculos exhaustivos para cada diseño. Esto permitió ampliar el análisis a 1.000 soluciones adicionales simuladas.

Con todas las alternativas sobre la mesa, se extrajo la “frontera de Pareto”, un conjunto de soluciones no dominadas que representan los mejores compromisos posibles entre los tres objetivos. Finalmente, se aplicaron distintos escenarios de toma de decisiones multiatributo, asignando diferentes pesos a cada criterio, para seleccionar los diseños más equilibrados.

Resultados más relevantes

El análisis reveló que los diseños más sostenibles tienen características comunes: una relación entre canto del tablero y luz principal cercana a 1/30 y una resistencia del hormigón de 40 MPa. Estas configuraciones permiten reducir tanto el consumo de materiales como las emisiones sin comprometer la viabilidad estructural.

Dependiendo del peso asignado a cada criterio (coste, emisiones, energía), se identificaron varias soluciones óptimas, destacando especialmente dos (denominadas #6 y #13) por su buen rendimiento integral. Curiosamente, priorizar solo el coste lleva a soluciones con mayor canto, mientras que priorizar el medio ambiente genera estructuras más esbeltas y materialmente eficientes.

Conclusiones y recomendaciones

El estudio concluye que aplicar técnicas de decisión multicriterio en la ingeniería civil permite diseñar infraestructuras más sostenibles y racionales, sin sacrificar funcionalidad ni economía. Se recomienda considerar desde fases tempranas del diseño variables ambientales clave como las emisiones o la energía embebida, además de los costes.

Asimismo, los autores sugieren incorporar la participación de los diferentes agentes implicados (ingenieros, administraciones, ciudadanía) para lograr soluciones más equilibradas y duraderas.

Este trabajo representa un avance hacia una práctica de la ingeniería más alineada con los Objetivos de Desarrollo Sostenible, y especialmente con el ODS 9, que promueve infraestructuras resilientes, sostenibles e innovadoras.

Referencia:

YEPES-BELLVER, L.; ALCALÁ, J.; YEPES, V. (2025). Multi-attribute decision-making in prestressed concrete road flyover design. International Conference on High Performance and Optimum Design of Structures and Materials, HPSM/OPTI 2025, 10-12 June 2025, Edinburgh, UK.

Tesis doctoral: Optimización multicriterio para el diseño sostenible de puentes postesados mediante metamodelos

De izquierda a derecha: Julián Alcalá, Salvador Ivorra, Lorena Yepes, Tatiana García y Antonio Tomás.

Hoy, 6 de junio de 2025, ha tenido lugar la defensa de la tesis doctoral de Dª. Lorena Yepes Bellver, titulada “Multi-criteria optimization for sustainable design of post-tensioned concrete slab bridges using metamodels”, dirigida por el profesor Julián Alcalá González. La tesis ha obtenido la máxima calificación de sobresaliente «cum laude». A continuación, presentamos un pequeño resumen de la misma.

Esta tesis utiliza técnicas de modelización sustitutiva para optimizar los costes económicos y medioambientales en puentes losa de hormigón postesado hormigonado in situ. El objetivo principal de esta investigación es desarrollar una metodología sistemática que permita optimizar el diseño de puentes, reduciendo los costes, las emisiones de CO₂ y la energía necesaria para construir este tipo de puentes sin comprometer la viabilidad estructural o económica. El marco de optimización propuesto consta de dos fases secuenciales: la primera se centra en ampliar el espacio de búsqueda y la segunda intensifica la búsqueda de soluciones óptimas. El metamodelo basado en Kriging realiza una optimización heurística que da como resultado un diseño con emisiones de CO₂ significativamente menores que los diseños convencionales. El estudio revela que una relación de esbeltez de aproximadamente 1/30 arroja resultados óptimos, ya que se reduce el consumo de material y se mantiene la integridad estructural. Además, el aumento de la armadura pasiva compensa la reducción de hormigón y armadura activa, lo que da como resultado un diseño más sostenible. Por otra parte, se identifica una compensación entre costes y emisiones que muestra que un modesto aumento de los costes de construcción (menos del 1 %) puede reducir sustancialmente las emisiones de CO₂ (más del 2 %), lo que demuestra que el diseño de puentes sostenibles puede ser económicamente viable.

