Categoría: modelo matemático

Compromisos ambientales y sociales del ciclo de vida en marcos de hormigón para carreteras

Acaban de publicarnos un artículo en Cleaner Environmental Systems, una revista indexada en el primer cuartil del JCR. El trabajo analiza las compensaciones ambientales y sociales a lo largo del ciclo de vida de los sistemas de marcos de hormigón para carreteras y compara dos tipologías constructivas predominantes: los marcos de hormigón armado ejecutados in situ (ISRCF) y los marcos articulados modulares prefabricados (PRCAF). Tras evaluar 50 configuraciones optimizadas en coste (con luces de entre 8 y 16 metros y profundidades de cobertura de suelo de entre 1 y 5 metros), el estudio revela que no existe una tipología universalmente superior.

Los resultados principales indican que los sistemas prefabricados (PRCAF) reducen las emisiones de gases de efecto invernadero entre un 9 % y un 17 % en comparación con las alternativas in situ. Sin embargo, el desempeño social depende de la escala: los marcos prefabricados son preferibles para configuraciones pequeñas (luces ≤ 12 m), mientras que los marcos in situ muestran menores impactos sociales en luces mayores (≥ 14 m) debido a una mayor intensidad de mano de obra local y a la estructura de la cadena de suministro.

El trabajo se enmarca en el proyecto de investigación RESILIFE, que dirijo como investigador principal en la Universitat Politècnica de València.

1. Introducción y marco de referencia.

La ingeniería contemporánea prioriza la sostenibilidad de las infraestructuras para aumentar su resiliencia frente a las crisis globales y cumplir los Objetivos de Desarrollo Sostenible (ODS) de la Agenda 2030. La industria de la construcción es responsable de aproximadamente el 9 % de las emisiones antropogénicas globales de CO₂, lo que sitúa al carbono embebido como una métrica crítica.

Tipologías estructurales evaluadas

  • ISRCF (In-situ Reinforced Concrete Frames): marcos cerrados monolíticos construidos íntegramente in situ. Son la solución estándar, especialmente en suelos de baja capacidad portante.
  • PRCAF (Precast Reinforced Concrete Articulated Frames): marcos abiertos modulares, ensamblados a partir de piezas prefabricadas en forma de U, que ofrecen ventajas operativas, como tiempos de instalación más cortos y una mejor utilización de los recursos.
Marco prefabricado articulado. https://forte.es/productos/marcos-articulados/

2. Metodología de evaluación.

La investigación utiliza un enfoque integrado de evaluación del ciclo de vida (LCA) que abarca las dimensiones ambiental (E-LCA) y social (S-LCA) bajo un marco de «cuna a tumba» (cradle-to-grave).

Parámetros de la evaluación

  • Unidad funcional: un metro lineal de marco de carretera.
  • Alcance: fabricación de materiales, transporte, construcción, uso (100 años de vida útil, incluida la carbonatación) y fin de vida útil (desmantelamiento y reciclaje).
  • Herramientas y datos:
    • E-LCA: método ReCiPe 2016, bases de datos Ecoinvent 3.7.1 y BEDEC.
    • S-LCA: marco PSILCA/SOCA v2, que mide el riesgo en horas de riesgo medio (MRH).
    • Optimización: Los 50 casos analizados se optimizaron previamente en términos de coste mediante un algoritmo metaheurístico (simulated annealing).

3. Análisis del rendimiento ambiental (E-LCA).

Los resultados demuestran que la geometría es el principal factor determinante del impacto ambiental. El aumento de la luz (vanos) influye mucho más en el potencial de calentamiento global (GWP) que la profundidad de la cobertura del suelo.

Hallazgos clave por categoría de daño

Categoría de impacto Rendimiento de PRCAF vs. ISRCF
GWP (calentamiento global) Reducción consistente en PRCAF (9-17%).
Integridad de ecosistemas Reducción promedio del 15,4% en PRCAF.
Salud humana PRCAF es superior en 24 de 25 configuraciones (un 9,9% de mejora).
Agotamiento de recursos Reducción promedio del 6,5% en PRCAF.

Sensibilidad geométrica y fases del ciclo de vida

  • Influencia de la geometría: aumentar la luz en 2 m eleva el GWP en un 23-25 % para ISRCF y en un 25 % para PRCAF. Cada metro adicional de cobertura terrestre aumenta el GWP en un 11 %.
  • Dominancia de fases:
    • En los sistemas PRCAF, los impactos se concentran en gran medida en la fase de fabricación (entre el 89 % y casi el 100 %) debido a la naturaleza intensiva en energía de la prefabricación.
    • En los sistemas ISRCF, la fabricación contribuye entre el 78 % y el 88 %, con una mayor participación relativa de la fase de construcción.
  • Efecto de carbonatación: durante las fases de uso y de fin de vida, el hormigón actúa como sumidero de CO₂. Al final de la vida útil de los PRCAF, la fijación de carbono mejora los efectos ambientales entre un 16,7 % y un 17,6 %.

4. Análisis del rendimiento social (S-LCA).

A diferencia de los resultados ambientales, el desempeño social muestra una tendencia opuesta y compleja según la escala geométrica.

Desempeño por escala y grupos de interés

  • Luces pequeñas (8-10 m): los sistemas prefabricados (PRCAF) son preferibles, ya que reducen el impacto social en un 6,1 %. En la categoría de trabajadores, los beneficios alcanzan el 18,8 %.
  • Luces grandes (14-16 m): los sistemas in situ (ISRCF) son los más habituales, con reducciones de daño social de hasta el 10,8 %. Esto se debe a una mayor intensidad de mano de obra local y a una distribución distinta de los riesgos a lo largo de la cadena de suministro.
  • Impacto por categoría (S-LCA):
    • Actores de la cadena de valor: PRCAF es favorable en luces cortas (reducción del 8,9 %), pero pierde ventaja en luces > 12 m.
    • Comunidad local y sociedad: el ISRCF prevalece en luces grandes (14-16 m) con mejoras de hasta el 10 %.

5. Discusión de los compromisos entre las soluciones (trade-offs).

El estudio identifica una divergencia crítica entre la eficiencia ambiental y la sostenibilidad social.

  1. Industrialización frente a impacto social: mientras que la prefabricación se beneficia de economías de escala en términos de eficiencia de materiales y optimización de procesos, estas ganancias no se traducen directamente en menores impactos sociales a gran escala.
  2. Riesgos en la cadena de suministro: en los sistemas PRCAF, los impactos sociales están vinculados a actividades de fabricación aguas arriba y a cadenas de valor globalizadas, lo que conlleva una mayor intensidad de riesgo social.
  3. Localización del trabajo: los sistemas ISRCF dependen más de procesos de construcción localizados, lo que distribuye de manera más equilibrada los riesgos sociales entre los trabajadores y las comunidades locales en proyectos de gran envergadura.

6. Conclusiones y recomendaciones de diseño.

La investigación concluye que la selección de la tipología constructiva debe basarse en las prioridades específicas del proyecto y en la escala geométrica.

  • Prioridad ambiental: los sistemas prefabricados (PRCAF) son la opción más adecuada en casi todas las configuraciones, especialmente en luces cortas y medias con coberturas de suelo moderadas.
  • Prioridad social: los sistemas in situ (ISRCF) pueden ser más adecuados para proyectos de gran escala (luces ≥ 14 m), en los que los criterios sociales y la generación de empleo local resultan fundamentales.
  • Factores determinantes: La luz de la estructura y la profundidad del suelo son los parámetros que rigen el rendimiento a lo largo del ciclo de vida. Las decisiones tomadas en las etapas iniciales del diseño tienen un impacto irreversible en el perfil de sostenibilidad de la infraestructura.

Este marco de evaluación comparativa permite a los responsables de la toma de decisiones equilibrar objetivos contrapuestos, fomentando diseños alineados con la responsabilidad ambiental y la equidad social a largo plazo.

El artículo completo, al estar publicado en abierto, puede obtenerse haciendo clic en 1-s2.0-S2666789426000681-main.

Referencia:

RUIZ-VÉLEZ, A.; SÁNCHEZ-GARRIDO, A.J.; ALCALÁ, J.; YEPES, V. (2026). Life-cycle environmental and social trade-offs in concrete road frame systems. Cleaner Environmental Systems, 22, 100462. DOI:10.1016/j.cesys.2026.100462

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

Special Issue: Multi-Objective Optimization: Theory, Methods, and Applications

Mathematics is a peer-reviewed, open-access journal that provides an advanced forum for studies related to mathematics. It is published online by MDPI semimonthly. The European Society for Fuzzy Logic and Technology (EUSFLAT) and the International Society for the Study of Information (IS4SI) are affiliated with Mathematics, and their members receive a discount on article processing charges.

  • Open Access— free for readers, with article processing charges (APC) paid by authors or their institutions.
  • High Visibility: indexed within Scopus, SCIE (Web of Science), RePEc, and other databases.
  • Journal Rank: JCR – Q1 (Mathematics) / CiteScore – Q1 (General Mathematics)
  • Rapid Publication: manuscripts are peer-reviewed, and a first decision is provided to authors approximately 16.9 days after submission; acceptance to publication is undertaken in 2.6 days (median values for papers published in this journal in the second half of 2023).
  • Recognition of Reviewers: reviewers who provide timely, thorough peer-review reports receive vouchers entitling them to a discount on the APC of their next publication in any MDPI journal in appreciation of the work done.
  • Sections: published in 13 topical sections.
  • Companion journals for Mathematics include: Foundations, AppliedMath, Analytics, International Journal of Topology, Geometry and Logics.

Impact Factor: JCR – Q1 (Mathematics) / CiteScore – Q1 (General Mathematics)

Special Issue: Multi-Objective Optimization: Theory, Methods, and Applications

A special issue of Mathematics (ISSN 2227-7390). This special issue belongs to the section «E: Applied Mathematics«.

