Los métodos tradicionales empleados para el proyecto de un puente se basan en procedimientos de prueba y error que sirven para mejorar los diseños (Figura 1). Si bien la experiencia del proyectista permite definir “a priori” la geometría de la estructura, el resto de variables se determinan atendiendo al cumplimiento de los diferentes estados límite exigidos por los reglamentos para las situaciones de proyecto consideradas. De esta forma, la solución propuesta, si bien es funcionalmente correcta, no tiene porque ser la óptima. Los métodos de optimización, como pueden ser los algoritmos metaheurísticos o estocásticos, proporcionan una alternativa eficaz a los diseños estructurales basados en la experiencia. Estos algoritmos se caracterizan porque combinan unas reglas de decisión y la aleatoriedad para buscar de forma eficaz soluciones de alta calidad en espacios de soluciones de gran tamaño, tal y como son los originados por los problemas estructurales reales. Además, al explorar una gran cantidad de posibles combinaciones, encuentra soluciones que pueden estar alejadas de las reglas de diseño habituales empleadas por los proyectistas.
Así, por ejemplo, los puentes de sección en cajón constituyen uno de las tipologías más habituales en los puentes continuos, pues presentan ventajas tanto desde la perspectiva de su eficiencia resistente como por su bajo peso propio. Sin embargo, las normas de diseño actuales no siempre contemplan los objetivos y las prioridades de una sociedad cambiante. El informe Brundtland (WCED, 1987) propone una visión a largo plazo para mantener los recursos, que serán necesarios para las necesidades futuras. El desarrollo sostenible requiere una triple visión que equilibre el desarrollo económico y las necesidades ambientales y sociales. Por lo tanto, las preocupaciones por construir un futuro más sostenible obligan a considerar aspectos como el impacto ambiental, la durabilidad y el nivel de seguridad, entre otros. Esto ha llevado al desarrollo de materiales de baja emisión de carbono, la búsqueda de nuevos diseños que reduzcan el impacto ambiental, la planificación de mantenimiento para prolongar la vida útil de las estructuras y la evaluación de su ciclo de vida para contemplar su impacto en su conjunto.
Esta nueva visión implica renovar la metodología de diseño de estructuras de modo que se consideren los criterios de sostenibilidad, que permita el uso de nuevos materiales y que, además, garantice un análisis estructural preciso. En este sentido, la optimización multiobjetivo encuentra soluciones óptimas con respecto a distintos objetivos, algunos de ellos contradictorios entre sí. Los actuales procedimientos de optimización heurística han permitido el diseño automatizado de estructuras óptimas. Sin embargo, existe una tendencia a considerar el diseño inicial y las operaciones de mantenimiento de la estructura como objetivos separados. Es decir, por una parte se estudia el diseño óptimo de una estructura para cumplir con los estados límite últimos y de servicio, y por otra parte, se considera la optimización de las operaciones de mantenimiento del puente durante su vida útil como un objetivo diferente, partiendo de una estructura ya construida, con un determinado estado de seguridad conocido. Como el mantenimiento depende del estado, el diseño inicial debe considerar los aspectos del ciclo de vida que también minimizan el mantenimiento futuro. Por lo tanto, es importante considerar la durabilidad con el fin de diseñar estructuras longevas y reducir los impactos a largo plazo. Es decir, se debe proyectar una estructura considerando todos los aspectos relacionados con su ciclo de vida.
La optimización multiobjetivo (MOO) de las estructuras reales requiere tiempos de cálculo elevados, incluso con la potencia de los actuales ordenadores, debido a la existencia de muchas variables de decisión, al procedimiento de análisis con métodos como el de los elementos finitos y al número de funciones objetivo consideradas. El uso de modelos predictivos tales como las redes neuronales artificiales (Artificial Neural Networks, ANNs) permite reducir el número necesario de evaluaciones exactas de la estructura y sustituir dicho cálculo por predicciones aproximadas. ANN aprende de los datos disponibles y permite predicciones incluso cuando las relaciones son altamente no lineales. Esta característica reduce el elevado coste computacional de las interaciones necesarias en los algoritmos de optimización heurística, al sustituir en dicho proceso una parte de los cálculos exactos por otros aproximados.
