Os presento la segunda edición ampliada del libro que he publicado sobre procedimientos de construcción de cimentaciones y estructuras de contención. El libro trata de los aspectos relacionados con los procedimientos constructivos, maquinaria y equipos auxiliares empleados en la construcción de cimentaciones superficiales, cimentaciones profundas, pilotes, cajones, estructuras de contención de tierras, muros, pantallas de hormigón, anclajes, entibaciones y tablestacas. Pero se ha ampliado esta edición con tres capítulos nuevos dedicados a los procedimientos de contención y control de las aguas subterráneas. Además, de incluir la bibliografía para ampliar conocimientos, se incluyen cuestiones de autoevaluación con respuestas y un tesauro para el aprendizaje de los conceptos más importantes de estos temas. Este texto tiene como objetivo apoyar los contenidos lectivos de los programas de los estudios de grado relacionados con la ingeniería civil, la edificación y las obras públicas.
El libro tiene 480 páginas, 439 figuras y fotografías, así como 430 cuestiones de autoevaluación resueltas. Los contenidos de esta publicación han sido evaluados mediante el sistema doble ciego, siguiendo el procedimiento que se recoge en: http://www.upv.es/entidades/AEUPV/info/891747normalc.html
Sobre el autor: Víctor Yepes Piqueras. Doctor Ingeniero de Caminos, Canales y Puertos. Catedrático de Universidad del Departamento de Ingeniería de la Construcción y Proyectos de Ingeniería Civil de la Universitat Politècnica de València. Número 1 de su promoción, ha desarrollado su vida profesional en empresas constructoras, en el sector público y en el ámbito universitario. Es director académico del Máster Universitario en Ingeniería del Hormigón (acreditado con el sello EUR-ACE®), investigador del Instituto de Ciencia y Tecnología del Hormigón (ICITECH) y profesor visitante en la Pontificia Universidad Católica de Chile. Imparte docencia en asignaturas de grado y posgrado relacionadas con procedimientos de construcción y gestión de obras, calidad e innovación, modelos predictivos y optimización en la ingeniería. Sus líneas de investigación actuales se centran en la optimización multiobjetivo, la sostenibilidad y el análisis de ciclo de vida de puentes y estructuras de hormigón.
Figura 1. https://www.un.org/sustainabledevelopment/es/2015/09/infraestructura-innovacion-e-industrias-inclusivas-claves-para-el-desarrollo/
La resiliencia es un concepto que viene del mundo de la psicología y representa la capacidad para adaptarse de forma positiva frente a situaciones adversas. Proviene del latín resilio, “volver atrás, volver de un salto, resaltar, rebotar”. En el campo de la mecánica, la resiliencia sería la capacidad de un material para recuperar su forma inicial después de haber sido deformado por una fuerza. En la ecología, un sistema es resiliente si puede tolerar una perturbación sin colapsar a un estado completamente distinto, controlado por otro conjunto de procesos. En un entorno tecnológico, este término se relaciona con la capacidad de un sistema de soportar y recuperarse ante desastres y perturbaciones. En este artículo vamos a indagar en el concepto de resiliencia de las infraestructuras.
Así, dentro de los objetivos de desarrollo sostenible de Naciones Unidas (Figura 1), encontramos el Objetivo 9: Construir infraestructuras resilientes, provomer la industrialización sostenible y fomentar la innovación. En efecto, las infraestructuras deben hacer frente al crecimiento de la población, pero también a los crecientes peligros físicos (cinéticos) como el terrorismo, o los asociados al clima extremo y los desastres naturales. La frecuencia y gravedad de estos eventos extremos se prevén crecientes, y por tanto, es más que previsible un aumento en los costes e impacto humano. Además, debido a la cada vez más informatización y digitalización de las infraestructuras, el riesgo de ataques informáticos a las infraestructuras es más que evidente.
La resiliencia puede asociarse con cuatro atributos: robustez, que es la capacidad para resistir un evento extremo sin que el fracaso en la funcionalidad sea completo; rapidez, que sería la capacidad de recuperarse de forma eficiente y efectiva; la redundancia, que sería la reserva de componentes o de sistemas estructurales sustitutivos; y el ingenio, que sería la eficiencia en la identificación de problemas, priorizando soluciones y movilizando recursos para su solución (Bruneau et al., 2003).
Matemáticamente se puede evaluar la resiliencia integrando la curva de funcionalidad a lo largo del tiempo (ver Figura 2).
donde Q(t) es la funcionalidad; t0 es el momento en el que ocurre el evento extremo y Tr es el horizonte hasta donde se estudia la funcionalidad.
Figura 2. Valoración de la resiliencia tras un evento extremo (Anwar et al., 2019)
En la Figura 2 se pueden observar los tres estados correspondientes con la funcionalidad. En la situación de fiabilidad, la infraestructura se encuentra con la funcionalidad de referencia, previo al evento extremo. La situación de recuperación comienza tras la ocurrencia del evento extremo, con una pérdida de funcionalidad dependiente de la robustez de la infraestructura, y con una recuperación que depende de los esfuerzos realizados en la reparación, que puede ser rápida o lenta en función del ingenio o la creatividad en las soluciones propuestas, así como de la redundancia de los sistemas previstos. Por último, la situación recuperada es la que ocurre cuando la funcionalidad vuelve a ser la de referencia.
Se comprueba en la Figura 2 cómo una infraestructura pasa de una funcionalidad de referencia a una residual tras el evento extremo. Tras el evento, puede darse una demora en la recuperación de la funcionalidad debido a las tareas de inspección, rediseño, financiación, contratación, permisos, etc.). La recuperación completa de la funcionalidad depende de la forma en la que se han abordado las tareas de reparación. Es fácil comprobar que la resiliencia se puede calcular integrando la curva de recuperación de la funcionalidad desde la ocurrencia del evento extremo hasta la completa recuperación, dividiendo dicho valor por el tiempo empleado en dicha recuperación.
