Comunicaciones presentadas en el 2º Congreso EIME

En plena celebración del 2.º Congreso Nacional sobre Enseñanza de las Matemáticas en Ingeniería de Edificación, desarrollado los días 18 y 19 de julio de 2013 en la Universitat Politècnica de València, aprovecho para presentar los resúmenes de los trabajos presentados. Espero que sean de vuestro interés.

Los autores agradecen el aporte financiero realizado para este trabajo por el Ministerio de Ciencia e Innovación (Proyecto de Investigación BIA2011-23602) y por la Universitat Politècnica de València (Proyecto de Investigación PAID-06-12).

BÁRCENA, A.; ALCALÁ, J.; YEPES, V.; MARTÍ, J.V. (2013). Diseño automático de forjados de chapa nervada optimizados con criterios de economía y sostenibilidad. 2º Congreso Nacional de la Enseñanza de las Matemáticas en la Ingeniería de Edificación, EIMIE, 18-19 de julio, Valencia, pp. 159-172. ISBN: 978-84-8363-992-4.

Los forjados mixtos con chapa colaborante son una tipología de estructuras horizontales que ha experimentado un crecimiento continuo en las últimas décadas. Su optimización presenta un enorme interés para conseguir diseños más asequibles y sostenibles, que permitan un mejor aprovechamiento de los recursos necesarios. El objetivo de este trabajo es aplicar técnicas heurísticas para este tipo de forjados, permitiendo plantearse el problema de una manera más compleja, utilizando una definición completa del forjado mixto y sus componentes, mientras que al mismo tiempo satisface las restricciones de este tipo de estructuras. Los algoritmos de optimización aplicados a la estructura se basan en tres metaheurísticas: búsqueda local de descenso (DLS), recocido simulado (SA) y umbral de aceptación (TA). Se muestran las principales características, los parámetros que deben calibrarse y los diferentes modos de selección de dichos parámetros para cada una de las heurísticas. La comparación de los resultados ha permitido señalar la SA como la mejor heurística. Por último, una vez seleccionada la mejor calibración de la SA, se ha estudiado la sensibilidad del modelo y se ha realizado un análisis paramétrico con diferentes tramos horizontales.

GARCÍA-SEGURA, T.; YEPES, V.; ALCALÁ, J.; MARTÍ, J.V. (2013). Optimización multiobjetivo de viga en I de hormigón armado con criterios sostenibles. 2º Congreso Nacional de la Enseñanza de las Matemáticas en la Ingeniería de Edificación, EIMIE, 18-19 de julio, Valencia, pp. 135-148. ISBN: 978-84-8363-992-4.

Este estudio tiene como objetivo presentar una metodología de diseño de una viga en I de hormigón armado, de alta resistencia, autocompactable o convencional.  Algoritmos heurísticos como el recocido simulado multiobjetivo “Multiobjective Simulated Annealing” (MOSA) se utilizan para buscar, dentro del espacio de soluciones factibles, aquellas que mejoren criterios como el coste, las emisiones de CO2 o la durabilidad. Se tomará como ejemplo una viga en I biapoyada de 15 m de luz definida por 20 variables. La viga deberá cumplir, de acuerdo con la Instrucción de Hormigón Estructural (EHE-08), los requisitos de seguridad estructural, así como los de los aspectos constructivos o geométricos. El análisis comparativo de los objetivos servirá de guía para el diseño sostenible de estructuras de hormigón. Los resultados obtenidos muestran una clara tendencia en el diseño de estructuras de hormigón hacia la sostenibilidad.

MARTÍ, J.V.; YEPES, V.; ALCALÁ, J.; GARCÍA-SEGURA, T. (2013). Optimización memética de vigas artesa prefabricadas con criterios sostenibles de hormigón con fibras. 2º Congreso Nacional de la Enseñanza de las Matemáticas en la Ingeniería de Edificación, EIMIE, 18-19 de julio, Valencia, pp. 91-104. ISBN: 978-84-8363-992-4.

