Aprovechando las nuevas tecnologías, aprovecho para colgar como post una conferencia que, bajo el título «Integrando innovación y gestión de la calidad, tuve la ocasión de impartir en Santiago de Chile en noviembre de 2009. Se trató de una conferencia en el marco de un seminario sobre metodologías avanzadas en gestión de la construcción y supuso un gratificante intercambio que tuvimos de experiencias con los alumnos de ingeniería civil de la Pontificia Universidad Católica. Aunque no disponemos de la conferencia grabada, al menos dejaremos aquí la presentación que se utilizó. Espero que os guste.
Categoría: innovación
¿Hormigón casi tan resistente como el acero?
El otro día, entrando al despacho que tienen los doctorandos del Departamento de Ingeniería de la Construcción, vi junto a la mesa de Esteban Camacho una silla realmente sorprendente, pues contrariamente a lo que pudiera parecer, estaba fabricada con hormigón y, aunque uno se sentara encima, increiblemente no se rompía.
Se trata del HMAR (Hormigón de Muy Alto Rendimiento). En realidad, es un nuevo material que se encuentra en proceso de investigación en el grupo del profesor Pedro Serna, del Instituto de Ciencia y Tecnología del Hormigón (ICITECH) de la Universidad Politécnica de Valencia. Como dice nuestro amigo Esteban, se trata realmente de un «acero pobre». Continue reading «¿Hormigón casi tan resistente como el acero?»
La innovación y el optimismo
La innovación y el optimismo son dos conceptos íntimamente ligados. El miedo a no equivocarse, aprender de los errores, afrontar los problemas de forma positiva son actitudes que benefician fuertemente la innovación, y como mínimo, no ayuda a ser más felices.
Algunas citas que podemos encontrar entorno al optimismo creo que nos pueden ayudar:
Algunas personas miran al mundo y dicen ¿Porque?. Otras miran al mundo y dicen ¿Porque no?. George Bernard Shaw
El optimista se equivoca con tanta frecuencia como el pesimista, pero es incomparablemente más feliz. Napoleón Hill
El sol brilla en todas partes, pero algunos no ven más que sus sombras. Arthur Helps
Un optimista ve una oportunidad en toda calamidad, un pesimista ve una calamidad en toda oportunidad. Winston Churchill
Un buen libro sobre este tema lo ha escrito Luís Rojas Marcos, hablando incluso del efecto placebo que para la salud tiene el estar convencido de que uno se va a curar de una enfermedad. Muy recomendable el programa Redes de Punset sobre este tema que podéis ver pinchando aquí. Os paso algún vídeo que creo que puede ser interesante.
El uso de residuos agrícolas como material puzolánico en la construcción
En septiembre del 2012 se leyó en el Departamento de Ingeniería de la Construcción de la Universidad Politécnica de Valencia un trabajo fin de máster (Máster en Ingeniería del Hormigón) denominado «Caracterización química y reactividad de la ceniza de caña común y planta de maíz, para su uso como adición puzolánica en morteros y hormigones«, cuyo autor es Alejandro Escalera y cuyos directores fueron los profesores Jose María Monzó y Jorge Payá. Debido al interés que tiene esta línea de investigación seguida dentro del Instituto de Ciencia y Tecnología del Hormigón (ICITECH), voy a dedicar este post a divulgar la línea de trabajo realizado.
Los romanos ya acuñaron el término «puzolana» para designar a la fina ceniza volcánica que, mezclada con cal y agua, forma compuestos con propiedades cementantes capaces de presentar propiedades similares a un hormigón convencional elaborado con cemento común. Lo realmente interesante es que la combustión, bajo determinadas condiciones, los residuos agrícolas tales como la cascarilla del arroz, las hojas de bambú o la caña de azucar, presentan contenidos en sílice que pueden tener carácter puzolánico. Estos residuos agrícolas son aquellas partes de la planta que es necesario separar para obtener el fruto o para facilitar el cultivo propio o posterior; y si bien gran parte de estos residuos se consumen por la ganadería, otros no son aprovechables. Continue reading «El uso de residuos agrícolas como material puzolánico en la construcción»
Diseño completamente al azar y ANOVA
El diseño completamente al azar es el más sencillo de los diseños de experimentos que comparan dos o más tratamientos, puesto que solo considera dos fuentes de variabilidad: los tratamientos y el error aleatorio.
Para ilustrar el diseño, supongamos que queremos determinar si cuatro dosificaciones de hormigón A, B, C y D presentan la misma resistencia característica a la compresión. Para ello, se han elaborado 5 probetas para cada tipo de dosificación y, a los 28 días, se han roto las probetas mediante compresión simple; los resultados los hemos recogido en la tabla que sigue.
| DOSIFICACIONES DE HORMIGÓN | ||||
| A | B | C | D | |
| Resistencia característica a compresión fck (Mpa) | 42 | 45 | 64 | 56 |
| 39 | 46 | 61 | 55 | |
| 48 | 45 | 50 | 62 | |
| 43 | 39 | 55 | 59 | |
| 44 | 43 | 58 | 60 | |
En este caso, la variable de respuesta es la resistencia característica del hormigón a la compresión (MPa), la unidad experimental es la probeta de hormigón y el factor es la dosificación de hormigón. En este caso se trata de un diseño balanceado porque hemos realizado el mismo número de repeticiones (5) para cada uno de los tratamientos (dosificaciones).