Este modelo simplificado permite establecer las pautas para mejorar la resiliencia de una infraestructura:
a) Incrementando la robustez de la infraestructura, es decir, maximizar su funcionalidad residual tras un evento extremo.
b) Acelerando las actividades de recuperación de la funcionalidad de la infraestructura.
En ambos casos, es necesario concebir la infraestructura desde el principio con diseños robustos, con sistemas redundantes y con una previsión de las tareas de reparación necesarias.
Con todo, la capacidad de recuperación comprende cuatro dimensiones interrelacionadas: técnica, organizativa, social y económica (Bruneau et al., 2003). La dimensión técnica de la resiliencia se refiere a la capacidad de los sistemas físicos (incluidos los componentes, sus interconexiones e interacciones, y los sistemas enteros) para funcionar a niveles aceptables o deseables cuando están sujetos a los eventos extremos. La dimensión organizativa de la resiliencia se refiere a la capacidad de las organizaciones que gestionan infraestructuras críticas y tienen la responsabilidad de tomar decisiones y adoptar medidas que contribuyan a lograr la resiliencia descritas anteriormente, es decir, que ayuden a lograr una mayor solidez, redundancia, ingenio y rapidez. La dimensión social de la resiliencia consiste en medidas específicamente diseñadas para disminuir los efectos de los eventos extremos por parte de la población debido a la pérdida de infraestructuras críticas. Análogamente, la dimensión económica de la resiliencia se refiere a la capacidad de reducir tanto las pérdidas directas e indirectas de los eventos extremos.
El problema de estas cuatro dimensiones se pueden sumar de forma homogénea, con interrelaciones entre ellas. El reto consiste en cuantificar y medir la resiliencia en todas sus dimensiones, así como sus interrelaciones. Se trata de un problema de investigación de gran trascendencia y complejidad, que afecta al ciclo de vida de las infraestructuras desde el inicio de la planificación (Salas y Yepes, 2020).
Referencias:
ANWAR, G.A.; DONG, Y.; ZHAI, C. (2020). Performance-based probabilistic framework for seismic risk, resilience, and sustainability assessment of reinforced concrete structures. Advances in Structural Engineering, 23(7):1454-1457.
BRUNEAU, M.; CHANG, S.E.; EGUCHI, R.T. et al. (2003). A framework to quantitatively assess and enhance the seismic resilience of communities. Earthquake Spectra 19(4): 733–752.
Figura 1. Relación de pertenencia entre la inteligencia artificial, el aprendizaje automático y el aprendizaje profundo
En este artículo vamos a esbozar las posibilidades de la inteligencia artificial en la optimización de estructuras, en particular, el uso del aprendizaje profundo. El aprendizaje profundo (deep learning, DL) constituye un subconjunto del aprendizaje automático (machine learning, ML), que a su vez lo es de la inteligencia artificial (ver Figura 1). Si la inteligencia artificial empezó sobre los años 50, el aprendizaje automático surgió sobre los 80, mientras que el aprendizaje profundo nació en este siglo XXI, a partir del 2010, con la aparición de grandes superordenadores y por el aumento de los datos accesibles. Como curiosidad, uno de los grandes hitos del DL se produjo en 2012, cuando Google fue capaz de reconocer un gato entre los más de 10 millones de vídeos de Youtube, utilizando para ello 16000 ordenadores. Ahora serían necesarios muchos menos medios.
En cualquiera de estos tres casos, estamos hablando de sistemas informáticos capaces de analizar grandes cantidades de datos (big data), identificar patrones y tendencias y, por tanto, predecir de forma automática, rápida y precisa. De la inteligencia artificial y su aplicabilidad a la ingeniería civil ya hablamos en un artículo anterior.
Figura 2. Cronología en la aparición de los distintos tipos de algoritmos de inteligencia artificial. https://www.privatewallmag.com/inteligencia-artificial-machine-deep-learning/
Si pensamos en el cálculo estructural, utilizamos modelos, más o menos sofistificados, que permiten, si se conocen con suficiente precisión las acciones, averiguar los esfuerzos a los que se encuentran sometidos cada uno de los elementos en los que hemos dividido una estructura. Con dichos esfuerzos se identifican una serie de estados límite, que son un conjunto de situaciones potencialmente peligrosas para la estructura y comparar si la capacidad estructural del elemento analizado, dependiente de las propiedades geométricas y de sus materiales constituyentes, supera el valor último de la solicitación a la que, bajo cierta probabilidad, puede llegar a alcanzar el elemento estructural analizado.
Estos métodos tradicionales emplean desde hipótesis de elasticidad y comportamiento lineal, a otros modelos con comportamiento plástico o no lineales más complejos. Suele utilizarse, con mayor o menos sofisticación, el método de los elementos finitos (MEF) y el método matricial de la rigidez. En definitiva, en determinados casos, suelen emplearse los ordenadores para resolver de forma aproximada, ecuaciones diferenciales parciales muy complejas, habituales en la ingeniería estructural, pero también en otros campos de la ingeniería y la física. Para que estos sistemas de cálculo resulten precisos, es necesario alimentar los modelos con datos sobre materiales, condiciones de contorno, acciones, etc., lo más reales posibles. Para eso se comprueban y calibran estos modelos en ensayos reales de laboratorio (Friswell y Mottershead, 1995). De alguna forma, estamos retroalimentando de información al modelo, y por tanto “aprende”.
Figura 2. Malla 2D de elementos finitos, más densa alrededor de la zona de mayor interés. Wikipedia.
Si analizamos bien lo que hacemos, estamos utilizando un modelo, más o menos complicado, para predecir cómo se va a comportar la estructura. Pues bien, si tuviésemos una cantidad suficiente de datos procedentes de laboratorio y de casos reales, un sistema inteligente extraería información y sería capaz de predecir el resultado final. Mientras que la inteligencia artificial debería alimentarse de una ingente cantidad de datos (big data), el método de los elementos finitos precisa menor cantidad de información bruta (smart data), pues ha habido una labor previa muy concienzuda y rigurosa, para intentar comprender el fenómeno subyacente y modelizarlo adecuadamente. Pero, en definitiva, son dos procedimientos diferentes que nos llevan a un mismo objetivo: diseñar estructuras seguras. Otro tema será si éstas estructuras son óptimas desde algún punto de vista (economía, sostenibilidad, etc.).
La optimización de las estructuras constituye un campo científico donde se ha trabajado intensamente en las últimas décadas. Debido a que los problemas reales requieren un número elevado de variables, la resolución exacta del problema de optimización asociado es inabordable. Se trata de problemas NP-hard, de elevada complejidad computacional, que requiere de metaheurísticas para llegar a soluciones satisfactorias en tiempos de cálculo razonables.
Una de las características de la optimización mediante metaheurísticas es el elevado número de iteraciones en el espacio de soluciones, lo cual permite generar una inmensa cantidad de datos para el conjunto de estructuras visitadas. Es el campo ideal para la inteligencia artificial, pues permite extraer información para acelerar y afinar la búsqueda de la solución óptima. Un ejemplo de este tipo es nuestro trabajo (García-Segura et al., 2017) de optimización multiobjetivo de puentes cajón, donde una red neuronal aprendía de los datos intermedios de la búsqueda y luego predecía con una extraordinaria exactitud el cálculo del puente, sin necesidad de calcularlo. Ello permitía reducir considerablemente el tiempo final de computación.
Sin embargo, este tipo de aplicación es muy sencilla, pues solo ha reducido el tiempo de cálculo (cada comprobación completa de un puente por el método de los elementos finitos es mucho más lenta que una predicción con una red neuronal). Se trata ahora de dar un paso más allá. Se trata de que la metaheurística sea capaz de aprender de los datos recogidos utilizando la inteligencia artificial para ser mucho más efectiva, y no solo más rápida.
Tanto la inteligencia artificial como el aprendizaje automático no son una ciencia nueva. El problema es que sus aplicaciones eran limitadas por la falta de datos y de tecnologías para procesarlas de forma rápida y eficiente. Hoy en día se ha dado un salto cualitativo y se puede utilizar el DL, que como ya hemos dicho es una parte del ML, pero que utiliza algoritmos más sofisticados, construidos a partir del principio de las redes neuronales. Digamos que el DL (redes neuronales) utiliza algoritmos distintos al ML (algoritmos de regresión, árboles de decisión, entre otros). En ambos casos, los algoritmos pueden aprender de forma supervisada o no supervisada. En las no supervisadas se facilitan los datos de entrada, no los de salida. La razón por la que se llama aprendizaje profundo hace referencia a las redes neuronales profundas, que utilizan un número elevado de capas en la red, digamos, por ejemplo, 1000 capas. De hecho, el DL también se le conoce a menudo como “redes neuronales profundas”. Esta técnica de redes artificiales de neuronas es una de las técnicas más comunes del DL.
Figura. Esquema explicativo de diferencia entre ML y DL. https://www.privatewallmag.com/inteligencia-artificial-machine-deep-learning/
Una de las redes neuronales utilizadas en DL son las redes neuronales convolucionales, que es una variación del perceptrón multicapa, pero donde su aplicación se realiza en matrices bidimensionales, y por tanto, son muy efectivas en las tareas de visión artificial, como en la clasificación y segmentación de imágenes. En ingeniería, por ejemplo, se puede utilizar para la monitorización de la condición estructural, por ejemplo, para el análisis del deterioro. Habría que imaginar hasta dónde se podría llegar grabando en imágenes digitales la rotura en laboratorio de estructuras de hormigón y ver la capacidad predictiva de este tipo de herramientas si contaran con suficiente cantidad de datos. Todo se andará. Aquí os dejo una aplicación tradicional típica (Antoni Cladera, de la Universitat de les Illes Balears), donde se explica el modelo de rotura de una viga a flexión en la pizarra y luego se rompe la viga en el laboratorio. ¡Cuántos datos estamos perdiendo en la grabación! Un ejemplo muy reciente del uso del DL y Digital Image Correlation (DIC) aplicado a roturas de probetas en laboratorio es el trabajo de Gulgec et al. (2020).
Sin embargo, aquí nos interesa detenernos en la exploración de la integración específica del DL en las metaheurísticas con el objeto de mejorar la calidad de las soluciones o los tiempos de convergencia cuando se trata de optimizar estructuras. Un ejemplo de este camino novedoso en la investigación es la aplicabilidad de algoritmos que hibriden DL y metaheurísticas. Ya hemos publicado algunos artículos en este sentido aplicados a la optimización de muros de contrafuertes (Yepes et al., 2020; García et al., 2020a, 2020b). Además, hemos propuesto como editor invitado, un número especial en la revista Mathematics (indexada en el primer decil del JCR) denominado “Deep learning and hybrid-metaheuristics: novel engineering applications“.
Dejo a continuación un pequeño vídeo explicativo de las diferencias entre la inteligencia artificial, machine learning y deep learning.