Esta comunicación describe una metodología heurística empleada para diseñar estructuras bajo criterios de sostenibilidad, con el objetivo de reducir la emisión de gases de efecto invernadero (CO2) durante la fase de ejecución. La estructura presentada es un tablero de un paso superior de carreteras de vigas artesa prefabricadas de hormigón reforzado con fibras, que emplea un algoritmo memético híbrido que combina la búsqueda poblacional de soluciones mediante algoritmos genéticos con una búsqueda en entornos variables (VDNS). Este algoritmo se aplica a un tablero formado por dos vigas isostáticas, con una luz de 30 m y una losa de 12 m de ancho. La estructura analizada consta de 41 variables discretas. El módulo de evaluación considera los estados límite último y de servicio que se aplican habitualmente a estas estructuras. El uso del algoritmo memético requiere calibrarlo previamente. Cada una de las heurísticas se procesa nueve veces, obteniéndose información estadística sobre el valor mínimo, el valor medio y las desviaciones. El procedimiento presentado permite su aplicación práctica al diseño real y su adaptación al proceso de prefabricación.

MARTÍ, J.V.; YEPES, V.; ALCALÁ, J.; GARCÍA-SEGURA, T. (2013). Diseño de vigas en “U” de hormigón con fibras mediante la heurística SA con criterios económicos. 2º Congreso Nacional de la Enseñanza de las Matemáticas en la Ingeniería de Edificación, EIMIE, 18-19 de julio, Valencia, pp. 299-309. ISBN: 978-84-8363-992-4.

Este artículo se ocupa de la optimización económica de los puentes de carreteras formados por tableros constituidos por una losa de hormigón ejecutada in situ y dos vigas artesa de hormigón reforzado con fibras metálicas pretensadas prefabricadas. Se comprueba la eficacia de la optimización heurística mediante el método del recocido simulado “simulated annealing” (SA). Los cálculos de las tensiones y de sus envolventes, son programados en lenguaje Fortran directamente por los autores. Los algoritmos de optimización heurística se aplican a un tablero de 35 m de  luz y 12 m de ancho. Los parámetros que definen la forma de la sección de la viga se adaptan prácticamente a cualquier tipo de molde de una instalación de prefabricados. El ejemplo que se analiza consta de 60 variables discretas. El módulo de evaluación incluye los estados límite último y de servicio que se aplican comúnmente a estas estructuras: flexión, cortante, torsor, fisuración, flechas, etc. El uso del algoritmo SA requiere calibrarlo previamente. La heurística se aplica 9 veces, obteniéndose información estadística sobre el valor mínimo, el valor medio y las desviaciones. El mejor resultado obtenido tiene un coste de 109.127 €.  Finalmente, entre las principales conclusiones de este estudio, destaca que económicamente es factible el uso de fibras de acero en el hormigón estructural y que las soluciones y los tiempos de proceso computacional son tales, que este método se puede aplicar de un modo práctico a casos reales.

RODRÍGUEZ-CALDERITA, A.M.; ALCALÁ, J.; YEPES, V.; MARTÍ, J.V. (2013). Optimización heurística aplicada al diseño automático de forjados de losa postesa. 2º Congreso Nacional de la Enseñanza de las Matemáticas en la Ingeniería de Edificación, EIMIE, 18-19 de julio, Valencia, pp. 63-75. ISBN: 978-84-8363-992-4.

En ese trabajo se muestran las características principales de los forjados de losa postesa obtenidos tras aplicar métodos heurísticos de optimización. Estos forjados resultan ventajosos frente a soluciones más convencionales en ciertas condiciones de iluminación. El proceso de diseño de estos forjados puede plantearse como un problema de optimización que, abordado con métodos heurísticos, puede formularse de manera plenamente realista. Se pueden encontrar diseños completos de forjados optimizados no solo con criterios de economía, sino también con criterios de sostenibilidad, y así comparar ambos casos. Los resultados obtenidos en este trabajo muestran una clara tendencia a presentar cantos muy estrictos en los óptimos. Aplicando criterios de sostenibilidad, se tiende a hormigones de mayor resistencia que con criterios económicos. Finalmente, se han realizado pruebas de sensibilidad a los precios, que muestran una gran independencia de los forjados óptimos frente a las variaciones de precios ensayadas.

TORRES-MACHÍ, C.; YEPES, V.; PELLICER, E.; CHAMORRO, A. (2013). Optimización en la gestión de activos. Aplicación al mantenimiento de múltiples estructuras de edificación. 2º Congreso Nacional de la Enseñanza de las Matemáticas en la Ingeniería de Edificación, EIMIE, 18-19 de julio, Valencia, pp.323-332. ISBN: 978-84-8363-992-4.

En una sociedad desarrollada en la que el nivel de inversión en nuevas infraestructuras tiende a estabilizarse, su conservación pasa a ser uno de los retos a los que deben enfrentarse sus gestores, de forma que los recursos escasos de los que disponen sean destinados en la mejor alternativa posible. Sin embargo, la asignación óptima de recursos de conservación es un problema sin una solución directa. De hecho, la resolución del problema de asignación de recursos para el mantenimiento de una infraestructura presenta un problema de explosión combinatoria, pues existen ST soluciones factibles para la gestión de una infraestructura con S posibles tratamientos de conservación y un periodo de análisis de T años. El objetivo de esta comunicación es presentar un modelo matemático que permite optimizar los recursos asignados al mantenimiento de una infraestructura de edificación, de forma que se maximice el nivel de servicio de la misma, cumpliendo además con unas restricciones presupuestarias y unos niveles mínimos de conservación.

YEPES, V.; ALCALÁ, J.; MARTÍ, J.V.;  GONZÁLEZ-VIDOSA, F. (2013). Cómo predimensionar muros óptimos sin calculadora usando la inteligencia artificial. 2º Congreso Nacional de la Enseñanza de las Matemáticas en la Ingeniería de Edificación, EIMIE, 18-19 de julio, Valencia, pp. 119-134. ISBN: 978-84-8363-992-4.

El trabajo presenta un estudio de diseño automático de muros ménsula de hormigón armado basado en el recocido simulado, dentro de un esquema de búsqueda en entornos variables, como metaheurística de optimización económica. Cada solución se caracteriza por 20 variables de diseño: 4 variables geométricas relacionadas con el espesor del alzado y de la zapata, así como con las longitudes de la puntera y del talón; 4 tipos de material; y 12 variables relacionadas con el armado. El trabajo estudia la importancia relativa de factores como el coeficiente de rozamiento suelo-zapata, el ángulo de rozamiento muro-relleno y la limitación de la flecha del alzado. Por último, se presenta un estudio paramétrico sobre muros de 4 a 10 metros de altura total, para distintos rellenos y condiciones de carga. Se aportan valores medios de costes, volúmenes de hormigón, espesores de alzados y zapatas, y longitudes de punteras y talones, que pueden resultar útiles para el predimensionado económico de muros. Los resultados muestran cómo la inteligencia artificial es capaz de dimensionar automáticamente los muros ménsula de hormigón armado, detectando relaciones aportadas por la experiencia en el cálculo de este tipo de estructuras. Se aportan, como novedad de gran interés práctico, unas reglas sencillas que permiten predimensionar y estimar económicamente y rápidamente este tipo de estructuras.

YEPES, V.; MARTÍ, J.V.; ALCALÁ, J.; GARCÍA-SEGURA, T. (2013). Métodos empleados en el proyecto HORSOST sobre diseño sostenible con hormigón no convencional. 2º Congreso Nacional de la Enseñanza de las Matemáticas en la Ingeniería de Edificación, EIMIE, 18-19 de julio, Valencia, pp. 259-272. ISBN: 978-84-8363-992-4.

El objetivo fundamental del proyecto de investigación HORSOST consiste en establecer pautas de diseño eficiente de estructuras de hormigón no convencional, optimizadas heurísticamente mediante funciones multiobjetivo relacionadas con la sostenibilidad. Se pretende avanzar en el establecimiento de nuevos diseños que permitan extraer las ventajas que aportan los hormigones especiales, en particular hormigones de alta resistencia, hormigones con fibras, hormigones autocompactantes. Para ello, se utiliza el análisis del ciclo de vida de dichas estructuras (elaboración, transporte, procedimientos constructivos, mantenimiento, etc.), considerando aspectos energéticos, medioambientales, sociales y económicos. La optimización heurística permite evaluar los diseños más eficientes, comparar soluciones y generar bases de datos sobre las cuales aplicar herramientas procedentes de la minería de datos y del aprendizaje automático para extraer información no trivial que permita fórmular predimensionamientos. La posibilidad de análisis se debe a que las herramientas matemáticas empleadas son de carácter general. Se aplican técnicas como las redes neuronales o la teoría del valor extremo, además de otras herramientas habituales, como la regresión lineal múltiple o el análisis por componentes principales.

 

El uso de residuos agrícolas como material puzolánico en la construcción

En septiembre de 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 José María Monzó y Jorge Payá. Debido al interés que esta línea de investigación ha generado dentro del Instituto de Ciencia y Tecnología del Hormigón (ICITECH), voy a dedicar este post a divulgar la línea de trabajo realizada.

Los romanos ya acuñaron el término «puzolana» para designar la fina ceniza volcánica que, mezclada con cal y agua, forma compuestos con propiedades cementantes, capaces de presentar características similares a las de un hormigón convencional elaborado con cemento común. Lo realmente interesante es que la combustión, bajo determinadas condiciones, de residuos agrícolas tales como la cascarilla del arroz, las hojas de bambú o la caña de azúcar, contiene silice con carácter puzolánico. Estos residuos agrícolas son aquellas partes de la planta que es necesario separar para obtener el fruto o facilitar el cultivo propio o posterior, y si bien gran parte de estos residuos se consumen por la ganadería, otros no son aprovechables.

Esto tiene un gran interés medioambiental, puesto que las cenizas se consideran un desecho y pueden sustituir parcialmente el cemento en la elaboración de hormigón. Eso implica una reducción de la huella de carbono asociada al proceso de fabricación del cemento Portland y, por tanto, del hormigón. En Valencia, las cenizas generadas por la cascarilla del arroz, en muchos países latinoamericanos, los residuos procedentes de la planta de maíz o los de la caña común procedentes de la limpieza de márgenes, cauces de río y acequias de riego, suponen ejemplos donde el aprovechamiento puede ser una buena fuente de adiciones puzolánicas. Los estudios realizados hasta el momento abren claramente las puertas al uso de estas cenizas en ámbitos rurales de  países en vías de desarrollo, lo que constituye una buena estrategia para la elaboración de materiales en la autoconstrucción de viviendas.

Sólo la cáscara del arroz representa la quinta parte del peso de la cosecha de este cereal, y este producto es uno de los mayores residuos del mundo. Mediante un proceso de combustión adecuado, la ceniza de la cáscara del arroz presenta propiedades puzolánicas (90-96% de sílice) que la industria cementera podría aprovechar. Sin embargo, la actual normativa española EHE sólo contempla como adiciones el uso de algunos materiales como el humo de sílice o las cenizas volantes; también es cierto que la investigación está abriendo puertas a otros materiales. El paso de los años, sin duda, dará lugar al aprovechamiento de estos materiales.