MOO conduce a una gama de soluciones óptimas, que se consideran igualmente buenas en función de los mútiples objetivos –la denominada frontera de Pareto-. El proceso de toma de decisiones para elegir la mejor de las opciones tiene lugar a posteriori, donde los expertos eligen la mejor solución en función de sus preferencias utilizando técnicas de toma de decisiones. Sin embargo, la asignación de pesos a cada uno de los objetivos del problema puede estar sujeta a incertidumbres o falta de objetividad. Sobre esta base, este trabajo sugiere una metodología capaz de introducir la información de selección (preferencia) en un proceso de toma de decisiones multicriterio en el que existen incertidumbres asociadas a la comparación de criterios.
Referencias:
- García-Segura, T.; Yepes, V.; Alcalá, J.; Pérez-López, E. (2015). Hybrid harmony search for sustainable design of post-tensioned concrete box-girder pedestrian bridges. Engineering Structures, 92, 112–122.
- García-Segura, T.; Yepes, V. (2016). Multiobjective optimization of post-tensioned concrete box-girder road bridges considering cost, CO2 emissions, and safety. Engineering Structures, 125, 325–336.
- García-Segura, T.; Yepes, V.; Frangopol, D.M. (2017a). Multi-objective design of post-tensioned concrete road bridges using artificial neural networks. Structural and Multidisciplinary Optimization, 56(1):139-150.,
- García-Segura, T.; Yepes, V.; Frangopol, D.M.; Yang, D. Y. (2017b). Lifetime reliability-based optimization of post-tensioned box-girder bridges. Engineering Structures, 145, 381-391.
- Martí, J.V.; García-Segura, T.; Yepes, V. (2016). Structural design of precast-prestressed concrete U-beam road bridges based on embodied energy. Journal of Cleaner Production, 120, 231–240.
- Martí, J.V.; González-Vidosa, F.; Yepes, V.; Alcalá, J. (2013). Design of prestressed concrete precast road bridges with hybrid simulated annealing. Engineering Structures, 48, 342–352.
- Martí, J.V.; Yepes, V.; González-Vidosa, F. (2015). Memetic algorithm approach to designing precast-prestressed concrete road bridges with steel fiber reinforcement. Journal of Structural Engineering, 141(2), 04014114.
- Penadés-Plà, V.; García-Segura, T.; Martí, J.V.; Yepes, V. (2016). A review of multi-criteria decision making methods applied to the sustainable bridge design. Sustainability, 8(12), 1295.
- Penadés-Plà, V.; Martí, J.V.; García-Segura, T.; Yepes, V.(2017). Life-cycle assessment: A comparison between two optimal post-tensioned concrete box-girder road bridges. Sustainability, 9(10):1864.
- Yepes, V. (2017). Trabajo de investigación. Concurso de Acceso al Cuerpo de Catedráticos de Universidad. Universitat Politècnica de València, 110 pp.
- Yepes, V.; García-Segura, T.; Moreno-Jiménez, J.M. (2015a). A cognitive approach for the multi-objective optimization of RC structural problems. Archives of Civil and Mechanical Engineering, 15(4), 1024–1036.
- Yepes, V.; Martí, J.V.; García-Segura, T. (2015). Cost and CO2 emission optimization of precast–prestressed concrete U-beam road bridges by a hybrid glowworm swarm algorithm. Automation in Construction, 49, 123–134.
- Yepes, V.; Martí, J.V.; García-Segura, T.; González-Vidosa, F. (2017). Heuristics in optimal detailed design of precast road bridges. Archives of Civil and Mechanical Engineering, 17(4), 738-749.
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
Referencias:
