Categoría: modelo matemático

RESILIFE: Optimización resiliente de estructuras híbridas en condiciones extremas

En este artículo se explica el proyecto RESILIFE, cuyos investigadores principales son Víctor Yepes y Julián Alcalá, de la Universitat Politècnica de València. Se trata de un proyecto de investigación de carácter internacional en el que también colaboran profesores de Brasil, Chile y China. Además, se están realizando varias tesis doctorales de estudiantes de Cuba, Perú, México y Ecuador, así como de estudiantes españoles. A continuación, se describe brevemente el proyecto y se incluye una comunicación reciente donde se explica con más detalle.

El proyecto RESILIFE se centra en optimizar de forma resiliente el ciclo de vida de estructuras híbridas y modulares para conseguir una alta eficiencia social y medioambiental, especialmente en condiciones extremas. La investigación aborda la necesidad de diseñar, construir y mantener infraestructuras que puedan resistir y recuperarse rápidamente de desastres naturales o provocados por el ser humano, minimizando las pérdidas y el impacto en la sociedad y el medioambiente. Para ello, el estudio propone utilizar inteligencia artificial, metaheurísticas híbridas, aprendizaje profundo y teoría de juegos en un enfoque multicriterio. El objetivo es mejorar la seguridad, reducir costes y optimizar la recuperación, alineándose con los Objetivos de Desarrollo Sostenible (ODS). La metodología integral incluye el análisis del ciclo de vida, así como la aplicación de lógica neutrosófica y redes bayesianas para la toma de decisiones.

¿Qué problema aborda el proyecto RESILIFE y por qué es urgente?

El proyecto RESILIFE aborda el desafío crítico que supone diseñar y mantener infraestructuras resilientes y sostenibles frente a desastres naturales y provocados por el ser humano. La urgencia es evidente debido a las enormes pérdidas humanas y económicas causadas por estos eventos (más de 1,1 millones de muertes y 1,5 billones de dólares en pérdidas entre 2003 y 2013), lo que subraya la necesidad de estructuras de alto rendimiento que protejan vidas y economías, al tiempo que se alinean con los Objetivos de Desarrollo Sostenible (ODS) de las Naciones Unidas. Además, los errores de diseño y construcción, así como la falta de mantenimiento, han demostrado ser causas significativas de colapso estructural, y solo el 50 % de las reparaciones de hormigón resultan efectivas en Europa.

¿Cuál es el objetivo principal de RESILIFE?

El objetivo general del proyecto RESILIFE es optimizar el diseño, el mantenimiento y la reparación de estructuras híbridas y modulares (MMC) de alta eficiencia social y medioambiental para que puedan resistir condiciones extremas. Para ello, se deben abordar problemas complejos de toma de decisiones en los ámbitos público y privado, integrando criterios de sostenibilidad social y medioambiental durante todo el ciclo de vida de las estructuras y teniendo en cuenta la variabilidad e incertidumbre inherentes al mundo real. El objetivo es que estas estructuras sean tan seguras como las tradicionales, pero con una mayor capacidad de recuperación rápida y un menor impacto social y medioambiental.

 

¿Qué tipos de estructuras son el foco de RESILIFE y por qué?

El proyecto se centra en estructuras híbridas (que combinan, por ejemplo, acero y hormigón) y en estructuras basadas en métodos modernos de construcción (MMC), especialmente las modulares. Estas estructuras se han elegido como objeto de estudio debido a su gran potencial para mejorar la resiliencia estructural, la eficiencia en la construcción (al reducir las interrupciones en obra y mejorar el control de calidad) y la sostenibilidad. A pesar de sus ventajas, se han identificado lagunas en la investigación sobre su optimización para eventos extremos y su aplicación en estructuras complejas, aspectos que el proyecto RESILIFE busca subsanar.

¿Qué metodologías innovadoras utiliza RESILIFE para lograr sus objetivos?

RESILIFE emplea un enfoque multidisciplinario e innovador que integra diversas técnicas avanzadas:

¿Cómo aborda RESILIFE la incertidumbre y la variabilidad en el diseño y mantenimiento de estructuras?

El proyecto aborda la incertidumbre y la variabilidad mediante varias estrategias:

  • Análisis de funciones de distribución de eventos extremos: Para el diseño óptimo basado en fiabilidad.
  • Metamodelos y metaheurísticas híbridas basadas en fiabilidad: Permiten manejar la aleatoriedad de los parámetros y asegurar que los proyectos optimizados no sean inviables ante pequeños cambios en las condiciones.
  • Técnicas de decisión multicriterio (lógica neutrosófica y redes bayesianas): Integran aspectos inciertos y criterios subjetivos en la toma de decisiones.
  • Análisis de sensibilidad: De los escenarios presupuestarios y las hipótesis del ciclo de vida para identificar las mejores prácticas.

¿Qué se entiende por «resiliencia» en el contexto de RESILIFE y cómo se cuantifica?

En el contexto de RESILIFE, la resiliencia se define como la capacidad de una estructura para resistir eventos extremos, mantener su funcionalidad o recuperarla rápidamente con reparaciones mínimas tras sufrir daños, y con un bajo coste social y medioambiental. El objetivo es ir más allá de la simple resistencia y centrarse en la capacidad de adaptación y recuperación. El proyecto tiene como objetivo desarrollar procedimientos explícitos para cuantificar la resiliencia de las estructuras e infraestructuras en el contexto de múltiples amenazas, un aspecto que actualmente presenta una laguna en la investigación. Esto incluye tener en cuenta la funcionalidad técnico-socioeconómica y los impactos a lo largo de toda su vida útil.

¿Qué tipo de casos de estudio se aplican en la metodología RESILIFE?

La metodología de RESILIFE se aplica a varios casos de estudio clave:

  • Optimización de pórticos de edificios altos: Con estructura de acero híbrido y hormigón armado, sometidos a un fuerte incremento de temperatura, o ante el fallo completo de soportes para evitar el colapso progresivo.
  • Viviendas sociales prefabricadas en zonas sísmicas: Optimizando su resistencia a acciones extremas y su capacidad de reparación rápida.
  • Mantenimiento y reparación de patologías: Resultantes de eventos extremos en diversas estructuras.
  • Otras estructuras como puentes mixtos y estructuras modulares: Ampliando el alcance más allá de las viviendas. Estos casos de estudio permiten validar la aplicabilidad de las metodologías propuestas en situaciones reales y complejas.

¿Cuáles son las principales contribuciones esperadas de RESILIFE a la ingeniería estructural y la sostenibilidad?

Las principales contribuciones esperadas de RESILIFE son:

  • Desarrollo de soluciones constructivas innovadoras: Como conexiones especiales y estructuras fusibles para aumentar la resiliencia y evitar el colapso progresivo.
  • Formulación de metodologías de participación social: Para integrar criterios objetivos y subjetivos en decisiones multicriterio.
  • Propuesta de técnicas de optimización multiobjetivo avanzadas: Basadas en metaheurísticas híbridas de deep learning, teoría de juegos y fiabilidad.
  • Introducción de nuevas métricas: Que prioricen soluciones resilientes en la frontera de Pareto.
  • Identificación de políticas presupuestarias efectivas: Y definición de buenas prácticas de diseño, reparación y mantenimiento robusto en construcciones MMC y estructuras híbridas.
  • Avances en la modelización y evaluación: De la sostenibilidad a largo plazo y el impacto ambiental de las infraestructuras, contribuyendo a normativas y software de diseño más eficientes.

Pincha aquí para descargar

Glosario de términos clave

  • Resiliencia (estructural): Capacidad de una estructura para absorber, resistir, adaptarse y recuperarse de un evento extremo, manteniendo o recuperando su funcionalidad rápidamente y con costes mínimos.
  • Estructuras híbridas: Estructuras que combinan dos o más materiales estructurales diferentes, como acero y hormigón, para optimizar sus propiedades y rendimiento.
  • Estructuras modulares: Estructuras compuestas por unidades o módulos prefabricados que se ensamblan en el lugar de la construcción, ofreciendo ventajas en velocidad de construcción y control de calidad.
  • Eventos extremos: Desastres naturales (terremotos, tsunamis, inundaciones) o provocados por humanos (explosiones, impactos) que causan daños significativos a las estructuras y la sociedad.
  • Optimización del ciclo de vida: Proceso de diseño, construcción, mantenimiento y reparación de una estructura, considerando su impacto total (económico, social, ambiental) a lo largo de toda su vida útil.
  • Sostenibilidad: Principio que busca satisfacer las necesidades actuales sin comprometer la capacidad de las futuras generaciones para satisfacer sus propias necesidades, integrando aspectos ambientales, sociales y económicos.
  • Inteligencia artificial (IA): Campo de la informática que dota a las máquinas de la capacidad de aprender, razonar y resolver problemas, utilizada aquí para evaluar y mejorar la resiliencia.
  • Metaheurísticas híbridas: Algoritmos de optimización que combinan diferentes técnicas heurísticas o metaheurísticas para encontrar soluciones eficientes a problemas complejos, especialmente en la optimización multiobjetivo.
  • Aprendizaje profundo (Deep Learning – DL): Subcampo del aprendizaje automático que utiliza redes neuronales artificiales con múltiples capas para aprender representaciones de datos, aplicado para mejorar la toma de decisiones y reducir tiempos de cálculo.
  • Teoría de juegos: Rama de las matemáticas que estudia las interacciones estratégicas entre agentes racionales, aplicada en la optimización multiobjetivo para el diseño de estructuras.
  • Lógica neutrosófica: Marco matemático para tratar la indeterminación y la inconsistencia, utilizado en la toma de decisiones multicriterio para manejar la incertidumbre.
  • Redes bayesianas: Modelos gráficos probabilísticos que representan relaciones de dependencia condicional entre variables, empleadas en el análisis multicriterio y la gestión de incertidumbre.
  • Colapso progresivo: Fenómeno en el cual un daño inicial localizado en una estructura se propaga a otras partes, llevando al colapso desproporcionado de una gran porción o de toda la estructura.
  • Modern Methods of Construction (MMC): Métodos de construcción modernos que incluyen tecnologías de prefabricación, construcción modular e impresión 3D, buscando mayor eficiencia y control de calidad.
  • BIM (Building Information Modeling / Modelos de Información en la Construcción): Proceso de creación y gestión de un modelo digital de un edificio o infraestructura, que facilita la integración del proyecto estructural y la toma de decisiones a lo largo del ciclo de vida.
  • Metamodelo (o modelo subrogado): Modelo simplificado de un sistema complejo que permite realizar cálculos más rápidos y eficientes, crucial para reducir los tiempos de computación en la optimización.
  • Diseño óptimo basado en fiabilidad: Enfoque de diseño que considera la probabilidad de fallo y las incertidumbres inherentes para optimizar las estructuras, garantizando un nivel de seguridad predefinido.
  • Frontera de Pareto: Conjunto de soluciones óptimas en problemas de optimización multiobjetivo, donde ninguna de las funciones objetivo puede mejorarse sin degradar al menos otra función objetivo.

Agradecimientos:

Grant PID2023-150003OB-I00 funded by MCIN/AEI/10.13039/501100011033, and the European Regional Development Fund (ERDF), a program of the European Union (EU).