La investigación explora más a fondo la optimización de la energía incorporada en la construcción de pasos elevados de carreteras anuladas mediante el uso de muestreo por hipercubo latino y optimización basada en Kriging. La metodología permite identificar los parámetros críticos de diseño, como los altos coeficientes de esbeltez (en torno a 1/28), el uso mínimo de hormigón y armadura activa, y el aumento de la armadura pasiva para mejorar la eficiencia energética. Aunque en el estudio se emplearon Kriging y redes neuronales artificiales (RNA), Kriging demostró ser más eficaz a la hora de identificar óptimos locales, a pesar de que las redes neuronales ofrecen predicciones absolutas más precisas. Esto pone de manifiesto la eficacia de los modelos sustitutos a la hora de orientar las decisiones de diseño sostenible, incluso cuando los modelos no ofrecen predicciones absolutas perfectamente exactas.

En el contexto de la optimización de costes para puentes de losa postesada, el estudio demuestra el potencial del modelado sustitutivo combinado con la simulación del recocido. Los resultados muestran que el método de optimización basado en Kriging conduce a una reducción de costes del 6,54 %, principalmente mediante la minimización del uso de materiales, concretamente de hormigón en un 14,8 % y de acero activo en un 11,25 %. Estas reducciones en el consumo de material se consiguen manteniendo la integridad estructural y la capacidad de servicio del puente, lo que convierte al modelado sustitutivo en una herramienta práctica y eficaz para la optimización económica en el diseño de puentes.

El estudio también evalúa la forma de optimizar las emisiones de CO₂ en pasos elevados de carreteras pretensadas. Se identifican los parámetros óptimos de diseño, como grados de hormigón entre C-35 y C-40 MPa, profundidades del tablero entre 1,10 y 1,30 m, y anchuras de base entre 3,20 y 3,80 m. La red neuronal mostró las predicciones más precisas entre los modelos predictivos analizados, con los errores medios absolutos (MAE) y cuadrados medios (RMSE) más bajos. Estos resultados subrayan la importancia de seleccionar el modelo predictivo adecuado para optimizar las emisiones de CO₂ en el diseño de puentes y destacan el valor de utilizar modelos sustitutivos para mejorar la sostenibilidad en los proyectos de ingeniería civil.

Por último, la investigación integra la toma de decisiones multicriterio (MCDM) con la optimización basada en Kriging para evaluar y optimizar los diseños de puentes en relación con objetivos económicos, medioambientales y estructurales. El enfoque MCDM permite evaluar de manera más exhaustiva las alternativas de diseño al tener en cuenta las compensaciones entre coste, impacto ambiental y rendimiento estructural. Esta integración contribuye al desarrollo sostenible de las infraestructuras, ya que facilita la selección de diseños óptimos que se ajusten a los objetivos de sostenibilidad.

En conclusión, esta tesis demuestra que el modelado sustitutivo, que utiliza explícitamente el Kriging y redes neuronales artificiales, es un enfoque práctico para optimizar las dimensiones medioambiental y económica del diseño de puentes. El marco de optimización en dos fases que aquí se presenta proporciona una metodología eficiente desde el punto de vista computacional que permite identificar soluciones de diseño óptimas y sostenibles que cumplen las restricciones estructurales y económicas. Los resultados sugieren que la metodología es aplicable a proyectos de infraestructuras a gran escala y sentarán las bases para futuras investigaciones. Futuros estudios podrían investigar el uso de algoritmos y modelos de optimización adicionales para perfeccionar aún más el proceso de optimización y mejorar la aplicabilidad de estas metodologías en proyectos reales.

Referencias:

YEPES-BELLVER, L.; ALCALÁ, J.; YEPES, V. (2025). Predictive modeling for carbon footprint optimization of prestressed road flyovers. Applied Sciences, 15(17), 9591. DOI:10.3390/app15179591

VILLALBA, P.; SÁNCHEZ-GARRIDO, A.; YEPES-BELLVER, L.; YEPES, V. (2025). A Hybrid Fuzzy DEMATEL–DANP–TOPSIS Framework for Life Cycle-Based Sustainable Retrofit Decision-Making in Seismic RC Structures. Mathematics, 13(16), 2649. DOI:10.3390/math13162649

