Categoría: investigación

El futuro de la construcción: 5 lecciones inesperadas que cambiarán la forma en que construimos edificios

La industria de la construcción tiene una enorme huella medioambiental y es una de las principales causas de la degradación del planeta. Para alcanzar los objetivos de sostenibilidad, es fundamental transformar la forma en que diseñamos y construimos. Por fortuna, la innovación en el diseño estructural, combinada con la optimización mediante inteligencia artificial, está dando lugar a soluciones sorprendentes y altamente eficientes que hace solo unos años parecían imposibles.

Este artículo explora los cinco descubrimientos más impactantes de un estudio reciente sobre un innovador tipo de estructura de edificio compuesto que combina columnas de hormigón armado con vigas de acero de sección variable, conocido como sistema RC-THVS. Estos descubrimientos no solo demuestran el potencial de la tecnología para crear edificios más sostenibles, sino que también desafían algunas de las ideas más arraigadas en la ingeniería estructural.

1. La optimización inteligente no es un pequeño ajuste, sino una revolución medioambiental.

La Optimización del Impacto Ambiental del Ciclo de Vida (LCEIO, por sus siglas en inglés) es una estrategia que utiliza algoritmos para diseñar edificios que no solo sean resistentes, sino que también tengan el menor impacto ambiental posible a lo largo de toda su vida útil, desde la extracción de materiales hasta su demolición y reciclaje.

El resultado clave del estudio es contundente: los sistemas compuestos optimizados con esta tecnología pueden reducir el impacto ambiental del ciclo de vida, medido como el potencial de calentamiento global (GWP), hasta en un 32 % en comparación con los edificios diseñados tradicionalmente.

No se trata de una mejora marginal, sino de un salto cualitativo. Esto demuestra el poder de integrar la inteligencia artificial no como un añadido final, sino en las fases más tempranas del diseño, lo que transforma la sostenibilidad de un ideal a un resultado cuantificable y optimizado desde el núcleo mismo de la estructura.

2. La mayor victoria se consigue en la fábrica, no en la obra.

A menudo pensamos que la sostenibilidad depende del mantenimiento o del reciclaje al final de la vida útil de un edificio. Sin embargo, este estudio demuestra que el mayor ahorro de emisiones se produce mucho antes, en la fase de fabricación.

Los datos son reveladores. Las innovadoras vigas de acero de sección variable (THVS) utilizadas en el sistema compuesto reducen las emisiones de fabricación hasta en un 70 % en comparación con los perfiles de acero tradicionales en forma de I y, en el caso de las columnas de hormigón optimizadas, la reducción en la fabricación (encofrado, acero y hormigón) es del 27 %.

Este hallazgo cambia por completo el enfoque de los esfuerzos. La eficiencia de los materiales y un diseño inteligente desde el principio tienen un impacto mucho mayor que las acciones realizadas al final de la vida útil. La verdadera construcción sostenible comienza en la mesa de diseño y en la planta de fabricación.

3. Una viga más ligera reduce la carga sobre todo el edificio.

Los beneficios de un componente bien diseñado van más allá de él. El estudio demuestra que el menor peso de las vigas THVS optimizadas tiene un efecto dominó positivo en toda la estructura del edificio.

Este «efecto en cascada» puede cuantificarse. Al reducir el peso de las vigas, se disminuyen las cargas axiales que soportan las columnas y, por ende, las cimentaciones. Por ejemplo, en la estructura compuesta analizada, las columnas exteriores experimentan un 17 % menos de fuerza axial que en un sistema tradicional de hormigón armado.

Esta es una lección clave sobre el pensamiento sistémico. Optimizar una sola pieza de forma aislada es ineficiente. En cambio, mejorar un componente clave puede generar una cadena de optimizaciones que aligere y haga más sostenible todo el sistema estructural.

4. La paradoja de las conexiones: ¿por qué la unión «débil» puede fortalecer el sistema?

Aquí es donde el diseño se vuelve contraintuitivo. Las vigas con conexiones articuladas (o «pinned»), que individualmente son las más eficientes (ya que reducen su impacto hasta en un 55 %), empeoran el rendimiento global del edificio en un modelo de estructura esquelética simple. La razón es que su menor rigidez sobrecarga las columnas, lo que incrementa el impacto total.

Sin embargo, la historia da un giro inesperado. Cuando se añaden losas y muros al modelo estructural, este problema no solo desaparece, sino que se invierte. El estudio demuestra que, específicamente en edificios de grandes luces con estos elementos, la configuración con uniones articuladas se convierte en la solución más sostenible, ya que reduce el impacto del ciclo de vida en más del 30 %.

Este hallazgo contradice las suposiciones convencionales sobre el diseño. Pone en tela de juicio la suposición de que los componentes deben optimizarse individualmente para lograr la máxima rigidez. En un sistema integrado, la flexibilidad controlada puede ser la clave para la eficiencia global.

5. El clima y el entorno lo cambian todo.

La ventaja medioambiental de una estructura no es un valor absoluto, sino que depende drásticamente del entorno en el que se construye. El estudio comparó el rendimiento del sistema compuesto en dos escenarios a lo largo de 100 años.

En entornos de baja agresividad, la ventaja fue clara: una reducción de emisiones del 30 % frente a las estructuras de hormigón tradicionales. Sin embargo, en entornos de alta agresividad, como las zonas marinas, la ventaja se redujo al 21 %, aunque siguió siendo superior. La razón es que las emisiones asociadas al mantenimiento de los elementos de acero aumentan drásticamente en condiciones más adversas.

En resumen, se puede llegar a la siguiente conclusión:

El diseño estructural más sostenible no es universal, sino una solución adaptada de forma inteligente a las condiciones específicas de su entorno durante sus primeros 100 años de vida.

Esto subraya la necesidad de un enfoque de diseño basado en el ciclo de vida completo. No basta con pensar en el día de la inauguración; hay que planificar para las décadas de uso, desgaste y mantenimiento que definen el verdadero impacto de un edificio.

Conclusión: mirando hacia el futuro.

La combinación de materiales compuestos innovadores con un diseño optimizado a lo largo de todo el ciclo de vida es una de las vías más prometedoras para reducir drásticamente el impacto ambiental de la construcción. Ya no es necesario elegir entre rendimiento y sostenibilidad, pues la tecnología nos permite optimizar ambos aspectos simultáneamente.

Estos avances demuestran que es posible construir de manera más inteligente y sostenible. Si se pueden lograr estas mejoras optimizando únicamente la estructura, ¿qué no se podría conseguir aplicando este nivel de análisis a cada componente de nuestros edificios?

En esta conversación puedes escuchar las ideas más interesantes de este trabajo.

Este vídeo resume bien las ideas más importantes.

En este documento se resumen las ideas más relevantes.

[gview file=»https://victoryepes.blogs.upv.es/wp-content/uploads/2026/01/Life_Cycle_Optimization_of_Hybrid_Structures.pdf»]

Referencia:

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Life-cycle environmental impact optimization of an RC-THVS composite frame for sustainable construction. Engineering Structures, 345, 121461. DOI:10.1016/j.engstruct.2025.121461 Featured Paper Award

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

¿Quieres más datos? No siempre es mejor: la lección que cambiará tu forma de ver la ciencia.

En la era del Big Data, tenemos, casi instintivamente, la idea de que más información siempre es mejor. Acumular más datos parece el camino directo hacia decisiones más inteligentes, resultados más fiables y una certeza casi absoluta. Creemos que si medimos algo diez, cien o mil veces, nuestra comprensión del fenómeno será inevitablemente más profunda y precisa.

Sin embargo, en el ámbito de la experimentación científica rigurosa, esta intuición puede resultar peligrosamente engañosa. Existe un concepto fundamental que a menudo se pasa por alto y que es mucho más importante que la mera cantidad de mediciones. No se trata de cuántos datos se recogen, sino de cómo se recogen. La estructura de un experimento es clave para su eficacia.

En este artículo se desglosan tres ideas clave del diseño experimental que revelan por qué la arquitectura de un estudio es más relevante que la cantidad de datos brutos. Prepárate para descubrir el secreto del éxito en los experimentos.

1. ¿Quién es nuestro protagonista? La unidad experimental.

Todo experimento comparativo tiene una estrella principal, un elemento central en torno al cual gira toda la acción. No se trata del tratamiento aplicado ni de la variable medida, sino de la unidad experimental (UE). Pero, ¿qué es exactamente?

Una unidad experimental es el elemento más pequeño al que se puede asignar un tratamiento de forma completamente independiente. Es la pieza fundamental sobre la que se realizan las mediciones para determinar qué ocurre. Piensa en ella como el «sujeto» de tu experimento.

Los ejemplos concretos ayudan a entenderlo mejor:

  • En la agricultura, si quieres comparar dos tipos de fertilizantes, la unidad experimental podría ser una parcela de terreno de un tamaño determinado.
  • En un estudio médico, la unidad experimental suele ser un paciente.
  • En entomología, podría tratarse de un insecto concreto o incluso de una colonia entera.

La clave está en que la definición de la unidad experimental depende de los objetivos de la investigación. Se trata de la pieza fundamental sobre la que se construye toda la comparación. Definir esta unidad es el primer paso, pero el verdadero desafío surge cuando empezamos a tomar mediciones en ella, lo que nos lleva a una de las trampas más comunes de la ciencia.

2. El espejismo de los «diez datos»: por qué medir más no siempre es medir mejor.

Esta es una de las confusiones más frecuentes. A menudo, en una unidad experimental podemos tomar varias mediciones. A estos subelementos los llamamos «unidades muestrales». Por ejemplo, en una parcela de terreno (la UE) podríamos analizar diez plantas distintas (las unidades muestrales).

Parecería que tenemos diez datos, ¿verdad? Técnicamente, sí, pero no son lo que parecen. Hay una regla de oro en el diseño experimental que lo cambia todo:

Las unidades muestrales dentro de una misma unidad experimental deben recibir el mismo tratamiento. Por ello, la asignación del tratamiento a estas unidades muestrales no es independiente entre sí.