Con todo, y en el caso que nos ha servido como punto de partida al blog que es la utlización de la ceniza de maíz y de la caña común como sustitutos de una parte del cemento en morteros y hormigones, si bien los resultados son prometedores, aún faltan futuras investigaciones que expliquen la influencia de la calidad del terreno y la variedad de la semilla, la influencia del tamaño de partícula en las muestras a incinerar, elaboración de prototipos, etc.

Referencias:

Escalera, A. (2012). Caracterización química y reactividad de la ceniza de caña común y planta de maíz, para su uso como adición puzolánica en morteros y hormigones. Trabajo Fin de Máster. Departamento de Ingeniería de la Construcción, Universidad Politécnica de Valencia.

Diseño completamente al azar y ANOVA

https://cientecinstrumentos.cl/

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 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, ya que 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 importante detectar y del 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 a 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 está 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, sí hay diferencias significativas entre ambos grupos. Asimismo, se ha comprobado que se cumplieron los supuestos de normalidad, de varianza constante y de 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.

Licencia de Creative Commons
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 de más de una variable independiente y de 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.

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

¿Qué es el diseño de experimentos?

En el campo de la ingeniería civil, el concepto de «diseño de experimentos» resulta extraño. Lo asociamos al campo del control de calidad y de los laboratorios, pero no tenemos en cuenta que muchas herramientas avanzadas de productividad, mejora de procesos, toma de decisiones y productividad empresarial se basan en el control estadístico de la calidad. Veamos en esta entrada una breve aproximación al concepto.

El diseño de experimentos (DOE) es una técnica estadística que permite identificar y cuantificar las causas de un efecto en un estudio experimental, de modo que, con el mínimo número de pruebas, se extraiga información útil para obtener conclusiones que permitan optimizar la configuración de un proceso o producto.

Aunque el diseño de experimentos comenzó a aplicarse en el campo de la agricultura, hoy en día tiene muchas aplicaciones en otros ámbitos, como la ingeniería civil. Por ejemplo, en el control de calidad, en el diseño de productos y de procesos industriales y en todo tipo de ciencias experimentales. Se puede decir que el diseño de experimentos desempeña un papel crucial tanto en la industria como en la investigación experimental actualmente.

En un diseño experimental se manipula deliberadamente una o más variables, vinculadas a las causas, para medir el efecto que tienen sobre otra variable de interés. El diseño experimental prescribe una serie de pautas relativas a qué variables hay que manipular, de qué manera, cuántas veces hay que repetir el experimento y en qué orden, para establecer, con un grado de confianza predefinido, la necesidad de una presunta relación de causa-efecto.

Los pasos básicos a seguir en el diseño de experimentos son los siguientes:

  1. Fijar un cronograma que establezca la lista de pruebas a realizar. También debemos definir nuestros objetivos, que deben ser claros y acordes con una realidad alcanzable.
  2. Escoger los factores a analizar, es decir, aquellos parámetros que van a afectar, tanto directamente como indirectamente, a nuestra actividad (el proceso o producto que queremos optimizar), siendo estos los que nos marcarán los límites alcanzables.
  3. Diseñar el plan de pruebas: este variará según el número de factores que hayamos considerado. En este punto hay que ser ambicioso y no descartar ningún experimento posible, por raro que parezca, pues puede que algunos de ellos estén comunicados entre sí y que su interacción deba considerarse al tomar decisiones.

Una vez realizadas las pruebas, los resultados obtenidos permiten extraer conclusiones sobre qué factores influyen más en los resultados y cómo debe configurarse nuestra actividad para alcanzar los objetivos propuestos. Además, si utilizamos herramientas informáticas, podremos obtener una función de regresión que relacione los resultados de la actividad con los factores considerados. Gracias a ella, podremos hacer interpolaciones y calcular virtualmente qué resultado tendrá nuestra actividad para cualquier combinación de factores posible.