ZHOU, Z.; WANG, Y.J.; YEPES-BELLVER, L.; ALCALÁ, J.; YEPES, V. (2025). Intelligent monitoring of loess landslides and research on multi-factor coupling damage. Geomechanics for Energy and the Environment, 42:100692. DOI:10.1016/j.gete.2025.100692

ZHOU, Z.; YEPES-BELLVER, L.; ALCALÁ, J.; YEPES, V. (2025). Study on the failure mechanism of deep foundation pit of high-rise building: comprehensive test and microstructure coupling. Buildings, 15(8), 1270. DOI:10.3390/buildings15081270

YEPES-BELLVER, L.; BRUN-IZQUIERDO, A.; ALCALÁ, J.; YEPES, V. (2025). Surrogate-assisted cost optimization for post-tensioned concrete slab bridges. Infrastructures, 10(2): 43. DOI:10.3390/infrastructures10020043.

BLIGHT, T.; MARTÍNEZ-PAGÁN, P.; ROSCHIER, L.; BOULET, D.; YEPES-BELLVER, L.; YEPES, V. (2025). Innovative approach of nomography application into an engineering educational context. Plos One, 20(2): e0315426. DOI:10.1371/journal.pone.0315426

NAVARRO, I.J.; VILLALBA, I.; YEPES-BELLVER, L.; ALCALÁ, J. Social Life Cycle Assessment of Railway Track Substructure Alternatives. J. Clean. Prod. 2024, 450, 142008.

YEPES-BELLVER, L.; BRUN-IZQUIERDO, A.; ALCALÁ, J.; YEPES, V. (2024). Artificial neural network and Kriging surrogate model for embodied energy optimization of prestressed slab bridges. Sustainability, 16(19), 8450. DOI:10.3390/su16198450

YEPES-BELLVER, L.; BRUN-IZQUIERDO, A.; ALCALÁ, J.; YEPES, V. (2023). Embodied energy optimization of prestressed concrete road flyovers by a two-phase Kriging surrogate model. Materials, 16(20); 6767. DOI:10.3390/ma16206767

YEPES-BELLVER, L.; BRUN-IZQUIERDO, A.; ALCALÁ, J.; YEPES, V. (2022). CO₂-optimization of post-tensioned concrete slab-bridge decks using surrogate modeling. Materials, 15(14):4776. DOI:10.3390/ma15144776

Tendencias futuras y retos de la inteligencia artificial en la ingeniería civil

La ingeniería civil se encuentra inmersa en un profundo proceso de transformación, impulsada por los avances en inteligencia artificial (IA) y en tecnologías digitales emergentes. Estas innovaciones están redefiniendo los procesos de diseño y la gestión y operación de las infraestructuras, lo que permite la implementación de soluciones más eficientes, sostenibles y seguras. En este contexto, resulta imperativo explorar las principales tendencias que delinearán el futuro del sector en los próximos años, así como los desafíos que deberán superarse para lograr una adopción exitosa y generalizada.

Este artículo examina el impacto transformador de la IA y de las tecnologías digitales en la ingeniería civil. Se destacan tendencias futuras clave como la creación de infraestructuras inteligentes con monitorización en tiempo real, el diseño generativo y la planificación asistida por inteligencia artificial. También se abordan el uso de la IA para la construcción sostenible, la proliferación de máquinas autónomas y de robótica, y la mejora de la colaboración entre humanos y máquinas mediante la inteligencia aumentada. El documento también detalla los principales desafíos para la adopción exitosa de la IA, como la calidad de los datos, la integración con sistemas existentes, las consideraciones éticas y la escasez de talento. Por último, se destaca la importancia de abordar estos desafíos para lograr una transformación integral y sostenible del sector.

Tendencias futuras

La primera gran línea de evolución es la de las infraestructuras inteligentes, donde la IA, combinada con el Internet de las Cosas (IoT), permitirá monitorizar en tiempo real el estado de puentes, túneles y redes de transporte, y adaptar automáticamente parámetros como la iluminación, el drenaje o la ventilación según la demanda.

El diseño generativo y la planificación asistida por IA tienen el potencial de transformar de manera significativa las etapas iniciales del proceso de diseño. Mediante algoritmos capaces de explorar un amplio espectro de alternativas, se optimizarán los criterios de costo, consumo de material y rendimiento estructural, reduciendo la subjetividad y acelerando la toma de decisiones.