Esto tiene unas implicaciones enormes. Las diez plantas de la misma parcela son como hermanos que crecieron en la misma casa. Comparten el mismo terreno, la misma cantidad de luz solar y la misma cantidad de agua. Medirlas por separado no es lo mismo que entrevistar a diez personas de distintas partes de la ciudad. Su similitud y su falta de independencia significan que no se obtienen diez puntos de vista únicos, sino diez variaciones sobre el mismo punto de vista. Confundir estas muestras con diez unidades experimentales independientes es uno de los errores más frecuentes al interpretar resultados.

Entonces, si multiplicar las muestras en una misma parcela no aumenta la fiabilidad, ¿cómo podemos estar seguros de que nuestro tratamiento funciona? La respuesta no consiste en acumular más mediciones, sino en comprender y medir correctamente el «ruido» del sistema.

3. Abraza el ruido: por qué el «error experimental» es tu mejor aliado.

La palabra «error» tiene una connotación negativa, pero en la ciencia el error experimental es tu mejor aliado. No se refiere a una equivocación ni a un fallo de medición. Se trata simplemente de la variabilidad natural entre las unidades experimentales. Es el «ruido» de fondo inevitable del sistema que estás estudiando. Dos pacientes nunca son idénticos ni dos parcelas de terreno son clones perfectos.

Para medir este «ruido» natural, necesitamos comparar manzanas con manzanas. Por eso la unidad experimental (Idea 1) es tan importante. La pequeña variación entre diez plantas de la misma parcela (las unidades muestrales de la idea 2) no nos dice nada sobre la variabilidad natural entre parcelas. El verdadero error experimental solo puede medirse comparando las diferencias entre múltiples parcelas completas que recibieron el mismo tratamiento.

La diferencia de altura entre dos plantas situadas a pocos centímetros entre sí en la misma parcela bien fertilizada será mínima. Esta pequeña variación no nos dice nada sobre la eficacia del fertilizante en general, especialmente si lo comparamos con otra parcela que, por su composición natural, presenta un suelo completamente diferente. La variación entre las parcelas es lo que constituye el verdadero desafío. La esencia de un buen experimento consiste en determinar si el efecto del tratamiento es mayor que la variabilidad natural. Sin una medición honesta de este error, es imposible sacar conclusiones válidas.

Conclusión: mirar más allá de los números.

La validez de un experimento no depende de la cantidad de mediciones, sino de la correcta definición, asignación y comparación de sus unidades experimentales. Es la estructura, no el volumen, lo que permite separar la señal del ruido.

La próxima vez que leas sobre un nuevo estudio, ignora por un momento el deslumbrante número de mediciones. En su lugar, busca a la verdadera protagonista: la unidad experimental. Pregúntate cómo la definieron los investigadores y cómo la utilizaron para medir el ruido de fondo. Esa es la diferencia entre una montaña de datos y un verdadero descubrimiento.

En esta conversación puedes descubrir alguna de las ideas de este artículo.

También puedes ver este vídeo, donde se recogen los conceptos más interesantes del tema.

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

Más allá de la opinión: en busca de la evidencia científica.

¿Cómo entendemos realmente el comportamiento humano y el funcionamiento de la sociedad? A menudo, nos basamos en la intuición o en ideas preconcebidas sobre lo que es «científico». Asociamos la ciencia con laboratorios, experimentos y datos exactos, mientras que el estudio de lo social nos parece más ambiguo o «blando».

Sin embargo, la investigación social es sorprendentemente rigurosa. Sus métodos y principios nos permiten comprender el mundo y desarrollar un pensamiento crítico y estructurado.

En este artículo, veremos cinco ideas impactantes que surgen de la investigación social. Prepárate, porque algunas de tus certezas podrían cambiar.

1. No es el objeto de estudio, sino el método, lo que define a la ciencia.

Una de las primeras barreras con las que nos encontramos al pensar en las ciencias sociales es el objeto de estudio: el ser humano. A diferencia de las células o los planetas, las personas somos sujetos conscientes, llenos de simbolismo y percepciones. Esto lleva a muchas personas a pensar que no pueden ser objeto de estudio científico.

Sin embargo, aquí radica la primera gran idea: lo que distingue a la ciencia de otras formas de conocimiento no es el tema que investiga, sino el rigor de su método. Da igual si estudias la interacción de partículas o las dinámicas de un grupo social; lo importante es cómo lo haces.

«Si no hay método, no hay ciencia».

Por tanto, la cientificidad de las ciencias sociales se basa en el cumplimiento de reglas metodológicas formalizadas. Principios como el rigor y la parsimonia, la verificación empírica y la búsqueda de formulaciones de tipo general (universales) son los pilares que sustentan cualquier investigación válida, independientemente de lo complejo o subjetivo que pueda parecer su objeto de estudio.

2. Que algo sea cuantitativo no lo convierte automáticamente en objetivo (y viceversa).

Vivimos en un mundo obsesionado con los datos. Tendemos a creer que un porcentaje, una estadística o un número son sinónimos de verdad objetiva, mientras que un discurso o una opinión se considera meramente subjetivo. La idea de que los datos cuantitativos son inherentemente objetivos y más científicos es, según la propia metodología, falsa.

La objetividad no reside en la naturaleza del dato (un número frente a una palabra), sino en el método con el que se ha obtenido y analizado. Un estudio cuantitativo basado en un mal diseño de encuesta o en una muestra no representativa puede ofrecer resultados completamente sesgados y poco objetivos. Del mismo modo, un análisis cualitativo de discursos puede ser extremadamente riguroso y objetivo si se sigue un procedimiento sistemático y controlado.

Esta idea nos invita a ser más críticos con la información que consumimos. La próxima vez que veas una estadística impactante, no te quedes en el número; pregúntate cuál es el método que hay detrás.

«¡Ojo! Que trabajemos con discursos y percepciones no significa que la investigación se base en la subjetividad del investigador ni que la investigación sea subjetiva. Sería lo mismo que decir que, por trabajar con números o porcentajes, los resultados son objetivos, sin tener en cuenta cómo se han obtenido esos datos».

3. En toda ciencia hay un factor humano: el propio investigador.

La imagen popular del científico es la de una figura neutral e imparcial que observa la realidad sin afectarla. Sin embargo, la verdad es que en toda investigación científica se incluyen criterios subjetivos del investigador.

El verdadero rigor científico no consiste en negar esta subjetividad, sino en ser consciente de ella, saber identificarla y limitarla para que no condicione los resultados de la investigación. Esto es especialmente crucial en las ciencias sociales, donde el objeto de estudio es, a su vez, un sujeto consciente. El investigador debe esforzarse por distanciarse y seguir el método de forma disciplinada, empleando mecanismos como el «distanciamiento» y la «extrañeza» al analizar el objeto».

Este principio humaniza la ciencia. Nos recuerda que es una actividad humana, llevada a cabo por personas, y que requiere no solo conocimientos técnicos, sino también autoconciencia, disciplina y honestidad intelectual.

4. Antes de elegir una técnica, debes definir qué quieres saber.

Imagina que un carpintero decide usar un martillo antes de saber si tiene que clavar, atornillar o serrar. Suena absurdo, ¿verdad? Pues bien, en la investigación (y en muchos otros ámbitos de la vida) es un error muy común. A menudo, nos enamoramos de una herramienta —una encuesta, una entrevista, un grupo de discusión— sin haber definido previamente la pregunta fundamental.

Un principio clave de la metodología de investigación es que el objeto de estudio y los objetivos deben definirse antes de decidir qué técnicas se utilizarán. La herramienta debe adaptarse al problema y no al revés. ¿Necesitas datos generalizables de una población grande? Quizás lo más adecuado sea una encuesta. ¿Quieres profundizar en los significados y las experiencias de un grupo concreto? Las entrevistas pueden ser más adecuadas.

¿Cómo resume a la perfección el principio metodológico: «El diseño metodológico se construye a partir del objeto y de los objetivos del estudio»? Esta lección es universal: la estrategia siempre debe preceder a la táctica.

5. La mejor investigación no elige bando, sino que combina métodos.

El antiguo debate entre la investigación cuantitativa (basada en números) y la cualitativa (basada en discursos) está cada vez más superado. La investigación social moderna no los concibe como enfoques opuestos e irreconciliables, sino como herramientas complementarias que, utilizadas conjuntamente, ofrecen una visión mucho más completa de la realidad.

Cada método tiene su propia lógica y propósito. La investigación cuantitativa, heredera del positivismo, sigue una lógica de verificación perfectamente diseñada para su objetivo: la búsqueda de leyes generales mediante un enfoque cuantitativo. Por su parte, la investigación cualitativa, más ligada al humanismo, se basa en una lógica de descubrimiento, indispensable para su objetivo, que consiste en la búsqueda de los significados de la acción humana.

Las estrategias más potentes son las de «articulación metodológica», como la complementación (emplear diferentes técnicas para distintos objetivos) o la triangulación, que consiste en utilizar distintas metodologías para validar datos sobre un mismo objetivo. Este enfoque integrador permite construir un conocimiento más rico, robusto y matizado que cualquier método por sí solo podría ofrecer.

Una nueva forma de entender el conocimiento.

Como hemos visto, la investigación social, lejos de ser una «ciencia blanda», está llena de principios rigurosos y sofisticados que desafían muchas de nuestras suposiciones sobre el conocimiento, la objetividad y la verdad. Nos enseña que el «cómo» es tan importante como el «qué», que los números no siempre dicen la verdad y que la clave para entender la complejidad humana a menudo radica en combinar diferentes perspectivas.

Ahora que sabes que la objetividad es más compleja de lo que parece y que el método es la clave, ¿qué «verdad» aceptada en tu día a día empezarás a cuestionar?

En esta conversación puedes descubrir las claves de las técnicas de investigación social.