Algunos de los tipos de diseños de experimentos son los siguientes:

  • Diseño unifactorial
  • Diseño por bloques aleatorizados
  • Diseño por cuadrados latinos
  • Diseños factoriales
  • Diseños anidados
  • Diseños cruzados anidados
  • Diseños factoriales 2^k

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

Líneas de investigación en gestión de playas turísticas

La Caleta, Cádiz
La Caleta, Cádiz

El pasado 15 de marzo de 2013 se defendió en la Universidad de Cádiz la tesis doctoral de Camilo-Mateo Botero Saltarén, titulada Evaluación de los esquemas de certificación de playas en América Latina y propuesta de un mecanismo para su homologación, en la que participé en el tribunal. Desde aquí quiero dar la enhorabuena al nuevo doctor y a sus directores de tesis, Ana María Macías Bedoya y Eduardo Peris Mora. También tuve la oportunidad de compartir ideas y experiencias con el resto del tribunal: Carlos M. P. Pereira, Eduard Ariza, Giorgio Anfuso y Pedro J. Arenas.

Me gustaría aquí transcribir, en palabras del propio Camilo, los últimos renglones de la tesis: “En el transcurso del esfuerzo científico realizado, se pudo corroborar que la gestión integrada de playas en América Latina es un tema de estudio cercano a su madurez teórica y metodológica. En este contexto, los Esquemas de Certificación de Playas se configuran como la herramienta más holística para su aplicación, siendo el mecanismo de homologación propuesto por el derrotero para su implementación efectiva en el subcontinente. La utilización de un enfoque científico en evolución, como son las ciencias de la complejidad, así como el despertar latinoamericano del conocimiento ancestral sobre su riqueza socio natural, permiten augurar un próspero camino en la investigación costera”.

Ana Mª Macías, Carlos Pereira y Eduard Ariza
Ana Mª Macías, Carlos Pereira y Eduard Ariza

Sin embargo, para no olvidarme de algunas de las reflexiones que me produjeron la lectura de la tesis y su defensa, voy a recoger aquí algunas líneas que considero de interés para avanzar en la investigación científica sobre la gestión de las playas. Serían las siguientes:

  • Incorporación de los modelos de excelencia en calidad (Calidad Total, TQM) en la gestión de las playas. Interesante incorporar la versión latinoamericana del modelo EFQM (European Foundation for Quality Management), en la que la sostenibilidad tiene una importancia decisiva.
  • Integrar conceptos de análisis del ciclo de vida de los productos en la gestión del turismo basado en el “sol y playa” y cómo estos afectan dicha gestión. Es de interés estudiar estrategias de rejuvenecimiento e innovación.
  • Analizar los conceptos modernos de “Gestión de riesgos” (Risk Management) aplicados a la gestión de playas.
  • Estudiar los conceptos de “Gestión de activos” (Asset Management) y el análisis de las políticas de inversión y mantenimiento de infraestructuras costeras, especialmente en las playas.
  • Aplicar el modelo SERVQUAL a la calidad del servicio en la gestión de las playas.
  • Sugerente es la aplicación del “Cuadro de Mando Integral” de Kaplan y Norton (Balanced Scorecard – BSC).
  • Analizar la implicación del “hinterland” de la costa: especialmente la influencia de los modelos urbanísticos y de ordenación del territorio en el turismo litoral (urbanismo horizontal vs. urbanismo vertical).
  • Incorporación de la teoría de la toma de decisiones multicriterio.
  • Aplicación de los modelos de gestión de la innovación a las playas (UNE 166000).
  • Estudiar, desde el punto de vista legislativo, la figura jurídica del consorcio como solución para la gestión integrada del litoral.

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

Escritura de artículos científicos

En un artículo anterior, tuvimos la oportunidad de introducir algunos conceptos básicos sobre qué es y cómo se estructura un artículo científico. En esta entrada, os dejo un par de Polimedias realizados por la profesora María Milagros del Saz Rubio, de la Universitat Politècnica de València, sobre la escritura de artículos académicos en inglés. Creo que son muy interesantes y espero que os gusten.

El primero busca ofrecer una introducción a las características básicas de la escritura académica.