En el ámbito de la construcción sostenible, la IA aportará análisis avanzados del consumo energético y de la huella de carbono, facilitando la selección de materiales y métodos constructivos de menor impacto ambiental, así como el dimensionado óptimo de sistemas de climatización y redes de servicios.

El despliegue de las máquinas autónomas y la robótica de obra continuará su curso: excavadoras, camiones y drones operarán con escasa supervisión humana, ejecutando movimientos precisos y recolectando datos topográficos que retroalimentan modelos predictivos de rendimiento y seguridad.

La colaboración entre humanos y máquinas se potenciará mediante la inteligencia aumentada, lo que permitirá a los profesionales liberarse de tareas repetitivas para enfocarse en la supervisión e interpretación de los resultados generados por sistemas de IA, combinando intuición y rigor analítico.

Las analíticas predictivas alcanzarán nuevas cotas de sofisticación, ofreciendo a los gestores de proyecto visibilidad temprana sobre desviaciones en costes, plazos y riesgos, y sugiriendo medidas preventivas basadas en patrones históricos.

La tecnología blockchain se explorará como garante de la trazabilidad, la transparencia y la inmutabilidad de los registros de obra, contratos y certificaciones, mitigando fraudes y disputas al proteger la integridad de los datos.

El edge computing permitirá procesar la información localmente en la obra —por ejemplo, en drones o en nodos IoT—, reduciendo la latencia y garantizando una respuesta inmediata en aplicaciones críticas, como la detección de fallos estructurales.

Los gemelos digitales, réplicas virtuales permanentemente actualizadas de activos reales, se consolidarán para simular escenarios de mantenimiento, rehabilitación y operación, optimizando los ciclos de vida y los costes asociados.

Por último, la personalización de soluciones de IA permitirá adaptar herramientas y modelos a las necesidades específicas de cada proyecto, lo que facilitará una adopción más ágil y homogénea.

Retos asociados

No obstante, la plena materialización de estas tendencias se enfrenta a múltiples desafíos. En primer lugar, es preciso señalar que la calidad y la disponibilidad de los datos siguen siendo insuficientes. Los proyectos de gran envergadura generan información dispersa y heterogénea, lo que dificulta el entrenamiento fiable de los modelos.

La integración con sistemas existentes, tales como software de gestión, bases de datos heredadas o flujos de trabajo manuales, puede ocasionar interrupciones en la operativa y en los cronogramas establecidos. Por lo tanto, resulta necesario implementar estrategias de migración y de adaptación progresiva.

Las consideraciones éticas y el sesgo algorítmico obligan a implementar mecanismos de transparencia y gobernanza que garanticen la rendición de cuentas y la equidad en las decisiones críticas.

La escasez de talento experto en IA y en construcción limita la creación, el despliegue y el mantenimiento de estas soluciones, lo que apunta a la necesidad de planes de formación duales en ingeniería y ciencia de datos.

La ausencia de marcos regulatorios y legales claros genera incertidumbre respecto de las responsabilidades, las licencias y el cumplimiento normativo en caso de fallos o litigios.

El coste inicial de adquisición e implementación de tecnologías de IA puede resultar prohibitivo para las pequeñas y medianas empresas (PYMES) y para proyectos con márgenes ajustados. Por ello, es importante demostrar el retorno de la inversión a medio y largo plazo.

La privacidad y la seguridad de los datos, cada vez más extensos y sensibles, requieren arquitecturas robustas que eviten fugas de datos y ciberataques, especialmente cuando se integran sensores IoT y servicios en la nube.

Los problemas de interoperabilidad entre plataformas, estándares y formatos de datos comprometen la colaboración multidisciplinar y el intercambio fluido de información.

La adaptación al ritmo vertiginoso de la evolución tecnológica exige un aprendizaje continuo y revisiones frecuentes de las infraestructuras de TI para no quedarse obsoletos.

Finalmente, la resistencia al cambio por parte de profesionales y directivos puede frenar la adopción, lo que subraya la importancia de campañas de sensibilización y casos de éxito tangibles.