Os dejo un vídeo que resume bien las ideas fundamentales de estas técnicas.

Os dejo este documento de síntesis de estas técnicas.

Pincha aquí para descargar

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

Optimización heurística mediante recocido simulado (simulated annealing)

El recocido simulado (simulated annealing, SA) es una técnica metaheurística estocástica potente diseñada para abordar problemas de optimización global en espacios de búsqueda grandes y complejos. Inspirado en el proceso de recocido de la metalurgia, el algoritmo explora ampliamente el espacio de soluciones a «temperaturas» elevadas y se centra gradualmente en las regiones más prometedoras a medida que la temperatura desciende. Su característica distintiva es la capacidad de aceptar soluciones peores con una probabilidad que disminuye con el tiempo, lo que le permite escapar de mínimos locales y evitar la convergencia prematura.

Este método es particularmente eficaz para problemas NP-hard, como el problema del viajante, la planificación de tareas y el diseño de circuitos, en los que los algoritmos exactos resultan inviables desde el punto de vista computacional. Aunque el SA no garantiza la obtención del óptimo global, produce soluciones de alta calidad en tiempos de cálculo prácticos de forma consistente. El éxito del algoritmo depende en gran medida del ajuste preciso de sus parámetros, como la temperatura inicial, el esquema de enfriamiento y la longitud de las iteraciones en cada nivel de temperatura. Su robustez y versatilidad lo han consolidado como una herramienta fundamental en campos tan diversos como la ingeniería estructural, la química molecular, el procesamiento de imágenes y la asignación de recursos.

Principios fundamentales y origen

El recocido simulado (SA), también conocido como templado simulado, recristalización simulada o enfriamiento simulado, es una técnica metaheurística que adapta un proceso físico al ámbito de la optimización.

  • Definición: El SA es un método estocástico de optimización global. Su estrategia se basa en la analogía con el recocido metalúrgico, proceso en el que un material se calienta y luego se enfría de forma controlada para alcanzar una estructura cristalina estable y de baja energía.
  • Mecanismo central: El algoritmo mejora las soluciones de forma iterativa. Acepta incondicionalmente las soluciones candidatas que son mejores que la actual y, con una probabilidad decreciente, también acepta movimientos que la empeoran. Esta aceptación controlada de transiciones «cuesta arriba» es clave para evitar quedar atrapado en óptimos locales y para permitir un cambio gradual de la exploración a la explotación del espacio de soluciones.
  • Origen: El SA fue desarrollado de forma independiente por Kirkpatrick, Gelatt y Vecchi (1983) y por Černý (1985). Su base teórica se encuentra en el algoritmo de Metropolis (1953), que se aplicó originalmente a la simulación de sistemas termodinámicos.

Mecanismo de funcionamiento y analogía termodinámica.

El SA establece un paralelismo directo entre la optimización y la termodinámica estadística, donde los conceptos se relacionan de la siguiente manera:

  • Función objetivo: corresponde a la energía de un sistema físico. El objetivo es minimizar dicha energía.
  • Solución óptima: representa una estructura cristalina de baja energía, que es un estado estable del sistema.
  • Temperatura (T): Es el parámetro que regula el comportamiento estocástico. A altas temperaturas, el sistema es más volátil y explora más; a bajas, se estabiliza.

El proceso de optimización se rige por el factor de Boltzmann, exp(-ΔE/T), donde ΔE es el cambio en la energía (valor de la función objetivo) de la nueva configuración y T es la temperatura actual.

El criterio de aceptación de una nueva solución s' a partir de una solución actual s sigue la regla de Metropolis:

  1. Si el cambio de energía ΔE = f(s') - f(s) es menor o igual a cero (ΔE ≤ 0), la nueva solución es mejor o igual, por lo que se acepta siempre.
  2. Si el cambio de energía es positivo (ΔE > 0), la nueva solución es peor. Se acepta con una probabilidad P = exp(-ΔE/T).

Esta probabilidad es alta a temperaturas elevadas, lo que fomenta la diversificación y la exploración global. A medida que T se acerca a cero, la probabilidad de aceptar malos movimientos disminuye drásticamente, haciendo que el algoritmo sea más selectivo y se comporte de manera “codiciosa” (greedy), intensificando la búsqueda en regiones prometedoras.

Componentes clave del algoritmo

El rendimiento del SA depende de la calibración precisa de su «esquema de enfriamiento». Sus componentes matemáticos y de procedimiento clave son los siguientes:

Componente Descripción
Temperatura inicial (T₀) Se elige un valor lo suficientemente alto como para asegurar una alta probabilidad de aceptación inicial, lo que permite una exploración amplia del espacio de soluciones. El método de Medina (2001) sugiere ajustarla para que la tasa de aceptación de soluciones de mayor coste se sitúe entre el 20% y el 40%.
Esquema de enfriamiento Define cómo disminuye la temperatura. El más común es el esquema geométrico: T(t+1) = α * Tt, donde α es un coeficiente de reducción típicamente en el rango de [0.8, 0.99]. Una refrigeración rápida corre el riesgo de atrapar la solución en estados metaestables, mientras que una lenta mejora la fiabilidad a un mayor coste computacional.
Longitud de la cadena de Markov Es el número de iteraciones que se ejecutan en cada nivel de temperatura. Debe ser lo suficientemente largo como para que el sistema alcance un estado de equilibrio a esa temperatura antes de seguir enfriando.
Criterio de parada Determina cuándo finaliza el algoritmo. Las condiciones comunes incluyen que la temperatura caiga por debajo de un umbral predefinido (p. ej., el 1% de la temperatura inicial) o que las mejoras en la solución se estabilicen.

Variantes y mejoras

Con el fin de mejorar la eficiencia y la adaptabilidad del SA, se han desarrollado diversas variantes y modificaciones.

  • Estrategia “Best-So-Far”: Mantiene en memoria la mejor solución encontrada hasta el momento, independientemente del estado actual de la búsqueda.
  • Esquemas de recalentamiento: Cuando el sistema se estanca en un óptimo local, la temperatura se incrementa temporalmente para promover una nueva fase de exploración (Dowsland, 1993).
  • Hibridación: Se integra el SA con otros métodos, como algoritmos genéticos, branch-and-bound o programación entera, para aprovechar sus fortalezas complementarias.
  • Implementaciones paralelas: Distribuyen los ensayos entre múltiples procesadores para mejorar la escalabilidad y la velocidad de convergencia.
  • Evaluaciones aproximadas de ΔE: Se utilizan en problemas de alta dimensionalidad para acelerar el cálculo.

Threshold Accepting (TA)

Una variante notable es el Threshold Accepting (TA), introducido por Dueck y Scheuer en 1990. Este método sustituye la regla de aceptación probabilística por una regla determinista: se acepta una solución subóptima si su empeoramiento es inferior a un umbral predefinido.

  • Se acepta una solución subóptima si su empeoramiento (degradación) es inferior a un umbral predefinido.
    Este umbral disminuye gradualmente durante la búsqueda, de forma análoga al esquema de enfriamiento del SA.

Estudios empíricos han demostrado que el TA puede tener un rendimiento comparable o incluso superior al del SA en problemas de planificación, programación y asignación de recursos (Lin et al., 1995).

Dominios de aplicación y ejemplos notables

El SA ha demostrado ser una herramienta versátil y fiable, especialmente para problemas NP-hard para los que no existen solucionadores específicos.

Dominio Aplicación específica y referencia
Enrutamiento Resolución del Problema del Viajante de Comercio (TSP) y sus variantes con restricciones de tiempo (Kirkpatrick et al., 1983).
Planificación Solución de problemas de job-shop scheduling mediante un equilibrio entre diversificación e intensificación (van Laarhoven et al., 1992).
Asignación de recursos Manejo de la complejidad del Problema de Asignación Cuadrática (QAP) en el diseño de instalaciones (Connolly, 1990).
Procesamiento de imágenes Métodos de relajación estocástica para resolver problemas de segmentación y restauración de imágenes (Geman y Geman, 1984).
Química molecular Herramienta estándar para la cristalografía macromolecular y el refinamiento conformacional (Brünger, 1992).
Ingeniería estructural – Diseño de puentes de hormigón pretensado (Martí et al., 2013).

– Optimización paramétrica de muros de contención (Yepes et al., 2008).

– Optimización del tamaño y la disposición de las estructuras de acero (Bresolin et al., 2022).

– Minimización de costes e impacto ambiental (CO₂) en el hormigón armado (Santoro y Kripka, 2020; Medeiros y Kripka, 2014).

– Diseño de estructuras marinas bajo incertidumbre (Toğan, 2012).

Factores críticos para el rendimiento.

El éxito en la aplicación del SA depende en gran medida de la formulación del problema:

  1. Representación del espacio de configuración: La forma en que se define matemáticamente el espacio de soluciones es fundamental.
  2. Definición de movimientos: Es esencial elegir un conjunto adecuado de «movimientos» o ajustes que permitan pasar de una solución a otra vecina. Las representaciones efectivas aseguran que las transiciones entre mínimos locales impliquen pequeñas diferencias de coste, lo que reduce las «barreras de energía».
  3. Función objetivo: Una función objetivo bien elegida puede modificar la distribución de los mínimos locales hacia valores de menor coste promedio, lo que aumenta la probabilidad de encontrar soluciones mejores.
  4. Manejo de restricciones: En los problemas con restricciones, la búsqueda puede limitarse a regiones factibles o pueden permitirse soluciones infactibles penalizándolas en la función objetivo. Este último enfoque puede simplificar la estructura de vecindad y suavizar la topología del paisaje de búsqueda, lo que mejora la convergencia.

Os dejo un vídeo que grabé hace unos años para explicar esta metaheurística. Espero que os sea de interés.