Pasarelas peatonales sostenibles: cómo optimizar su diseño para reducir costes económicos y ambientales

Este artículo se centra en la aplicación práctica de la evaluación del ciclo de vida (LCA) para optimizar el impacto ambiental y los costes de los puentes peatonales compuestos de acero y hormigón. Los autores utilizan el algoritmo de búsqueda de armonía multiobjetivo (MOHS) para identificar soluciones de diseño que minimicen simultáneamente las emisiones de CO₂, la energía incorporada y los costes de construcción. Los resultados muestran una relación directa y lineal entre el coste, las emisiones de CO₂ y la energía incorporada, lo que sugiere que las soluciones económicamente eficientes también son beneficiosas para el medio ambiente. Se analizan escenarios alternativos, como variaciones en la resistencia del hormigón y fluctuaciones en el precio de los materiales, para evaluar su impacto en los resultados de la optimización. En última instancia, el estudio demuestra la eficacia de combinar la optimización estructural con la evaluación del ciclo de vida para fomentar un diseño de infraestructura más sostenible.

El trabajo se enmarca dentro del proyecto de investigación RESILIFE que dirijo como investigador principal en la Universitat Politècnica de València. Se trata de una colaboración internacional de nuestro grupo con investigadores brasileños. A continuación se recoge un resumen sintético del trabajo.

El sector de la construcción es uno de los que más recursos consume y más emisiones de gases de efecto invernadero genera. Según el Programa de las Naciones Unidas para el Medio Ambiente, este sector consume alrededor del 34 % de la energía mundial y es responsable de aproximadamente el 37 % de las emisiones de CO₂. Ante esta realidad, mejorar la sostenibilidad de las infraestructuras es fundamental para alcanzar los Objetivos de Desarrollo Sostenible (ODS) de la ONU. En este contexto, el artículo «Aplicación práctica de la evaluación del ciclo de vida para optimizar el impacto ambiental de los puentes peatonales de acero y hormigón», de Fernando Luiz Tres Junior y colaboradores, muestra cómo la combinación de la optimización estructural multiobjetivo y la evaluación del ciclo de vida permite diseñar un puente peatonal que reduce simultáneamente su coste económico, las emisiones de CO₂ y la energía incorporada, sin sacrificar la seguridad ni la funcionalidad.

El trabajo aporta varias conclusiones relevantes. Una de las más importantes es que los objetivos de minimizar el coste y el impacto ambiental no son opuestos, sino que las soluciones más baratas también son más sostenibles. Además, el estudio cuantifica con precisión la relación entre estos factores, por lo que es posible estimar cómo varía el impacto ambiental en función del presupuesto. Otra aportación destacable es la validación práctica de la metodología: la combinación de técnicas de optimización y bases de datos de evaluación del ciclo de vida (LCA, por sus siglas en inglés) conduce a soluciones óptimas y robustas, incluso ante cambios en parámetros como la resistencia del hormigón o las fluctuaciones de precios.

El caso de estudio consiste en un puente peatonal de 17,5 m de luz y 3 m de ancho ubicado en el sur de Brasil. La estructura combina vigas de acero soldadas y una losa de hormigón armado, unidas mediante conectores de corte. Las variables de diseño incluyen el espesor y la resistencia del hormigón, las dimensiones de las vigas de acero y el grado de interacción entre ambos materiales. Estas variables pueden adoptar distintos valores discretos, lo que da lugar a más de 700 000 millones de combinaciones posibles. El objetivo de la optimización es hallar las mejores soluciones en términos de coste económico, emisiones de CO₂ y energía incorporada, cumpliendo siempre con la normativa brasileña sobre seguridad estructural y confort frente a vibraciones.

Para evaluar el impacto ambiental de los materiales, los autores utilizaron dos bases de datos. En el caso del acero de las vigas, utilizaron una base de datos internacional, que contiene datos globales sobre emisiones y consumo de energía. En el caso del hormigón y las armaduras, recurrieron a datos locales de producción del sur de Brasil. Además, analizaron dos escenarios alternativos para comprobar la solidez de las soluciones: uno con hormigón de menor resistencia (20 MPa en lugar de 40 MPa) y otro con precios más altos para los materiales (como ocurrió durante la pandemia en 2022).

Todas las soluciones se verificaron para garantizar que cumplían los requisitos normativos de seguridad y servicio, incluidos los estados límite últimos, las deformaciones y las vibraciones. Las soluciones que no superaban estas comprobaciones eran penalizadas y el algoritmo de optimización las descartaba. Para la optimización, utilizaron el algoritmo Multiobjective Harmony Search (MOHS), inspirado en la improvisación musical, que busca soluciones que «armonizan» los distintos objetivos. Este algoritmo genera y mejora iterativamente las soluciones hasta construir la denominada «frontera de Pareto», que recoge las mejores alternativas posibles sin que ninguna sea mejor en todos los objetivos a la vez.

Los resultados muestran que estos tres objetivos —coste, emisiones de CO₂ y energía incorporada— están estrechamente relacionados y no entran en conflicto entre sí. Se evita la emisión de 1 kg de CO₂ por cada 6,56 reales brasileños ahorrados por metro de puente, y se reducen 1 MJ de energía por cada 0,70 reales. Además, por cada 9,3 MJ ahorrados se evita la emisión de 1 kg de CO₂. Estas relaciones lineales reflejan que, al reducir el consumo de materiales, se consigue simultáneamente un ahorro económico y un menor impacto medioambiental.

Las soluciones óptimas obtenidas tienen características muy similares entre sí. La losa de hormigón tiene un espesor de 12 cm y la viga de acero mide aproximadamente 860 mm de altura, con un espesor del alma de 6,35 mm, y mantiene la clásica proporción luz/altura cercana a 20. La anchura de las alas superior e inferior de la viga varía, siendo la inferior más ancha y gruesa. En todos los casos, la interacción entre el acero y el hormigón es completa (grado de interacción igual a 1).

Al considerar el escenario con hormigón de menor resistencia, se observó un aumento del coste total del 3 %, debido a que fue necesario añadir más acero para compensar la menor resistencia del hormigón. En cuanto al impacto ambiental, las emisiones de CO₂ apenas se redujeron (menos de un 1 %), mientras que la energía incorporada aumentó alrededor de un 4 %. En el escenario con precios más altos de los materiales, se obtuvieron dos soluciones óptimas: una más barata, pero con mayores emisiones, y otra más cara y sostenible. En ambos casos, las diferencias entre las soluciones fueron pequeñas y se mantuvo la relación lineal entre los objetivos.

En conclusión, este trabajo demuestra que es posible diseñar puentes peatonales más económicos y sostenibles combinando optimización estructural y LCA. La reducción del consumo de materiales no solo abarata la estructura, sino que también disminuye las emisiones de CO₂ y la energía incorporada. Además, el uso de hormigón de alta resistencia reduce la cantidad de acero necesaria, lo que tiene un impacto positivo en el coste y la sostenibilidad. Las soluciones óptimas resultaron muy similares al modificar las condiciones del diseño o del mercado, lo que confirma la solidez de la metodología.

Este tipo de estudios es especialmente valioso en los países en desarrollo, donde las necesidades de infraestructuras son elevadas y los recursos económicos, limitados. El diseño de estructuras asequibles y sostenibles contribuye al desarrollo regional y a la lucha contra el cambio climático. Los autores recomiendan ampliar futuras investigaciones para incluir también el impacto social y considerar así los tres pilares de la sostenibilidad: el económico, el ambiental y el social. También recomiendan analizar el ciclo de vida completo de la estructura, incluyendo el mantenimiento y la demolición. Por último, esta metodología podría aplicarse fácilmente a otros tipos de infraestructuras, como puentes para vehículos o edificios.

En definitiva, este trabajo no solo muestra cómo reducir costes y emisiones en un puente peatonal concreto, sino que también abre la puerta a un diseño más sostenible de nuestras infraestructuras. Es un claro ejemplo de cómo la ingeniería civil puede ser una aliada clave en el desarrollo sostenible.

Referencia:

Tres Junior, F.L., Yepes, V., de Medeiros, G.F., Kripka, M. (2025). Practical Application of LCA to Optimize Environmental Impacts of Steel–concrete Footbridges. In: Brandli, L., Rosa, F.D., Petrorius, R., Veiga Avila, L., Filho, W.L. (eds) The Contribution of Life Cycle Analyses and Circular Economy to the Sustainable Development Goals. World Sustainability Series. Springer, Cham. https://doi.org/10.1007/978-3-031-85300-5_22

Glosario de términos clave

  • Evaluación del ciclo de vida (LCA): Una metodología para estimar los impactos ambientales resultantes de la fabricación de un producto o servicio, examinando cada etapa de su ciclo de vida, desde la extracción de recursos naturales hasta su eliminación.
  • Emisiones de CO2: La cantidad de dióxido de carbono liberada a la atmósfera, utilizada como un criterio clave para evaluar el impacto ambiental en este estudio.
  • Energía incorporada: La suma total de energía necesaria para producir un producto, desde la extracción de las materias primas hasta el final del proceso de fabricación, utilizada como otro criterio de impacto ambiental.
  • Optimización multi-objetivo: Un proceso de optimización que considera múltiples funciones objetivo que deben minimizarse o maximizarse simultáneamente. Produce un conjunto de soluciones no dominadas o Pareto-óptimas.
  • Algoritmo de búsqueda de armonía multi-objetivo (MOHS): Un algoritmo metaheurístico basado en la improvisación musical, adaptado para resolver problemas de optimización multi-objetivo.
  • Pasarela mixta de hormigón y acero: Una estructura que combina elementos de acero y hormigón de manera que trabajen juntos como una sola unidad para soportar cargas, aprovechando las fortalezas de ambos materiales.
  • Frontera de Pareto: Una representación gráfica que conecta el conjunto de soluciones no dominadas (Pareto-óptimas) en un problema de optimización multi-objetivo, lo que permite analizar las compensaciones entre los objetivos.
  • Solución no dominada (Pareto-Óptima): Una solución para la cual no existe otra solución admisible que mejore simultáneamente todas las funciones objetivo. Mejorar un objetivo solo es posible a expensas de al menos otro.
  • Grado de interacción (α): Una variable de diseño en vigas compuestas que representa el nivel de conexión entre el acero y el hormigón, influyendo en su comportamiento estructural combinado.
  • Estado límite último (ULS): Verificaciones relacionadas con la capacidad de la estructura para resistir las cargas máximas sin colapsar, incluyendo la tensión de cizallamiento y el momento de flexión.
  • Estado límite de servicio (SLS): Verificaciones relacionadas con el rendimiento de la estructura bajo cargas normales para garantizar la comodidad y la funcionalidad, como la limitación de los desplazamientos y las aceleraciones.
  • Penalización: Un método utilizado en algoritmos de optimización para hacer que las soluciones que no cumplen con las restricciones de diseño sean menos atractivas para el algoritmo, agregando un valor a la función objetivo.

Seguimiento inteligente de deslizamientos en suelos de loess: aplicaciones prácticas y lecciones para el ingeniero civil

Acaban de publicar un artículo en la revista, Geomechanics for Energy and the Environment, de la editorial Elsevier, indexada en el JCR. El presente artículo examina un estudio que combina medición en pilotes de hormigón armado, tecnologías GNSS e InSAR y simulaciones de elementos finitos para entender cómo interactúan factores como la presión, la temperatura y la humedad en la evolución de taludes colapsables.

Este trabajo se enmarca dentro del proyecto de investigación RESILIFE, que dirijo como investigador principal, junto con el profesor Julián Alcalá, en la Universitat Politècnica de València, y es fruto de la colaboración internacional con investigadores de la Hunan University of Science and Engineering (China).