Deadline for manuscript submissions: 28 February 2027 

Special Issue Editors

 

Prof. Dr. Víctor Yepes E-Mail Website Guest Editor
Institute of Concrete Science and Technology (ICITECH), Construction Engineering Department, Universitat Politècnica de València, 46022 València, Spain
Interests: multiobjective optimization; structures optimization; lifecycle assessment; social sustainability of infrastructures; reliability-based maintenance optimization; optimization and decision-making under uncertainty
Special Issues, Collections and Topics in MDPI journals

 

Prof. Dr. Moacir Kripka E-Mail Website Guest Editor
Civil and Environmental Engineering Graduate Program (PPGEng), University of Passo Fundo, Passo Fundo CEP 99052-900, Brazil
Interests: structural analysis; optimization; engineering optimization; linear programming; mathematical programming; heuristics; structural optimization; concrete; combinatorial optimization; structural engineering; multiobjective optimization; reinforced concrete; optimization methods; discrete optimization; optimization theory; optimization software
Special Issues, Collections and Topics in MDPI journals

 

Dr. José Antonio García E-Mail Website Guest Editor
Escuela de Ingeniería en Construcción, Pontificia Universidad Católica de Valparaíso, Avenida Brasil 2147, Valparaíso 2362804, Chile
Interests: optimization; deep learning; operations research; artificial intelligence applications to industrial problems
Special Issues, Collections and Topics in MDPI journals

 

Special Issue Information

Dear Colleagues,

As a result of increased competitiveness driven by globalization, the use of optimization techniques has increased in recent decades. With the development of new methods and the greater availability of computer resources, applications across the most diverse fields of knowledge have spread, from academic research to the day-to-day operations of companies. However, a more realistic approach can be achieved if several objectives are integrated into the process. Thus, an exciting strategy cannot only meet cost requirements, for example, but must also address durability, efficiency, reliability, and sustainability. Given that several objectives are involved, which are usually in conflict with each other, new strategies are needed, along with new, more complete applications. In this sense, the Special Issue, titled “Multi-Objective Optimization: Theory, Methods, and Applications”, aims to provide a platform for the dissemination of knowledge related to multi-objective optimization. Research articles that employ efficient, innovative optimization methods and explore new applications across diverse areas of expertise are sought, promoting the exchange of ideas and trends related to the subject.

Prof. Dr. Víctor Yepes
Prof. Dr. Moacir Kripka
Dr. José Antonio García
Guest Editors

 

Manuscript Submission Information

Manuscripts should be submitted online at www.mdpi.com by registering and logging in to this website. Once you are registered, click here to go to the submission form. Manuscripts can be submitted until the deadline. All submissions that pass pre-check are peer-reviewed. Accepted papers will be published continuously in the journal (as soon as accepted) and will be listed together on the special issue website. Research articles, review articles, and short communications are invited. For planned papers, a title and short abstract (about 250 words) can be sent to the Editorial Office for assessment.

Submitted manuscripts should not have been published previously, nor be under consideration for publication elsewhere (except conference proceedings papers). All manuscripts are thoroughly refereed through a single-blind peer-review process. A guide for authors and other relevant information for manuscript submission is available on the Instructions for Authors page. Mathematics is an international, peer-reviewed, open-access, semimonthly journal published by MDPI.

Please visit the Instructions for Authors page before submitting a manuscript. The Article Processing Charge (APC) for publication in this open-access journal is 2600 CHF (Swiss Francs). Submitted papers should be well-formatted and written in good English. Authors may use MDPI’s English editing service prior to publication or during author revisions.

 

Keywords

  • multi-objective optimization
  • optimization methods
  • optimization applications
  • innovative methods and algorithms

Published Papers

This special issue is now open for submission.

Inteligencia artificial y turismo: cuando el software aprende de la naturaleza para diseñar la ruta perfecta.

Gestionar la logística de un operador turístico consiste, en esencia, en intentar imponer orden a un sistema inherentemente caótico. El desafío es monumental: coordinar rutas a 30 destinos distintos desde un centro de operaciones como el de Alicante, con una flota limitada de cuatro aviones y quince tripulaciones, en el que cada asiento cuenta.

En este entorno de baja demanda, los costes son fijos, pero la realidad es volátil: las cancelaciones de última hora y las reservas inesperadas convierten los planes iniciales en papel mojado. ¿Cómo se puede determinar la rentabilidad cuando el escenario cambia cada minuto? La solución más avanzada no proviene de la programación lineal clásica, sino de los principios de la biología evolutiva.

Inspirado en el estudio de Medina y Yepes sobre la aplicación de algoritmos genéticos (AG) al problema de rutas de vehículos con capacidad (CVRP), este análisis desglosa cómo la «supervivencia del más apto» se traduce en una estabilidad financiera sin precedentes para el sector aéreo. Podéis descargar el artículo completo aquí.

La «naturaleza» como el mejor ingeniero de rutas.

En logística avanzada, los métodos deterministas tradicionales se topan con un obstáculo insalvable cuando el número de destinos crece exponencialmente. Calcular la ruta óptima para una red que abarque de Casablanca a Venecia mediante fuerza bruta matemática resulta inmanejable en términos computacionales. Los algoritmos genéticos resuelven este problema emulando la evolución mediante los procesos de selección, cruce y mutación. En lugar de buscar una única respuesta perfecta, el sistema mantiene una «población» de soluciones que compiten entre sí.

Este enfoque permite gestionar restricciones ambiguas o contradictorias, como maximizar la ocupación frente a minimizar el tiempo de vuelo, de una forma que la matemática rígida no puede. El AG no solo busca, sino que también aprende a explorar.

«La característica específica de los AG es la exploración paralela y eficiente del espacio de soluciones, basada en la explotación de soluciones óptimas inducidas por los operadores de cruce y en la exploración de soluciones nuevas forzada por los operadores de mutación».

El poder de los «Tres Padres»: una recombinación genética única.

La gran innovación técnica que se destaca en el estudio es el uso de un operador de recombinación de tres progenitores (three-parent edge-mapped recombination operator). Mientras que en la genética biológica la herencia es dual, en la optimización de redes de distribución tres progenitores ofrecen una mayor riqueza de datos para generar una «descendencia» (una ruta) más robusta.

Este método extrae las mejores conexiones (arcos) de tres soluciones distintas. Si una conexión específica aparece en dos o tres de los «padres», se preserva en el «hijo» porque se considera una pieza de alta eficiencia. Para garantizar la viabilidad de la ruta, el algoritmo incluye una lógica de resolución de conflictos: si tres arcos convergen en un mismo nodo de la descendencia, el sistema elimina aleatoriamente uno de ellos para mantener la estructura de la red. Este enfoque de triple herencia permite alcanzar soluciones óptimas con una velocidad y precisión que superan con creces a los cruces tradicionales de dos progenitores.

De la incertidumbre del 43 % a la estabilidad del 2,7 %.

El impacto real de los AG se mide en la transformación de la volatilidad en previsibilidad. Al modelar la demanda de destinos como Ajaccio, Túnez o Malta mediante estructuras estocásticas, el estudio revela una capacidad asombrosa para absorber la incertidumbre. Con una flota de cuatro aviones de cincuenta asientos y quince tripulaciones, el sistema gestionó un volumen total de aproximadamente ochocientos pasajeros, con métricas de eficiencia envidiables.

Los datos son elocuentes: mientras que la demanda individual por destino presenta un coeficiente de variación del 43 % —una pesadilla operativa—, la optimización diaria reduce la variabilidad del coste por pasajero transportado a un asombroso 2,7 %. En la práctica, esto significa:

  • Coste medio por pasajero: 118 EUR.
  • Ocupación media de asientos: 65 %.
  • Velocidad de crucero optimizada: 240 nudos.

El sistema es tan eficiente a la hora de reorganizar escalas y rutas en función de la demanda real que el impacto financiero final permanece prácticamente inalterado a pesar de las fluctuaciones del mercado.

El «fantasma en la máquina»: el riesgo de la robustez excesiva.

Desde la perspectiva de la transformación digital, los AG presentan una paradoja fascinante: su robustez puede ser su mayor peligro. Diseñado para ofrecer siempre una solución viable, un código con errores profundos puede seguir funcionando y entregando resultados «aparentemente buenos» sin que el sistema se colapse.

El riesgo no es el fallo catastrófico, sino el equilibrio subóptimo. Un error oculto en el algoritmo podría estar dejando sobre la mesa un 5 % o un 10 % de beneficio potencial, camuflado por la capacidad del algoritmo para «sobrevivir» a sus propios defectos de programación. Esto subraya la importancia de la supervisión experta, ya que en los sistemas que evolucionan por sí mismos la validación humana es la única garantía de que no operamos con una ineficiencia invisible pero costosa.

El futuro es la interacción humano-máquina.

Los AGV no son herramientas de reemplazo, sino de colaboración. El estudio subraya la importancia de la interfaz gráfica, que permite al gestor logístico interactuar con el proceso en tiempo real. Un ser humano puede «inyectar» soluciones basadas en su experiencia o en su intuición clínica, y el algoritmo las asimilará y refinará a lo largo de miles de generaciones.

Esta sinergia es fundamental para integrar los «costes virtuales». Mientras la máquina optimiza distancias y consumo de combustible, el ser humano puede definir variables subjetivas pero críticas, como la inconveniencia política de un aeropuerto en tensión o la complejidad social de una escala concreta. Al traducir estas percepciones en valores en la función de coste, el sistema evoluciona hacia una estrategia proactiva capaz de simular escenarios futuros en lugar de simplemente reaccionar ante las cancelaciones diarias.

Conclusión: hacia una logística evolutiva.

El éxito de la red de Alicante, que conecta 30 destinos del Mediterráneo y de Europa occidental, confirma un cambio de paradigma: en la logística moderna, la flexibilidad es más valiosa que la precisión absoluta. Los modelos rígidos se quiebran ante la volatilidad de la demanda, pero los sistemas evolutivos se fortalecen con ella.

En un mercado que no perdona la ineficiencia, la pregunta para los líderes del sector es clara: ¿es mejor buscar una solución «perfecta» una sola vez o diseñar un sistema que evolucione constantemente ante cada nuevo desafío? La respuesta, como demuestran Medina y Yepes, radica en aprender de la naturaleza para conquistar los cielos.

En esta conversación puedes escuchar las ideas más interesantes sobre este tema.

Este vídeo resume los aspectos clave del artículo.

Evolutionary_Tourism_Logistics

Referencia:

MEDINA, J.R.; YEPES, V. (2003). Optimization of touristic distribution networks using genetic algorithms. SORT, 27(1): 95-112.

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

El dilema de la hiperespecialización en el conocimiento moderno

La paradoja de saberlo todo y no entender nada: el espejismo de la pirámide académica.

Existe la creencia, casi romántica, de que el avance del conocimiento es un ascenso hacia una visión panorámica. Imaginamos que el experto, al alcanzar la cima de su disciplina, domina un horizonte total. Sin embargo, la realidad de la ciencia contemporánea nos muestra una imagen diferente: la pirámide académica no culmina en una meseta de sabiduría global, sino en un desfiladero de hiperespecialización.

A medida que un investigador se acerca a la excelencia, el aire se vuelve más fino y el aislamiento aumenta. En la cúspide, la especialización es tan extrema que los expertos a menudo se vuelven incapaces de comunicarse incluso con sus colegas más cercanos. Se crean «submundos» de lógica privada, catedrales del pensamiento construidas sobre cimientos que solo su arquitecto puede ver, donde el conocimiento deja de ser un puente para convertirse en una isla.

La muerte del «matemático total»: un mal necesario.

Hubo un tiempo en que mentes como la de Leonardo da Vinci podían abarcar la totalidad del saber humano. Incluso en el siglo XX, figuras como Henri Poincaré o David Hilbert fueron los últimos «matemáticos totales», capaces de comprender y fertilizar prácticamente todas las ramas de su disciplina. Hoy en día, este ideal es una imposibilidad física, ya que el volumen de información crece con tal voracidad que desborda cualquier cerebro biológico.

Esta fragmentación nos obliga a ser más humildes. Como se suele decir en los círculos académicos, existe el riesgo de convertirse en lo que Rafael Tesoro describió como un «koala que solo se alimenta de caña de bambú»: un especialista que sabe cada vez más sobre menos cosas, hasta el punto de que, en el límite, parece saberlo todo sobre nada. No obstante, esta deriva también es un mal necesario. La especialización nos permite ahorrar esfuerzos que, de otro modo, dedicaríamos a tareas imposibles y profundizar donde otros solo pueden patinar sobre la superficie. Como bien reflexionaba el físico teórico citado por Josejuan:

«Es importante adquirir la sensación de humildad que nos aporta reconocer que uno es el mayor experto del mundo en nada y no entiende casi nada de lo que cuentan los demás expertos en nada».

La conjetura ABC: el abismo entre sumar y multiplicar.

En este contexto de fragmentación, destaca la conjetura ABC, formulada en 1985. Su enunciado es de una sencillez engañosa, casi infantil: a + b = c. Sin embargo, tras esta sencilla ecuación se esconde un misterio fundamental sobre la interacción entre las estructuras aditiva y multiplicativa de los números.

Para visualizar el «abismo», consideremos la siguiente suma: 25·318+56·710·232=119·691+1433. Se puede observar que los números a y b están formados por potencias de factores primos muy pequeños (2, 3, 5, 7 y 23). La conjetura sugiere que, en tales casos, el resultado c debe contener necesariamente un factor primo sorprendentemente grande, como el 1433 en este ejemplo.

Si se lograra dominar esta relación, se podrían resolver ecuaciones diofánticas (problemas con soluciones enteras) de forma sistemática, convirtiendo hitos como el último teorema de Fermat en simples ejercicios de cálculo manual. Por ello, la comunidad consideraba que su demostración sería una tarea colosal, un Everest matemático que parecía ir más allá del alcance de las herramientas actuales.

Shinichi Mochizuki y la matemática del «espacio exterior».

En 2012, el matemático japonés anunció que había alcanzado esa cima. Mochizuki no era un desconocido: con un talento precoz, ingresó en la Universidad de Princeton a los dieciséis años, regresó a Japón a los veinticinco y, con tan solo veintisiete años, resolvió una conjetura fundamental de Alexander Grothendieck. Sin embargo, su propuesta para la conjetura ABC era completamente diferente de todo lo visto hasta la fecha.

Mochizuki presentó la teoría de Teichmüller inter-universal (IUT) en cuatro artículos que sumaban 500 páginas, respaldados por otras 1500 páginas de trabajo previo. No se trataba de matemáticas convencionales, sino de una arquitectura barroca, poblada de neologismos que funcionaban como etiquetas de realidades paralelas. Términos como «Frobenioides» o «Teatros de Hodge» sumieron a los expertos en desconcierto. Jordan S. Ellenberg captó esa sensación de extrañeza:

«Al mirarlo, te sientes un poco como si estuvieras leyendo un artículo del futuro o del espacio exterior».

El corolario 3.12: El choque de los titanes.

El aislamiento de Mochizuki fue tanto intelectual como metodológico. Calculó que un experto necesitaría 500 horas de estudio intensivo solo para empezar a comprender su lógica. Esta opacidad provocó un conflicto inevitable cuando Peter Scholze —que ganó la medalla Fields a los 30 años y es considerado un máximo experto en la materia— decidió intervenir.

Scholze y su colega Jakob Stix viajaron a Kioto en 2018 para un encuentro que la prensa científica calificó de «choque de titanes». Tras analizar el manuscrito, señalaron un punto de ruptura específico: el corolario 3.12. Según Scholze, la lógica se desmorona en ese paso crucial, lo que deja la demostración herida de muerte. Mochizuki, imperturbable, afirmó que el error no estaba en sus cálculos, sino en la incapacidad de sus críticos para comprender conceptos tan abstractos. Este desencuentro recordó la sentencia de Gerd Faltings, mentor de Mochizuki:

«En matemáticas no basta con tener una buena idea: también hay que poder explicársela a los demás».

La paradoja de Kioto: la verdad depende de la geografía.

La controversia alcanzó tintes surrealistas cuando la revista RIMS decidió publicar la demostración sin corregir el polémico corolario 3.12. El hecho de que el propio Mochizuki sea el editor jefe de dicha publicación y que el RIMS sea su propia institución ha suscitado serias sospechas en la comunidad internacional. Como señala el autor del blog Gaussianos, la situación «huele mal» por varios motivos:

  • Conflicto de intereses flagrante: el autor valida su propio trabajo desde la cúpula de la revista que lo publica.
  • Inmovilidad dogmática: no se han realizado cambios sustanciales para responder a las objeciones técnicas de Scholze y Stix.
  • Fragmentación de la verdad: la aceptación de la prueba se limita a un círculo estrecho de colaboradores en Japón.

Esto nos sitúa ante una anomalía histórica: hoy en día, la conjetura ABC es un teorema en Kioto, pero sigue siendo una conjetura en el resto del mundo. La verdad matemática ha dejado de ser universal para convertirse en geográfica.

Conclusión: El riesgo del feudalismo matemático

El caso de Mochizuki es una advertencia sobre el futuro del conocimiento. Nos recuerda que la ciencia no es solo el destello de un genio solitario, sino también un esfuerzo colectivo de comunicación. Cuando el lenguaje se vuelve tan privado que ni siquiera los mayores expertos del mundo pueden descifrarlo, el progreso se estanca.

Podríamos estar entrando en una era de feudalismo matemático, donde diferentes escuelas de pensamiento habitan submundos incomprensibles entre sí, protegidas por murallas de terminología esotérica. El desafío de nuestra era no es solo descubrir lo desconocido, sino también construir puentes. Al final, el destino de la ciencia no dependerá de genios que hablen idiomas espaciales, sino de nuestra voluntad de volver a explicarnos el mundo con humildad y claridad.

En esta conversación puedes escuchar algunas de las ideas más interesantes sobre este tema.

Este vídeo resume bien las ideas más importantes.

The_ABC_Schism

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

El arte de simplificar el caos: los modelos matemáticos de optimización.

En un mundo tan complejo, la toma de decisiones no puede dejarse al azar ni a la intuición desmedida. Nos encontramos ante un laberinto de variables en el que cada elección parece desencadenar consecuencias sistémicas.

Sin embargo, las matemáticas no pretenden capturar cada átomo de esta realidad, sino que su verdadero poder radica en su capacidad para destilarla. Un modelo matemático no es un reflejo del mundo, sino una herramienta de pensamiento diseñada para extraer su esencia y convertir el caos en una estructura inteligible y accionable.

A continuación, exploramos cinco revelaciones fundamentales sobre cómo la optimización matemática transforma nuestra capacidad estratégica.

La paradoja de la modelización: el equilibrio entre abstracción y realidad

A menudo se piensa que un modelo es mejor cuanto más se parece a la realidad. Sin embargo, en la ciencia de la optimización, modelar es una abstracción o representación simplificada de un segmento de la realidad. Intentar una copia exacta es un error de diseño, ya que la realidad es muy compleja y gran parte de ella resulta irrelevante para el problema.

La representación y la simplificación resultan difíciles de conciliar en la práctica. El estratega debe navegar entre dos riesgos: no crear algo tan simple que no represente el problema ni algo tan complejo que dificulte la identificación de las relaciones fundamentales. En este punto, es vital distinguir si operamos en un entorno determinista, donde los datos se conocen con certeza, o en uno estocástico, donde interviene el azar, pues esta clasificación definirá el rigor de nuestra estructura.

«La realidad es difícil de copiar de forma exacta».

El paisaje de las soluciones: navegando por el espacio factible

Para visualizar un problema complejo, debemos imaginar un paisaje de relieves accidentados que represente el conjunto de soluciones posibles. Sin embargo, no todo lo posible es realizable. En este punto, definimos el Espacio Factible (X) como el subconjunto del Espacio Posible (Ω) en el que las soluciones efectivamente cumplen nuestras condiciones.