Referencias:

Bresolin, J. M., Pravia, Z. M., & Kripka, M. (2022). Discrete sizing and layout optimization of steel truss-framed structures with Simulated Annealing Algorithm. Steel and Composite Structures, 44(5), 603–617. https://doi.org/10.12989/scs.2022.44.5.603

Brünger, A. T. (1992). X-PLOR Version 3.1: A system for X-ray crystallography and NMR. Yale University Press.

Černý, V. (1985). Thermodynamical approach to the travelling salesman problem: An efficient simulation algorithm. Journal of Optimization Theory and Applications, 45(1), 41–51. https://doi.org/10.1007/BF00940812

Connolly, D. T. (1990). An improved annealing scheme for the QAP. European Journal of Operational Research, 46(1), 93–100. https://doi.org/10.1016/0377-2217(90)90301-Q

Dowsland, K. A. (1993). Simulated annealing. In C. R. Reeves (Ed.), Modern heuristic techniques for combinatorial problems (pp. 20–69). Wiley.

Dueck, G., & Scheuer, T. (1990). Threshold accepting: A general purpose optimization algorithm appearing superior to simulated annealing. Journal of Computational Physics, 90(1), 161–175. https://doi.org/10.1016/0021-9991(90)90201-B

Geman, S., & Geman, D. (1984). Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 6(6), 721–741. https://doi.org/10.1109/TPAMI.1984.4767596

Kirkpatrick, S., Gelatt, C. D., & Vecchi, M. P. (1983). Optimization by simulated annealing. Science, 220(4598), 671–680. https://doi.org/10.1126/science.220.4598.671

Lin, C. K. Y., Haley, K. B., & Sparks, C. (1995). A comparative study of threshold accepting and simulated annealing algorithms in three scheduling problems. European Journal of Operational Research, 83(2), 330–346. https://doi.org/10.1016/0377-2217(95)00011-E

Martí, J. V., González-Vidosa, F., Yepes, V., & Alcalá, J. (2013). Design of prestressed concrete precast road bridges with hybrid simulated annealing. Engineering Structures, 48, 342–352. https://doi.org/10.1016/j.engstruct.2012.09.014

Medeiros, F., & Kripka, M. (2014). Optimization of reinforced concrete columns according to cost and CO₂ emissions. Engineering Structures, 59, 185–194. https://doi.org/10.1016/j.engstruct.2013.10.045

Medina, J. R. (2001). Estimation of incident and reflected waves using simulated annealing. Journal of Waterway, Port, Coastal and Ocean Engineering, 127(4), 213–221. https://doi.org/10.1061/(ASCE)0733-950X(2001)127:4(213)

Metropolis, N., Rosenbluth, A. W., Rosenbluth, M. N., Teller, A. H., & Teller, E. (1953). Equation of state calculations by fast computing machines. The Journal of Chemical Physics, 21(6), 1087–1092. https://doi.org/10.1063/1.1699114

Santoro, J. F., & Kripka, M. (2020). Minimizing environmental impact in the design of reinforced concrete elements using simulated annealing. Computers and Concrete, 25(2), 111–118. https://doi.org/10.12989/cac.2020.25.2.111

Toğan, V. (2012). Optimization of monopod offshore tower under uncertainties with gradient-based and gradient-free optimization algorithms. Advances in Structural Engineering, 15(12), 2021–2032. https://doi.org/10.1260/1369-4332.15.12.2021

van Laarhoven, P. J. M., & Aarts, E. H. L. (1987). Simulated annealing: Theory and applications (Mathematics and Its Applications, Vol. 37). Springer. https://doi.org/10.1007/978-94-015-7744-1

van Laarhoven, P. J. M., Aarts, E. H. L., & Lenstra, J. K. (1992). Job shop scheduling by simulated annealing. Operations Research, 40(1), 113–125. https://doi.org/10.1287/opre.40.1.113

Yepes, V., Alcalá, J., Perea, C., & González-Vidosa, F. (2008). A parametric study of optimum earth retaining walls by simulated annealing. Engineering Structures, 30(3), 821–830. https://doi.org/10.1016/j.engstruct.2007.05.023

Yepes, V. (2026). Heuristic Optimization Using Simulated Annealing. In: Kulkarni, A.J., Mezura-Montes, E., Bonakdari, H. (eds) Encyclopedia of Engineering Optimization and Heuristics. Springer, Singapore. https://doi.org/10.1007/978-981-96-8165-5_48-1

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

¿Más allá del ladrillo? El sorprendente futuro de la vivienda social sostenible

Introducción: El reto de los 1 600 millones.

La crisis de la vivienda no es solo una estadística, sino una emergencia humanitaria. Según UN-Habitat, más de 1 600 millones de personas carecen de una vivienda adecuada y, para cerrar esta brecha, el mundo debe enfrentarse al titánico reto de construir 96 000 viviendas al día hasta el año 2030. Este desafío tiene un rostro concreto en distritos como Carabayllo, en Lima (Perú), una zona de expansión urbana acelerada donde la necesidad de soluciones rápidas suele chocar con la falta de recursos y la precariedad constructiva.

Ante este panorama, surge la pregunta central: ¿es posible construir viviendas económicas y rápidas que también respeten el medio ambiente y la dignidad de quienes las habitan? Para responderla, la ciencia del urbanismo recurre hoy a métodos avanzados de evaluación, como el análisis del ciclo de vida (LCA), el análisis de costes del ciclo de vida (LCC) y el análisis del ciclo de vida social (S-LCA). Los resultados de aplicar estas herramientas en el contexto peruano revelan que el futuro de la vivienda social no radica en el ladrillo tradicional, sino en la construcción industrializada.

Punto 1: el acero ligero (LSF) es el nuevo referente en materia de sostenibilidad.

En la búsqueda del sistema constructivo ideal, el acero ligero, también conocido como Light Steel Frame (LSF), ha destronado a las opciones convencionales. Su éxito se debe a su equilibrio casi perfecto entre peso, resistencia y sostenibilidad. Al ser un sistema de baja intensidad material, el LSF utiliza los recursos de forma quirúrgica, minimizando el desperdicio que abunda en las obras tradicionales.

Desde el punto de vista financiero, el LSF no solo es competitivo, sino también transformador: reduce el coste inicial de construcción en un 15 % y los costes de fin de vida (demolición y reciclaje) en un asombroso 77 % en comparación con la mampostería confinada (RCF-M). Al ser altamente reciclable, el acero hace que el edificio, al final de su vida útil, no se convierta en escombro, sino en un recurso.

«El Life Cycle Steel Frame (LSF) ha obtenido la máxima puntuación en sostenibilidad en todas las categorías».

Punto 2: lo social ya no es secundario (pesa un 40 %).

Quizás el hallazgo más revolucionario de la investigación es que la sostenibilidad ya no se mide solo en toneladas de CO₂. Los indicadores sociales representaron casi el 40 % del peso total (38,93 %) en la toma de decisiones, superando por primera vez a los factores económicos y ambientales.

Este estudio introduce una métrica basada en el factor humano: las horas de riesgo medio (MRH). En lugar de limitarse a calcular el ahorro de energía, el análisis cuantifica la seguridad del trabajador, las condiciones laborales y el impacto en la comunidad local. Lo fascinante es que estos resultados son robustos: el análisis de sensibilidad (S-BWM) demostró que, independientemente de si el evaluador era un experto sénior con 35 años de experiencia o un especialista júnior, los datos señalaban de manera consistente al LSF como el camino más ético y eficiente.

Punto 3: La trampa del coste inicial frente al ciclo de vida.

En urbanismo sostenible, lo que hoy es barato puede resultar carísimo mañana. Existe una brecha crítica entre el presupuesto de obra y el LCC (costo del ciclo de vida) a 50 años. Aquí es donde entra en juego la funcionalidad (C9): no debemos considerar la vivienda social como un «refugio temporal», sino como un activo permanente que garantiza la dignidad y el patrimonio familiar.

Los sistemas pesados, como los paneles sándwich, pueden prometer rapidez, pero imponen cargas de mantenimiento y de demolición mucho más elevadas. Para evitar esta trampa, la evaluación debe considerar tres momentos:

  • Construcción: el gasto inmediato en materiales y mano de obra especializada.
  • Uso (mantenimiento): la inversión necesaria para que la casa sea habitable y segura (pintura, anticorrosión).
  • Fin de vida (EoL): el coste de «desaparecer» la estructura de forma responsable.

Punto 4: El «efecto dominó» del coste medioambiental.

Gracias al análisis causal DEMATEL, hemos descubierto que la sostenibilidad funciona como un juego de dominó. El coste de construcción es la pieza clave: el motor principal que impulsa el resto de los impactos.

La ciencia nos dice que no podemos mejorar la salud humana (C5), lo cual actúa como un criterio dependiente o «efecto» si simplemente nos enfocamos en indicadores sanitarios aislados. Para proteger la salud de las poblaciones urbanas, debemos «atacar» los impulsores causales: si optimizamos el coste inicial y la gestión de recursos desde el diseño, reduciremos inevitablemente la contaminación y el estrés ambiental que enferma a las ciudades décadas después.

Punto 5: El mito de que lo prefabricado siempre es mejor.

El estudio revela una ironía tecnológica. Los paneles sándwich con conexiones de pernos (LBSPS), que a primera vista parecen la cúspide de la innovación «prefabricada», ocuparon el último lugar en el ranking de sostenibilidad.

¿Por qué este sistema falló en el contexto de Lima? El análisis revela una paradoja: resultó un 20 % más costoso que la mampostería tradicional que pretendía reemplazar. El sistema se penalizó por una cadena de suministro local inmadura y la necesidad de una mano de obra extremadamente especializada. Esto debe servir de advertencia a los responsables de la toma de decisiones: la tecnología sin un marco institucional y un mercado local preparado es solo una solución teórica, no una realidad social.

Conclusión: una brújula para la política de vivienda.

No existe un sistema «perfecto», sino decisiones equilibradas basadas en datos. Mientras el LSF lidera la vanguardia, los muros de hormigón armado (RCW) se consolidan como la segunda opción: una alternativa económicamente sólida y viable en contextos donde la capacidad industrial del acero es limitada.