Podéis descargar el artículo de forma gratuita, hasta el 22 de julio de 2025, en la siguiente dirección: https://authors.elsevier.com/c/1lCKs8MtfNSrg1

En entornos donde los suelos de loess presentan alta susceptibilidad a deslizamientos, disponer de información precisa y temprana resulta determinante para garantizar la estabilidad de las infraestructuras y la seguridad de las comunidades.  A partir de los datos de campo y de la validación numérica, se extraen conclusiones clave sobre cómo dimensionar sistemas de refuerzo, configurar umbrales de alerta temprana y optimizar el diseño de pilotes en proyectos reales. A lo largo del texto se detallan tanto la metodología empleada como las aportaciones más relevantes, la interpretación de los resultados y las líneas futuras de investigación, de modo que el profesional del sector disponga de criterios sólidos para aplicar en obra o en la elaboración de proyectos de contención y estabilización en loess.

Metodología

El estudio combina la vigilancia de campo y simulación numérica para caracterizar el comportamiento de deslizamientos en suelos de loess. Se diseñó una red de instrumentación que incluye:

  • Pilotes de hormigón armado con sensores de presión y temperatura instalados a distintas profundidades (entre 2 m y 16 m). Estos sensores registran continuamente variaciones de tensión y temperatura, permitiendo asociar cambios térmicos con redistribuciones de fricción lateral entre pilote y suelo.
  • Receptores GNSS de alta precisión para medir desplazamientos superficiales con cadencia diaria.
  • Técnicas InSAR destinadas a generar mapas de deformación de superficie con resolución milimétrica.
  • Sensores de alambre vibrante para detectar cambios en humedad y densidad del terreno, claves para evaluar la resistencia interna del suelo y su evolución ante variaciones de carga y humedad.

En paralelo, en laboratorio se realizaron ensayos geomecánicos sobre muestras de loess. Se determinaron parámetros fundamentales: cohesión, ángulo de fricción, módulo de deformación y relación de vacíos. Estos datos alimentaron un modelo tridimensional de elementos finitos de tipo termomecánico, que incorpora:

  1. Parámetros de resistencia al corte y rigidez del suelo, calibrados mediante comparación con los desplazamientos y tensiones reales observados en campo.
  2. Condiciones de contorno tomadas de las lecturas de GNSS, InSAR y sensores en pilotes, para reproducir las condiciones de carga estática y los ciclos térmicos naturales.
  3. Proceso de optimización iterativa, ajustando el modelo hasta que las predicciones de deformación coincidieran con los datos de monitorización (diferencia inferior al 5 % entre desplazamientos numéricos y medidos) .

Este enfoque dual—campo y simulación—garantiza que las conclusiones numéricas se basen en datos reales y que los sistemas de seguimiento puedan ser validados frente a un modelo predictivo confiable.

Aportaciones relevantes

El artículo introduce un método integral de monitorización inteligente que va más allá del registro de desplazamientos superficiales. Los aspectos más destacados, con aplicación directa para el ingeniero civil, son:

  • Medición de tensiones internas en profundidad: La instalación de sensores de presión en pilotes permite identificar aumentos de carga a diferentes niveles. Los resultados mostraron que la presión tiende a incrementarse de forma monótona con la profundidad, lo que indica que los estratos inferiores soportan una mayor carga estática. Este comportamiento aporta información valiosa para dimensionar pilotes y elementos de refuerzo, pues revela en qué zonas del talud se concentran esfuerzos críticos antes de que se trasladen a la superficie.
  • Indicadores térmicos de fricción lateral: Las variaciones de temperatura registradas en los pilotes resultan ser un indicador temprano de cambios en la interacción entre el hormigón y el terreno. Aumentos de temperatura intermedios de hasta 3 °C por ciclos diurnos se correlacionaron con un incremento momentáneo de fricción lateral, lo que puede retrasar o anticipar movimientos dependientes de la descompresión del terreno. Para el ingeniero, esto significa que el seguimiento térmico aporta información adicional sobre el estado crítico del pilote antes de observar movimientos visibles.
  • Integración de GNSS e InSAR: Al combinar medidas GNSS (desplazamientos puntuales diarios) con mapas InSAR (cobertura continua de la superficie), se obtiene una visión conjunta de movimientos tanto profundos como superficiales. En el estudio, los desplazamientos de superficie máximos alcanzaron 26,2 mm, con velocidades de 0,11 mm/día, mientras que en profundidad se observaron desplazamientos de hasta 5,64 mm. Estos resultados permiten calibrar sistemas de alerta temprana sobre umbrales de desplazamiento en superficie que reflejen con mayor fiabilidad la evolución interna del talud.
  • Validación del modelo numérico: La comparación entre las simulaciones de elementos finitos y los datos de campo mostró concordancia en las tendencias de deformación. El modelo predijo con precisión que los bloques con geometría más inclinada y menor cohesión interna sufrirían desplazamientos sustanciales (hasta 6,48 m en algunos tramos simulados), mientras que bloques de forma más estable presentaron desplazamientos medios inferiores a 0,20 m. Esta validación otorga credibilidad al modelo para anticipar magnitudes de deformación en función de propiedades geomecánicas y geometría del talud.

En conjunto, estas aportaciones proveen al ingeniero civil una base sólida para diseñar sistemas de protección y refuerzo, establecer niveles de alerta basados en parámetros internos (presión y temperatura) y optimizar diseños de pilotes según las condiciones específicas del terreno de loess.

Discusión de resultados

Los registros de presión en pilotes revelaron que a profundidades superiores a 10 m los valores oscilan entre 50 kPa y 65 kPa, mientras que en los primeros metros (2 m–5 m) se sitúan entre 5 kPa y 20 kPa. Estos gradientes de presión confirman que la mayor parte de la carga estática recae en los estratos inferiores, algo habitual en suelos colapsables. Para el ingeniero, esta información práctica implica que, al diseñar pilotes de refuerzo, debe dimensionarse la sección y longitud considerando un incremento significativo de esfuerzos por debajo de 10 m de profundidad.

Asimismo, las variaciones térmicas registradas mostraron que, durante días con escasa precipitación, las temperaturas del hormigón en pilotes oscilan en un rango de 2 °C a 3 °C en zonas intermedias. Este efecto térmico se traduce en un aumento temporal de la fricción entre el pilote y el suelo, lo que actúa como un freno temporal al movimiento. Sin embargo, tras eventos de lluvia intensa, la entrada de agua reduce la temperatura y, simultáneamente, se observa una disminución de la fricción lateral, provocando repentinamente un aumento de desplazamientos en la superficie. Para el diseño práctico, esto sugiere que los sistemas de alerta temprana deben incorporar sensores de temperatura en pilotes para correlacionar descensos térmicos con posibles incrementos de desplazamiento.

Los desplazamientos superficiales medidos mediante GNSS e InSAR confirman que los movimientos más significativos (hasta 26,2 mm) se producen después de periodos de lluvia intensa, cuando la capacidad de drenaje del loess se ve limitada y presta a la saturación parcial del estrato superior. En estos momentos, los desplazamientos profundos (hasta 5,64 mm) preceden a los superficiales, lo que indica que la evolución interna puede anticipar la inestabilidad. En la práctica, esto recomienda que el seguimiento continuo de movimientos profundos—detectables por un ligero desplazamiento en pilotes o por un ligero aumento de presión de poros—sea prioridad para emitir avisos antes de observar grandes desplazamientos en la superficie.

Desde el punto de vista de la simulación numérica, el modelo de elementos finitos calibrado con los parámetros geomecánicos del loess mostró que los desplazamientos máximos simulados en bloques con ángulos de inclinación superiores a 30° podrían alcanzar valores de hasta 6,48 m en escenarios extremos de carga gradual. En contraste, bloques con inclinación por debajo de 20° presentaron apenas 0,20 m de deformación promedio. Estos resultados empíricos permiten al ingeniero estimar rangos de deformación potenciales según la geometría del talud y decidir si es necesario instalar medidas de contención adicionales (muros de mampostería, gaviones o anclajes). Asimismo, la validación numérica asegura que, en proyectos futuros, el ingeniero pueda confiar en simulaciones previamente calibradas para evaluar la viabilidad de distintas intervenciones.

Futuras líneas de investigación

Con el objetivo de mejorar la práctica profesional, se proponen las siguientes líneas de estudio:

  1. Escenarios sísmicos y precipitaciones extremas: Ampliar la investigación hacia eventos sísmicos de magnitud superior a 5,0 Ritcher y lluvias prolongadas con más de 50 mm/día. Es preciso analizar la respuesta dinámica del suelo y del hormigón en pilotes, incorporando modelos viscoelásticos que reflejen el comportamiento frente a aceleraciones y ciclos de carga rápidos. Esto permitirá definir nuevos criterios de seguridad para zonas de riesgo sísmico y diseñar pilotes con mayor ductilidad o sistemas de disipación de energía.
  2. Control de humedad y nivel freático: Incluir sensores de humedad de alta frecuencia y piezómetros para registrar en tiempo real la evolución del nivel de agua en el subsuelo. Vincular estos datos con la variación de presión de poros y temperatura en pilotes facilitará una lectura más precisa de la dinámica agua-suelo, identificando umbrales de saturación que reduzcan drásticamente la cohesión del loess. Para la práctica, esto significa instar a la instalación de estaciones meteorológicas locales y piezómetros en proyectos en zonas colapsables.
  3. Algoritmos de aprendizaje automático: Desarrollar modelos que integren todos los datos multi-sensoriales (GNSS, InSAR, presión, temperatura, vibración y humedad) para detectar patrones tempranos de reactivación. Las redes neuronales profundas o las máquinas de soporte vectorial pueden clasificar con mayor antelación estados de riesgo, automatizando alertas y permitiendo intervenciones más eficientes. El ingeniero podría disponer de una herramienta que genere notificaciones automáticas al superar umbrales críticos combinados.
  4. Durabilidad de pilotes y fatiga térmica: Investigar la resistencia a largo plazo de los pilotes de hormigón sometidos a ciclos térmicos y mecánicos. Ensayos acelerados de fatiga térmica, por ejemplo, podrían simular 10 años de degradación en semanas de laboratorio, determinando la resistencia residual del hormigón y sus revestimientos. Estos estudios serían útiles para seleccionar aditivos o recubrimientos que impidan la aparición de fisuras por dilataciones y contracciones repetidas.
  5. Interacción entre tráfico e inestabilidades de talud: Analizar cómo las vibraciones generadas por tráfico rodado intenso afectan el desarrollo de grietas y concentraciones de tensión en suelos de loess. Mediante modelos acoplados vehículo-terreno, se podría determinar si reemplazar capas de refuerzo rígido por materiales con mayor capacidad disipadora de energía reduce los efectos adversos en taludes cercanos a carreteras. Esta línea resultará de utilidad para ingenieros de firmes y geotecnia que trabajen en infraestructuras viales cercanas a zonas inestables.

Conclusión

El estudio presenta una estrategia de seguimiento inteligente que combina mediciones de presión y temperatura en profundidad, datos GNSS e InSAR, y simulaciones numéricas termomecánicas para describir con detalle el comportamiento de deslizamientos en loess. Para el ingeniero civil, los hallazgos prácticos son:

  • La presión en pilotes crece significativamente con la profundidad, por lo que el dimensionado debe contemplar refuerzos más robustos bajo los 10 m.
  • Las variaciones térmicas en pilotes anticipan cambios de fricción lateral, recomendando el uso de sensores de temperatura para mejorar sistemas de alerta.
  • Los desplazamientos profundos preceden a los superficiales tras lluvias intensas, por lo que priorizar la monitorización interna puede prevenir movimientos de gran magnitud en superficie.
  • Los bloques con ángulos de inclinación superiores a 30° son más vulnerables y requieren medidas de contención adicionales, hecho que valida la simulación numérica como herramienta predictiva.