Referencias:
FRISWELL, M.; MOTTERSHEAD, J. E. (1995). Finite element model updating in structural dynamics (Vol. 38). Dordrecht, Netherlands: Springer Science & Business Media.
GARCÍA-SEGURA, T.; YEPES, V.; FRANGOPOL, D.M. (2017). Multi-Objective Design of Post-Tensioned Concrete Road Bridges Using Artificial Neural Networks.Structural and Multidisciplinary Optimization, 56(1):139-150. DOI:1007/s00158-017-1653-0
GULGEC, N.S.; TAKAC, M., PAKZAD S.N. (2020). Uncertainty quantification in digital image correlation for experimental evaluation of deep learning based damage diagnostic.Structure and Infrastructure Engineering, https://doi.org/10.1080/15732479.2020.1815224
La sorpresa ha sido mayúscula. El tuit ha sido retuiteado y comentado muchísimo más de lo que esperaba. Muchas contestaciones han sido correctas. Otras, incluso siendo correctas, son muy creativas.
La verdad es que la forma ondulada permite un aumento considerable del momento de inercia de la sección, lo cual permite reducir las tensiones provocadas por el momento flector en la base. Esto permite reducir la cantidad de ladrillos necesarios en el caso de ser un muro recto: se tendría que realizar un muro doble y, probablemente, reforzar con algún pilar intermedio o contrafuerte, dependiendo de la altura del muro y de las acciones previstas, especialmente el viento. La solución, como veis, es bastante sencilla con unos conocimientos muy básicos de resistencia de materiales y cálculo estructural. Lo que es evidente, es que esta geometría precisa de cierta destreza por parte de los oficiales que ejecutan el muro, y algo más de tiempo.
¿Por qué creéis que en Inglaterra a veces nos encontramos con este tipo de muros ondulados? ¿Se trata de algo decorativo? Tiene una explicación mucho más profunda pic.twitter.com/MNPDf8xwq4
Sin embargo, las respuestas recibidas van más allá de esta consideración. Os voy a comentar algunas de ellas para que veáis que la inteligencia colectiva, a veces, ofrece soluciones de los más creativas.
Por ejemplo, Amaia López nos ilustra un ejemplo de muro serpenteante que se encuentra en nuestro país, en concreto, en Caldes de Montbui (Barcelona).
Figura 2. Muro serpenteante en Caldes de Montbui (Barcelona). Fuente: Amaia López
Otros son más creativos, como Rafael Naranjo, que nos dice que podría ser la forma para defender ciertas posiciones en la batalla, aunque creo que en Inglaterra estos muros no tienen mucho que ver con este tipo de estrategias bélicas. También muchas respuestas han comentado el aumento de la estabilidad del muro, aunque para eso tenemos el cimiento, que debería ser quien asegurara este estado límite. Alguno se inclina por hablar de las ondas sísmicas y su afección al muro. Por cierto, alguien ha querido traducir “crinkle crankle” como “cigüeña arrugada”, aunque yo me quedo mejor con el nombre de “muro serpenteante”.
Metidos en Carretera (@MetEnCarretera) nos ofrece una explicación con el símil de algunas soluciones prefabricadas, para ganar canto sin incrementar el espesor del muro. Este es un buen ejemplo.
Figura 3. Ejemplo de muro prefabricado. Fuente: @MetEnCarretera
Otras explicaciones apuntan al efecto arco que presenta el muro, haciendo que los efectos de flexión se transformen en compresión. Eso me recuerda a la solución genial de Eduardo Torroja para la cubierta del hipódromo de la Zarzuela, aunque la diferencia es que el muro serpenteante tiene una sola curvatura, y la cubierta citada tiene doble curvatura. Una idea sería usar esta forma para muros de contención prefabricados. Ahí lo dejo.
Figura 4. Hipódromo de la Zarzuela. Wikipedia
Interesante la puntualización de Luis Bañón (@luisbanon) respecto al problema que pueden presentar estos muros delgado si choca frontalmente un vehículo debido al punzonamiento. Santiago Calvo nos da un motivo agrícola, como es la ampliación de la superficie de cultivo de fruta aprovechando las zonas de sombra que proporciona esta geometría, y también un motivo estético, como es su uso en la Universidad de Virginia. Quisco Mena, incluso argumenta que, además de la inercia, esta forma permite eliminar las juntas de dilatación.
Como resumen, no dejo de sorprenderme cada día en las redes sociales. A veces hay mucha tontería, pero otras veces se aprende. Este es un ejemplo de interactuar con mis estudiantes y abrir un debate interesante en redes.
La inteligencia artificial (IA) – tecnologías capaces de realizar tareas que normalmente requieren inteligencia humana – constituye un enfoque alternativo a las técnicas de modelización clásicas. La IA es la rama de la ciencia de la computación que desarrolla máquinas y software con una inteligencia que trata de imitar las funciones cognitivas humanas. En comparación con los métodos tradicionales, la IA ofrece ventajas para abordar los problemas asociados con las incertidumbres y es una ayuda efectiva para resolver problemas de elevada complejidad, como son la mayoría de problemas reales en ingeniería. Además, las soluciones aportadas por la IA constituyen buenas alternativas para determinar los parámetros de diseño cuando no es posible realizar ensayos, lo que supone un ahorro importante en tiempo y esfuerzo dedicado a los experimentos. La IA también es capaz de acelerar el proceso de toma de decisiones, disminuye las tasas de error y aumenta la eficiencia de los cálculos. Entre las diferentes técnicas de IA destacan el aprendizaje automático (machine learning), el reconocimiento de patrones (pattern recognition) y el aprendizaje profundo (deep learning), técnicas que han adquirido recientemente una atención considerable y que se están estableciendo como una nueva clase de métodos inteligentes para su uso en la ingeniería civil.
Todos conocemos problemas de ingeniería civil cuya solución pone al límite las técnicas computacionales tradicionales. Muchas veces se solucionan porque existen expertos con la formación adecuada capaces de intuir la solución más adecuada, para luego comprobarla con los métodos convencionales de cálculo. En este contexto, la inteligencia artificial está tratando de capturar la esencia de la cognición humana para acelerar la resolución de estos problemas complejos. La IA se ha desarrollado en base a la interacción de varias disciplinas, como son la informática, la teoría de la información, la cibernética, la lingüística y la neurofisiología.
Figura 1. Interrelación entre diferentes técnicas computacionales inteligentes. Elaboración propia basada en Salehi y Burgueño (2018)
A veces el concepto de “inteligencia artificial (IA)” se confunde con el de “inteligencia de máquina (IM)” (machine intelligence). En general, la IM se refiere a máquinas con un comportamiento y un razonamiento inteligente similar al de los humanos, mientras que la IA se refiere a la capacidad de una máquina de imitar las funciones cognitivas de los humanos para realizar tareas de forma inteligente. Otro término importante es la “computación cognitiva (CC)” (cognitive computing), que se inspira en las capacidades de la mente humana. Los sistemas cognitivos son capaces de resolver problemas imitando el pensamiento y el razonamiento humano. Tales sistemas se basan en la capacidad de las máquinas para medir, razonar y adaptarse utilizando la experiencia adquirida.
Las principales características de los sistemas de CC son su capacidad para interpretar grandes datos, el entrenamiento dinámico y el aprendizaje adaptativo, el descubrimiento probabilístico de patrones relevantes. Técnicamente, la IA se refiere a ordenadores y máquinas que pueden comportarse de forma inteligente, mientras que el CC se concentra en la resolución de los problemas utilizando el pensamiento humano. La diferencia más significativa entre la IA y la CC puede definirse en función de su interactuación con los humanos. Para cualquier sistema de IA, hay un agente que decide qué acciones deben tomarse. Sin embargo, los sistemas de CC aprenden, razonan e interactúan como los humanos.
Por otra parte, los “sistemas expertos” son una rama de la IA. Un sistema experto se definiría como un programa de ordenador que intenta imitar a los expertos humanos para resolver problemas que exigen conocimientos humanos y experiencia. Por tanto, la IA incluye diferentes ramas como los sistemas expertos, el aprendizaje automático, el reconocimiento de patrones y la lógica difusa.
La IA se ha usado en estas últimas décadas de forma intensiva en las investigaciones relacionadas con la ingeniería civil. Son notables las aplicaciones de las redes neuronales, los algoritmos genéticos, la lógica difusa y la programación paralela. Además, la optimización heurística ha tenido una especial relevancia en muchos campos de la ingeniería civil, especialmente en el ámbito de las estructuras y las infraestructuras. Sin embargo, los métodos más recientes como el reconocimiento de patrones, el aprendizaje automático y el aprendizaje profundo son método totalmente emergentes en este ámbito de la ingeniería. Éstas técnicas emergentes tienen la capacidad de aprender complicadas interrelaciones entre los parámetros y las variables, y así permiten resolver una diversidad de problemas que son difíciles, o no son posibles, de resolver con los métodos tradicionales.
El aprendizaje automático es capaz de descubrir información oculta sobre el rendimiento de una estructura al aprender la influencia de diversos mecanismos de daño o degradación y los datos recogidos de los sensores. Además, el aprendizaje automático y el aprendizaje profundo tienen una elevada potencialidad en el dominio de la mecánica computacional, como por ejemplo, para optimizar los procesos en el método de elementos finitos para mejorar la eficiencia de los cálculos. Estos métodos también se pueden utilizar para resolver problemas complejos a través del novedoso concepto de la Internet de las Cosas. En este contexto del Internet de las Cosas, se pueden utilizar estas técnicas emergentes para analizar e interpretar grandes bases de datos. Esto abre las puertas al desarrollo de infraestructuras, ciudades o estructuras inteligentes.
Sin embargo, aún nos encontramos con limitaciones en el uso de estos métodos emergentes. Entre esas limitaciones figura la falta de selección racional del método de IA, que no se tenga en cuenta el efecto de los datos incompletos o con ruido, que no se considere la eficiencia de la computación, el hecho de que se informe sobre la exactitud de la clasificación sin explorar soluciones alternativas para aumentar el rendimiento, y la insuficiencia de la presentación del proceso para seleccionar los parámetros óptimos para la técnica de IA. Con todo, a pesar de estas limitaciones, el aprendizaje automático, el reconocimiento de patrones y el aprendizaje profundo se postulan como método pioneros para aumentar la eficiencia de muchas aplicaciones actuales de la ingeniería civil, así como para la creación de usos innovadores.
Referencias:
GARCÍA-SEGURA, T.; YEPES, V.; FRANGOPOL, D.M. (2017). Multi-Objective Design of Post-Tensioned Concrete Road Bridges Using Artificial Neural Networks.Structural and Multidisciplinary Optimization, 56(1):139-150.
SALEHI, H.; BURGUEÑO, R. (2018). Emerging artificial intelligence methods in structural engineering.Engineering Structures, 171:170-189.
SIERRA, L.A.; YEPES, V.; PELLICER, E. (2018). A review of multi-criteria assessment of the social sustainability of infrastructures.Journal of Cleaner Production, 187:496-513.
YEPES, V.; GARCÍA-SEGURA, T.; MORENO-JIMÉNEZ, J.M. (2015). A cognitive approach for the multi-objective optimization of RC structural problems. Archives of Civil and Mechanical Engineering, 15(4):1024-1036
Os dejo a continuación un informe sobre cómo la inteligencia de máquina permite crear valor y se postula como una herramienta de primer nivel en todos los ámbitos.
Acabamos de presentar una comunicación en el 10th International Conference on High Performance and Optimum Design of Structures and Materials HPSM/OPTI 2020, que se tuvo que desarrollar en Praga (República Checa) del 3 al 5 de junio, pero que por motivos del coronavirus, se ha desarrollado virtualmente del 2 al 4 de septiembre. A continuación os paso un resumen de la misma, así como la presentación que hemos realizado.
En los objetivos de desarrollo sostenible recientemente establecidos se reconoce la importancia de las infraestructuras para lograr un futuro sostenible. A lo largo de su largo ciclo de vida, las infraestructuras generan una serie de impactos cuya reducción ha sido uno de los principales focos de atención de los investigadores en los últimos años. La optimización de los intervalos de mantenimiento de las estructuras, como los puentes, ha despertado la atención del sector de la ingeniería civil, pues la mayoría de los impactos de las infraestructuras se producen durante su fase operativa. Así pues, actualmente los puentes se diseñan para atender a los efectos económicos y ambientales derivados de las actividades de mantenimiento. Sin embargo, en esos análisis se suele descuidar el pilar social de la sostenibilidad. Dado que todavía no existe una metodología universalmente aceptada para su evaluación coherente, la dimensión social no se incluye efectivamente en las evaluaciones del ciclo de vida de las infraestructuras. En la presente comunicación se evalúan los efectos del ciclo vital de diseños alternativos de los tableros de hormigón de los puentes en un entorno cercano a la costa que requiere mantenimiento. Los intervalos de mantenimiento derivados de la fiabilidad se optimizan primero minimizando los impactos económicos y ambientales. En una segunda etapa del análisis, se incluye la dimensión social en el proceso de optimización y se comparan los resultados. Los resultados de optimización de estas evaluaciones combinadas se obtienen aplicando la técnica de toma de decisiones multicriterio AHP-TOPSIS. En el presente documento se demuestra cómo la inclusión de la dimensión social puede conducir a estrategias de mantenimiento óptimo diferentes y más orientadas a la sostenibilidad. El enfoque tridimensional que se aplica aquí ha dado lugar a que se prefieran otras alternativas a las derivadas de la evaluación convencional que considera las perspectivas económica y ambiental. Esa conclusión apoya la idea de que se requieren evaluaciones holísticas del ciclo vital para el diseño sostenible de las infraestructuras y que es necesario hacer más esfuerzos urgentes para integrar la dimensión social en las evaluaciones de la sostenibilidad de las estructuras.
Figure 1: Product system boundaries (Navarro et al., 2020)
ABSTRACT
The recently established Sustainable Development Goals recognize the importance of infrastructures for achieving a sustainable future. Along their long-lasting life cycle, infrastructures generate a series of impacts, the reduction of which has been one of the main focus of researchers’ attention in the past years. The optimization of maintenance intervals of structures, such as bridges, has aroused the attention of the civil engineering sector, since most of the impacts of infrastructures occur during the operational phase. Thus, bridges are currently designed to attend the economic and environmental impacts derived from maintenance activities. However, the social pillar of sustainability is usually neglected in those analyses. Since no universally accepted methodology does yet exist for its consistent evaluation, the social dimension is not effectively included in the life cycle assessments of infrastructures. This communication evaluates the life cycle impacts of alternative concrete bridge deck designs in a maintenance-demanding environment near shore. Reliability-derived maintenance intervals are first optimized by minimizing the economic and environmental impacts. In a second stage of the analysis, the social dimension is included in the optimization process and results are compared. Optimization results from these combined assessments are obtained applying the Multi-Criteria Decision-Making technique AHP-TOPSIS. The present paper demonstrates how the inclusion of the social dimension may lead to different, more sustainability-oriented optimal maintenance strategies. The three-dimensional approach applied here has resulted in other alternatives to be preferred against those derived from the conventional assessment that considers the economic and environmental perspectives. Such finding supports the idea that holistic life cycle assessments are required for sustainable designs of infrastructures and that more efforts are urgently needed to integrate the social dimension in sustainability assessments of structures.
KEYWORDS
Life cycle assessment, bridges, maintenance, reliability, social impacts, sustainable design, sustainability, corrosion, Multi-Criteria Decision Making, AHP.
REFERENCE
NAVARRO, I.J.; YEPES, V.; MARTÍ, J.V. (2020). Social dimension on the sustainability-oriented maintenance optimization of bridges in coastal environments. 10th International Conference on High Performance and Optimum Design of Structures and Materials HPSM/OPTI 2020, 3-5 June 2020, Prague, Czech Republic, 11 pp.
Acaban de publicarnos un artículo en la revista International Journal of Environmental Research and Public Health (revista indexada en el JCR, en el primer cuartil) sobre la propuesta de indicadores de sostenibilidad para el proyecto de puentes de pequeña luz.
El trabajo se enmarca dentro del proyecto de investigación DIMALIFE que dirijo como investigador principal en la Universitat Politècnica de València.
En este trabajo se estudió impacto ambiental de un puente atirantado de tres torres mediante el software openLCA, y se analizaron más de 23.680 grupos de datos utilizando la cadena de Markov y otros métodos de investigación. La conclusión muestra que el control de la contaminación de los vehículos que pasan y la mejora de la durabilidad de los materiales de construcción son la clave para reducir la contribución del carbono.