Conclusión

El futuro de la IA en ingeniería civil se perfila como un escenario de grandes oportunidades para la creación de infraestructuras más inteligentes, eficientes y sostenibles. No obstante, es imperativo abordar con éxito los desafíos técnicos, éticos y organizativos para evitar que la implementación de estas tecnologías se limite a proyectos aislados y, en cambio, promueva una transformación integral y sostenible del sector.

Glosario de términos clave

  • Inteligencia artificial (IA): Sistemas o máquinas que imitan la inteligencia humana para realizar tareas, aprendiendo de la información que procesan.
  • Internet de las cosas (IoT): Red de objetos físicos (“cosas”) integrados con sensores, software y otras tecnologías que les permiten recopilar e intercambiar datos.
  • Infraestructuras inteligentes: Estructuras físicas (puentes, túneles, redes) equipadas con tecnología para monitorear y adaptar su funcionamiento en tiempo real.
  • Diseño generativo: Proceso de diseño que utiliza algoritmos para explorar múltiples soluciones basadas en un conjunto de parámetros y restricciones definidos.
  • Construcción sostenible: Prácticas de construcción que minimizan el impacto ambiental, optimizan el uso de los recursos y consideran el ciclo de vida completo de las estructuras.
  • Máquinas autónomas: Equipos o vehículos capaces de operar sin supervisión humana directa, utilizando sensores y software para tomar decisiones.
  • Robótica de obra: Uso de robots para ejecutar tareas en el sitio de construcción, a menudo repetitivas o peligrosas para los humanos.
  • Inteligencia aumentada: Enfoque que combina las capacidades de la inteligencia artificial con la inteligencia humana para mejorar el rendimiento y la toma de decisiones.
  • Analíticas predictivas: Empleo de datos históricos, algoritmos y técnicas de aprendizaje automático para identificar la probabilidad de resultados futuros.
  • Blockchain: Tecnología de registro distribuido que permite transacciones transparentes, seguras e inmutables.
  • Edge Computing: Procesamiento de datos cerca de donde se generan (en el “borde” de la red) en lugar de enviarlos a un centro de datos central.
  • Gemelos digitales: Réplicas virtuales de activos físicos, procesos o sistemas que se actualizan en tiempo real y pueden usarse para simulación y análisis.
  • Sesgo algorítmico: Error sistemático en un algoritmo que produce resultados injustamente discriminatorios o sesgados.
  • Interoperabilidad: Capacidad de diferentes sistemas, plataformas o software para trabajar juntos e intercambiar datos sin problemas.
  • Resistencia al cambio: Falta de disposición de las personas u organizaciones para adoptar nuevas tecnologías, procesos o formas de trabajar.

Referencias:

DONAIRE, S.; BARRAZA, R.; MARTÍNEZ-PAGÁN, P.; MARTÍNEZ-SEGURA, M.A.; ÁLVAREZ, L.; YEPES-BELLVER, L.; YEPES, V. (2026). Augmented Reality in Engineering Education: Strategic Design and Evidence-Based Results. Plos One, 21(2), e0341815. DOI:10.1371/journal.pone.0341815

GARCÍA, J.; VILLAVICENCIO, G.; ALTIMIRAS, F.; CRAWFORD, B.; SOTO, R.; MINTATOGAWA, V.; FRANCO, M.; MARTÍNEZ-MUÑOZ, D.; YEPES, V. (2022). Machine learning techniques applied to construction: A hybrid bibliometric analysis of advances and future directions. Automation in Construction, 142:104532. DOI:10.1016/j.autcon.2022.104532

FERNÁNDEZ-MORA, V.; NAVARRO, I.J.; YEPES, V. (2022). Integration of the structural project into the BIM paradigm: a literature review. Journal of Building Engineering, 53:104318. DOI:10.1016/j.jobe.2022.104318.

YEPES, V.; KRIPKA, M.; YEPES-BELLVER, L.; GARCÍA, J. (2023). La inteligencia artificial en la ingeniería civil: oportunidades y desafíos. IC Ingeniería Civil, 642:20-23.

Optimización estructural multiobjetivo en edificios: cómo reducir costos y emisiones con vigas de sección variable

Acaban de publicar nuestro artículo en la revista Energy and Buildings, de la editorial Elsevier, indexada en D1 del JCR. El estudio presenta una tipología estructural compuesta que combina columnas de hormigón armado con vigas de acero de sección variable híbrida transversal (THVS) para optimizar el coste económico, las emisiones de CO₂ y la energía incorporada en la construcción de edificios.