En definitiva, la combinación de datos de campo y modelización proporciona una base sólida para diseñar soluciones de refuerzo y sistemas de alerta temprana más ajustados a la realidad del terreno. Herramientas adicionales—como el seguimiento continuo de humedad, algoritmos de inteligencia artificial y estudios de fatiga térmica—podrían perfeccionar las estrategias de diseño y mantenimiento de infraestructuras en zonas de loess, favoreciendo la seguridad y la eficiencia de las intervenciones.

Referencia:

ZHOU, Z.; WANG, Y.J.; YEPES-BELLVER, L.; ALCALÁ, J.; YEPES, V. (2025). Intelligent monitoring of loess landslides and research on multi-factor coupling damage. Geomechanics for Energy and the Environment, DOI:10.1016/j.gete.2025.100692

Jornada sobre infraestructuras resilientes al clima

El Colegio de Ingenieros de Caminos, Canales y Puertos organizó una jornada sobre Infraestructuras Resilientes al Clima el 4 de abril en el Auditorio Agustín de Betancourt. Estas jornadas tan interesantes se grabaron en un vídeo, que ahora os dejo.

El vídeo, titulado «Jornada sobre Infraestructuras Resilientes al Clima», es un recurso muy valioso que aborda la creciente necesidad de desarrollar infraestructuras que puedan resistir y adaptarse a los efectos del cambio climático.

Durante la jornada, se presentaron diferentes puntos de vista sobre cómo la ingeniería civil puede hacer frente a estos desafíos, resaltando la importancia de la resiliencia climática en la planificación y gestión de infraestructuras. Y ahora, vamos a echar un vistazo más de cerca a todo lo que se habló en la jornada.

 

 

 

1. Importancia de la resiliencia climática

La resiliencia climática se ha convertido en un concepto central en la planificación de infraestructuras, debido a la creciente vulnerabilidad de las comunidades ante eventos climáticos extremos.

Los impactos del cambio climático, tales como huracanes, inundaciones y sequías, han aumentado en frecuencia e intensidad. Estos fenómenos no solo afectan a las infraestructuras físicas, sino que también tienen repercusiones sociales y económicas significativas, que incluyen la pérdida de vidas, desplazamientos forzados y daños económicos.

A modo ilustrativo, en la jornada se expusieron ejemplos de comunidades que han adoptado soluciones resilientes, tales como sistemas de drenaje mejorados, infraestructura verde y edificaciones diseñadas para resistir eventos extremos. Estos ejemplos ponen de manifiesto los beneficios tangibles a largo plazo que conlleva la inversión en resiliencia.

2. Oportunidades profesionales en ingeniería civil

La jornada puso de manifiesto que la búsqueda de infraestructuras resilientes está generando nuevas oportunidades profesionales para los ingenieros civiles.

Se evidenció una demanda de especialistas debido a la necesidad imperante de adaptación al cambio climático, lo que ha generado una demanda de expertos en diversas áreas, tales como la gestión de recursos hídricos, la planificación urbana sostenible y la ingeniería de infraestructuras.

Se subrayó la relevancia de la educación continua y la formación especializada para que los profesionales puedan afrontar los desafíos emergentes en este campo. Los programas de capacitación y certificación en resiliencia climática son de vital importancia para la preparación de los ingenieros del futuro.

3. Retos normativos y de implementación

Uno de los asuntos más críticos que se ha planteado es la necesidad imperativa de adaptar las normativas vigentes para facilitar la implementación de infraestructuras resilientes.

Un número significativo de normativas vigentes no han sido concebidas para hacer frente a los riesgos asociados al cambio climático. Esta situación puede generar obstáculos para la implementación de soluciones innovadoras y efectivas.

En este sentido, se destacó la importancia de la colaboración interdisciplinaria entre ingenieros, urbanistas, arquitectos y responsables políticos. Un enfoque interdisciplinario puede ayudar a crear un marco normativo que apoye la resiliencia y facilite la implementación de proyectos.

Finalmente, se presentan ejemplos de mejores prácticas de otras regiones que han logrado adaptar sus normativas con éxito, lo que puede servir de modelo para otras comunidades.

4. Ingeniería humanitaria y adaptación a emergencias

En las jornadas también se subrayó el rol de la ingeniería humanitaria en el desarrollo de infraestructuras resilientes.

En lo que respecta a los denominados «Proyectos de respuesta rápida», se debatieron enfoques para el diseño de infraestructuras que puedan ser implantadas con celeridad en situaciones de emergencia, garantizando que las comunidades afectadas tengan acceso a servicios básicos de manera inmediata.

Por último, se abordó la importancia de la capacitación y los recursos, así como la formación de equipos de respuesta a emergencias y la disponibilidad de recursos adecuados, elementos esenciales para asegurar que las infraestructuras puedan soportar eventos extremos y facilitar la recuperación.

5. Educación y conciencia social

La jornada puso de manifiesto la importancia de la educación y la comunicación en la promoción de infraestructuras resilientes.

Es imperativo que la sociedad comprenda la relevancia de invertir en infraestructuras resilientes. En este sentido, la educación desempeña un papel crucial, ya que permite a las comunidades identificar los beneficios a largo plazo de tales inversiones.

Se propusieron programas de sensibilización que involucren a la comunidad en la planificación y diseño de infraestructuras, fomentando un sentido de propiedad y responsabilidad.

6. Financiación de infraestructuras resilientes

La financiación constituye uno de los desafíos más significativos en el desarrollo de infraestructuras resilientes.

En lo que respecta a las fuentes de financiación, se presentan diversas estrategias para asegurar fondos, tales como la colaboración entre los sectores público y privado, así como la búsqueda de fondos internacionales destinados a proyectos de adaptación y mitigación del cambio climático.

También se presentaron ejemplos de modelos de inversión exitosos que han permitido financiar proyectos de infraestructura resiliente, destacando la importancia de demostrar el retorno de inversión a largo plazo.

7. Implementación de directivas y normativas en España

La jornada abordó la implantación de la directiva de gestión de avenidas en España, cuyo objetivo es el de mejorar la preparación y respuesta ante inundaciones.

Se abordó la cuestión de las dificultades que enfrentan las autoridades para aplicar estas directivas de manera efectiva, así como las adaptaciones necesarias para enfrentar fenómenos climáticos inesperados.

Finalmente, se presentaron las lecciones aprendidas de la implantación de estas directivas, así como recomendaciones para mejorar la efectividad de las políticas existentes.

8. Innovaciones tecnológicas y soluciones sostenibles

La jornada destacó la importancia de la tecnología en el desarrollo de infraestructuras resilientes. También se abordó el tema de tecnologías emergentes, tales como la inteligencia artificial y el modelado predictivo, que tienen el potencial de ayudar a anticipar y gestionar los riesgos climáticos.

En lo que respecta a la Infraestructura Verde, se expusieron soluciones basadas en la integración de la naturaleza, como los techos verdes y los sistemas de drenaje sostenible, que se presentan como una estrategia eficaz para aumentar la resiliencia de las infraestructuras.

9. Perspectivas futuras y llamado a la acción

La jornada concluyó con una exhortación a la acción dirigida a todos los profesionales implicados en la planificación y gestión de infraestructuras.

Se hizo especial hincapié en que la responsabilidad de hacer frente al cambio climático es compartida y requiere la colaboración de todos los sectores de la sociedad.

Asimismo, se instó a los profesionales a adoptar una visión a largo plazo en la planificación de infraestructuras, contemplando no solo las necesidades actuales, sino también los desafíos futuros que plantea el cambio climático.

Conclusión

La jornada sobre infraestructuras resilientes al clima constituye un llamamiento a la acción dirigido a los profesionales de la ingeniería civil y otros actores implicados en la planificación y gestión de infraestructuras. La adaptación al cambio climático no solo es una responsabilidad, sino una oportunidad para innovar y crear un futuro más seguro y sostenible. Para ello, resulta imprescindible la colaboración, la educación y la inversión, que son pilares fundamentales para lograr infraestructuras que no solo resistan los desafíos actuales, sino que también estén preparadas para los retos del futuro. Este enfoque integral resulta imperativo para asegurar que las comunidades no solo sobrevivan, sino que prosperen en un mundo cada vez más afectado por el cambio climático.

Aquí tenéis un mapa conceptual de la jornada.

Pero creo que lo mejor es que, si tenéis un rato, oigáis de primera mano todas y cada una de las intervenciones en este vídeo. Espero que os sea de interés.