ABSTRACT
Due to the rapid growth of the construction industry’s global environmental impact, especially the environmental impact contribution of bridge structures, it is necessary to study the detailed environmental impact of bridges at each stage of the full life cycle, which can provide optimal data support for sustainable development analysis. In this work, the environmental impact case of a three-tower cable-stayed bridge was analyzed through openLCA software, and more than 23,680 groups of data were analyzed using Markov chain and other research methods. It was concluded that the cable-stayed bridge contributed the most to the global warming potential value, which was mainly concentrated in the operation and maintenance phases. The conclusion shows that controlling the exhaust pollution of passing vehicles and improving the durability of building materials were the key to reducing carbon contribution and are also important directions for future research.
KEYWORDS
Greenhouse gas; environmental impact; cable-stayed bridge; life-cycle assessment; sustainable construction
Proyecto de distribución de agua potable de Benidorm (Alicante). https://histobenidorm.blogspot.com/2013/11/
Salvando las diferencias generacionales y de contexto, siempre me ha sorprendido las coincidencias biográficas que he tenido con la figura de D. José Juan-Aracil Segura. Aunque no tuve la suerte de conocerlo personalmente (falleció en 1982, el año en que comenzaba yo la carrera), ambos somos ingenieros de caminos nacidos en Alcoy (Alicante), con el número 1 de promoción en ambos casos y curiosamente, con hijos que también son ingenieros de caminos. Además, hemos sido catedráticos de universidad de la misma asignatura. En efecto, Juan-Aracil fue el catedrático de esta asignatura que en los años cuarenta se denominaba “Maquinaria y Medios Auxiliares de Obra” en la Escuela de Ingenieros de Caminos de Madrid, asignatura que luego fue cambiando de nombre hasta llegar a la de “Procedimientos Generales de Construcción y Organización de Obras“. También en esta asignatura imparto docencia en la Escuela de Valencia. A diferencia de otro tipo de asignaturas (Hormigón, Geotecnia, Materiales de Construcción, etc.), las asignaturas de Maquinaria y Medios Auxiliares, o bien de Procedimientos de Construcción, han sido impartidas en las distintas escuelas, mayoritariamente, por profesores asociados, muy ligados a las empresas constructoras. Es por ello que son pocos los catedráticos en España de esta materia. De hecho, José Luis Juan-Aracil López, su hijo, pasó a ser catedrático de la asignatura en Madrid, que la ejerció hasta su paso a Profesor Emérito. Os remito al siguiente artículo donde expliqué en su día los antecedentes históricos de la asignatura.
De interés, hoy para los coleccionistas, es la colección de 8 tomos de apuntes de Maquinaria Auxiliar de Obras, con diabramas, dibujos, esquemas, talbas, etc. Una grandísima cantidad de información y que fueron un precedente de los textos españoles en la materia. Otros libros de interés han sido el de los “Saltos de agua y presas de embalse”, escrito junto con José Luis Gómez Navarro, del año 1953. O la “Conversión de unidades del sistema inglés o norteamericano al sistema métrico y viceversa”, del año 1958. Todos estos libros, descatalogados, son de coleccionista.
Apuntes de Maquinaria Auxiliar de Obras (8 tomos). Tapa dura – 1 de enero de 1959.
Fernando Sáenz Ridruego, escribió una muy breve biografía en las páginas de la Real Academia de la Historia. José Juan-Aracil Segura nació en Alcoy (Alicante) el 5 de noviembre de 1905, falleciendo en Madrid el 19 de enero de 1982. En 1905 nacieron Christian Dior, Henry Fonda o Miguel Mihura, por poner algunos ejemplo. También en dicho año fallecieron Julio Verne, José María Gabriel y Galán o Juan Valera. Pero lo más sorprendente fue el año milagroso del Albert Einstein, que publicó la Teoría de la relatividad especial, el efecto fotoeléctirco y el movimiento browniano.
Viaducto de Segovia, Madrid. https://es.wikipedia.org/
El joven José Juan-Aracil cursó la enseñanza media en Alcoy, su pueblo natal, en el colegio Luis Vives. Se trasladó a Madrid para estudiar en la Escuela de Ingenieros de Caminos, donde terminó la carrera en 1930, con el número 1 de su promoción. Apenas terminados sus estudios, ganó en 1932, junto con el arquitecto Francisco Javier Ferrero Llusiá, y el ingeniero de caminos Luis Aldaz Muguiro el concurso para el proyecto del viaducto sobre la madrileña calle Segovia. Es de destacar que en este concurso se presentaron proyectos técnicos de la talla del ingeniero de caminos Eduardo Torroja, y del arquitecto Secundino Zuazo. El proyecto ganador se caracteriza por empleo de hormigón armado pulido, calado en unos machones de granito. Si bien la construcción se demoró hasta 1942, debido al deterioro que sufrió por los daños de la Guerra Civil.
Recién terminada su carrera, se atisba sus inquietudes técnicas publicando, en 1931 un artículo, “Esfuerzos secundarios” en la Revista de Obras Públicas, donde publicó a partir de entonces numerosos artículos. En este artículo llenó parte del vacío de los libros y revistas de entonces sobre este tema, siendo encargado de curso de la asignatura de Construcciones Metálicas. Va a ser habitual ver artículos en esta revista donde desarrolle temas concretos de los explicados en sus clases.