Este trabajo se enmarca dentro del proyecto de investigación RESILIFE, que dirijo como investigador principal, junto con el profesor Julián Alcalá, en la Universitat Politècnica de València.

El estudio plantea la siguiente pregunta de investigación: ¿en qué medida la optimización del diseño estructural de edificios en marco mediante el uso de una tipología compuesta con columnas de hormigón armado y vigas de sección variable transversamente híbridas (THVS) contribuye a la reducción del coste económico, de las emisiones de CO₂ y de la energía incorporada en la construcción?

Esta formulación permite abordar de manera precisa la problemática del impacto ambiental y económico del sector de la construcción, orientando la investigación hacia la identificación de configuraciones estructurales que minimicen estos factores mediante metodologías de optimización. La pregunta define claramente el problema central: la búsqueda de una alternativa estructural más eficiente que las tipologías tradicionales de hormigón armado.

Metodología

El estudio adopta un enfoque de optimización estructural basado en la combinación de Biogeography-Based Optimization (BBO) y Constrained Deterministic Local Iterative Search (CDLIS). Este enfoque permite buscar de manera eficiente soluciones en un espacio de diseño altamente complejo. Se analizan tres tipologías estructurales:

  1. Estructura tradicional de hormigón armado: Se optimizan las dimensiones de vigas, columnas y cimentaciones, así como la calidad del hormigón utilizado.
  2. Estructura compuesta con vigas THVS y uniones rígidas: Se sustituyen las vigas de hormigón armado por vigas THVS con conexiones fijas a las columnas.
  3. Estructura compuesta con vigas THVS y uniones articuladas: Similar a la anterior, pero con conexiones articuladas.

Las funciones objetivo optimizadas incluyen:

  • Coste económico: Calculado con base en los precios unitarios de materiales y procesos constructivos.
  • Emisiones de CO₂(e): Evaluadas según un enfoque «cradle-to-site», considerando la extracción de materias primas, fabricación y construcción.
  • Energía incorporada: Calculada en términos de consumo energético total en las fases de producción y construcción.

Se tienen en cuenta restricciones estructurales y de servicio según las normativas de diseño. Además, se implementa la interacción suelo-estructura mediante un modelo de tipo Winkler para evaluar los asentamientos diferenciales y su efecto en el diseño estructural.

Aportaciones relevantes

  • La tipología compuesta con vigas THVS y conexiones rígidas logra una reducción del 6 % en costes económicos, del 16 % en emisiones de CO₂ y del 11 % en energía incorporada para edificios con luces de 4 m.
  • Para edificios con luces de 8 m, la configuración con uniones articuladas permite reducir los costos económicos y las emisiones en un 5 % y un 6 %, respectivamente, aunque con un mayor consumo de energía.
  • Se demuestra que la menor carga axial transmitida por las vigas THVS reduce las solicitaciones en columnas y cimentaciones, lo que optimiza su diseño y reduce su impacto ambiental.
  • Se comprueba que el uso de acero de mayor calidad en las alas de las vigas THVS en comparación con el alma mejora la eficiencia estructural, con razones de hibridación (Rh) entre 1,2 y 2,0.

Discusión de resultados

El análisis de los resultados revela diferencias significativas entre las configuraciones estructurales. En los edificios con luces reducidas (4 m), las vigas THVS con uniones rígidas ofrecen el mejor rendimiento en términos de coste y sostenibilidad. En cambio, en edificios con luces mayores (8 m), las conexiones articuladas permiten un mejor aprovechamiento del material, aunque con una menor rigidez global.

Cabe destacar que la consideración de elementos de rigidización adicionales, como muros y losas, mejora notablemente el comportamiento de la tipología articulada, reduciendo su impacto ambiental en un 45 % y disminuyendo en un 60 % la carga axial sobre las columnas.

Líneas futuras de investigación

  • Perfeccionamiento del proceso de fabricación de vigas THVS, abordando aspectos como soldadura, control de calidad y optimización de ensamblaje.
  • Desarrollo de conexiones híbridas entre vigas THVS y columnas de hormigón armado, mejorando la eficiencia de transferencia de cargas.
  • Exploración de configuraciones mixtas de soporte, optimizando la selección de conexiones fijas o articuladas según las características del edificio.
  • Evaluación del comportamiento ante cargas dinámicas y sísmicas, considerando efectos de fatiga y estabilidad estructural.
  • Implementación de metamodelos para optimización computacional, reduciendo el tiempo de cálculo en simulaciones de alta fidelidad.