Glosario de términos clave

  • Adaptación al Cambio Climático: Proceso de ajuste a los impactos actuales o esperados del cambio climático. En el contexto de las infraestructuras, implica modificar su diseño, construcción y operación para soportar condiciones climáticas extremas.
  • Resiliencia (Climática): Capacidad de un sistema, comunidad o infraestructura para anticipar, resistir, adaptarse y recuperarse de eventos adversos del clima.
  • Dana (Depresión Aislada en Niveles Altos): Fenómeno meteorológico que puede causar lluvias torrenciales e inundaciones severas, mencionado en el texto como causa de trágicas consecuencias.
  • Niveles Preindustriales: Periodo de referencia (antes de la Revolución Industrial) utilizado para medir el aumento de la temperatura global debido a las actividades humanas.
  • Fenómenos Meteorológicos Extremos: Eventos climáticos de intensidad inusual, como olas de calor, sequías, inundaciones torrenciales y tormentas severas.
  • Infraestructuras Críticas: Infraestructuras esenciales para el funcionamiento de la sociedad y la economía, como las de transporte, energía, agua y telecomunicaciones, cuya afectación tiene consecuencias significativas.
  • Plan Nacional de Adaptación al Cambio Climático (PNACC): Marco de acción en España para integrar el cambio climático en la planificación sectorial, incluyendo las infraestructuras.
  • Ley de Cambio Climático y Transición Energética (2021): Ley española que establece objetivos de reducción de emisiones y promueve la adaptación al cambio climático en diversos sectores.
  • Directiva de Resiliencia de Infraestructuras Críticas: Normativa de la Unión Europea que obliga a los Estados miembros a adoptar estrategias para mejorar la resiliencia de sus infraestructuras esenciales.
  • Seopán: Asociación de Empresas Constructoras y Concesionarias de Infraestructuras, mencionada por su análisis de inversión en infraestructuras prioritarias.
  • CEDEX (Centro de Estudios y Experimentación de Obras Públicas): Organismo técnico español que realiza estudios y análisis relacionados con la ingeniería civil y el medio ambiente.
  • Cuencas Hidráulicas: Áreas geográficas donde el agua drena hacia un río principal, mencionadas en relación con la planificación hidrológica y la gestión de inundaciones.
  • Soluciones Basadas en la Naturaleza: Enfoques para abordar los desafíos ambientales que utilizan o imitan procesos naturales para proporcionar beneficios tanto para el medio ambiente como para la sociedad.
  • Sistemas de Saneamiento: Infraestructuras urbanas destinadas a la recogida y tratamiento de aguas residuales y pluviales.
  • Vías Separativas: Sistemas de saneamiento en los que las aguas residuales y las aguas pluviales se recogen y transportan por redes de tuberías separadas.
  • Resiliencia Estructural: Capacidad de una estructura para mantener su función y recuperarse después de ser sometida a eventos extremos o perturbaciones.
  • Robustez: Capacidad de una infraestructura o sistema para resistir un evento adverso sin una pérdida significativa de funcionalidad.
  • Rapidez (en Resiliencia): Velocidad con la que un sistema o infraestructura puede recuperarse y restaurar su funcionalidad después de una perturbación.
  • Análisis de Riesgos Climáticos: Evaluación de la probabilidad e impacto potencial de los eventos climáticos adversos sobre las infraestructuras.
  • Marco de Sendai para la Reducción del Riesgo de Desastres (2015-2030): Acuerdo internacional que establece un marco global para la reducción del riesgo de desastres, incluyendo la importancia de invertir en resiliencia.
  • Predicción y Modelos Predictivos: Uso de datos y herramientas para anticipar futuros eventos climáticos y sus posibles impactos.
  • Incertidumbre Profunda: Situación en la que hay una falta de conocimiento sobre las probabilidades o los posibles resultados de un evento.
  • Cisne Negro (Teoría): Término utilizado para describir eventos altamente improbables, de gran impacto y que solo se pueden explicar o predecir en retrospectiva.
  • Disponibilidad: Capacidad de una infraestructura para estar operativa y proporcionar su servicio.
  • Capacidad (en Infraestructura): Volumen o nivel de servicio que una infraestructura puede soportar o manejar.
  • Vulnerabilidad: Susceptibilidad de una infraestructura a sufrir daños o perder funcionalidad debido a un evento climático adverso.
  • Exposición: Grado en que una infraestructura está situada en un área propensa a eventos climáticos adversos.
  • Sensibilidad: Grado en que una infraestructura se ve afectada por un evento climático adverso una vez expuesta a él.
  • Escenarios de Cambio Climático: Proyecciones de posibles futuras condiciones climáticas basadas en diferentes supuestos sobre las emisiones de gases de efecto invernadero.
  • Trayectorias Socioeconómicas Compartidas (SSP): Marcos utilizados en la investigación del cambio climático para describir posibles futuros socioeconómicos y sus implicaciones para las emisiones y la adaptación.
  • Análisis Coste-Beneficio: Método para evaluar la rentabilidad de diferentes opciones de inversión, comparando los costos y beneficios esperados.
  • Gobernanza: Procesos y estructuras para tomar decisiones e implementar acciones, en este contexto, relacionadas con la resiliencia de las infraestructuras.
  • Inventario de Activos: Base de datos que contiene información detallada sobre las infraestructuras y sus componentes.
  • Sistemas de Ayuda a la Decisión: Herramientas informáticas y modelos que asisten en la toma de decisiones complejas, como la gestión de inundaciones o sequías.
  • Llanuras de Inundación Controlada: Áreas designadas para ser inundadas de manera planificada durante eventos de crecida para reducir el riesgo en otras zonas.
  • Probable Maximum Flood (PMF) / Avenida Máxima Probable: Estimación del evento de inundación más severo que es razonablemente posible en un lugar dado.
  • Flash Floods / Crecidas Repentinas: Inundaciones rápidas y violentas que ocurren con poca o ninguna advertencia, a menudo causadas por lluvias torrenciales intensas.
  • Six Sigma: Metodología de gestión de procesos que busca reducir al mínimo la probabilidad de defectos o errores.
  • Poka-yoke: Sistemas a prueba de errores diseñados para prevenir o detectar errores humanos.
  • Consorcio Administrativo: Entidad legal formada por varias administraciones públicas para coordinar y ejecutar acciones conjuntas.
  • Gemelos Digitales: Réplicas virtuales de sistemas o infraestructuras físicas que permiten la simulación y el análisis.
  • Big Data: Conjuntos de datos muy grandes y complejos que pueden ser analizados para revelar patrones y tendencias.
  • Ingeniería Humanitaria: Aplicación de principios y habilidades de ingeniería para abordar crisis humanitarias y promover el bienestar humano.
  • Estacionariedad Climática: Suposición de que las propiedades estadísticas del clima (como las distribuciones de precipitación o temperatura) permanecen constantes a lo largo del tiempo.
  • Análisis Probabilístico: Enfoque para evaluar la probabilidad de ocurrencia de eventos y sus posibles consecuencias.
  • Métodos Semiprobalísticos: Métodos de diseño estructural que utilizan factores de seguridad parciales basados en consideraciones probabilísticas.
  • Trayectorias Adaptativas: Secuencias de medidas de adaptación que se pueden implementar a lo largo del tiempo para hacer frente a los impactos cambiantes del cambio climático.
  • KPIs Financieros (Indicadores Clave de Rendimiento Financiero): Métricas utilizadas para evaluar el desempeño financiero, que pueden incorporarse en el análisis de la resiliencia de las infraestructuras.

Optimización estructural multiobjetivo en edificios: cómo reducir costos y emisiones con vigas de sección variable

Acaban de publicar nuestro artículo en la revista Energy and Buildings, de la editorial Elsevier, indexada en D1 del JCR. El estudio presenta una tipología estructural compuesta que combina columnas de hormigón armado con vigas de acero de sección variable híbrida transversal (THVS) para optimizar el coste económico, las emisiones de CO₂ y la energía incorporada en la construcción de edificios.

Este trabajo se enmarca dentro del proyecto de investigación RESILIFE, que dirijo como investigador principal, junto con el profesor Julián Alcalá, en la Universitat Politècnica de València.

El estudio plantea la siguiente pregunta de investigación: ¿en qué medida la optimización del diseño estructural de edificios en marco mediante el uso de una tipología compuesta con columnas de hormigón armado y vigas de sección variable transversamente híbridas (THVS) contribuye a la reducción del coste económico, de las emisiones de CO₂ y de la energía incorporada en la construcción?

Esta formulación permite abordar de manera precisa la problemática del impacto ambiental y económico del sector de la construcción, orientando la investigación hacia la identificación de configuraciones estructurales que minimicen estos factores mediante metodologías de optimización. La pregunta define claramente el problema central: la búsqueda de una alternativa estructural más eficiente que las tipologías tradicionales de hormigón armado.

Metodología

El estudio adopta un enfoque de optimización estructural basado en la combinación de Biogeography-Based Optimization (BBO) y Constrained Deterministic Local Iterative Search (CDLIS). Este enfoque permite buscar de manera eficiente soluciones en un espacio de diseño altamente complejo. Se analizan tres tipologías estructurales:

  1. Estructura tradicional de hormigón armado: Se optimizan las dimensiones de vigas, columnas y cimentaciones, así como la calidad del hormigón utilizado.
  2. Estructura compuesta con vigas THVS y uniones rígidas: Se sustituyen las vigas de hormigón armado por vigas THVS con conexiones fijas a las columnas.
  3. Estructura compuesta con vigas THVS y uniones articuladas: Similar a la anterior, pero con conexiones articuladas.

Las funciones objetivo optimizadas incluyen:

  • Coste económico: Calculado con base en los precios unitarios de materiales y procesos constructivos.
  • Emisiones de CO₂(e): Evaluadas según un enfoque «cradle-to-site», considerando la extracción de materias primas, fabricación y construcción.
  • Energía incorporada: Calculada en términos de consumo energético total en las fases de producción y construcción.

Se tienen en cuenta restricciones estructurales y de servicio según las normativas de diseño. Además, se implementa la interacción suelo-estructura mediante un modelo de tipo Winkler para evaluar los asentamientos diferenciales y su efecto en el diseño estructural.

Aportaciones relevantes

  • La tipología compuesta con vigas THVS y conexiones rígidas logra una reducción del 6 % en costes económicos, del 16 % en emisiones de CO₂ y del 11 % en energía incorporada para edificios con luces de 4 m.
  • Para edificios con luces de 8 m, la configuración con uniones articuladas permite reducir los costos económicos y las emisiones en un 5 % y un 6 %, respectivamente, aunque con un mayor consumo de energía.
  • Se demuestra que la menor carga axial transmitida por las vigas THVS reduce las solicitaciones en columnas y cimentaciones, lo que optimiza su diseño y reduce su impacto ambiental.
  • Se comprueba que el uso de acero de mayor calidad en las alas de las vigas THVS en comparación con el alma mejora la eficiencia estructural, con razones de hibridación (Rh) entre 1,2 y 2,0.

Discusión de resultados

El análisis de los resultados revela diferencias significativas entre las configuraciones estructurales. En los edificios con luces reducidas (4 m), las vigas THVS con uniones rígidas ofrecen el mejor rendimiento en términos de coste y sostenibilidad. En cambio, en edificios con luces mayores (8 m), las conexiones articuladas permiten un mejor aprovechamiento del material, aunque con una menor rigidez global.

Cabe destacar que la consideración de elementos de rigidización adicionales, como muros y losas, mejora notablemente el comportamiento de la tipología articulada, reduciendo su impacto ambiental en un 45 % y disminuyendo en un 60 % la carga axial sobre las columnas.

Líneas futuras de investigación

  • Perfeccionamiento del proceso de fabricación de vigas THVS, abordando aspectos como soldadura, control de calidad y optimización de ensamblaje.
  • Desarrollo de conexiones híbridas entre vigas THVS y columnas de hormigón armado, mejorando la eficiencia de transferencia de cargas.
  • Exploración de configuraciones mixtas de soporte, optimizando la selección de conexiones fijas o articuladas según las características del edificio.
  • Evaluación del comportamiento ante cargas dinámicas y sísmicas, considerando efectos de fatiga y estabilidad estructural.
  • Implementación de metamodelos para optimización computacional, reduciendo el tiempo de cálculo en simulaciones de alta fidelidad.

Conclusión

La optimización del diseño estructural de edificios en marco mediante el uso de vigas THVS permite reducir costes y mejorar la sostenibilidad ambiental. Las configuraciones con conexiones rígidas son particularmente eficientes en luces cortas, mientras que las conexiones articuladas son una alternativa viable en luces mayores cuando se combinan con elementos de rigidización adicionales. Estos hallazgos abren nuevas líneas de investigación en la aplicación y mejora de sistemas estructurales compuestos en ingeniería civil.

Referencia:

NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Design optimization of a composite typology based on RC columns and THVS girders to reduce economic cost, emissions, and embodied energy of frame building construction. Energy and Buildings, 336:115607. DOI:10.1016/j.enbuild.2025.115607

 

Modelos subrogados para optimizar el coste de pasos superiores pretensados

Acaban de publicar nuestro artículo en la revista Infrastructures, indexada en el JCR. El estudio presenta una metodología de optimización de costes para puentes losa aligerados postesados mediante metamodelos, en la que se destaca la aplicación del modelo Kriging en combinación con algoritmos heurísticos.

Este trabajo se enmarca dentro del proyecto de investigación RESILIFE, que dirijo como investigador principal, junto con el profesor Julián Alcalá, en la Universitat Politècnica de València.  A continuación, explicamos brevemente el contenido del artículo que podéis descargar gratuitamente.

La investigación se centra en un puente de tres vanos con luces de 24, 34 y 28 m, y optimiza el diseño estructural para reducir costes sin comprometer los criterios de servicio y seguridad. Se identifica una reducción del 6,54 % en los costes en comparación con enfoques tradicionales, lograda principalmente mediante la disminución del uso de hormigón en un 14,8 % y del pretensado en un 11,25 %.

El trabajo también evalúa distintas técnicas predictivas, como redes neuronales y funciones de base radial, y determina que las redes neuronales presentan el menor error de predicción, aunque requieren varias ejecuciones para garantizar estabilidad. En contraste, el modelo Kriging permite identificar óptimos locales con alta precisión. La metodología propuesta proporciona una estrategia eficiente para la toma de decisiones en ingeniería estructural, que promueve diseños de puentes más rentables sin comprometer el rendimiento estructural.