Este tipo de diseño se llama completamente al azar porque todas las repeticiones experimentales se realizan en un orden aleatorio completo, pues no se han tenido en cuenta otros factores de interés. Si durante el estudio se realizan N pruebas, estas deben realizarse al azar, de modo que los posibles efectos ambientales y temporales se repartan equitativamente entre los tratamientos.
El número de repeticiones a realizar en cada tratamiento depende de la variabilidad que se espera observar en los datos, de la diferencia mínima que el experimentador considera que es importante detectar y al nivel de confianza que se desea tener en las conclusiones. Normalmente, se recomiendan entre 10 y 30 mediciones por tratamiento. Con 10 mediciones se podrían detectar diferencias de medias mayores o iguales a 1,5 sigmas con una probabilidad alta, y con 30 mediciones se podrían detectar diferencias mayores o iguales a 0,7 sigmas.
Se utiliza el análisis de la varianza (ANOVA) para comprobar si existen diferencias entre las medias. Fundamentalmente, este análisis consiste en separar la contribución de cada fuente de la variación total observada. Sin embargo, este ANOVA está supeditado a los siguientes supuestos que deben verificarse:
- Normalidad
- Varianza constante (igual varianza en los tratamientos)
- Independencia
Para los que queráis saber qué ha pasado con nuestro experimento de amasado, os diré que el ANOVA rechazó la igualdad de medias, es decir, que la resistencia media se ve afectada por la dosificación. Sin embargo, las cuatro dosificaciones no son igual de efectivas, pues existen diferencias significativas entre las resistencias medias de cada una de ellas. De hecho, las dosificaciones A y B no presentan diferencias significativas entre sí, ni entre la C y la D. Sin embargo, entre ambos grupos sí hay diferencias significativas. Asimismo, se ha comprobado que se cumplieron los supuestos de normalidad, varianza constante e independencia.
Os dejo en el siguiente vídeo cómo utilizar el software SPSS para realizar un diseño de experimentos completamente al azar.
Referencias:
- Box, G.E.; Hunter, J.S.; Hunter, W.G. (2008). Estadística para investigadores. Diseño, innovación y descubrimiento. Segunda Edición, Ed. Reverté, Barcelona.
- Gutiérrez, H.; de la Vara, R. (2003). Análisis y diseño de experimentos. McGraw-Hill, México.
- Vicente, M.L.; Girón, P.; Nieto, C.; Pérez, T. (2005). Diseño de experimentos. Soluciones con SAS y SPSS. Pearson Educación, Madrid.
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
Definiciones básicas del diseño de experimentos
Entendemos por experimento el cambio en las condiciones de operación de un sistema o proceso, realizado con el objetivo de medir el efecto del cambio en una o varias variables del producto. Ello nos permite ampliar el conocimiento sobre el sistema o el proceso.
Asimismo, entendemos por “diseño de un experimento” la planificación de un conjunto de pruebas experimentales, de modo que los datos generados puedan analizarse estadísticamente para obtener conclusiones válidas y objetivas acerca del problema establecido.
En un experimento, es muy importante su reproducibilidad, es decir, poder repetirlo. Ello nos proporciona una estimación del error experimental y permite obtener una estimación más precisa del efecto medio de cualquier factor.
Veamos algunas definiciones importantes en el diseño de experimentos:
- Unidad experimental: es la muestra de unidades que es necesario producir en una condición para obtener una medición o un dato representativo. Unidad a la cual se le aplica un solo tratamiento (puede ser una combinación de muchos factores) en una reproducción del experimento.
- Variables de respuesta: son las características del producto cuyo valor interesa mejorar mediante el diseño de experimentos.
- Factor: una variable independiente. En la mayoría de las investigaciones se trata con más de una variable independiente y con los cambios que ocurren en la variable independiente, cuando varía una o más de las variables independientes.
- Factores controlables: son variables del proceso que se pueden fijar en un punto o en un nivel de operación.
- Factores no controlables: son variables que no pueden controlarse durante la operación normal del proceso.
- Factores estudiados: son las variables que se investigan en el experimento para observar cómo afectan a la variable de respuesta.
- Confusión: Dos o más efectos se confunden en un experimento si es posible separarlos en el análisis estadístico posterior.
- Error aleatorio: Es la variabilidad observada que no puede explicarse por los factores estudiados y se debe al pequeño efecto de los factores no estudiados y al error experimental.
- Error experimental: componente del error aleatorio que refleja los errores del experimentador en la planificación y la ejecución del experimento.
- Aleatorización: consiste en realizar experimentos en orden aleatorio; este principio aumenta la probabilidad de que el supuesto de independencia de los errores se cumpla. Asignación al azar del tratamiento a las unidades experimentales. Una suposición frecuente en los modelos estadísticos de diseño de experimentos en los que las observaciones o los errores en ellas están distribuidos de forma independiente. La aleatorización hace válida esta suposición.
- Repetición: Es correr más de una vez un tratamiento o combinación de factores
- Bloqueo: Es nulificar o considerar adecuadamente todos los factores que pueden afectar la respuesta observada. Distribución de las unidades experimentales en bloques, de manera que las unidades dentro de un bloqueo sean relativamente homogéneas; de esta manera, la mayor parte de la variación predecible entre las unidades queda confundida con el efecto de los bloques.
- Tratamiento o combinación de tratamientos: conjunto particular de condiciones experimentales que deben imponerse a una unidad experimental dentro de los confines del diseño seleccionado.
El error aleatorio describe la situación de no llegar a resultados idénticos con dos unidades experimentales tratadas idénticamente y refleja:
- Errores de experimentación
- Errores de observación
- Errores de medición
- Variación del material experimental (esto es, entre unidades experimentales)
- Efectos combinados de factores extraños que podrían influir en las características en estudio, pero respecto de los cuales no se ha llamado la atención en la investigación.
El error aleatorio puede reducirse:
- Usando material experimental más homogéneo o mediante una estratificación cuidadosa del material disponible.
- Utilizando información proporcionada por variables aleatorias relacionadas
- Teniendo más cuidado al dirigir y desarrollar el experimento
- Usando un diseño experimental muy eficiente.
Referencias:
- Box, G.E.; Hunter, J.S.; Hunter, W.G. (2008). Estadística para investigadores. Diseño, innovación y descubrimiento. Segunda Edición, Ed. Reverté, Barcelona.
- Gutiérrez, H.; de la Vara, R. (2003). Análisis y diseño de experimentos. McGraw-Hill, México.
- Vicente, M.L.; Girón, P.; Nieto, C.; Pérez, T. (2005). Diseño de experimentos. Soluciones con SAS y SPSS. Pearson Educación, Madrid.
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
¿Qué es Design Thinking?
La herramienta Design Thinking se ha vuelto tan poderosa que la revista Bussiness Week le dedicó un artículo ya en 2009, donde se muestra la forma en que la usan algunos gigantes como General Electric, Procter & Gamble y Philips Electronics. En palabras de Tim Brown, se trata de una disciplina “que usa la sensibilidad y los métodos de los diseñadores para hacer coincidir las necesidades de las personas con lo que es tecnológicamente factible y con lo que una estrategia de negocios viable puede convertir en valor para el cliente y en una oportunidad para el mercado”.
Victor Lombardi en su blog hace una buena definición de lo que es Design Thinking:
- Colaborativo: trabajar en colaboración, el diseñador aislado no suele existir.
- Abductivo: contrario a los métodos inductivos, fomenta la creatividad mediante ideas espontáneas para encontrar mejores soluciones a los problemas.
- Experimental: elaborar prototipos y plantear diferentes hipótesis. Testar e iterar para saber qué es lo que funciona y qué es lo que no.
- Personal: considerar el contexto y las personas implicadas (y no solo los usuarios o clientes)
- Integrador: observar desde una perspectiva global teniendo en cuenta todas las posibles implicaciones.
- Interpretar: hacer suposiciones para identificar los problemas y evaluar posibles soluciones.
Os dejo un par de vídeos sobre este tema. El primero es una conferencia de Néstor Guerra y el segundo, una charla del propio Tim Brown (en inglés). Espero que os gusten.
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
¿Qué es la innovación disruptiva?
El término tecnología disruptiva fue acuñado por Clayton M. Christensen y presentado en 1995 en su artículo Disruptive Technologies: Catching the Wave, en el que fue coautor junto con Joseph Bower. Surge una herramienta que desplaza a otra debido a las nuevas necesidades que se fueron moldeando con el uso de la herramienta desplazada.
Es decir, que se produce un cambio brusco, incontrolado, que pasa a estar presente tanto en el comercio como en nuestras vidas, de manera que aquella nueva herramienta acaba por iniciar un periodo para cerrar otro antiguo.
Os paso un vídeo, extraído del programa Redes, presentado por Eduard Punset, en el que podremos diferenciar la mejora de la innovación disruptiva.
Automatic design of concrete vaults using iterated local search and extreme value estimation
La optimización de estructuras reales de hormigón armado constituye un campo de gran interés no solo en la investigación, sino también en la aplicación real en obra. Os paso un artículo reciente que explica una forma de optimizar bóvedas de hormigón empleadas habitualmente en pasos inferiores, como falsos túneles. Los ahorros que se pueden conseguir, en este caso, han sido de un 7% respecto a un diseño tradicional. En el caso de obras lineales de gran longitud, los ahorros pueden ser nada despreciables. La revista Latin American Journal of Solids and Structures es en abierto, de donde podéis descargar este y otros artículos de interés.
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.