El segundo se centra en la estructura de los artículos científicos.

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

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 su aplicación en obra. Os paso un artículo reciente que explica una forma de optimizar las 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 de acceso abierto, por lo que podéis descargar este y otros artículos de interés.

Pincha aquí para descargar

 

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

¿Qué es un artículo científico?

¿Alguna vez os habéis preguntado cómo se almacena el conocimiento científico hoy en día? Pues sí, se trata de los ARTÍCULOS CIENTÍFICOS. No siempre se ha hecho así; baste con recordar las grandes bibliotecas como la de Alejandría, los manuscritos copiados una y otra vez por escribas y monjes, las cartas entre científicos, etc. Sin embargo, son las revistas y los artículos científicos los que hoy en día se consideran custodios del acervo científico actual.

Pero ¿qué es un artículo científico? Se trata de un informe escrito que comunica, por primera vez, los resultados de una investigación. No es nada fácil escribir un artículo de este tipo, puesto que requiere una rigurosidad, claridad, precisión y concisión muy elevadas. Además, antes de publicarse un artículo científico en una revista de alto impacto, este se somete a una rigurosa revisión por pares de otros especialistas en el tema tratado (revisión por pares). Se podría decir que una investigación termina realmente cuando el público especializado accede a un artículo publicado en una revista científica.

¿Cómo podemos leer o escribir un artículo científico? ¿Por qué es importante escribirlo? ¿Qué estructura tiene?

Para poder contestar brevemente alguna de estas preguntas, vamos a difundir un par de videos explicativos sobre el tema, a sabiendas de que nos quedaremos cortos y de que en internet hay múltiples enlaces de gran calidad que nos pueden ayudar. También resulta de gran utilidad leer con detenimiento las instrucciones que las propias revistas exigen a sus autores para garantizar un mínimo de calidad en el estilo. No olvidemos que una buena investigación puede quedar sin publicarse si no somos capaces de transmitir con claridad lo que queremos decir.

 Os paso una plantilla para detectar los errores más frecuentes en los que podemos caer al redactar un artículo científico:

TÍTULO

TIPO DE ERROR SI/NO ANOTAR LA EVIDENCIA
Sintaxis equívoca
Uso de términos ambiguos o vagos
Uso de jerga o jerigonza
Uso de abreviaturas y siglas
Falta de brevedad
Título telegráfico o inespecífico
Exceso de preposiciones y artículos
Uso de subtítulos innecesarios
Uso de palabras repetitivas o vacías
Otro tipo de errores detectados

AUTORES

TIPO DE ERROR SI/NO ANOTAR LA EVIDENCIA
Nombre incompleto, con iniciales que llevan a la confusión
Incluye grados académicos o posiciones jerárquicas en la burocracia institucional
No incluye la institución donde se llevó a cabo la investigación
No figura la dirección postal exacta de cada institución
Cuando hay varios autores, no figura el autor responsable de la correspondencia con la revista
Otros errores

RESUMEN

TIPO DE ERROR SI/NO ANOTAR LA EVIDENCIA
No existe el resumen
No se puede entender el resumen por sí mismo, sin el contenido del resto del artículo
No incluye los objetivos
No incluye los materiales y métodos
No se incluyen los resultados más relevantes
Incluye información irrelevante
Incluye conclusiones no mencionadas en el texto
Carece de precisión o concisión
No está ordenado adecuadamente
Otros errores

 

PALABRAS CLAVE

TIPO DE ERROR SI/NO ANOTAR LA EVIDENCIA
Selección de palabras que no son “clave”
Excesivo número de palabras (más de 10)
Escaso número de palabras (menos de 3)
Términos inespecíficos o ambiguos
Uso de abreviaturas
Uso de preposiciones
Otros errores