En este terreno, la interpretación del relieve depende del objetivo que tengamos:

  • Si maximizamos, las cimas son los éxitos. Buscamos el óptimo global (la cumbre más alta), evitando quedar atrapados en un óptimo local (una colina que parece buena, pero que es inferior al máximo absoluto). Los valles representan los peores resultados.
  • Si minimizamos, el paradigma se invierte. El éxito se halla en el valle más profundo (el punto de menor coste o riesgo) y las cimas simbolizan la ineficiencia.

La brújula de las decisiones: los cuatro pilares del modelo

Para que un modelo sea un verdadero instrumento de gestión, debe integrar cuatro componentes estructurales que rigen el proceso de elección:

  • Variable de decisión: el factor que está bajo nuestro control. Es la cantidad cuyo valor debemos determinar para resolver el problema de decisión.
  • Parámetro: información conocida, también llamada constante o dato. Su precisión es crítica para la fidelidad del modelo.
  • Restricción: limitación infranqueable de los valores de las variables. Sin restricciones, no hay optimización real.
  • Función objetivo: nuestro norte matemático. Es la expresión que define el éxito en términos de datos y variables. A menudo, el desafío del estratega consiste en optimizar varias funciones objetivo de forma simultánea, equilibrando metas que pueden ser contrapuestas.

Sensibilidad: la resistencia ante la incertidumbre

Una solución óptima sobre el papel es frágil si no puede resistir los embates del mundo real. Debido a la «frecuente incertidumbre sobre el valor real de los parámetros», el estratega debe realizar un análisis de sensibilidad.

Este proceso evalúa cómo cambiaría la solución ante variaciones en los datos de entrada (los parámetros). No buscamos solo la solución más brillante, sino la más robusta.

Un buen consejo:

Si un pequeño cambio en un parámetro (como el precio de una materia prima o el tiempo de entrega) hace que tu solución óptima se venga abajo, no tienes un plan; tienes un riesgo. La validación consiste en asegurarse de que los valores tengan sentido y las decisiones puedan llevarse a cabo de manera efectiva.

El ciclo de validación: el filtro de la implementación

La modelización no es un acto lineal, sino un ciclo iterativo y riguroso. Según el proceso sistémico, no pasamos directamente del modelo a la decisión, sino que antes tenemos que pasar por un filtro de fuego:

  • Definición y datos: El proceso comienza con la identificación de los límites del problema y la recopilación de datos precisos para los parámetros.
  • Resolución y prueba: Tras resolver el modelo, nos preguntamos: ¿es válida la solución?
  • Iteración: Si la solución no tiene sentido lógico o resulta impracticable, el resultado es un modelo modificado. Debemos retroceder, ajustar nuestras suposiciones o la recopilación de datos y volver a resolver.

Solo cuando la solución ha sido validada, procedemos a su implementación. Las matemáticas sin validación práctica son mera abstracción; la ejecución es el juez final.

Conclusión: dominar la realidad mediante los modelos

Modelar es el arte de optimizar bajo restricciones, un principio de elección que separa el éxito fortuito de la eficiencia estratégica. En última instancia, existen distintos tipos de modelos según la naturaleza de sus variables (enteras o continuas) y la linealidad de sus funciones, pero todos comparten un objetivo: simplificar para dominar.

Pregunta para la reflexión: En su organización o proyecto actual, ¿toma decisiones basándose en parámetros validados o intenta escalar una cima sin saber si se encuentra en un óptimo local mientras el verdadero óptimo global se halla en un terreno que aún no ha modelado?

En esta conversación podéis escuchar ideas interesantes sobre los modelos de optimización.

El vídeo resume bien los conceptos más importantes tratados.

Os dejamos aquí un breve vídeo para explicar qué es un modelo matemático de optimización. Espero que os guste.

En este documento tenéis un resumen del tema.

Optimización_Matemática

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

Por qué «no existe la comida gratis» en el mundo de los algoritmos

El mito del algoritmo universal: una humillación necesaria.

Durante décadas, la comunidad científica persiguió con arrogancia el «santo grial»: el algoritmo de optimización universal. Se soñaba con una «caja negra», ya fuera basada en elegantes procesos evolutivos o en redes neuronales profundas, capaz de resolver cualquier problema, desde el diseño de un puente atirantado hasta la logística del viajante, con una eficiencia superior.

Sin embargo, esta búsqueda no solo era ambiciosa, sino que también era fundamentalmente errónea. La revelación de que no existe una inteligencia algorítmica absoluta supuso un golpe de humildad para quienes creían haber capturado la esencia del aprendizaje, cuando en realidad solo habían logrado un ajuste estadístico fortuito.

La revelación matemática: todos los algoritmos son, en promedio, iguales.

Este mito fue desmentido en 1997 por David Wolpert y William Macready. Sus teoremas «No Free Lunch» (NFL) establecieron una igualdad matemática absoluta que rompe el ego de cualquier programador: si promediamos el rendimiento sobre el conjunto de todos los problemas posibles, cualquier algoritmo sofisticado es idéntico a una búsqueda aleatoria.

Lo que un algoritmo gana en un tipo de problemas, lo paga inevitablemente con un fracaso estrepitoso en otro. No hay «comida gratis»: la superioridad de un algoritmo genético de última generación frente a un proceso de búsqueda ciega es una ilusión que solo se sostiene cuando ignoramos la inmensidad del espacio de funciones posibles.

El teorema uno nos muestra que el uso del conocimiento del dominio puede mejorar el rendimiento, a costa de la generalidad.

La geometría del éxito: el problema de la «alineación».

Para comprender la optimización del éxito, debemos abandonar la idea de la «fuerza bruta» y abrazar la geometría. Imagine el espacio de todas las funciones posibles como una esfera gigantesca. En este espacio, cada algoritmo es un vector v y la distribución de los problemas que deseamos resolver es otro vector p.

Estar «bien adaptado» a un problema significa que el vector del algoritmo apunta en la misma dirección que el del problema.

  • Alineación geométrica: que el vector del algoritmo apunte en la misma dirección que el del problema. El rendimiento es, en esencia, el producto interno de ambos vectores.
  • Sacrificio de la generalidad: un algoritmo «generalista» apunta hacia todas partes y, por tanto, su proyección (su éxito) en un punto concreto es nula.
  • Curvatura del conocimiento: el éxito no reside en el código, sino en cómo este «se dobla» para encajar con la estructura lógica y física del problema.

Los investigadores del problema del viajante no han creado algoritmos «mejores» en términos absolutos, sino que han esculpido herramientas íntimamente alineadas con la geometría específica de las rutas y las distancias.

El golpe al ego: el algoritmo aleatorio como juez de paz.

Los teoremas 5 y 6 de Wolpert y Macready introducen un estándar de rigor que actúa como un «mínimo ético» para la ciencia. Si un algoritmo no consigue que el coste disminuya más rápido que con una búsqueda aleatoria, el investigador habrá fracasado.

Esta métrica es el antídoto contra el fraude intelectual del ajuste fino o manual. Muchos de los éxitos que se describen en la literatura no son más que el resultado de forzar un algoritmo a un puñado de problemas específicos sin superar el umbral de una búsqueda ciega. Superar al «juez de paz» aleatorio es la única prueba de que el algoritmo ha logrado capturar alguna estructura real del problema.

Consecuencias prácticas: el fin del experto generalista.

En ingeniería civil, las implicaciones del NFL son tajantes. No existen programas comerciales que puedan optimizar cualquier estructura de forma indiscriminada. Las herramientas generales (como las toolboxes estándar de Matlab) suelen ser ineficaces porque carecen del «conocimiento del hormigón».

Esta realidad ha provocado una «carrera armamentística» hacia la especialización.

  • Hibridación: La respuesta de la ingeniería moderna consiste en combinar metaheurísticas con técnicas de deep learning y redes neuronales para «aprender» la estructura del dominio.
  • Alineación estructural: un matemático brillante fracasará al optimizar un puente atirantado si no comprende la resistencia de los materiales. No se trata de falta de cálculo, sino de que su algoritmo no está alineado con la «curvatura» física del problema. El conocimiento experto es lo que permite al algoritmo encontrar el camino en un espacio de búsqueda que, de otro modo, sería un desierto uniforme.

El dilema del observador: la ceguera del éxito pasado.

Incluso cuando un algoritmo ha funcionado bien hasta ahora, el teorema 10 (sección VII) nos da un jarro de agua fría: observar el rendimiento pasado no garantiza el éxito futuro sin un conocimiento adicional sobre la función de coste. Sin conocer la estructura, no vemos el siguiente paso.

En este estado de «oscuridad estructural», un procedimiento de elección «irracional» (cambiar un algoritmo que ha funcionado bien por otro que ha funcionado mal) es tan válido como uno «racional». Sin suposiciones sobre la relación entre el algoritmo y la función, el comportamiento pasado es un predictor pobre. La lógica solo surge cuando el observador aporta información que no está presente en los datos.

Conclusión: hacia una optimización consciente.

Debemos aceptar una verdad incómoda: nuestra inteligencia artificial es un reflejo limitado del conocimiento que somos capaces de codificar en ella. La ciencia de la optimización ya no debe buscar el «algoritmo perfecto», sino métodos más profundos para transferir el conocimiento del dominio al proceso de búsqueda.

Si el rendimiento de nuestras máquinas depende por completo de lo que ya sabemos sobre el mundo, ¿no será que la «inteligencia artificial general» es un mito termodinámico, similar a la máquina de movimiento perpetuo? Quizás el mayor descubrimiento de Wolpert y Macready no fue matemático, sino filosófico: la inteligencia no es más que el conocimiento del problema disfrazado de código.

En esta conversación puedes escuchar las ideas más interesantes sobre este tema.

Este vídeo resume bien los conceptos más importantes tratados.

The_Universal_Algorithm_Myth

Referencias:

GARCÍA, J.; YEPES, V.; MARTÍ, J.V. (2020a). A hybrid k-means cuckoo search algorithm applied to the counterfort retaining walls problem. Mathematics,  8(4), 555.