Figura. Paso superior en la autovía A-7, en Cocentaina (Alicante)

Los resultados indican que la optimización mediante modelos subrogados permite reducir significativamente los costes de diseño de pasos superiores pretensados. La estrategia adoptada optimiza variables como la profundidad de la losa, la geometría de la base y la resistencia del hormigón, y respeta las restricciones impuestas por los estados límite de servicio, que son los últimos según el Eurocódigo 2. Se observa que la metodología basada en kriging y la optimización heurística proporciona resultados prácticos con menor esfuerzo computacional en comparación con la optimización directa de todas las variables estructurales.

El modelo Kriging optimizado mediante Simulated Annealing identificó una configuración de losa con una profundidad de 1,30 m y una base de 3,15 m como la solución más rentable. Esta configuración se corrobora mediante la predicción de redes neuronales, lo que muestra coherencia en la localización del óptimo. En comparación con estudios previos, los resultados indican que la metodología utilizada en este trabajo permite obtener ahorros significativos sin necesidad de analizar exhaustivamente cada alternativa estructural.

A partir de los hallazgos obtenidos, se sugiere explorar la integración de métodos de optimización multiobjetivo que tengan en cuenta no solo el coste, sino también el impacto ambiental y los costes de mantenimiento a lo largo del ciclo de vida del puente. La inclusión de criterios de sostenibilidad podría mejorar la eficiencia global del diseño estructural y su capacidad de adaptación a normativas futuras.

Otra línea de investigación relevante consiste en aplicar modelos subrogados en el diseño de otros tipos de estructuras, como puentes de vigas o marcos de hormigón armado, para evaluar su viabilidad en distintas configuraciones estructurales. Además, el desarrollo de modelos predictivos más sofisticados, que integren aprendizaje automático y simulaciones de alta fidelidad, podría optimizar aún más los diseños propuestos.

Por último, se recomienda estudiar el impacto de la variabilidad de los materiales y las condiciones de carga en la optimización del diseño. La incorporación de análisis probabilísticos mejoraría la fiabilidad de las soluciones obtenidas, ya que se obtendrían diseños estructurales más robustos y seguros.

Referencia:

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.

Pincha aquí para descargar

Introducción a los Modelos de Ecuaciones Estructurales (SEM)

Simbología y nomenclatura de los modelos PLS (Aldas, 2018)

Los modelos de ecuaciones estructurales (SEM, por sus siglas en inglés) son una técnica estadística multivariante utilizada para analizar y estimar relaciones causales, combinando datos estadísticos con suposiciones cualitativas sobre la causalidad. Esta metodología es especialmente valiosa en las ciencias sociales, la psicología, el marketing y otras disciplinas en las que las relaciones entre variables no son lineales y pueden involucrar tanto variables observables como latentes. Gracias a los SEM, los investigadores no solo pueden comprobar teorías existentes, sino también desarrollar nuevas hipótesis y modelos que reflejen la realidad de los fenómenos estudiados.

Los modelos de ecuaciones estructurales (MES) combinan el análisis factorial y la regresión lineal para evaluar la correspondencia entre los datos observados y el modelo hipotetizado, que se representa mediante un diagrama de senderos. Los MES proporcionan los valores asociados a cada relación del modelo y un estadístico que mide el ajuste de los datos y valida el modelo.

Una de sus principales fortalezas es la capacidad de construir variables latentes, es decir, variables no observables directamente, sino estimadas a partir de otras que covarían entre sí. Esto permite tener en cuenta explícitamente la fiabilidad del modelo. Además, el análisis factorial, el análisis de caminos y la regresión lineal son casos particulares dentro del enfoque de los MES.

Fundamentos teóricos

Variables latentes y observables:

  • Variables latentes: son constructos teóricos que no pueden medirse directamente. Por ejemplo, la «satisfacción del cliente» o «lealtad a la marca» son variables latentes que se infieren a partir de las respuestas a encuestas o del comportamiento observable.
  • Variables observables: son los indicadores que se utilizan para medir las variables latentes. Por ejemplo, en el caso de la satisfacción del cliente, las respuestas a preguntas específicas en una encuesta (como «¿Qué tan satisfecho está con nuestro servicio?»), son variables observables.

Modelo estructural vs. modelo de medida:

  • Modelo estructural: describe las relaciones causales entre las variables latentes. Este modelo permite a los investigadores establecer hipótesis sobre cómo una variable puede influir en otra.
  • Modelo de medida: establece cómo se relacionan las variables observables con las variables latentes. Es fundamental validar este modelo para garantizar que los indicadores reflejan realmente el constructo que se pretende medir.
Ejemplo de un modelo de medida y un modelo estructural

Tipos de modelos

Existen dos enfoques principales en SEM:

Análisis de estructuras de covarianza (CB-SEM):

  • Este enfoque se basa en la matriz de varianza-covarianza y es adecuado para contrastar teorías y probar hipótesis. CB-SEM es una técnica paramétrica que requiere que se cumplan ciertos supuestos estadísticos, como la normalidad multivariada y la independencia de las observaciones.
  • Aplicaciones: Ideal para estudios confirmatorios donde se busca validar teorías existentes. Se utiliza comúnmente en investigaciones que requieren un alto nivel de rigor estadístico.

Mínimos cuadrados parciales (PLS-SEM):

  • Este enfoque es más flexible y no requiere los mismos supuestos rigurosos que CB-SEM. PLS-SEM se centra en maximizar la varianza explicada de las variables latentes dependientes a partir de las variables latentes independientes.
  • Ventajas: Funciona bien con muestras pequeñas y permite la inclusión de constructos formativos, lo que amplía su aplicabilidad en contextos donde los constructos son complejos y multidimensionales.
  • Aplicaciones: Es especialmente útil en estudios exploratorios y en situaciones donde se busca hacer predicciones, como en el análisis de comportamiento del consumidor.

Metodología de PLS-SEM

La metodología de PLS-SEM se puede resumir en varias etapas clave:

  1. Inicialización: Se obtiene una primera aproximación a los valores de las variables latentes a partir de sus indicadores. Este paso es crucial para establecer un punto de partida en el proceso de estimación.
  2. Estimación de coeficientes de regresión: Se estiman los pesos o coeficientes de regresión de las variables latentes. Este proceso implica calcular las relaciones entre las variables latentes y sus indicadores, así como entre las variables latentes mismas.
  3. Optimización: Se busca maximizar el coeficiente de determinación (R²) de los factores latentes mediante un proceso iterativo. Este proceso de optimización es fundamental para mejorar la precisión de las estimaciones y asegurar que el modelo se ajuste adecuadamente a los datos.
  4. Evaluación de la validez y fiabilidad: Se analizan los constructos para asegurar que miden correctamente lo que se pretende medir. Esto incluye:
    —Fiabilidad individual: Evaluación de la consistencia interna de cada indicador utilizando el alfa de Cronbach.
    —Validez convergente: Medida a través de la varianza extraída (AVE), que debe ser superior a 0,5 para indicar que los indicadores reflejan el mismo constructo.
    —Validez discriminante: Comparación de las correlaciones entre constructos para asegurar que cada constructo es significativamente diferente de los demás. Esto se puede evaluar utilizando el criterio de Fornell-Larcker, que establece que la raíz cuadrada del AVE de cada constructo debe ser mayor que las correlaciones entre constructos.

Ventajas y desventajas de PLS-SEM

Ventajas:

  • Flexibilidad: PLS-SEM no requiere normalidad multivariada, lo que lo hace más accesible para investigadores en ciencias sociales que trabajan con datos no normales.
  • Muestras pequeñas: Funciona bien con muestras pequeñas, lo que es ventajoso en estudios exploratorios donde la recolección de datos puede ser limitada.
  • Constructos formativos: Permite la inclusión de constructos formativos, lo que amplía su aplicabilidad en contextos donde los constructos son complejos y multidimensionales.

Desventajas:

  • Falta de indicadores de ajuste global: PLS-SEM no proporciona indicadores de ajuste global del modelo, lo que puede limitar la comparación entre modelos y la evaluación de su calidad.
  • Restricciones en la estructura del modelo: Cada variable latente debe estar conectada a otra mediante una relación estructural, lo que puede ser restrictivo en algunos contextos.
  • Estimaciones no óptimas: La estimación de parámetros no es óptima en términos de sesgo y consistencia a menos que se utilice el algoritmo PLS consistente, lo que puede afectar la validez de los resultados.

Presentación de resultados

Al presentar los resultados de un análisis SEM, se recomienda estructurarlos en tablas que resuman la fiabilidad y validez del instrumento de medida, así como los análisis de validez discriminante y las hipótesis contrastadas. Así se facilita la comprensión y la interpretación de los resultados por parte de otros investigadores y lectores. La presentación clara y concisa de los resultados es esencial para garantizar la reproducibilidad y la transparencia de la investigación.

Tablas recomendadas:

  • Tabla de fiabilidad y validez: Resumen de los índices de fiabilidad (alfa de Cronbach, fiabilidad compuesta) y validez (AVE).
  • Tabla de validez discriminante: Comparación de las correlaciones entre constructos y sus AVE.
  • Tabla de resultados estructurales: Coeficientes de regresión, R² y significancia de las relaciones estructurales.

Conclusión

Los modelos de ecuaciones estructurales son una herramienta muy valiosa en la investigación social y del comportamiento, ya que permiten a los investigadores modelar y analizar relaciones complejas entre variables. La elección entre CB-SEM y PLS-SEM dependerá de los objetivos de la investigación, la naturaleza de los datos y las hipótesis planteadas. Con una correcta aplicación y validación, SEM puede proporcionar información significativa y fiable en diversas áreas de estudio, contribuyendo al avance del conocimiento en múltiples disciplinas. Para cualquier investigador que busque explorar las complejidades de las relaciones entre variables en su campo de estudio, es esencial comprender profundamente esta metodología y aplicarla correctamente.

Referencias:

Aldás, J. (2018). Modelización estructural mediante Partial Least Squares-PLSPM. Apuntes del seminario de modelización estructural.

Bagozzi, R. P., & Yi, Y. (1988). On the evaluation of structural equation models. Journal of the Academy of Marketing Science, 16(1), 74–94.

Fornell, C., & Bookstein, F. L. (1982). Two structural equation models: LISREL and PLS applied to consumer exit-voice theory. Journal of Marketing Research, 19(4), 440–452.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2014). A primer on partial least square structural equation modeling (PLS-SEM). California, United States: Sage.

López, S., & Yepes, V. (2024). Visualizing the future of knowledge sharing in SMEs in the construction industry: A VOS-viewer analysis of emerging trends and best practices. Advances in Civil Engineering, 2024, 6657677.

Yepes, V., & López, S. (2023). The knowledge sharing capability in innovative behavior: A SEM approach from graduate students’ insights. International Journal of Environmental Research and Public Health, 20(2), 1284.

Os dejo a continuación un artículo explicativo al respecto. Espero que os sea de interés.
Pincha aquí para descargar

También os pueden ser útiles algunos vídeos al respecto.


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

Introducción a la teoría de juegos

https://upload.wikimedia.org/wikipedia/

La teoría de juegos es un área de las matemáticas aplicadas que utiliza modelos para estudiar interacciones en estructuras formales de incentivos, es decir, los llamados «juegos».

Se ha convertido en una herramienta clave para la economía y la administración de empresas, ya que ayuda a entender mejor la conducta humana en la toma de decisiones.

Los investigadores analizan las estrategias óptimas, así como el comportamiento previsto y observado de los individuos en dichos juegos. Tipos de interacción aparentemente distintos pueden tener estructuras de incentivos similares, lo que permite representar el mismo juego una y otra vez.

La teoría de juegos estudia las estrategias óptimas de los jugadores, así como su comportamiento previsto y observado, y ha contribuido a una mejor comprensión de la toma de decisiones humana.