En 1935 realizó un viaje de estudios pensionado por la Escuela, llevando el tema “Presas de embalse”, visitando Francia, Suiza e Italia. A su vuelta redactó una memoria que se publicó en la Revista de Obras Públicas. Durante la Guerra Civil combatió en el bando nacional, en el que se le concedió la Medalla de la Campaña. En 1939 fue nombrado profesor de Maquinaria en la Escuela de Caminos, asignatura que explicó hasta su jubilación en 1975. Fue director técnico de Obras y Servicios Públicos, S.A. (OSEPSA), empresa con la que realizó numerosas obras, entre las que destacan la construcción del acueducto de Tardienta, la reconstrucción de los puentes de Bilbao, del puente de Vizcaya y de la presa de Ordunte, destruidos durante la contienda, y la construcción de los viaductos de San Jorge, Cabriel y Narboneta, en el ferrocarril Cuenca-Valencia, así como del pantano de Amadorio, en la provincia de Alicante.
Juan-Aracil reconstruyó, tras la Guerra Civil, el Puente transbordador Bizkaia/ Vizcaya, con un proyecto que introducía bastantes cambios sobre el proyecto original. El más importante fue la eliminación de los tirantes de los extremos de la luz en el vano principal, que el autor justificaba por la dificultad que suponía la indeterminación de la actuación conjunta de péndolas y tirantes, Sin embargo, y como el propio Juan-Aracil reconocía, eso le obligó a aumentar la inercia de la viga, pasando de dos a tres metros de canto.
Puente Vizcaya, Transbordador de Portugalete a Las Arenas. Al fondo se ve Sestao. El tramo horizontal superior es una pasarela para peatones, a la que se puede acceder mediante ascensores. https://es.wikipedia.org/wiki/Puente_de_Vizcaya#/media/Archivo:Zubia_jun.jpgVista del puente sobre el Turia (2018). https://www.wikiwand.com/es/Puente_de_Santa_Cruz_de_Moya
Obra obra de Juan-Aracil fue el puente de Santa Cruz de Moya (también, puente Nuevo) es un viaducto existente en el término municipal de Santa Cruz de Moya, provincia de Cuenca (Comunidad de Castilla-La Mancha). Construido en la C-234 de Valencia–Ademuz sobre el río Turia en la segunda mitad de los años cincuenta. Otro ejemplo más es la traída de agua a la Celupal, proyecto finalizado el 10 de octubre de 1947 fue redactado por Juan-Aracil, entre otros, aparte de los citados, como el acueducto de Tardienta, de la presa de Ordunte, o la distribución de agua potable de Benidorm, entre otros.
Como curiosidad del carácter alcoyano de D. José Juan-Aracil, baste recordar el homenaje que se le rindió el 27 de noviembre de 1980 en un céntrico restaurante madrileño por parte de la Asociación de San Jorge en la capital de España. Juan-Aracil fue el presidente (clavario) de esta Asociación alcoyana en Madrid. Os dejo a continuación un par de textos escritos en 1949 sobre la Asociación de San Jorge Mártir de Madrid y otro de 1951 sobre Alcoy y el Cuerpo de Ingenieros de Caminos, ambos de la Revista de la Asociación de San Jorge.
El Puente de la Trinidad (Valencia). Fotografía: V. Yepes (2010)
El actual Puente de la Trinidad se conserva como el más antiguo en su fábrica de los construidos sobre el cauce histórico del río Turia. Hoy se puede ver un puente de 158 m de longitud, con 10 arcos apuntados de 16,30 m de luz. A este puente se le conocía como “pont dels Catalans”, no por los que por allí venían, sino por los que vivían cerca, pues en la reconquista se le adjudicaron a los de Lérida las casas próximas. Formaba, junto al Puente de Serranos y el Real, la conexión septentrional de Valencia, hasta que en los siglos XIV y XV, el Puente del Mar y el de San José completaron las obras de fábrica históricas sobre el Turia. Este paso unía el núcleo de la ciudad con Vilanova, el arrabal del camino de Alboraya. El actual nombre de Trinidad se debe a la importancia que tuvo la construcción del convento homónimo, en la margen izquierda del río. La primera piedra del Real Monasterio de la Santísima Trinidad se colocó en 1445, al conseguir la reina Doña María, esposa de Alfonso III el Magnánimo, una bula para su edificación.
Artículo completo descargable.
Referencia:
YEPES, V. (2010). El Puente de la Trinidad sobre el viejo cauce del Río Turia en Valencia. Una aproximación histórica, estética y constructiva. Universitat Politècnica de València, 20 pp. DOI:10.13140/RG.2.2.11674.88001
Un encofrado trepante es una estructura de soporte de encofrado que, mediante soluciones hidráulicas y mecánicas, se eleva sin necesidad alguna de grúa, levantando consigo el encofrado. La descripción de este tipo de encofrado la hicimos en un artículo anterior que podéis consultar aquí.
Os paso a continuación un vídeo de la empresa Estructures CEFA donde podréis ver la construcción de un muro visto de hormigón utilizando el sistema de encofrado trepante. Estructures Cefa es una empresa ubicada en Terrasa especializada en la realización de estructuras de hormigón armado. Podéis visitar su web: www.cefaestructures.com
Os presento la segunda edición ampliada del libro que he publicado sobre procedimientos de construcción de cimentaciones y estructuras de contención. El libro trata de los aspectos relacionados con los procedimientos constructivos, maquinaria y equipos auxiliares empleados en la construcción de cimentaciones superficiales, cimentaciones profundas, pilotes, cajones, estructuras de contención de tierras, muros, pantallas de hormigón, anclajes, entibaciones y tablestacas. Pero se ha ampliado esta edición con tres capítulos nuevos dedicados a los procedimientos de contención y control de las aguas subterráneas. Además, de incluir la bibliografía para ampliar conocimientos, se incluyen cuestiones de autoevaluación con respuestas y un tesauro para el aprendizaje de los conceptos más importantes de estos temas. Este texto tiene como objetivo apoyar los contenidos lectivos de los programas de los estudios de grado relacionados con la ingeniería civil, la edificación y las obras públicas.