MARTÍNEZ-MUÑOZ, D.; GARCÍA, J.; MARTÍ, J.V.; YEPES, V. (2022). Optimal design of steel-concrete composite bridge based on a transfer function discrete swarm intelligence algorithm. Structural and Multidisciplinary Optimization, 65:312. DOI:10.1007/s00158-022-03393-9

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

WOLPERT, D.H.; MACREADY, W.G. (1997). No Free Lunch Theorems for Optimization. IEEE Transactions on Evolutionary Computation, 1(1):67-82.

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

A continuación os dejo el artículo original «No Free Lunch Theorems for Optimization». Se ha convertido en un clásico de optimización heurística.

Pincha aquí para descargar

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

La inteligencia de la naturaleza: cinco lecciones de los algoritmos genéticos.

Optimizar una estructura de hormigón no es solo una cuestión de cálculo, sino una batalla contra la entropía. Además, en la búsqueda de la combinación precisa entre la cantidad de acero y la resistencia del hormigón, el ingeniero se enfrenta a un océano de variables en el que la solución «perfecta» suele estar oculta bajo capas de complejidad técnica. Por tanto, el proceso exige no solo rigor analítico, sino también una comprensión profunda de cómo interactúan todos los factores que condicionan el diseño estructural.

Ante este desafío, la ingeniería moderna ha dejado de lado las calculadoras para observar el mecanismo de diseño más refinado de la historia: la selección natural.

Hace más de un siglo, Charles Darwin descubrió que la supervivencia es el resultado de un proceso en el que sobreviven los más aptos y transmiten sus rasgos. Hoy en día, aplicamos este rigor biológico a los algoritmos genéticos. Estos sistemas no solo resuelven problemas, sino que también imitan la vida misma para encontrar respuestas con una elegancia estructural que antes considerábamos inalcanzable.

Lección 1: La evolución no ocurre en el individuo, sino en su código.

Una de las distinciones más profundas de la computación evolutiva es que la mejora de un sistema no se logra manipulando el objeto final (el puente o la viga), sino su receta original. Para que un algoritmo sea verdaderamente evolutivo, debe comprender que el éxito se forja en las estructuras subyacentes, tal y como lo definió Davis en 1991:

«La evolución opera en los cromosomas, en lugar de en los individuos a los que representan».

Este enfoque resulta fascinante por lo contraintuitivo que es: para optimizar una estructura física (el fenotipo), manipulamos un vector binario o un string (el genotipo). Al trabajar con la representación abstracta, permitimos que el código explore cambios profundos sin las limitaciones del diseño inmediato, entendiendo que el cromosoma es el verdadero custodio de la adaptación global.

Lección 2: El diccionario biológico del programador.

Para resolver problemas de ingeniería como si fueran organismos vivos, debemos traducir la realidad física a un lenguaje genético preciso. Ver una solución técnica como un «ser» con ADN transforma radicalmente nuestra metodología de resolución.

  • Fenotipo: la solución final y detectable; la expresión física de la interacción genética.
  • Genotipo: la estructura o plan maestro a partir del cual se construye el organismo.
  • Cromosoma: vector o cadena de datos que almacena información.
  • Gen: Cada elemento del vector (un «vagón de tren» en la cadena de datos).
  • Alelo: el valor específico que adopta ese elemento (el bit o dato concreto).
  • Locus: posición exacta del gen, fundamental porque controla un carácter específico de la solución.
  • Aptitud (fitness): función objetivo que mide la capacidad de la solución para sobrevivir en su entorno técnico.

Lección 3: La «ruleta» de la supervivencia y la selección natural.

La selección natural no funciona como un sorteo, aunque tampoco actúa como una sentencia absoluta. Este principio se traslada al código mediante el método de la ruleta. En dicho procedimiento, cada solución se representa por un segmento circular cuya superficie es proporcional a su nivel de aptitud.

Esta «justicia algorítmica» garantiza que los mejores tengan mayores probabilidades de dejar descendencia. Sin embargo, no garantiza el monopolio de la reproducción, ya que los individuos menos aptos mantienen una pequeña probabilidad de transmitir sus genes. Este «caos controlado» es vital, ya que garantiza la diversidad estructural y evita que el algoritmo se estanque en óptimos locales, es decir, soluciones que parecen buenas solo porque el sistema ha perdido la capacidad de mirar más allá de lo inmediato.

Lección 4: Cruzamiento y mutación. El «sexo» de los datos.

La evolución exige novedad. Si nos limitáramos a clonar a los mejores, el progreso se detendría. Por ello, los algoritmos utilizan la recombinación o cruzamiento, mediante el cual dos progenitores intercambian información para crear descendientes con rasgos mixtos. Se destacan operadores sofisticados como el PMX (Partially-Matched Crossover), que copia un fragmento del código manteniendo las posiciones y rellena el resto con valores no utilizados, y el SEX (Strategic Edge Crossover), que busca identificar y preservar secuencias presentes en ambos progenitores.

Pero la mezcla no es suficiente. Es necesaria la mutación para introducir variaciones que no existían en la población original.

«Mutación: modificación espontánea de la información genética».

La mutación actúa como un factor de diversificación radical. Ya sea reemplazando un bit o recombinando elementos al azar sin considerar su aptitud inicial, este mecanismo introduce el «ruido» necesario para sacudir el sistema y permitirle dar el salto a fronteras de eficiencia completamente nuevas.

Lección 5: La memoria es un lastre para la evolución.

Siguiendo la lógica de Holland, uno de los conceptos más disruptivos de la evolución es su capacidad para vivir en el presente absoluto. A diferencia de otros sistemas de optimización que arrastran sesgos históricos, la evolución es un proceso sin memoria en el sentido estricto, ya que es una eficiencia de estado.

Durante la formación de nuevos cromosomas, el algoritmo solo tiene en cuenta la información del periodo inmediatamente anterior. Este enfoque «radical» permite que el sistema converja hacia la excelencia técnica basándose exclusivamente en la eficacia actual de los rasgos, sin verse frenado por configuraciones que fueron útiles en el pasado, pero ya no sirven para afrontar los desafíos del presente. Se podría decir que es una búsqueda de la perfección despojada de prejuicios históricos.

Los algoritmos genéticos demuestran que la naturaleza ya había resuelto los problemas de optimización más difíciles hace millones de años. Al adoptar estas leyes biológicas, la ingeniería no solo encuentra mejores soluciones para sus puentes y edificios, sino que lo hace con una elegancia que solo la evolución puede dictar.

Si principios tan elementales como la herencia y la mutación pueden dar lugar a estructuras de hormigón de una eficiencia asombrosa, ¿qué otros procesos naturales esconden hoy la clave para el próximo gran avance en la inteligencia de nuestro software?

En esta conversación puedes escuchar las ideas más interesantes sobre este tema.

Este vídeo resume bien los conceptos básicos de los algoritmos genéticos.

Aquí tenéis un vídeo en el que explico este algoritmo. Espero que os interese.

Genetic_Algorithms

Referencias:

DENNETT, D.C. (1999). La peligrosa idea de Darwin. Galaxia Gutenberg. Círculo de Lectores, Barcelona.

HOLLAND, J.H. (1975). Adaptation in natural and artificial systems. University of Michigan Press, Ann Arbor.

MARTÍNEZ, F.J.; GONZÁLEZ-VIDOSA, F.; HOSPITALER, A.; YEPES, V. (2010). Heuristic Optimization of RC Bridge Piers with Rectangular Hollow Sections. Computers & Structures, 88: 375-386. ISSN: 0045-7949.  (link)

MEDINA, J.R.; YEPES, V. (2003). Optimization of touristic distribution networks using genetic algorithms. Statistics and Operations Research Transactions, 27(1): 95-112.  ISSN: 1696-2281.  (pdf)

PONZ-TIENDA, J.L.; YEPES, V.; PELLICER, E.; MORENO-FLORES, J. (2013). The resource leveling problem with multiple resources using an adaptive genetic algorithm. Automation in Construction, 29(1):161-172. DOI:http://dx.doi.org/10.1016/j.autcon.2012.10.003. (link)

YEPES, V. (2003). Apuntes de optimización heurística en ingeniería. Editorial de la Universidad Politécnica de Valencia. Ref. 2003.249. Valencia, 266 pp. Depósito legal: V-2720-2003.

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

Optimización y control inteligente de puentes atirantados

Acaban de publicar un artículo nuestro en Results in Engineering, una de las revistas de mayor impacto científico, ubicada en el primer decil del JCR. Este trabajo trata sobre un sistema avanzado para el seguimiento de la salud estructural (SHM, por sus siglas en inglés) y la optimización de puentes de gran envergadura y estáticamente indeterminados (hiperestáticos).

La investigación se enmarca en el proyecto RESILIFE, que dirijo como investigador principal en la Universitat Politècnica de València. Además, muestra la internacionalización de nuestro grupo de investigación, en este caso, con China. A continuación, se presenta un resumen del trabajo y de la información de contexto.

 El problema central que se aborda en este trabajo es la insuficiencia de los métodos de supervisión tradicionales, ya que no permiten una vigilancia continua, en tiempo real y a distancia, crucial para garantizar la seguridad, la longevidad y el mantenimiento rentable de estas complejas infraestructuras.

La solución propuesta es una plataforma inteligente en la nube para el control y la alerta temprana que integra la informática, la ingeniería de comunicaciones, el control y la automatización y la mecánica de ingeniería. Este sistema combina los datos de supervisión en tiempo real, obtenidos mediante la tecnología de Internet de las Cosas (IoT), con modelos de elementos finitos (FEM) para evaluar con precisión el estado de la estructura.

Su eficacia se demostró mediante un estudio de caso del Puente del Río Amarillo en China (LZYB). El análisis de los datos de seguimiento y las simulaciones por elementos finitos revelaron que el diseño original del puente era excesivamente conservador, ya que la deflexión vertical real bajo cargas operativas representaba entre el 26,5 % y el 33,9 % del valor predicho en el diseño.