INTRODUCCIÓN

TIPO DE ERROR SI/NO ANOTAR LA EVIDENCIA
Inexactitud en la identificación del problema general
Imprecisión en la definición del problema de investigación
Ausencia de un marco de referencia conceptual
Ausencia o insuficiencia de respaldo bibliográfico
Objetivos demasiado generales, vagos o ambiguos
Supuestos básicos no explícitos
Variables no identificadas
Exclusión de las definiciones de términos principales
Hipótesis mal formuladas
Limitaciones del estudio no explícitas
Falta de enlace con el resto del artículo, explicando su estructura
Otros errores

MATERIALES Y MÉTODOS (este apartado va a depender del tipo de artículo)

TIPO DE ERROR SI/NO ANOTAR LA EVIDENCIA
Metodología inapropiada para el objetivo de la investigación
Metodología en desacuerdo con el nivel actual de conocimientos sobre el problema
Imprecisión en la descripción del método de muestreo
Imprecisión en la descripción de los materiales, aparatos, etc.
Imprecisión en la descripción de la metodología
Supuestos básicos de la investigación no explícitos
Falta de orden lógico
Imposibilidad de repetibilidad de la investigación
Otros errores

 

RESULTADOS

TIPO DE ERROR SI/NO ANOTAR LA EVIDENCIA
Incluir información no pertinente a los objetivos del estudio
Confundir hechos con opiniones
Presentación de los hallazgos sin secuencia lógica
Falta de tratamiento estadístico, o bien es inapropiado o no se entiende
Información insuficiente para justificar las conclusiones
Medios de presentación (tablas, gráficos, etc.) inadecuados o poco claros para justificar las conclusiones
Los cuadros y gráficos carecen de legibilidad y de comprensibilidad
Los cuadros y gráficos repiten información ya expuesta en el texto
Los cuadros y gráficos se utilizan de forma indiscriminada, inadecuada e innecesaria
Los gráficos incluyen muchas series estadísticas juntas o con muchas categorías, lo que dificulta el dibujo e interpretación
Los gráficos se presentan incompletos. Falta de información sobre título, número, escalas, fuente y simbología
Los gráficos son inadecuados, complejos y de difícil interpretación
Exceso de cuadros, material gráfico
Otros errores

 

DISCUSIÓN

TIPO DE ERROR SI/NO ANOTAR LA EVIDENCIA
Repetir los resultados
No confrontar los resultados
Reformular los puntos ya tratados
Polemizar de forma trivial
Hacer comparaciones teóricas sin fundamento
Hacer conjeturas sin identificarlas como tales y sin relacionarlas estrecha y lógicamente con la información empírica o teórica disponible
Otros errores

 

CONCLUSIONES

TIPO DE ERROR SI/NO ANOTAR LA EVIDENCIA
No hay conclusiones
Las conclusiones no se justifican por cuanto no se apoyan en los resultados
Las conclusiones no concuerdan con las preguntas de investigación formuladas en la introducción
Otros errores

 

AGRADECIMIENTOS

TIPO DE ERROR SI/NO ANOTAR LA EVIDENCIA
Falta de concisión en la exposición del agradecimiento
Otros errores

 

REFERENCIAS

TIPO DE ERROR SI/NO ANOTAR LA EVIDENCIA
No se presentan referencias
Las referencias son exiguas
Las referencias son muy numerosas
Las referencias son obsoletas y muestran la desactualización del autor
Las referencias no están citadas en el texto o se citan equivocadamente
Las referencias se seleccionan sin cuidado y no son pertinentes
Los documentos que respaldan las referencias no son accesibles al lector
Las referencias citadas están incompletas
Se incluyen referencias no aceptables para la comunidad científica (reuniones no publicadas, documentos inéditos, comunicaciones personales, tesis no accesibles…)
Otros errores

 

APÉNDICES

TIPO DE ERROR SI/NO ANOTAR LA EVIDENCIA
Hacer caso omiso del apéndice e incluir información complementaria – no esencial— en el cuerpo del artículo
Información desordenada
Otros errores

 

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