La teoría de juegos aborda situaciones de decisión en las que hay dos oponentes inteligentes con objetivos opuestos. Algunos ejemplos típicos son las campañas de publicidad para productos de la competencia y las estrategias bélicas entre ejércitos. Estas situaciones difieren de las estudiadas previamente, en las que no se tiene en cuenta a la naturaleza como oponente adverso.

El juego es un modelo matemático que se utiliza para entender la toma de decisiones y la interacción entre los participantes, siendo el «dilema del prisionero» uno de los más conocidos. En este escenario, dos personas son arrestadas y encarceladas, y se fija la fecha del juicio. El fiscal se entrevista con cada prisionero por separado y les ofrece la siguiente opción: si uno confiesa y el otro no, el que confiesa queda libre y el otro recibe 20 años de prisión; si ambos confiesan, ambos cumplen 5 años; y si ninguno confiesa, ambos reciben 1 año de prisión. En este dilema, el destino de cada uno depende de la decisión del otro. Aunque confesar parece ser lo mejor, si ambos lo hacen, el castigo es peor que si guardan silencio.

https://www.bbc.com/mundo/noticias/2015/02/150220_teoria_de_juegos_que_es_finde_dv

La teoría de juegos se ha desarrollado y formalizado a partir de los trabajos de John von Neumann y Oskar Morgenstern, especialmente durante la Guerra Fría, debido a su aplicación en la estrategia militar. Los principales conceptos de la teoría de juegos incluyen los juegos de suma cero, los juegos de suma no cero, los equilibrios de Nash, los juegos cooperativos y los juegos de información perfecta e imperfecta.

En la teoría de juegos existen conceptos fundamentales para entender las interacciones estratégicas entre los agentes. Algunos de ellos son:

  • Estrategia: conjunto de acciones posibles que un jugador puede llevar a cabo en un juego. Las estrategias pueden ser puras (una acción única) o mixtas (una distribución de probabilidad sobre varias acciones).
  • Equilibrio de Nash: situación en la que ningún jugador tiene incentivos para cambiar su estrategia, dado el conjunto de estrategias de los demás. Es un concepto clave que describe una situación estable en la que las decisiones de los jugadores están equilibradas.
  • Juego de suma cero: tipo de juego en el que la ganancia total es constante, es decir, lo que uno gana, otro lo pierde. En estos juegos, el objetivo es maximizar la ganancia propia a expensas de los demás jugadores.

La matriz de recompensas es una herramienta clave en la teoría de juegos que representa las combinaciones de decisiones de los jugadores. Muestra los resultados, generalmente en forma de recompensas, para cada jugador según las decisiones de todos los participantes. Es decir, describe cómo las elecciones de cada jugador afectan a sus pagos o beneficios según las decisiones de los demás.

En un conflicto de este tipo hay dos jugadores, cada uno con una cantidad (finita o infinita) de alternativas o estrategias. Cada par de estrategias tiene una recompensa que un jugador paga al otro. A estos juegos se les llama de suma cero, ya que la ganancia de un jugador es igual a la pérdida del otro. Si los jugadores se representan por A y B, con m y n estrategias respectivamente, el juego se suele ilustrar con la matriz de recompensas para el jugador A.

La representación indica que si A usa la estrategia i y B usa la estrategia j, la recompensa para A es aij, y entonces la recompensa para B es —aij.

Aquí os dejo un esquema conceptual sobre la teoría de juegos.

Os dejo unos vídeos explicativos, que espero, os sea de interés:

En este vídeo se presentan los conceptos fundamentales de la teoría de juegos, que estudia cómo las decisiones de varios jugadores están interconectadas en situaciones estratégicas. A través de ejemplos visuales como matrices y árboles de decisión, se explica cómo los jugadores eligen estrategias para maximizar su utilidad teniendo en cuenta las acciones de los demás. Se destaca la importancia de entender los pagos y resultados de cada estrategia, lo que permite analizar comportamientos competitivos y cooperativos en diversos contextos.

En este otro vídeo se explican distintos tipos de juegos en teoría de juegos, como el dilema del prisionero, el juego del gato y el ratón y la batalla de los sexos, y se destacan sus equilibrios de Nash y las estrategias cooperativas o no cooperativas.

Referencias:

  • Binmore, K. (1994). Teoría de juegos. McGraw-Hill.
  • Friedman, J. W. (1991). Teoría de juegos con aplicaciones a la economía. Alianza Universidad.
  • Kreps, D. M. (1994). Teoría de juegos y modelación económica. Fondo de Cultura Económica.
  • Martínez-Muñoz, D., Martí, J. V., & Yepes, V. (2025). Game theory-based multi-objective optimization for enhancing environmental and social life cycle assessment in steel-concrete composite bridges. Mathematics, 13(2), 273. https://doi.org/10.3390/math13020273
  • Meyerson, R. (1991). Game theory: Analysis of conflict. Harvard University Press.
  • Nash, J. (1950). Equilibrium points in n-person games. Proceedings of the National Academy of the USA, 36(1), 48-49.
  • Poundstone, W. (1992). Prisoner’s dilemma: John von Neumann, game theory, and the puzzle of the bomb. Doubleday.

Licencia de Creative Commons

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

Fases de un estudio de investigación operativa

La investigación operativa busca determinar la solución óptima para un problema de decisión con recursos limitados. Se trata de un procedimiento científico que analiza las actividades de un sistema de organización.

Las principales componentes de un modelo de investigación operativa son: alternativas, restricciones y un criterio objetivo para elegir la mejor opción. Las alternativas se representan como variables desconocidas que luego se utilizan para construir las restricciones y la función objetivo mediante métodos matemáticos. El modelo matemático establece la relación entre estas variables, restricciones y función objetivo. La solución consiste en asignar valores a las variables para optimizar (maximizar o minimizar) la función objetivo y cumplir con las restricciones. A esta solución se le denomina solución posible óptima.

El enfoque del estudio de la ingeniería de operaciones está relacionado con la toma de decisiones para aprovechar al máximo los recursos limitados. Para ello, utiliza herramientas y modelos adaptados a las necesidades para facilitar la toma de decisiones en la resolución de problemas. Implica un trabajo en equipo entre analistas y clientes, con una estrecha colaboración. Los analistas aportan conocimientos de modelado y el cliente, experiencia y cooperación.

Como herramienta para la toma de decisiones, la investigación de operaciones combina ciencia y arte. Es ciencia por sus técnicas matemáticas y arte, porque el éxito en todas las fases, antes y después de resolver el modelo matemático, depende de la creatividad y experiencia del equipo. La práctica efectiva de la investigación de operaciones requiere más que competencia analítica, e incluye la capacidad de juzgar cuándo y cómo utilizar una técnica, así como habilidades de comunicación y adaptación organizativa.

Es complicado recomendar acciones específicas, como las de la teoría precisa de los modelos matemáticos, para abordar factores intangibles. Solo pueden ofrecerse directrices generales para aplicar la investigación de operaciones en la práctica.

El estudio de investigación operativa consta de varias etapas principales, entre las que destacan las siguientes:

  1. Formulación y definición del problema.
  2. Construcción del modelo.
  3. Solución del modelo.
  4. Verificación del modelo y de la solución.
  5. Puesta en práctica y mantenimiento de la solución.

Aunque las fases del proyecto suelen iniciarse en el orden establecido, no suelen completarse en el mismo orden. La interacción entre las fases requiere revisarlas y actualizarlas continuamente hasta la finalización del proyecto. La tercera fase es la única de carácter puramente matemático, ya que en ella se aplican las técnicas y teorías matemáticas necesarias para resolver el problema. El éxito de las demás etapas depende más de la práctica que de la teoría, siendo la experiencia el factor clave para su correcta ejecución.

Definir el problema implica determinar su alcance, tarea que lleva a cabo todo el equipo de investigación de operaciones. El resultado final debe identificar tres elementos principales: 1) descripción de las alternativas de decisión, 2) determinación del objetivo del estudio y 3) especificación de las restricciones del sistema modelado. Además, se deben recolectar los datos necesarios.

La formulación del modelo es quizá la fase más delicada del proceso, ya que consiste en traducir el problema a relaciones matemáticas. Si el modelo se ajusta a un modelo matemático estándar, como la programación lineal, puede resolverse con los algoritmos correspondientes. Para ello, deben definirse las variables de decisión, la función objetivo y las restricciones. Si las relaciones son demasiado complejas para una solución analítica, se puede simplificar el modelo mediante un método heurístico o recurrir a una simulación aproximada. En algunos casos, puede ser necesaria una combinación de modelos matemáticos, simulaciones y heurísticas para resolver el problema de toma de decisiones.

La solución del modelo es la fase más sencilla de la investigación de operaciones, ya que utiliza algoritmos de optimización bien definidos para encontrar la solución óptima. Un aspecto clave es el análisis de sensibilidad, que proporciona información sobre la forma en que la solución óptima responde a cambios en los parámetros del modelo. Esto es crucial cuando los parámetros no se pueden estimar con precisión, puesto que permite estudiar cómo varía la solución cerca de los valores estimados.

La validación del modelo verifica si cumple su propósito, es decir, si predice adecuadamente el comportamiento del sistema estudiado. Para ello, se evalúa si la solución tiene sentido y si los resultados son aceptables, comparando la solución con datos históricos para verificar si habría sido la correcta. Sin embargo, esto no garantiza que el futuro imite al pasado. Si el modelo representa un sistema nuevo sin datos históricos, se puede usar una simulación como herramienta independiente para comprobar los resultados del modelo matemático.

La implantación de la solución de un modelo validado consiste en traducir los resultados en instrucciones claras para quienes gestionarán el sistema recomendado. Esta tarea recae principalmente en el equipo de investigación de operaciones. En esta fase, el equipo debe capacitar al personal encargado de aplicar el modelo, asegurándose de que puedan traducir sus resultados en instrucciones de operación y usarlo correctamente para tomar decisiones sobre los problemas que motivaron su creación.

Os dejo algún vídeo al respecto.

Referencias:

Altier, W. J. (1999). The thinking manager’s toolbox: Effective processes for problem solving and decision making. Oxford University Press.

Checkland, P. (1999). Systems thinking, system practice. Wiley.

Evans, J. (1991). Creative thinking in the decision and management sciences. South-Western Publishing.

Gass, S. (1990). Model world: Danger, beware the user as a modeler. Interfaces, 20(3), 60-64.

Morris, W. (1967). On the art of modeling. Management Science, 13, B707-B717.

Paulos, J. A. (1988). Innumeracy: Mathematical illiteracy and its consequences. Hill and Wang.

Taha, H. A., & Taha, H. A. (2003). Operations research: an introduction (Vol. 7). Upper Saddle River, NJ: Prentice hall.

Willemain, T. R. (1994). Insights on modeling from a dozen experts. Operations Research, 42(2), 213-222.

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

Algunas reflexiones sobre el impacto del cambio climático en el comportamiento de las infraestructuras

El diseño estructural de infraestructuras, como edificios y puentes, se basa en códigos que establecen los criterios necesarios para garantizar su resistencia a diversas condiciones climáticas y ambientales. Estos códigos se actualizan periódicamente para reflejar los avances científicos y tecnológicos. Sin embargo, el cambio climático plantea un desafío disruptivo, ya que altera las condiciones climáticas de manera impredecible, lo que cuestiona la suposición de que las cargas climáticas son estacionarias.

En estas líneas se aborda cómo la transición del diseño estructural basado en estados límites ha influido en la forma en que se tienen en cuenta las variables climáticas. También aborda las dificultades que surgen al integrar el cambio climático en los modelos de riesgo estructural y analiza la necesidad de ajustar los métodos de estimación y diseño para tener en cuenta la creciente incertidumbre sobre el futuro climático.