Con base en este hallazgo, se optimizó el diseño de la viga principal del puente, lo que permitió reducir el volumen de hormigón de la losa de fondo en un 15 %. Un análisis posterior del ciclo de vida (LCA) cuantificó los beneficios de esta optimización, que incluyen una reducción de 2009,65 toneladas de emisiones de CO₂ y un ahorro económico de 2 694 189,55 CNY, sin comprometer la seguridad ni el rendimiento estructural. Este enfoque representa un nuevo paradigma para el mantenimiento seguro, económico y sostenible de infraestructuras críticas.

1. Introducción y desafíos de la auscultación estructural.

Los puentes de gran envergadura y estáticamente indeterminados están sometidos a múltiples factores que pueden afectar a su integridad, como la respuesta dinámica de la estructura y el daño por fatiga acumulada debido a la interacción de cargas múltiples y condiciones ambientales complejas. Las microfisuras internas pueden propagarse hasta convertirse en fisuras macroscópicas y provocar la inestabilidad y el fallo de la estructura.

1.1. Limitaciones de los métodos tradicionales.

  • Inspección visual: los métodos iniciales, basados en la inspección visual realizada por personal cualificado para detectar defectos superficiales, como las grietas por fatiga, son imprecisos y propensos a errores.
  • Supervisión de la salud estructural (SHM) convencional: ha mejorado la precisión, pero enfrenta desafíos como la falta de sensores adecuados para el monitoreo autónomo a largo plazo y de algoritmos eficaces para predecir y diagnosticar daños locales por fatiga.
  • Enfoques basados en algoritmos: existen dos métodos principales: los basados en modelos, que utilizan un modelo de elementos finitos preciso, pero que consumen mucho tiempo, y los basados en datos, que analizan series temporales continuas, pero que pueden verse limitados por las bajas tasas de transmisión de datos de las redes inalámbricas.

El estudio aborda estas limitaciones combinando las ventajas de ambos enfoques e integrando algoritmos innovadores de alta eficiencia para avanzar en la monitorización continua de la salud estructural.

2. Marco teórico e innovación del sistema.

El trabajo establece un modelo teórico complejo y una plataforma inteligente que integra múltiples disciplinas para superar las barreras técnicas del seguimiento tradicional.

2.1. Puntos clave de la innovación.

  1. Modelo interdisciplinario: se desarrolló un modelo teórico modal complejo, multifactorial y de múltiples fuentes que combina la ciencia de la computación, la ingeniería de comunicaciones, el control y la automatización y la mecánica de ingeniería. Este modelo analiza el impacto de múltiples factores en las estructuras de los puentes y permite realizar un seguimiento de alertas tempranas en una plataforma en la nube.
  2. Supervisión basada en IoT: se adopta un monitoreo en línea, automatizado y en tiempo real basado en el Internet de las cosas (IoT). De este modo, se soluciona la incapacidad de la tecnología tradicional para lograr un seguimiento espaciotemporal continuo y a gran distancia, y se transforma el seguimiento de un «basado en puntos, indirecto y de ajuste de curvas» a otro «espacial, directo y continuo».
  3. Sistema de alerta temprana: proporciona un modelo eficaz de control y de alerta temprana para diversos tipos de deterioro, como grietas, deformaciones, envejecimiento y vibración dinámica. Valida la viabilidad de la estructura en términos de integridad, seguridad, durabilidad y control de la resistencia.

2.2. Componentes del modelo teórico.

El modelo matemático integra varios análisis para evaluar el estado de la estructura:

  • Daño por fatiga estructural: utiliza un modelo de daño por fatiga acumulativa no lineal para analizar la propagación de las fisuras y la degradación continua del módulo de elasticidad del hormigón.
  • Daño por fatiga del acero: se considera que la vida útil del puente está determinada principalmente por la fatiga de las barras de acero. El modelo calcula la profundidad crítica de la fisura y la tensión residual del acero.
  • Efecto de cargas múltiples: se aplica un modelo de mezcla gaussiana para analizar los datos de monitorización, que presentan una distribución de picos múltiples, y se calcula la deflexión total considerando la carga viva, la tensión térmica, la pérdida de pretensado y la retracción y la fluencia del hormigón.
  • Acoplamiento vehículo-puente: Construye una ecuación de un sistema de movimiento acoplado para analizar las interacciones mecánicas entre los vehículos y el puente.
  • Optimización dinámica estructural: utiliza un modelo matemático basado en la función lagrangiana para realizar un diseño de optimización dinámica con un ritmo de convergencia rápido.

3. Estudio de caso: el puente del río Amarillo (LZYB)

La metodología se aplicó a esta estructura atirantada, con un vano principal de 360 metros, ubicada en China.

3.1. Descripción del puente y sistema de control

  • Especificaciones: El LZYB es un puente extragrande para autopista de cuatro carriles con torres romboidales de hormigón armado (C50), una altura de torre de hasta 151 metros y cables atirantados de haces de alambre de acero paralelos galvanizados.
  • Sistema de monitorización: se instalaron 374 dispositivos de 10 tipos diferentes, incluidos sensores de temperatura y de humedad, acelerómetros, extensómetros y sensores de fibra óptica, entre otros. Estos dispositivos se ubicaron en puntos críticos de momento flector y de fuerza cortante, determinados mediante principios de mecánica y el modelo FEM. Los datos se transmiten en tiempo real a una plataforma en la nube basada en internet de las cosas (IoT, por sus siglas en inglés) para su análisis y alerta temprana.
Número Elementos de control Indicadores de alerta Método de adquisición
1 Análisis del modelo de vehículo Identificación de carga nominal (nº de ejes, longitud) Videovigilancia
2 Análisis del flujo de tráfico Autopista de 4 carriles (ADT 2 500-55 000 vehículos) Videovigilancia; captura de video
3 Análisis de sobrepeso Límite de 49 toneladas (se detectaron 82.5; 110 ton) Control dinámico de pesaje
4 Análisis de exceso de velocidad Límite de 80 km/h Control de flujo con exceso de velocidad
5 Control de temperatura ambiental Intervalo de control: -15 ~ 39 °C Sensor de fibra óptica de temperatura
6 Control de humedad ambiental 6,5 % ~ 98 % (torre principal); prevenir corrosión Sensor de fibra óptica de humedad
7 Control de carga de viento Velocidad del viento < 25,8 m/s Anemómetro
8  Control de carga sísmica E1 < 0,20g Instrumento de medición de movimiento del suelo
9  Control de respuesta estructural Frecuencia natural inferior al valor teórico calculado Equipo de monitorización de fibra óptica

3.2. Análisis de los datos de monitorización en tiempo real (abril-julio).

  • Cargas de tráfico: se observó un crecimiento mensual significativo en el volumen total de tráfico, en el número de vehículos con sobrepeso y en el de vehículos que circulaban a exceso de velocidad. El tráfico medio diario osciló entre 7319 y 14 431 vehículos, con picos en junio y julio.
  • Respuesta estructural (deformación): la respuesta de deformación bajo cargas de vehículos mostró una distribución de picos múltiples. El análisis identificó que dicha respuesta se concentraba en la sección de 3.50 L a 5.50 L del lado oeste.
  • Acoplamiento temperatura-deflexión: se halló una fuerte correlación positiva entre la temperatura ambiental y la deflexión de la viga principal (R² = 0,6953). La deflexión máxima registrada fue de 628,9 mm. El análisis identificó las zonas de la viga principal en las que la influencia de la temperatura sobre la deflexión era más marcada.

3.3. Acoplamiento y análisis mediante el modelo de elementos finitos (MEF).

Se creó un modelo 3D del LZYB en Abaqus/CAE 2021 para simular su comportamiento bajo cargas de diseño. Los resultados de la simulación fueron los siguientes:

  • Energía: la energía máxima se concentró en la losa de fondo de la viga principal, entre los vanos 2 y 3.
  • Deformación: la máxima deformación (0,004813 µε) se observó en la parte media de los cables atirantados.
  • Tensión: La tensión máxima (991,175 MPa) se localizó también en los cables atirantados, concretamente en el cable 3-1.
  • Desplazamiento: El desplazamiento vertical máximo calculado fue de 0,002267 metros en el centro del vano principal (sección 6L/12 de la viga).

4. Discusión: optimización y evaluación de la sostenibilidad.

La comparación entre los datos de supervisión en tiempo real y los resultados del FEM sirvió de base para optimizar el diseño.

4.1. Redundancia estructural identificada.

El análisis comparativo reveló una discrepancia significativa: la deflexión vertical global del puente durante su funcionamiento (entre 0,0021 y 0,5944 m) representaba entre el 26,50 % y el 33,90 % del valor máximo predicho por el modelo FEM con cargas de diseño (hasta 2,2434 m). Este hecho indica que el diseño estructural es significativamente conservador o «redundante».

4.2. Optimización del diseño de la viga principal.

Aprovechando la redundancia identificada, se llevó a cabo un proceso de optimización del diseño acoplado de la viga principal. Se analizó el impacto de reducir el volumen de hormigón de la viga de forma iterativa.

Resultado de la optimización: se determinó que era posible reducir el volumen de hormigón de la losa de fondo de la viga principal en un 15 % (es decir, reducir su espesor a 70 mm) sin comprometer el cumplimiento de los requisitos de rendimiento bajo las cargas de diseño originales.

4.3. Evaluación del ciclo de vida (LCA) y de los beneficios.

Se realizó una evaluación del ciclo de vida (LCA) para cuantificar los beneficios ambientales y económicos del diseño optimizado.

Beneficios ambientales y económicos: la reducción del 15 % del hormigón utilizado en la viga principal se traduce en un ahorro significativo a lo largo de todo el ciclo de vida del proyecto.