Como especialistas, nuestra misión es avanzar hacia procesos de evaluación que no sacrifiquen la calidad de vida en aras de la rapidez. Debemos comprender que cada ladrillo o cada perfil de acero es una decisión que afecta la salud y la economía de las generaciones futuras.

Ante el déficit global de vivienda, ¿estamos dispuestos a cambiar nuestra cultura constructiva para garantizar un hogar digno y sostenible para las generaciones futuras?

Aquí tienes una conversación en la que puedes escuchar argumentos sobre este trabajo.

En este vídeo puedes ver un resumen de las ideas más interesantes sobre este tema.

También os dejo un documento resumen, a modo de presentación.

Vivienda Social Sostenibilidad y Decisiones Integrales.pdf

 

Referencia:

LUQUE CASTILLO, X.; YEPES-BELLVER, L.; YEPES, V. (2026). Towards Sustainable Social Housing: An Integrative Life Cycle and Multi-Criteria Approach. Sustainable Cities and Society, 137, 107164. DOI:10.1016/j.scs.2026.107164

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

Nueva colaboración internacional: estancia de investigación del profesor Élcio Cassimiro Alves

Profesores Víctor Yepes y Élcio C. Alves

Nuestro grupo de investigación se siente especialmente orgulloso y afortunado de recibir con regularidad a profesores de reconocido prestigio internacional que visitan la Universitat Politècnica de València para colaborar, investigar y compartir experiencias. En entradas anteriores ya he comentado estancias y visitas tan relevantes como la del profesor Dan M. Frangopol, la del profesor Gizo Parskhaladze, o la del profesor Moacir Kripka, todas ellas realizadas junto a nuestro grupo en el ICITECH.

En esta línea de colaboración internacional, la Universitat Politècnica de València (UPV) acoge durante diez meses la estancia de investigación del doctor Élcio Cassimiro Alves, ingeniero civil y profesor de la Universidad Federal de Espírito Santo (UFES, Brasil). Esta estancia, que se desarrolla entre enero y octubre de 2026, tiene como objetivo reforzar la colaboración científica con el grupo de investigación del profesor Víctor Yepes, especialmente en los ámbitos de la optimización estructural y de la sostenibilidad en ingeniería civil.

El profesor Alves cuenta con una sólida trayectoria académica y docente. En la UFES imparte docencia en los grados de Ingeniería Civil y de Arquitectura, así como en los programas de máster y de doctorado en Ingeniería Civil. A lo largo de su carrera ha asumido importantes responsabilidades de gestión académica, entre ellas la coordinación de los grados y másteres en ingeniería civil, periodo durante el cual impulsó de manera decisiva la creación del programa de doctorado en esta disciplina en su universidad.

Más allá de su actividad estrictamente académica, destaca también su compromiso social. Ha coordinado proyectos de extensión universitaria vinculados a la ONG Ingenieros Sin Fronteras, participando en iniciativas orientadas a la transferencia del conocimiento de la ingeniería a comunidades vulnerables, lo cual se alinea directamente con la visión contemporánea de la ingeniería como herramienta de transformación social.

Durante su estancia posdoctoral en la UPV, financiada por la Fundación de Apoyo a la Investigación del Espíritu Santo (FAPES, Brasil), el profesor Cassimiro Alves trabajará estrechamente con el grupo del profesor Víctor Yepes en líneas de investigación comunes. Su trabajo se centra en la optimización estructural, con especial énfasis en criterios de sostenibilidad y en la reducción del impacto ambiental, abordando temas como la minimización de emisiones de CO₂, el análisis estructural lineal y no lineal, el hormigón armado y las estructuras mixtas de acero y hormigón.

Este tipo de estancias refuerza la internacionalización de la investigación, favorece el intercambio de conocimientos y experiencias y contribuye al desarrollo de soluciones innovadoras para uno de los grandes retos actuales de la ingeniería civil: diseñar estructuras más eficientes, seguras y sostenibles. Sin duda, la colaboración entre la UFES y la UPV durante estos meses será una oportunidad enriquecedora para ambas instituciones y para el avance de la investigación en ingeniería estructural.

 

Vivienda social sostenible: un enfoque integrador de ciclo de vida y evaluación multicriterio

Acaban de publicar un artículo nuestro en Sustainable Cities and Society, una de las revistas de mayor impacto científico, ubicada en el primer decil del JCR. En este trabajo se propone un enfoque integrador basado en el ciclo de vida y en métodos de evaluación multicriterio para analizar la vivienda social sostenible. La investigación se enmarca en el proyecto RESILIFE, que dirijo como investigador principal en la Universitat Politècnica de València. A continuación, se presenta un resumen del trabajo.

Los principales resultados revelan que el sistema Light Steel Frame (LSF) es la alternativa más sostenible, ya que logra un equilibrio superior entre la eficiencia en el uso de los recursos, la durabilidad y la reducción del mantenimiento. Un descubrimiento crucial es el papel de la dimensión social, que representó casi el 40 % del peso total en la evaluación, por encima de las dimensiones económica y medioambiental. El análisis causal identifica el coste de construcción, la funcionalidad y los agentes de la cadena de valor como los principales factores que condicionan el rendimiento sostenible del resto del sistema.

El artículo presenta un marco metodológico integrador que combina evaluaciones basadas en el ciclo de vida —análisis de ciclo de vida (LCA), análisis de coste del ciclo de vida (LCC) y análisis de ciclo de vida estocástico (S-LCA)— con técnicas avanzadas de decisión multicriterio: método mejor-peor (BWM), análisis DEMATEL difuso y análisis MARCOS. Esta integración permite incorporar ponderaciones de expertos, modelar relaciones causales entre criterios y sintetizar resultados frente a soluciones ideales o anti-ideales, lo que aumenta la transparencia en la priorización de alternativas constructivas. Este enfoque se ha aplicado a un caso real de vivienda social en Perú, en el que se han comparado cinco sistemas estructurales representativos: LSF, LBSPS, RCW, RCF-M y RCF-CP. El estudio ha proporcionado pruebas empíricas sobre los costes del ciclo de vida, los impactos ambientales y las prestaciones sociales que respaldan las decisiones de diseño y las políticas.

El estudio analiza cinco sistemas constructivos adaptados a contextos de urbanización rápida (específicamente en Lima, Perú), que van desde métodos convencionales hasta industrializados:

Entre las aportaciones metodológicas, la combinación de BWM con una agregación basada en credenciales profesionales reduce la carga de comparación y atenúa los sesgos en la agregación de juicios, mientras que la extensión difusa de DEMATEL permite identificar los criterios que funcionan como impulsores del sistema y los que actúan como receptores. Esta capacidad para distinguir entre causas y efectos permite aclarar qué palancas hay que modificar para lograr efectos amplificados en la sostenibilidad. Por último, la validación cruzada con otros métodos de MCDM y los ensayos de sensibilidad aumentan la confianza en la estabilidad de los resultados.

Discusión de resultados

Los análisis económicos muestran que, en un horizonte de 50 años y por metro cuadrado, los sistemas basados en acero ligero (LSF) tienen los menores costes totales de ciclo de vida, mientras que algunas alternativas prefabricadas, como el LBSPS, tienen los mayores costes de construcción. Estos datos implican que si solo se tiene en cuenta la inversión inicial, se pueden tomar decisiones subóptimas, ya que no se consideran el mantenimiento y el fin de vida.

En términos ambientales, la evaluación con ReCiPe (endpoint) sitúa al LSF como el sistema con el menor impacto agregado, principalmente debido a su menor intensidad material. Por el contrario, las soluciones con mayor presencia de hormigón y ladrillo presentan una carga superior, especialmente en la dimensión de recursos. Esta diferenciación pone de manifiesto la influencia del perfil material y del proceso de fabricación en la huella medioambiental de la vivienda y sugiere que, en la práctica profesional, se deben priorizar medidas que reduzcan la demanda de materiales energéticamente intensivos en la fase de fabricación.

La S-LCA revela una tensión entre la industrialización y la exposición social: las alternativas más industrializadas, como el LSF y el LBSPS, presentan mayores valores de exposición laboral y de funcionalidad exigente, mientras que las tipologías convencionales de hormigón muestran menores riesgos sociales, medidos en Medium Risk Hours. Este resultado indica que la adopción de sistemas industrializados exige prestar atención explícita a la gestión del trabajo, la formación y la coordinación de la cadena de suministro para evitar que los impactos negativos se transfieran al personal y a la comunidad.

La síntesis mediante MARCOS ubica a LSF como la alternativa mejor valorada en el escenario analizado, seguida de RCW y RCF-M. Los sistemas LBSPS y RCF-CP quedan en posiciones inferiores. Las pruebas de sensibilidad (variación de los pesos de ±15 %, escenarios de distancia de transporte y estratificación de expertos) muestran que el orden general se mantiene, lo que indica cierta robustez frente a perturbaciones razonables en los supuestos. Estos resultados permiten extraer una conclusión práctica: en contextos con características similares a las del caso estudiado, las soluciones ligeras industrializadas pueden mejorar la relación entre coste, impacto ambiental y rendimiento técnico, siempre que se gestionen adecuadamente los aspectos sociales y de ejecución.

Un aspecto metodológico de interés es la identificación de los criterios causales. La técnica DEMATEL identifica el coste de construcción, la funcionalidad y las interacciones con la cadena de valor como criterios que inciden en el resto del sistema, mientras que los indicadores ambientales, como la salud humana y la conservación de los ecosistemas, se presentan principalmente como efectos. Esto sugiere que las intervenciones en los costes de construcción y en la organización funcional pueden provocar mejoras indirectas en la sostenibilidad ambiental y social, lo cual resulta relevante al diseñar políticas y contratos que incentiven las prácticas integradas.