Conclusión

La optimización del diseño estructural de edificios en marco mediante el uso de vigas THVS permite reducir costes y mejorar la sostenibilidad ambiental. Las configuraciones con conexiones rígidas son particularmente eficientes en luces cortas, mientras que las conexiones articuladas son una alternativa viable en luces mayores cuando se combinan con elementos de rigidización adicionales. Estos hallazgos abren nuevas líneas de investigación en la aplicación y mejora de sistemas estructurales compuestos en ingeniería civil.

Referencia:

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Design optimization of a composite typology based on RC columns and THVS girders to reduce economic cost, emissions, and embodied energy of frame building construction. Energy and Buildings, 336:115607. DOI:10.1016/j.enbuild.2025.115607

 

Docencia e inteligencia artificial: nuevas estrategias para educadores

La educación está experimentando una transformación sin precedentes gracias a los avances en inteligencia artificial (IA). La integración de la IA en el ámbito educativo ha traído consigo oportunidades y desafíos que requieren una adaptación rápida por parte de los docentes y los sistemas de enseñanza.

Esta revolución tecnológica ha dado lugar a la automatización de tareas administrativas, la personalización del aprendizaje, la optimización de evaluaciones y el desarrollo de nuevas metodologías de enseñanza que mejoran la eficiencia del aula. Sin embargo, su implementación también genera preocupaciones relacionadas con la equidad, la privacidad de los datos y la ética en la educación.

Este informe explora en profundidad cómo los docentes pueden aprovechar la IA para mejorar sus prácticas pedagógicas y hacer frente a los desafíos emergentes. Se proporcionarán ejemplos detallados, herramientas específicas y estrategias que permitirán a los educadores integrar esta tecnología de manera efectiva y responsable en sus aulas.

1. Inteligencia artificial generativa y su aplicación en la docencia

1.1. Definición y características

La inteligencia artificial generativa es una rama avanzada de la IA que emplea redes neuronales profundas para crear contenido original en formato de texto, imágenes, audio y vídeo. Este tipo de IA puede proporcionar respuestas personalizadas y adaptadas a distintos contextos de aprendizaje, lo que la convierte en una herramienta muy útil en el ámbito educativo.

Algunos ejemplos notables de IA generativa son ChatGPT, que puede generar respuestas detalladas en múltiples idiomas; DALL-E, que crea imágenes a partir de descripciones textuales, y Bard AI, que ofrece información en tiempo real a partir de consultas específicas.

El uso de estas herramientas en la docencia permite mejorar la interacción con los estudiantes, proporcionar materiales personalizados y fomentar un aprendizaje más dinámico. Además, la IA generativa puede ayudar en la corrección de textos, la generación de pruebas automatizadas y la creación de contenidos visuales para reforzar los conceptos enseñados en el aula.

1.2. Aplicaciones en el aula

Las aplicaciones de la inteligencia artificial (IA) generativa en la enseñanza son diversas y pueden utilizarse en diferentes áreas del conocimiento. Entre las más destacadas se encuentran:

  • Creación de material didáctico: la IA permite generar rápidamente presentaciones, resúmenes y documentos de apoyo para los estudiantes. Herramientas como Canva AI o Tome AI facilitan la producción de diapositivas atractivas con contenido relevante.
  • Automatización de respuestas: los docentes pueden utilizar chatbots educativos como PersonalChat para responder de manera inmediata a las dudas recurrentes de los estudiantes.
  • Evaluaciones y retroalimentación: plataformas como Gradescope permiten corregir exámenes de manera automatizada, lo que reduce la carga de trabajo de los docentes y asegura una evaluación más objetiva.
  • Generación de contenido multimedia: con herramientas como Runway AI y Pictory, los docentes pueden crear vídeos educativos personalizados y mejorar la experiencia de aprendizaje.

Un ejemplo concreto de su aplicación es el uso de ChatGPT en universidades para ayudar a los estudiantes en la redacción de ensayos, proporcionando estructuras sugeridas y correcciones gramaticales detalladas. Esto no solo mejora la calidad de los trabajos académicos, sino que también fomenta la autonomía y la autoevaluación de los estudiantes.