Estas reflexiones se enmarcan dentro del proyecto RESILIFE, que actualmente desarrollo como investigador principal, y se han basado en algunas ideas desarrolladas en el trabajo reciente de Ellingwood et al. (2024).

Los códigos estructurales establecen los criterios necesarios para diseñar edificios, puentes y otras infraestructuras capaces de resistir las demandas de uso y los eventos ambientales o climáticos, como la nieve, el hielo, las lluvias, las tormentas de viento e inundaciones fluviales y costeras. Para garantizar que reflejen los últimos avances en ciencia e ingeniería, estos códigos se actualizan periódicamente, generalmente cada 5 o 10 años.

En las últimas cuatro décadas, los códigos estructurales de todo el mundo, como el «Minimum Design Loads and Associated Criteria for Buildings and Other Structures (ASCE 7-22)», las «LRFD Bridge Design Specifications (AASHTO)», el «International Building Code«, el «National Building Code of Canada» y los Eurocódigos, han adoptado los principios del diseño basado en estados límite. Durante este tiempo, los ingenieros estructurales y la normativa han reconocido la importancia de las herramientas de análisis de fiabilidad estructural y gestión del riesgo para modelar las incertidumbres asociadas a las cargas estructurales y la respuesta de las estructuras, y así garantizar un rendimiento adecuado en servicio (García-Segura et al., 2017). Con la transición del diseño basado en tensiones admisibles al diseño por estados límite, los criterios para las cargas climáticas han evolucionado gradualmente. Hasta ahora, estos criterios, basados en registros climáticos históricos y en evaluaciones de fiabilidad estructural, han tratado las cargas operativas y climáticas como estacionarias, asumiendo que el pasado es representativo del futuro.

El cambio climático plantea un desafío disruptivo y significativo para la evolución gradual de los códigos basados en el riesgo, así como para las prácticas de diseño estructural (ASCE, 2015a, 2018). La suposición de estacionariedad en el análisis de riesgos naturales deja de ser válida al tener en cuenta los efectos del cambio climático. Además, las incertidumbres asociadas a las proyecciones climáticas para el resto del siglo XXI son considerables, especialmente en lo que respecta a las cargas de viento, hielo y nieve (Tye et al., 2021). Las condiciones climáticas más agresivas podrían acelerar el deterioro estructural en ciertos casos, así como aumentar la intensidad y duración de los peligros. El cambio climático también ha suscitado controversia desde el punto de vista económico y político. Lograr consenso en los comités encargados de los códigos sobre el impacto del cambio climático en las infraestructuras requerirá una gestión técnica eficaz y una separación clara entre los aspectos políticos, como las causas del cambio climático, y los aspectos técnicos, como su impacto en las estructuras. Asimismo, podría haber oposición pública ante los costes adicionales que conlleven las modificaciones en los códigos climáticos. No obstante, ignorar los efectos del cambio climático en el comportamiento a largo plazo de las estructuras e infraestructuras podría incrementar el riesgo de daños y fallos, aumentar los costes de diseño, construcción y mantenimiento, agravar problemas de salud y seguridad públicas, interrumpir servicios esenciales y generar impactos socioeconómicos y ambientales negativos a nivel nacional.

Es fundamental abordar varias preguntas clave para considerar las exigencias del cambio climático en el desarrollo de los códigos estructurales. Entre ellas se encuentran (Ellingwood et al., 2024) :

  • ¿Cómo se debe modelar la no estacionariedad en la ocurrencia e intensidad de los eventos climáticos extremos provocados por el cambio climático?
  • ¿Cómo se deben integrar estas incertidumbres en un análisis de fiabilidad estructural dependiente del tiempo, con el fin de estimar el comportamiento futuro y demostrar el cumplimiento de los objetivos de rendimiento expresados en términos de fiabilidad?
  • ¿Cómo se puede convencer a los ingenieros estructurales y al público en general de la necesidad de aceptar estos cambios en interés nacional (Cooke, 2015), incluso si en algunos casos los costes de los sistemas de infraestructura aumentan?

Problemas y desafíos en el análisis de datos climáticos para el diseño estructural

Las variables climáticas empleadas en los códigos estructurales se basan principalmente en datos históricos. Los vientos extratropicales, la nieve, la temperatura y las precipitaciones se analizan exclusivamente a partir de estos datos. En el caso de los huracanes, se integran datos históricos en un marco que modela su génesis en la cuenca del Atlántico Norte, su desarrollo hasta convertirse en huracanes plenamente formados que impactan en infraestructuras costeras y su disipación tras tocar tierra. Estos análisis suponen que las variables climáticas pueden evaluarse como si fueran estacionarias, es decir, que el pasado es representativo del futuro y que sus intensidades pueden determinarse en función de sus periodos de retorno. Los datos se han recopilado para fines distintos al diseño de edificaciones, como la aviación comercial, la hidrología local, la gestión de recursos hídricos y la agricultura, y generalmente abarcan menos de 100 años.

La mayoría de las variables climáticas incluidas en los códigos se suelen determinar ajustando el parámetro extremo anual a una distribución de probabilidad. Entre las distribuciones más comunes utilizadas para este propósito se encuentran la distribución Tipo I de valores máximos y la distribución generalizada de valores extremos. El periodo de retorno o intervalo medio de recurrencia de una carga se calcula como el recíproco de la probabilidad anual de que dicha carga se supere. El error de muestreo en la estimación de los eventos base de diseño en una secuencia estacionaria para periodos de retorno superiores a 100 años puede ser considerable. Sin embargo, las estimaciones de las medias de las muestras suelen ser razonablemente estables cuando se actualizan en intervalos típicos de 10 años con datos climáticos adicionales.

La suposición de estacionariedad en los datos no puede justificarse en un contexto de cambio climático (Pandey y Lounis, 2023), y el concepto de un evento asociado a un periodo de retorno específico no es aplicable en sentido estricto. El aumento (o disminución) de las variables climáticas, junto con la creciente incertidumbre en los modelos de predicción climática, especialmente a partir del año 2060, afectará a la forma de analizar y especificar los datos para fines de diseño estructural. Quizás lo más relevante sea el impacto que tendrá sobre la forma en que se comunicarán los peligros de diseño a la comunidad profesional de la ingeniería y a sus clientes (Cooke, 2015).  Ellingwood et al. (2024) recuerdan claramente la confusión generada por el concepto de periodo de retorno cuando se introdujo a finales de la década de 1960. El periodo de retorno se concibió como una herramienta para reconocer que el parámetro de carga es aleatorio y para definir indirectamente la probabilidad anual de que se supere su intensidad de diseño, sin necesidad de recurrir a probabilidades pequeñas que no eran habituales entre los ingenieros estructurales de esa época. Esto podría explicar por qué algunos investigadores climáticos han intentado presentar sus estimaciones de parámetros utilizando el concepto de periodo de retorno (Ribereau et al., 2008; Salas y Obeysekera, 2014). Este problema requiere una reflexión cuidadosa al tratar con un clima cambiante, donde las probabilidades anuales no son constantes a lo largo de la vida útil de una estructura.

El crecimiento proyectado de las variables climáticas y sus incertidumbres más allá del año 2060 indica que será necesario desarrollar métodos para gestionar la incertidumbre epistémica -se refiere a la incertidumbre del modelo- en la estimación de parámetros, un aspecto que no se había tenido en cuenta previamente al estimar las variables climáticas para desarrollar códigos estructurales. Aunque la precisión de las técnicas generales de pronóstico climático ha mejorado gracias a la recopilación continua de datos, los modelos climáticos actuales son más capaces de predecir el impacto del cambio climático sobre la temperatura y las precipitaciones que sobre fenómenos como inundaciones, nevadas y vientos. Esto resulta problemático a la hora de considerar los niveles de probabilidad apropiados para el análisis de seguridad estructural.

Las futuras investigaciones podrían centrarse en el desarrollo de modelos más precisos para cargas climáticas específicas, como ciclones tropicales o sequías prolongadas, que aún presentan elevadas incertidumbres en sus proyecciones. Además, sería valioso explorar la aplicación de estos principios a sistemas de infraestructura emergentes, como redes de energía renovable o tecnologías de transporte resilientes. Por último, se sugiere investigar métodos para integrar datos climáticos en tiempo real en el diseño y seguimiento de infraestructuras, fomentando un enfoque dinámico y adaptable al cambio climático.

En resumen, los códigos estructurales establecen los criterios necesarios para diseñar infraestructuras capaces de resistir eventos climáticos como tormentas, nieve e inundaciones, y se actualizan periódicamente para reflejar los avances científicos y tecnológicos. Sin embargo, el cambio climático plantea un reto significativo, ya que altera las condiciones climáticas de manera impredecible, lo que hace que la suposición de estacionariedad que hasta ahora ha guiado el diseño estructural sea obsoleta. Este artículo explora cómo los códigos estructurales han evolucionado hacia un diseño basado en estados límite y la necesidad urgente de ajustar los métodos de análisis de riesgos ante la creciente incertidumbre climática. Además, se analizan los problemas derivados del uso exclusivo de datos históricos para modelar cargas climáticas y las dificultades que plantea el cambio climático a la hora de predecir eventos extremos. Finalmente, se destaca la necesidad de desarrollar nuevos modelos y enfoques analíticos que garanticen la seguridad de las infraestructuras en un entorno climático en constante cambio.

Os dejo un mapa conceptual sobre las reflexiones anteriores.

Referencias:

ASCE (2015). Adapting infrastructure and civil engineering practice to a changing climate. Committee on Adaptation to a Changing Climate. American Society of Civil Engineers.

ASCE (2018). Climate-resilient infrastructure: Adaptive design and risk management. Reston, VA: Committee on Adaptation to a Changing Climate. American Society of Civil Engineers.

Cooke, R. M. (2015). Messaging climate change uncertainty. Nature Climate Change, 5(1), 8-10.

Ellingwood, B. R., Bocchini, P., Lounis, Z., Ghosn, M., Liu, M., Yang, D., Capacci, L., Diniz, S., Lin, N., Tsiatas, G., Biondini, F., de Lindt, J., Frangopol, D.M., Akiyama, M., Li, Y., Barbato, M., Hong, H., McAllister, T., Tsampras, G. & Vahedifard, F. (2024). Impact of Climate Change on Infrastructure Performance. In Effects of Climate Change on Life-Cycle Performance of Structures and Infrastructure Systems: Safety, Reliability, and Risk (pp. 115-206). Reston, VA: American Society of Civil Engineers.

García-Segura, T., Yepes, V., Frangopol, D. M., & Yang, D. Y. (2017). Lifetime reliability-based optimization of post-tensioned box-girder bridges. Engineering Structures, 145, 381-391.

Pandey, M. D., & Lounis, Z. (2023). Stochastic modelling of non-stationary environmental loads for reliability analysis under the changing climate. Structural Safety, 103, 102348.

Ribereau, P., Guillou, A., & Naveau, P. (2008). Estimating return levels from maxima of non-stationary random sequences using the Generalized PWM method. Nonlinear Processes in Geophysics, 15(6), 1033-1039.

Salas, J. D., & Obeysekera, J. (2014). Revisiting the concepts of return period and risk for nonstationary hydrologic extreme events. Journal of hydrologic engineering, 19(3), 554-568.

Tye, M. R., & Giovannettone, J. P. (2021, October). Impacts of future weather and climate extremes on United States infrastructure: Assessing and prioritizing adaptation actions. Reston, VA: American Society of Civil Engineers.

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