Indicador de evaluación Reducción
Calentamiento global (GWP100a) 2009,65 toneladas de CO2 eq.
Acidificación (AP) 8,86 toneladas de SO2 eq.
Eutrofización (FEP) 7,12 toneladas de PO4 eq.
Polvo en suspensión (PMFP) 79,63 toneladas
Ahorro económico (coste de material) 2 694 189,55 CNY

5. Conclusiones y hallazgos clave

La investigación demuestra con éxito la viabilidad de un sistema inteligente de supervisión en la nube, acoplado a un modelado FEM, para analizar la seguridad y optimizar el diseño de puentes de gran envergadura.

Resultados clave:

  1. Fallo de cables: el fallo de los cables es un factor crítico para la estabilidad de los puentes atirantados y debe ser un objetivo principal del seguimiento.
  2. Ubicación de la tensión máxima: la tensión más alta se concentra en los cables más largos (en este caso, el cable n.º 10), específicamente en la zona situada a menos de 2 metros de la parte superior de la torre principal.
  3. Diseño del sistema de monitorización subóptimo: el diseño actual de los puntos de control resulta ineficiente. No hay sensores en la parte superior de la torre, donde la tensión es máxima, mientras que hay demasiados en la viga principal.
  4. Enfoque del mantenimiento: el mantenimiento rutinario de los cables atirantados debe centrarse en las zonas de conexión de la parte superior de la torre y de la viga principal.

Innovación y limitaciones: La principal innovación del estudio consiste en aplicar de manera sistemática datos medidos y el modelado FEM 3D para resolver problemas de seguridad y optimización en puentes complejos. Esto ofrece un ejemplo práctico de supervisión en tiempo real y de análisis de la solidez de los datos. Una limitación reconocida es la falta de un estudio en profundidad sobre los efectos destructivos de las sobrecargas de peso y de velocidad, lo que sugiere una línea de investigación para el futuro.

Referencia:

ZHOU, Z.; ZHAO, Z.; ALCALÁ, J.; YEPES, V. (2025). Intelligent operation monitoring and finite element coupled identification of hyperstatic structures. Results in Engineering, 27, 106990. DOI:10.1016/j.rineng.2025.106990

Os dejo una conversación en la que podéis escuchar las ideas más interesantes de este trabajo.

En este vídeo se resumen las ideas más importantes.

Os he dejado una presentación que resume también lo más importante.

Pincha aquí para descargar

Os dejo el artículo completo, ya que está publicado en formato abierto.

Pincha aquí para descargar

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

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

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

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

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

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

  1. Optimización estructural mediante algoritmos heurísticos.

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

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

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

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

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

Los resultados más destacados se pueden resumir así:

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

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

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

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

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

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

Referencia:

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

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

Pincha aquí para descargar

 

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

Métodos de decisión multicriterio aplicados a los proyectos vivienda social

Acaban de publicarnos un artículo en la revista Journal of Civil Engineering and Management, revista indexada en el JCR. Presenta un análisis exhaustivo de la investigación científica en torno a la evaluación de las viviendas sociales. El trabajo se enmarca dentro del proyecto de investigación RESILIFE que dirijo como investigador principal en la Universitat Politècnica de València. A continuación se recoge un resumen sintético del trabajo.

La evaluación de proyectos de vivienda social es un proceso complejo que requiere tener en cuenta múltiples factores para conseguir comunidades más resilientes y sostenibles. Los métodos de decisión multicriterio (MCDM) son herramientas esenciales que proporcionan un marco estructurado para la adopción de decisiones informadas, ya que integran criterios cuantitativos y cualitativos. Esta revisión bibliográfica, basada en 93 artículos publicados entre 1994 y marzo de 2025, destaca la creciente prevalencia de los MCDM, el enfoque en la sostenibilidad (que abarca aspectos ambientales, sociales, económicos y técnicos) y la evolución hacia técnicas más modernas, como la lógica difusa y neutrosófica. Aunque el proceso de jerarquía analítica (AHP) y TOPSIS son los métodos más utilizados, es necesario integrar más los MCDM en todas las fases del proceso de construcción para mejorar la constructibilidad y la sostenibilidad, sobre todo en la vivienda social.

Contexto y desafío de la vivienda social

La vivienda es un elemento clave para cubrir las necesidades básicas de la población y fortalecer la cohesión social. Sin embargo, el crecimiento demográfico y la urbanización han agravado la escasez de viviendas asequibles, sostenibles y socialmente justas en todo el mundo. El modelo tradicional de construcción no solo encarece los costes a lo largo de la vida útil de la vivienda, sino que también provoca impactos negativos en el medio ambiente y en la salud.

En este contexto, la vivienda social se presenta como una solución esencial para atender a las poblaciones más vulnerables, garantizar unas condiciones mínimas de habitabilidad y calidad de vida, y promover la inclusión social.

No obstante, el desarrollo urbano desordenado ha favorecido la expansión de asentamientos informales y la falta de infraestructuras básicas adecuadas. Para que las iniciativas de vivienda social sean efectivas, es necesario adoptar un enfoque integral que tenga en cuenta la viabilidad económica, la sostenibilidad medioambiental y la equidad social. En un mundo donde la urbanización acelerada amenaza los medios de vida de millones de personas, buscar soluciones sostenibles es cada vez más urgente.

Métodos de decisión multicriterio (MCDM)

Los MCDM son herramientas poderosas para la toma de decisiones en escenarios con múltiples objetivos o criterios, facilitando la evaluación y comparación de alternativas basadas en varios aspectos cruciales. Se clasifican en:

  • Métodos de Puntuación: Asignan puntuaciones numéricas a los criterios para comparación (e.g., SAW, COPRAS).
  • Métodos Basados en Distancia: Evalúan alternativas midiendo la distancia a un punto ideal positivo y a un punto ideal negativo (e.g., TOPSIS, VIKOR, ARAS, EDAS).
  • Métodos de Comparación Pareada: Comparan alternativas directamente para determinar preferencias basadas en criterios específicos (e.g., AHP, ANP).
  • Métodos de Superación (Outranking): Se basan en la noción de que una alternativa óptima es preferible si es igual o superior en todos los criterios y al menos uno de ellos (e.g., PROMETHEE, ELECTRE).
  • Funciones de Utilidad (Valor) Multi-atributo: Representan las preferencias del tomador de decisiones a través de funciones de utilidad/valor (e.g., MAUT, SWARA, MIVES).

Prevalencia y tendencias:

  • AHP es el método individual dominante (75% de los casos individuales), seguido por TOPSIS.
  • El 48% de los artículos revisados utilizan la comparación pareada, siendo AHP el método principal (41 artículos).
  • Los métodos basados en distancia representan el 21% del uso, con TOPSIS como la opción predominante.
  • Métodos híbridos: Aunque se aboga por la integración de diferentes MCDM, su adopción generalizada es limitada. La combinación AHP + TOPSIS es frecuente, aprovechando la capacidad de AHP para estructurar criterios y la de TOPSIS para identificar y clasificar alternativas.
  • Números Crisp vs. Lógica Difusa/Neutrosófica: La mayoría de los estudios (84%) emplean números crisp, lo que indica un enfoque en datos exactos. Sin embargo, desde 2011, ha habido un aumento en el uso de la lógica difusa (15% de los manuscritos) para manejar la imprecisión y vaguedad inherentes a los juicios humanos. La lógica neutrosófica (1%) también ha comenzado a explorarse.
  • La Agenda 2030 y el ODS 11 («Ciudades y Comunidades Sostenibles»), junto con la adopción de la Nueva Agenda Urbana en 2015, han impulsado un aumento significativo en las publicaciones (más del 77% entre 2016 y la actualidad), «subrayando el papel fundamental de la vivienda adecuada y sostenible como piedra angular para lograr ciudades sostenibles.

Criterios de evaluación en vivienda social

Los proyectos de vivienda social se evalúan considerando cuatro dimensiones principales, reflejando un enfoque integral de sostenibilidad:

  • Económicos: Predominantemente enfocados en costos de construcción, reparación y mantenimiento, y gastos operativos de los proyectos de vivienda. Solo siete artículos revisados incluyen el Coste del Ciclo de Vida (LCC) según ISO 15686-5.
  • Ambientales: Abordan consumo de energía, eficiencia hídrica, emisiones contaminantes, gestión de residuos y energía del ciclo de vida (LCE). El consumo de energía y las emisiones de contaminantes son los aspectos más evaluados.
  • Sociales: Los criterios incluyen salud y seguridad, nivel de confort, facilidad de servicios y satisfacción del usuario. La accesibilidad a servicios públicos y la inclusión social son aspectos clave.
  • Técnicos: Comprenden especificaciones del proyecto, diseño, construcción y criterios de programación, con énfasis en la innovación, calidad y adhesión a los plazos.

Hay un cambio hacia evaluaciones multidimensionales, con «comparación por pares, superación y métodos basados en la distancia» emergiendo como herramientas esenciales.

Fases del proceso de construcción y MCDM

La aplicación de MCDM se distribuye en varias fases de la constructibilidad:

  • Fase de diseño: Es la fase más estudiada, cubriendo optimización del diseño interior, selección de sistemas de construcción óptimos y diseño MEP (Mecánico, Eléctrico y de Fontanería) priorizando el confort térmico.
  • Fase de planificación conceptual: Se centra en la viabilidad económica, la elección de ubicaciones adecuadas y la consideración de las necesidades de los habitantes, incluyendo acceso a servicios públicos, transporte, seguridad y áreas recreativas.
  • Fase de mantenimiento y puesta en marcha: Evalúa el bienestar de los ocupantes, las renovaciones arquitectónicas y energéticas, y las técnicas de refuerzo estructural.
  • Fase de construcción: Se enfoca en el uso de maquinaria, materiales y mano de obra, abordando preocupaciones de seguridad.
  • Fase de adquisiciones: Aborda la evaluación de proveedores y la gestión de la cadena de suministro, un aspecto vital pero poco representado.

A pesar de las intervenciones de la ciencia de la construcción que se centran en el conocimiento, la planificación, las adquisiciones y la ejecución, la investigación en este ámbito aborda principalmente cuestiones convencionales en lugar de conceptos emergentes como la economía circular y el Análisis del Ciclo de Vida (ACV) completo.