2. Personalización del aprendizaje y evaluación con IA

2.1. Aprendizaje adaptativo

Uno de los mayores beneficios de la inteligencia artificial (IA) en la educación es su capacidad para personalizar el aprendizaje en función del nivel y el ritmo de cada estudiante. Gracias al análisis de datos, los algoritmos de IA pueden identificar fortalezas y debilidades de los alumnos y ajustar los contenidos educativos en tiempo real para optimizar su rendimiento académico.

Algunas plataformas que utilizan este enfoque son:

  • Khan Academy con IA ofrece ejercicios personalizados según el nivel de conocimiento del estudiante.
  • Duolingo AI: adapta la dificultad de los ejercicios de idiomas en función del progreso del usuario.
  • Carnegie Learning ofrece tutorías de matemáticas con IA, que adaptan las preguntas al rendimiento del estudiante.

Este enfoque permite que los estudiantes reciban una educación más centrada en sus necesidades individuales, lo que reduce las brechas de aprendizaje y mejora la retención del conocimiento.

2.2. Evaluación automatizada

Otro aspecto crucial de la IA en la educación es la optimización del proceso de evaluación. Tradicionalmente, corregir exámenes y tareas supone un gran esfuerzo para los docentes. Gracias a herramientas como Gradescope y ZipGrade, ahora es posible evaluar pruebas de manera instantánea, proporcionar retroalimentación detallada y reducir el margen de error.

Además de la corrección automatizada, la IA puede utilizarse para analizar el rendimiento de los estudiantes a lo largo del tiempo y predecir posibles dificultades académicas. Por ejemplo, la plataforma Edsight AI recopila datos sobre las respuestas de los alumnos y genera informes personalizados con recomendaciones para mejorar su rendimiento.

A pesar de sus ventajas, la evaluación automatizada debe complementarse con métodos tradicionales para garantizar una comprensión profunda de los conceptos por parte de los estudiantes y evitar depender exclusivamente de algoritmos para medir los conocimientos.

3. Desafíos y consideraciones éticas

3.1. Sesgo en los algoritmos

Uno de los principales desafíos de la IA en la educación es la presencia de sesgos en los modelos de aprendizaje. Dado que las IA se entrenan con grandes volúmenes de datos históricos, pueden reflejar prejuicios existentes en la sociedad, lo que podría afectar negativamente a la equidad de la enseñanza.

Para minimizar estos riesgos, es fundamental que los docentes supervisen el contenido generado por IA y utilicen diversas fuentes para contrastar la información. Además, se recomienda fomentar el pensamiento crítico entre los estudiantes para que evalúen la veracidad y la imparcialidad de los datos proporcionados por estos sistemas.

3.2. Privacidad y seguridad de datos

El uso de la IA en la educación implica la recopilación y el análisis de grandes volúmenes de datos sobre los estudiantes. Para proteger su privacidad, es crucial que las instituciones educativas implementen regulaciones estrictas sobre el almacenamiento y uso de la información personal.

Algunas estrategias recomendadas son:

  • Utilización de plataformas con altos estándares de seguridad, como Microsoft Copilot y Google AI Education.
  • Concienciar sobre la importancia de la privacidad y enseñar a los estudiantes a gestionar sus datos de forma segura en entornos digitales.
  • Cumplimiento de normativas de protección de datos, como el Reglamento General de Protección de Datos (RGPD) en Europa.

Conclusiones

La inteligencia artificial está revolucionando la educación, ya que ofrece nuevas posibilidades para mejorar la enseñanza y el aprendizaje. Sin embargo, su implementación debe realizarse de manera responsable, garantizando el papel central del docente y promoviendo el uso ético de la tecnología.

Para maximizar sus beneficios, es esencial que los educadores se mantengan actualizados sobre las últimas tendencias en IA y adopten herramientas que complementen sus metodologías de enseñanza. La combinación de innovación tecnológica con estrategias pedagógicas efectivas transformará la educación y preparará a los estudiantes para los desafíos del futuro.

Os dejo un documento de la Universidad de Burgos que profundiza en el tema. Espero que os resulte de interés.

Pincha aquí para descargar