Futuras líneas de investigación

Una línea de trabajo inmediata consiste en ampliar la diversidad y el tamaño del panel de agentes consultados para captar las variaciones en las prioridades y las competencias profesionales. Esto permitiría evaluar la sensibilidad de las ponderaciones y mejorar la representatividad social del proceso. Otra opción es trasladar y recalibrar el marco a otros contextos geográficos y tipologías constructivas, como viviendas de mayor altura o equipamientos públicos, para evaluar la transferibilidad de la clasificación y de la estructura causal identificada en este estudio.

En el ámbito técnico, utilizar datos primarios de obras reales en lugar de bases de datos secundarias aumentará la fiabilidad de la evaluación del ciclo de vida (LCA) y del análisis del ciclo de vida (S-LCA) y mejorará la precisión de los modelos de coste del ciclo de vida (LCC). La incorporación de enfoques dinámicos, como la LCA dinámica o las simulaciones acopladas a plataformas BIM, puede facilitar las evaluaciones en etapas iniciales y permitir análisis de sensibilidad más detallados relacionados con la sustitución de componentes, las reparaciones y las evoluciones tecnológicas. Asimismo, explorar técnicas de optimización multiobjetivo que vinculen explícitamente las restricciones económicas con las metas ambientales y sociales podría proporcionar soluciones de diseño más operativas para promotores y organismos públicos.

Desde la perspectiva social, investigar intervenciones concretas de capacitación, reorganización de procesos y de contratos que reduzcan la exposición de los trabajadores a los sistemas industrializados aportará pruebas sobre cómo mantener los beneficios ambientales y económicos sin incrementar los impactos sociales. Por último, el estudio de la interacción entre políticas públicas, incentivos financieros y la adopción tecnológica ofrecerá información útil para diseñar instrumentos que favorezcan soluciones constructivas más equilibradas en el marco de los programas de vivienda social.

Conclusión

El estudio proporciona un marco metodológico replicable y sólido que combina la evaluación del ciclo de vida con técnicas multicriterio capaces de representar las interdependencias y la incertidumbre. Los resultados empíricos indican que, en el caso analizado, las soluciones ligeras industrializadas presentan ventajas en términos de coste y de huella ambiental, aunque se requieren medidas específicas para reducir los riesgos sociales derivados de su ejecución. La metodología y los resultados obtenidos sientan las bases para orientar las políticas y las decisiones de los proyectos y ponen de manifiesto la necesidad de ampliar los datos primarios, diversificar la muestra de expertos y conectar el análisis con herramientas digitales de diseño y gestión.

Referencia:

LUQUE CASTILLO, X.; YEPES-BELLVER, L.; YEPES, V. (2026). Towards Sustainable Social Housing: An Integrative Life Cycle and Multi-Criteria Approach. Sustainable Cities and Society, 137, 107164. DOI:10.1016/j.scs.2026.107164

Dejo a continuación el artículo completo, 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.

Unidades experimentales y muestrales en el diseño de experimentos

La unidad experimental (UE) es el elemento central en el diseño y el análisis de experimentos comparativos. Se define como la entidad a la que se le puede asignar un tratamiento de forma independiente y sobre la cual se realizan las mediciones. La identificación correcta de la UE es fundamental, ya que la estimación de la variabilidad natural, conocida como error experimental, depende exclusivamente de la comparación entre unidades experimentales idénticas que reciben el mismo tratamiento.

Una unidad experimental puede contener múltiples unidades muestrales, subelementos que reciben obligatoriamente el mismo tratamiento que la UE a la que pertenecen. Por esta razón, la variabilidad entre estas unidades muestrales internas no resulta útil para estimar el efecto del tratamiento. Un diseño experimental sólido se basa en la capacidad de distinguir los efectos reales de los tratamientos del «ruido» natural del sistema, una distinción que solo es posible mediante la correcta cuantificación de la variabilidad entre las unidades experimentales completas.

Definiciones fundamentales

El marco de un experimento se define a través de sus componentes básicos, en los que la unidad experimental y la unidad muestral desempeñan funciones distintas, aunque interconectadas.

1. La unidad experimental (UE)

La unidad experimental es el pilar de cualquier ensayo comparativo. Su definición formal es la siguiente:

«El elemento sobre el que se realizan las mediciones y al que se puede asignar un tratamiento de forma independiente».

El conjunto de todas las unidades experimentales disponibles para un estudio se denomina material experimental. La definición de una UE es flexible y se adapta a los objetivos de la investigación.

Ejemplos prácticos:

  • Ensayo de resistencia del hormigón: la unidad experimental puede ser un bloque o un cilindro de hormigón elaborado con una mezcla específica. Las unidades muestrales serían las probetas o las muestras extraídas del mismo bloque para realizar ensayos de compresión o de flexión.
  • Prueba de rendimiento de pavimentos: la unidad experimental puede ser un tramo de vía construido con un diseño o material específico (por ejemplo, un segmento de 50 metros). Las unidades muestrales serían los puntos de medición dentro del tramo, por ejemplo, las deflexiones o la rugosidad.
  • Ensayo de estructuras a escala en laboratorio: la unidad experimental puede ser una viga o una columna, construida según un diseño específico. Las unidades muestrales serían los puntos de medición (deformaciones, desplazamientos o tensiones) registrados por sensores a lo largo de la estructura.

El criterio esencial para definir una UE es que sea capaz de recibir diferentes tratamientos de manera independiente de las demás unidades.

2. La unidad muestral.

Dentro de una unidad experimental pueden existir subelementos en los que se aplican las condiciones experimentales. A estos se les conoce como unidades muestrales.

La regla fundamental que las rige es que todas las unidades muestrales de una misma unidad experimental deben recibir el mismo tratamiento. Como consecuencia directa, la asignación del tratamiento a estas subunidades no es independiente entre sí, lo que tiene implicaciones críticas para el análisis estadístico.

El papel de la estimación en la variabilidad.

La distinción entre unidades experimentales y muestrales es crucial para inferir correctamente los efectos de un tratamiento, ya que incide directamente en la medición de la variabilidad del sistema.

a. El error experimental

Para evaluar si un tratamiento tiene un efecto real, es necesario conocer la variabilidad natural del material experimental. Esta variabilidad inherente se conoce como error experimental. Es la base contra la que se comparan las diferencias observadas entre los tratamientos.

b. Metodología de estimación

La estimación correcta del error experimental solo se logra a partir de las diferencias observadas entre unidades experimentales que, en principio, son idénticas y han recibido el mismo tratamiento.

  • Fuente de estimación válida: la variación entre unidades experimentales es la única que permite estimar correctamente el error experimental.
  • Fuente de estimación no válida: la variación entre las unidades muestrales dentro de una misma unidad experimental es, por lo general, muy pequeña y no proporciona información útil para estimar el efecto del tratamiento ni el error experimental.

La observación clave es que «solo la unidad experimental completa permite estimar correctamente el error experimental».

Tipología de variables en un experimento.

Los datos recopilados en un experimento se organizan en dos categorías principales de variables:

Tipo de variable Descripción
Variables de respuesta Son las mediciones obtenidas de las unidades experimentales. Sus valores reflejan tanto los efectos de los tratamientos como la variabilidad natural del sistema.
Variables explicativas (factores) Son las variables que se manipulan o controlan porque se cree que influyen en las variables de respuesta. Incluyen los factores de clasificación, que definen los niveles o categorías sobre los cuales se realizan las inferencias estadísticas.

Conclusión: el fundamento de un diseño sólido.

La estructura de un diseño experimental robusto se basa en comparar unidades experimentales similares. Este enfoque permite a los investigadores distinguir de manera fiable el efecto real de los tratamientos aplicados del «ruido» o de la variabilidad natural inherente al sistema experimental. Por tanto, la identificación precisa y la gestión adecuada de la unidad experimental no son meros detalles técnicos, sino requisitos indispensables para que las conclusiones científicas derivadas del experimento sean válidas y fiables.

En este documento tenéis un resumen de las ideas más importantes.

Pincha aquí para descargar

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

Clasificación y principios fundamentales del diseño experimental

Cuando pensamos en un experimento, solemos imaginar una prueba simple para ver qué opción es “mejor”. Sin embargo, esta visión apenas roza la superficie de una disciplina profunda y estratégica. Existen principios sorprendentes que rigen el diseño experimental y son cruciales no solo para la ciencia, sino también para cualquier toma de decisiones informada. A continuación, se describen brevemente los tipos de experimentos que pueden utilizarse en la investigación científica.

El diseño experimental se clasifica en dos categorías principales, según la propuesta de Anscombe (1947): el experimento absoluto y el experimento comparativo. El experimento absoluto se enfoca en la medición de propiedades físicas constantes para ampliar el conocimiento científico, utilizando un modelo estadístico de efectos aleatorios (Modelo II de Eisenhart), ya que los tratamientos se seleccionan al azar de una población más amplia. Por el contrario, el experimento comparativo está orientado a la toma de decisiones en ciencias aplicadas, con el fin de determinar cuál de varios tratamientos predefinidos es “mejor”. Este enfoque utiliza un modelo de efectos fijos (Modelo I de Eisenhart) y exige una definición precisa del problema para garantizar su validez.

El éxito de un experimento, especialmente el comparativo, depende del cumplimiento de cinco principios fundamentales: simplicidad, nivel de precisión adecuado, ausencia de error sistemático, amplio rango de validez de las conclusiones y una correcta cuantificación de la incertidumbre. La elección del diseño y el modelo estadístico asociado (fijo, aleatorio o mixto) determinan directamente el alcance y la naturaleza de las inferencias que pueden extraerse, vinculando de manera inseparable la planificación experimental con las conclusiones científicas y las decisiones de gestión.

La clasificación propuesta por Anscombe distingue los experimentos en dos grandes tipos según su objetivo fundamental: la adquisición de conocimiento puro o la fundamentación de decisiones prácticas.