Discusión y direcciones futuras de investigación

La revisión destaca la necesidad de:

  • Integración de MCDM más allá de la viabilidad económica: Ampliar el alcance para abarcar la viabilidad social, técnica y ambiental.
  • Mayor uso de métodos híbridos y lógicas avanzadas: A pesar de la complejidad de los proyectos de vivienda social, la aplicación de la lógica difusa y neutrosófica en MCDM individuales e híbridos sigue siendo limitada en comparación con otras disciplinas de ingeniería. Se recomienda la integración de enfoques híbridos que integren MCDM con lógica difusa o neutrosófica, para evaluaciones más precisas.
  • Estandarización de criterios de evaluación: Existe una falta de consenso en los criterios de evaluación de la sostenibilidad, lo que subraya la «necesidad de un marco estandarizado que integre sistemáticamente estos aspectos. Un enfoque de Evaluación del Ciclo de Vida de la Sostenibilidad (SLCA) podría ser beneficioso.
  • Exploración de MCDM alternativos: Métodos como el Best-Worst Method (BWM) y el Combinative Distance-Based Assessment (CODAS) ofrecen ventajas sobre los métodos tradicionales en ciertos escenarios y deberían ser considerados.
  • Mayor aplicación del análisis de sensibilidad: Solo 17 de los artículos revisados emplearon análisis de sensibilidad, a pesar de su crucial papel para determinar la solidez de los métodos y la validez de los resultados.
  • Integración de tecnologías como GIS y BIM: La combinación de GIS (Sistemas de Información Geográfica), BIM (Modelado de Información de Construcción) y MCDM ha demostrado ser efectiva en la ingeniería civil, permitiendo análisis espaciales y temporales multicriterio. Esta integración puede optimizar la selección de sitios, el uso de recursos y la planificación sostenible a largo plazo. Sin embargo, su combinación es limitada en la literatura revisada.
  • Abordar la interdependencia de los criterios: La naturaleza holística y multifacética de la sostenibilidad implica que los criterios están inherentemente interconectados, lo que desafía los enfoques individuales de MCDM. Un reconocimiento exhaustivo de esta interdependencia es vital.

7. Conclusiones clave

  • Los MCDM son herramientas versátiles y esenciales para evaluar proyectos de vivienda social, con AHP, TOPSIS y COPRAS como los más prevalentes.
  • Existe una tendencia creciente hacia el uso de MCDM con lógicas de incertidumbre como la difusa y neutrosófica, aunque su aplicación todavía es limitada.
  • La sostenibilidad es un factor clave, siendo la dimensión social la más analizada, seguida por la económica, ambiental y técnica. No obstante, se necesita un marco estandarizado y la integración del Análisis del Ciclo de Vida (LCA) para evaluaciones más completas.
  • La aplicación de MCDM en todas las fases de la construcción mejora la toma de decisiones, optimiza los recursos y permite la identificación temprana de riesgos.
  • Es crucial investigar la jerarquización de criterios y la optimización de modelos híbridos para mejorar la aplicabilidad de los MCDM en proyectos de interés social.
  • La adopción de innovaciones como la construcción modular y el uso de materiales sostenibles es fundamental para la eficiencia y sostenibilidad de la vivienda social.

Este documento de información busca guiar a los profesionales de la investigación y a los tomadores de decisiones hacia la integración de métodos MCDM modernos para abordar de manera más efectiva los complejos desafíos de la vivienda social, impulsando así decisiones más informadas y sostenibles.

Os dejo un resumen en audio donde se explican las ideas principales del trabajo.

Al estar publicado en abierto, os dejo el artículo completo.

Pincha aquí para descargar

Glosario de términos clave

  • AHP (Analytic Hierarchy Process / Proceso Analítico Jerárquico): Un método MCDM basado en comparaciones por pares para estructurar y analizar decisiones complejas, determinando la importancia relativa de los criterios y alternativas.
  • ANP (Analytic Network Process / Proceso de Red Analítico): Una extensión del AHP que permite relaciones más complejas entre los criterios y las alternativas, incluyendo interdependencias y retroalimentación.
  • ARAS (Additive Ratio Assessment / Evaluación por Razón Aditiva): Un método MCDM basado en el cálculo de ratios aditivos para clasificar alternativas en función de su rendimiento.
  • BIM (Building Information Modelling / Modelado de Información de Construcción): Un proceso inteligente basado en modelos 3D que permite a los profesionales de la arquitectura, ingeniería y construcción planificar, diseñar, construir y gestionar edificios e infraestructuras de manera más eficiente.
  • COPRAS (Complex Proportional Assessment / Evaluación Proporcional Compleja): Un método MCDM de puntuación que evalúa alternativas basándose en su proximidad a un punto ideal y a un punto anti-ideal.
  • Crisp numbers (Números nítidos): Valores precisos y exactos utilizados en los cálculos matemáticos, que no consideran la imprecisión o la ambigüedad inherente a algunos conceptos humanos o datos subjetivos.
  • Constructability (Constructibilidad): La medida en que el diseño de un proyecto facilita la construcción, permitiendo un uso eficiente de los recursos y la mano de obra para mejorar el costo, el tiempo, la calidad y la seguridad.
  • DEMATEL (Decision Making Trial and Evaluation Laboratory / Laboratorio de Evaluación y Toma de Decisiones): Un método MCDM que ayuda a analizar relaciones causa-efecto entre criterios, permitiendo comprender su interdependencia.
  • EDAS (Evaluation Based on Distance to Average Solution / Evaluación Basada en la Distancia a la Solución Promedio): Un método MCDM que evalúa alternativas en función de su distancia a la solución promedio.
  • ELECTRE (Elimination and Choice Expressing Reality Method / Método de Eliminación y Elección que Expresa la Realidad): Una familia de métodos MCDM de superación que compara alternativas por pares y determina su relación de preferencia o indiferencia.
  • Fuzzy logic (Lógica difusa): Una forma de lógica multivaluada que permite valores de verdad intermedios entre «verdadero» y «falso», utilizada para modelar la incertidumbre y la vaguedad en los juicios humanos.
  • GIS (Geographic Information Systems / Sistemas de Información Geográfica): Un sistema que crea, gestiona, analiza y mapea todo tipo de datos. Relaciona los datos con la ubicación, analizando la información geográfica para organizar capas de información en visualizaciones mediante mapas.
  • Hybrid MCDMs (MCDM híbridos): Combinaciones de dos o más métodos MCDM, o de MCDM con otras herramientas (como BIM o GIS), para aprovechar las fortalezas de cada técnica y abordar la complejidad de los problemas de decisión.
  • LCA (Life Cycle Assessment / Análisis del Ciclo de Vida): Una metodología para evaluar los impactos ambientales asociados a todas las etapas de la vida de un producto o servicio, desde la extracción de materias primas hasta su disposición final.
  • LCC (Life Cycle Cost / Costo del Ciclo de Vida): El cesto total de un activo a lo largo de su vida útil, incluyendo los costos iniciales de adquisición, operación, mantenimiento, y disposición final.
  • MCDM (Multi-Criteria Decision Methods / Métodos de Decisión Multicriterio): Herramientas analíticas y computacionales que ayudan a los tomadores de decisiones a evaluar y priorizar diferentes opciones considerando múltiples factores o criterios, a menudo conflictivos.
  • MIVES (Model Integrated Value for Sustainable Evaluation / Modelo de Valor Integrado para la Evaluación Sostenible): Un método MCDM que integra la toma de decisiones con el análisis de valor, utilizando dimensiones indexadas estandarizadas para comparar indicadores de diferente naturaleza.
  • MOORA (Multi-Objective Optimization by Ratio Analysis / Optimización Multiobjetivo por Análisis de Ratios): Un método MCDM que clasifica alternativas basándose en un ratio de rendimiento y una referencia de desviación.
  • Neutrosophic logic (Lógica neutrosófica): Una generalización de la lógica difusa que introduce la indeterminación (además de la verdad y la falsedad), permitiendo un manejo más completo de la incertidumbre en los procesos de decisión.
  • PROMETHEE (Preference Ranking Organization Method for Enrichment of Evaluations / Método de Organización de Preferencias para el Enriquecimiento de Evaluaciones): Un método MCDM de superación que permite clasificar alternativas según sus preferencias de los criterios.
  • Scoring methods (Métodos de puntuación): Métodos MCDM que asignan puntuaciones numéricas a los criterios relevantes para comparar y evaluar cantidades jerárquicamente estructuradas.
  • Sensitivity analysis (Análisis de sensibilidad): Un estudio que examina cómo la incertidumbre en la salida de un modelo puede atribuirse a diferentes fuentes de incertidumbre en sus entradas, utilizado para probar la robustez de un método y la validez de los resultados.
  • Social housing (Vivienda social): Viviendas diseñadas para ser accesibles a personas y familias de ingresos medios y bajos, asegurando estándares mínimos de habitabilidad y calidad de vida, y fomentando la inclusión social.
  • Sustainability (Sostenibilidad): Un enfoque que busca satisfacer las necesidades del presente sin comprometer la capacidad de las futuras generaciones para satisfacer sus propias necesidades, abarcando dimensiones económicas, ambientales, sociales y técnicas.
  • SWARA (Scaled Weighted Assessment Ratio Analysis): Un método MCDM utilizado para determinar los pesos de los criterios.
  • TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution / Técnica para la Ordenación por Similitud con la Solución Ideal): Un método MCDM que clasifica alternativas basándose en su distancia a una solución ideal positiva y a una solución ideal negativa.
  • VIKOR (VIseKriterijumska Optimizacija I Kompromisno Resenje / Optimización Multicriterio y Solución de Compromiso): Un método MCDM que clasifica alternativas basándose en su proximidad a una solución ideal.
  • WSM (Weighted Sum Model / Modelo de Suma Ponderada): Un método MCDM de puntuación que calcula una puntuación total para cada alternativa sumando las puntuaciones ponderadas de cada criterio