Uno de ellos es el llamado experimento absoluto. En este tipo de experimento, el interés principal es medir y conocer las propiedades físicas de una población. Se asume que dichas propiedades permanecen constantes, lo que justifica el uso del término absoluto. El objetivo no es comparar alternativas concretas, sino ampliar el conocimiento científico sobre el fenómeno estudiado.

Los experimentos absolutos suelen centrarse en un solo factor y consideran un número limitado de tratamientos o niveles de ese factor. Estos tratamientos suelen elegirse de forma aleatoria. Por esta razón, si el experimento se repite, no es obligatorio utilizar exactamente los mismos tratamientos en cada ocasión.

Debido a esta forma de selección, los tratamientos se consideran variables aleatorias. En consecuencia, el análisis se basa en un modelo de efectos aleatorios, también conocido como el Modelo II de Eisenhart (1947). Este tipo de modelo permite identificar y estimar los distintos componentes de la variación aleatoria presentes en una población compuesta, lo que constituye un enfoque especialmente útil para muchos problemas de ingeniería.

El experimento comparativo es el segundo tipo de experimento descrito por Anscombe. Este enfoque se utiliza cuando se analizan varios tratamientos y se observa que, aunque los valores absolutos de los resultados pueden fluctuar de forma irregular, las comparaciones relativas entre tratamientos suelen mantenerse estables. En este contexto, es posible concluir que, bajo condiciones similares, algunos tratamientos ofrecen resultados claramente mejores que otros.

Brownlee (1957) sitúa este tipo de experimentos en el ámbito de las ciencias aplicadas, y no es casualidad: la teoría estadística del diseño de experimentos se desarrolló originalmente para responder a las necesidades de este tipo de estudios.

En un experimento comparativo, los tratamientos se evalúan según su efecto promedio sobre una variable de respuesta, con el objetivo principal de determinar cuál es “mejor” según un criterio definido. A diferencia de los experimentos orientados al conocimiento fundamental, aquí el propósito central es apoyar la toma de decisiones prácticas, especialmente las administrativas o de gestión.

Una característica fundamental de los experimentos comparativos es que todos los tratamientos de interés están incluidos explícitamente en el estudio. Por esta razón, el análisis se basa en un modelo de efectos fijos, también conocido como el Modelo I de Eisenhart (1947). Si el experimento se repite, se utilizan exactamente los mismos tratamientos, ya que no se considera una muestra aleatoria. El interés principal radica en detectar y estimar relaciones constantes entre las medias de los tratamientos, lo que conduce naturalmente a la evaluación de hipótesis estadísticas sobre dichas medias.

Para que un experimento comparativo sea válido, debe comenzar con una definición clara y precisa del problema. No basta con plantear de manera general la idea de “comparar tratamientos”. Es imprescindible especificar con detalle los objetivos del estudio y formular con precisión las hipótesis que se probarán. Esta definición inicial determina la población a la que se aplicarán las conclusiones, identifica los factores, los tratamientos y sus niveles, establece las variables de respuesta que se medirán y define qué diferencias entre tratamientos se consideran relevantes. Sin estas especificaciones, no es posible diseñar un experimento adecuado.

Finalmente, una consecuencia natural de los experimentos comparativos es que casi siempre conducen a decisiones concretas. Dado un nivel suficiente de recursos, la hipótesis nula de igualdad entre tratamientos puede rechazarse, lo que obliga a actuar: mantener la situación actual o cambiar a un nuevo tratamiento. Este proceso de decisión consta de dos etapas bien definidas:

  1. Análisis estadístico de los datos, en el que se evalúan las probabilidades asociadas a los resultados y se extraen conclusiones técnicas.
  2. Decisión de gestión en la que, con base en esas conclusiones, se define la acción a realizar.

Esta conexión directa entre el análisis estadístico y la toma de decisiones explica por qué los experimentos comparativos son una herramienta central en la divulgación y la práctica de la ingeniería y de las ciencias aplicadas.

El estadístico cumple un rol clave en el proceso experimental: su responsabilidad es presentar, con la mayor precisión posible, las probabilidades obtenidas en la etapa de análisis, de manera que se reduzca al mínimo la posibilidad de tomar decisiones equivocadas cuando llegue el momento de actuar.

Dado que las decisiones sobre las hipótesis dependen directamente de experimentos cuidadosamente planificados, es esencial que dichos ensayos cumplan con una serie de principios básicos. A continuación se resumen los más importantes, con un enfoque práctico para la ingeniería:

  • Simplicidad: Tanto la selección de los tratamientos como la organización del experimento deben ser lo más simples posible. Un diseño sencillo facilita el análisis estadístico y la interpretación de los resultados y reduce el riesgo de errores innecesarios.
  • Nivel de precisión: El experimento debe permitir detectar diferencias entre tratamientos con el grado de precisión que el investigador considere relevante. Para lograrlo, se requiere un diseño experimental adecuado y un número suficiente de repeticiones que garanticen mediciones confiables.
  • Ausencia de error sistemático: El experimento debe planearse de modo que las unidades experimentales que reciben distintos tratamientos no difieran sistemáticamente entre sí antes de aplicarlos. Este cuidado es fundamental para obtener estimaciones insesgadas del efecto real de cada tratamiento, evitando que factores externos distorsionen los resultados.
  • Rango de validez de las conclusiones: Las conclusiones del experimento deben ser aplicables a un rango de situaciones lo más amplio posible. Los experimentos replicados y los diseños factoriales ayudan a ampliar este rango de validez, ya que permiten evaluar la consistencia de los resultados bajo diferentes condiciones.
  • Cuantificación de la incertidumbre: Todo experimento conlleva cierto grado de incertidumbre. Por ello, el diseño debe permitir calcular la probabilidad de que los resultados observados se deban únicamente al azar. Esta cuantificación es esencial para evaluar la solidez de las conclusiones.

Estos principios conducen a una clasificación clásica de los modelos estadísticos, propuesta por Eisenhart (1947), que conecta el diseño del experimento con el tipo de inferencia que se desea realizar:

  • Modelo de efectos fijos: se utiliza cuando las conclusiones se formulan sobre un conjunto específico y previamente definido de tratamientos. En este caso, el interés estadístico se centra en comparar los efectos medios de dichos tratamientos.
  • Modelo de efectos aleatorios: se aplica cuando los tratamientos evaluados representan una muestra aleatoria de una población más amplia de tratamientos. Aquí, las conclusiones se extienden más allá de los tratamientos observados y la inferencia se centra en las varianzas asociadas a dichos tratamientos.
  • Modelo de efectos mixtos: surge cuando el experimento combina tratamientos de efectos fijos y aleatorios en un mismo estudio.

Esta clasificación permite comprender cómo las decisiones sobre el diseño experimental influyen directamente en el tipo de conclusiones que pueden extraerse, un aspecto fundamental tanto en la práctica como en la divulgación de la ingeniería.

En este archivo de audio puedes escuchar una conversación sobre los tipos de experimentos.

En este vídeo se resumen las ideas más importantes sobre este tema.

Referencias:

Anscombe, F. J. (1947). The validity of comparative experiments. Journal of the Royal Statistical Society, 61, 181–211.

Brownlee, K. A. (1957). The principles of experimental design. Industrial Quality Control, 13, 1–9.

Eisenhart, C. (1947). The assumptions underlying the analysis of variance. Biometrics, 3, 1–21.

Melo, O. O., López, L. A., & Melo, S. E. (2007). Diseño de experimentos: métodos y aplicaciones. Universidad Nacional de Colombia. Facultad de Ciencias.

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

El coste humano de la innovación: Lo que revela el análisis del ciclo de vida social

La ingeniería actual ha evolucionado más allá de lo técnico para integrar la responsabilidad social como un pilar fundamental de la ética profesional. En este artículo, destacamos la importancia de la Evaluación del Ciclo de Vida Social (SLCA), una herramienta esencial para medir el impacto en los derechos humanos y las condiciones laborales de cada proyecto. A continuación, ofrecemos una síntesis de las ideas clave de la revisión sistemática presentada en el artículo “Social life cycle assessment: a systematic review from the engineering perspective”, de Yagmur Atescan Yuksel y colaboradores. Exploraremos cómo esta metodología está cobrando importancia en sectores como el de la energía y el de la mecánica, y analizaremos sus principales tendencias y desafíos metodológicos. Al final, en las referencias, podéis ver también algunos de los trabajos que hemos realizado en nuestro grupo de investigación al respecto.

Introducción: El lado oculto de la sostenibilidad.

Cuando pensamos en «sostenibilidad» en el ámbito de la ingeniería, solemos imaginar paneles solares, turbinas eólicas y procesos de producción extremadamente eficientes. Hablamos de reducir emisiones, optimizar el uso de recursos y minimizar el impacto ambiental. Sin embargo, esta visión, aunque correcta, es incompleta. La sostenibilidad tiene una tercera dimensión crucial que a menudo se pasa por alto en los cálculos técnicos: el impacto social y humano.

Para medir esta dimensión, se desarrolló una herramienta específica conocida como Análisis del Ciclo de Vida Social (ACVS) o Social Life Cycle Assessment (SLCA), impulsada por organizaciones de referencia como el Programa de las Naciones Unidas para el Medio Ambiente (PNUMA) y la Sociedad de Toxicología y Química Ambiental (SETAC). El objetivo del ACVS es sencillo, pero profundo: evaluar cómo los productos y procesos afectan a las personas a lo largo de toda su vida útil. En este artículo se presenta una revisión sistemática de 196 estudios de ACVS en ingeniería, que revela los hallazgos más impactantes sobre el verdadero coste humano de la innovación.

1. El foco universal: la seguridad y el bienestar del trabajador.

A pesar de la enorme diversidad de campos de la ingeniería —desde la energía y la automoción hasta la construcción y la química—, el análisis de casi doscientos estudios revela una preocupación principal y constante: el impacto en los trabajadores. Antes de analizar las complejas dinámicas comunitarias o el bienestar del consumidor, la atención se centra abrumadoramente en las personas que hacen posible la producción. Las subcategorías que se han evaluado de forma más consistente en todas las disciplinas son salud y seguridad, salario justo, horas de trabajo, trabajo infantil y trabajo forzoso.

Si bien estas preocupaciones son universales, el análisis muestra matices: la ingeniería mecánica, por ejemplo, pone un énfasis particular en la «formación y educación» de los trabajadores, reconociendo el valor del capital humano en la fabricación avanzada.

Este resultado es fundamental. No se trata de un enfoque arbitrario, sino de una consecuencia directa de dónde se materializan los impactos de la ingeniería. La mayoría de los estudios se centran en la extracción de materias primas, la fabricación y la cadena de suministro, ámbitos en los que los efectos sobre los trabajadores y las comunidades cercanas son más pronunciados. Esto subraya que la base de una ingeniería socialmente responsable consiste en garantizar la dignidad y la seguridad de todas las personas a lo largo de la cadena de producción, antes de aspirar a impactos más abstractos.

2. La transición energética tiene su propia carga social.

Resulta sorprendente que el sector de la energía, con un 30 % del total, sea el campo de la ingeniería en el que más se aplica el análisis de ciclo de vida social. Esto resulta sorprendente, ya que instintivamente asociamos la producción de energía con debates ambientales sobre las emisiones de carbono y el agotamiento de los recursos.

Sin embargo, los estudios demuestran que, además de las preocupaciones laborales comunes, el sector energético presenta impactos únicos que van desde el consumidor hasta la sociedad en su conjunto. Entre ellos, destacan los siguientes: — La desigualdad en el coste de la electricidad (un impacto directo en el consumidor), así como la seguridad energética y el agotamiento de las reservas de combustibles fósiles (impactos que afectan a la sociedad en general).

Esto supone una advertencia crítica para los líderes políticos e industriales. Debido al papel fundamental que desempeña el sector en la infraestructura nacional y en la transición hacia la sostenibilidad, una mala gestión de sus aspectos sociales no solo afecta a un producto, sino que también puede poner en peligro la seguridad energética de un país y aumentar la desigualdad social. La carrera hacia la energía limpia no es solo un desafío técnico, sino también un complejo problema de justicia y equidad.

3. El gran desafío: medir lo social sin una «regla» estándar.

A diferencia de las evaluaciones ambientales (ACV), que cuentan con metodologías más estandarizadas, la evaluación del ciclo de vida social (ACVS) enfrenta un obstáculo considerable: la falta de un marco universalmente aceptado. La revisión de estudios concluye que esta falta de estandarización dificulta enormemente la comparación de resultados entre diferentes proyectos, tecnologías e incluso países.

Un ejemplo perfecto de este problema es la inconsistencia en el uso de la «unidad funcional» (UF). En un análisis ambiental, la UF es fundamental (por ejemplo, «el impacto por cada 1000 kilómetros recorridos por un coche»). Sin embargo, muchos estudios de ACVS no la definen ni la aplican de manera consistente. La razón es simple, pero crucial: mientras que las emisiones pueden medirse por producto (por ejemplo, por coche), los impactos sociales, como las «condiciones laborales», se extienden a toda una organización o a un sector, por lo que resulta casi imposible atribuirlos a una sola «unidad» de producción.

Este desafío nos enseña una lección valiosa: medir el impacto humano es inherentemente más complejo y depende del contexto en el que se miden las emisiones de CO₂. Esta flexibilidad metodológica no solo supone un reto académico, sino que también plantea un segundo obstáculo más práctico: la lucha persistente por obtener datos fiables.

4. La falta de datos fiables: el talón de Aquiles del análisis social.

Una de las mayores limitaciones para realizar un ACVS preciso es la disponibilidad y la calidad de los datos. A diferencia de los datos económicos o medioambientales, que suelen ser cuantitativos y estar bien documentados, los datos sociales tienden a ser cualitativos, difíciles de verificar, incompletos o desactualizados, sobre todo en cadenas de suministro globales y opacas.

Para mitigar este problema, han surgido bases de datos especializadas como la Social Hotspots Database (SHDB) y la Product Social Impact Life Cycle Assessment (PSILCA). Su función no es proporcionar datos exactos de un proveedor concreto, sino evaluar el nivel de riesgo social (desde bajo hasta muy alto) en combinaciones específicas de país y sector industrial, con el fin de identificar los denominados «puntos calientes» en la cadena de suministro. Por ejemplo, pueden alertar sobre un alto riesgo de trabajo infantil en el sector textil de un país determinado, y así guiar a las empresas sobre dónde deben enfocar sus auditorías.

No obstante, la calidad de los datos sigue siendo un desafío sistémico. Como concluye el estudio, los datos sociales a menudo están desactualizados, incompletos o sesgados, lo que puede dar lugar a evaluaciones imprecisas o engañosas.

5. El futuro es inteligente: cómo la tecnología podría resolver el problema.

A pesar de los desafíos, el futuro del ACVS parece prometedor y la solución podría provenir de la propia ingeniería. Para superar los obstáculos metodológicos y de datos, la investigación futura se centra en la integración de tecnologías avanzadas capaces de transformar el análisis social.

Entre las soluciones propuestas se incluye el uso de herramientas de la Industria 4.0 para lograr la trazabilidad de datos sociales en tiempo real. También se plantea el uso del análisis de datos impulsado por inteligencia artificial para validar y verificar la información recopilada. Asimismo, se sugieren modelos de dinámica de sistemas para comprender las relaciones de causa y efecto entre distintos factores sociales. Por último, se consideran los modelos basados en agentes (ABM) para simular la influencia de las decisiones individuales en los resultados sociales.

En resumen, el futuro de la evaluación social podría dejar de ser un análisis retrospectivo y estático para convertirse en una herramienta dinámica y predictiva. En lugar de ser un informe que se elabora al final, podría convertirse en un panel de control en tiempo real, integrado directamente en los procesos de toma de decisiones de los ingenieros, para guiar el diseño hacia resultados verdaderamente sostenibles.

Conclusión: ¿Estamos haciendo las preguntas correctas?

La ingeniería se encuentra en medio de una profunda transformación. Su enfoque se está ampliando, pasando del «qué» y el «cuánto» al «cómo» y al «para quién». El análisis del ciclo de vida social es una manifestación de esta evolución, ya que busca dar voz y establecer métricas de los impactos humanos de la tecnología.

Aunque los desafíos metodológicos y de disponibilidad de datos siguen siendo significativos, el campo avanza a gran velocidad. La creciente aplicación del ACVS en sectores clave y la exploración de soluciones tecnológicas demuestran un compromiso real con una visión más integral de la sostenibilidad.

Así surge una pregunta final que no solo interpela a quienes trabajan en ingeniería, sino también a toda la sociedad: ¿se está diseñando el futuro teniendo en cuenta no solo qué construir, sino también cómo y para quién? Al proyectar el futuro, ¿se están incorporando de manera consciente estas mismas preguntas?

Esta conversación nos permite conocer este tema de manera entretenida y clara.

En este vídeo se presenta una síntesis de las ideas más interesantes del tema.

Aquí os dejo una presentación que resume lo más interesante del artículo.

Pincha aquí para descargar

Referencias:

Luque Castillo, X., & Yepes, V. (2025). Multi-criteria decision methods in the evaluation of social housing projects. Journal of Civil Engineering and Management, 31(6), 608–630. https://doi.org/10.3846/jcem.2025.24425

Luque Castillo, X., & Yepes, V. (2025). Life cycle assessment of social housing construction: A multicriteria approach. Building and Environment, 282, Article 113294. https://doi.org/10.1016/j.buildenv.2025.113294

Navarro, I. J., Martí, J. V., & Yepes, V. (2023). DEMATEL-based completion technique applied for the sustainability assessment of bridges near shore. International Journal of Computational Methods and Experimental Measurements, 11(2). https://doi.org/10.18280/ijcmem.110206

Navarro, I. J., Villalba, I., Yepes-Bellver, L., & Alcalá, J. (2024). Social life cycle assessment of railway track substructure alternatives. Journal of Cleaner Production, 450, Article 142008. https://doi.org/10.1016/j.jclepro.2024.142008 

Martínez-Muñoz, D., Martí, J. V., & Yepes, V. (2025). Game theory-based multi-objective optimization for enhancing environmental and social life cycle assessment in steel-concrete composite bridges. Mathematics, 13(2), Article 273. https://doi.org/10.3390/math13020273

Martínez-Muñoz, D., Martí, J. V., & Yepes, V. (2022). Social impact assessment comparison of composite and concrete bridge alternatives. Sustainability, 14(9), Article 5186. https://doi.org/10.3390/su14095186

Salas, J., & Yepes, V. (2024). Improved delivery of social benefits through the maintenance planning of public assets. Structure and Infrastructure Engineering, 20(5), 699–714. https://doi.org/10.1080/15732479.2022.2121844

Sánchez-Garrido, A. J., Navarro, I. J., & Yepes, V. (2026). Multivariate environmental and social life cycle assessment of circular recycled-plastic voided slabs for data-driven sustainable construction. Environmental Impact Assessment Review, 118, Article 108297. https://doi.org/10.1016/j.eiar.2025.108297 

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. https://doi.org/10.1016/j.jclepro.2018.03.022

Sierra-Varela, L., Calabi-Floody, A., Valdés-Vidal, G., Yepes, V., & Filun-Santana, A. (2025). Determination of the social contribution of sustainable additives for asphalt mixes through fuzzy cognitive mapping. Applied Sciences, 15(7), Article 3994. https://doi.org/10.3390/app15073994

Yüksek, Y. A., Haddad, Y., Cox, R., & Salonitis, K. (2026). Social life cycle assessment: A systematic review from the engineering perspective. International Journal of Sustainable Engineering, 19(1), Article 2605864. https://doi.org/10.1080/19397038.2025.2605864 

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