Categoría: universidad

En un artículo anterior detallamos los antecedentes y la motivación del proyecto de investigación HYDELIFE. Ahora vamos a explicar la relevancia de la propuesta, que se centra tanto en la utilización de una metodología emergente y novedosa en el ámbito de las estructuras, como es la hibridación de las metaheurísticas con la inteligencia artificial, en especial con el aprendizaje profundo (Deep Learning, DL), como en el objeto de estudio, que es la construcción industrializada modular, tanto en edificación, como en puentes mixtos de hormigón y acero y en estructuras híbridas de acero. A continuación, justificamos la importancia de esta propuesta.

La Inteligencia Artificial (IA) se ha usado en estas últimas décadas de forma intensiva en las investigaciones relacionadas con la ingeniería civil, especialmente en el ámbito de las estructuras y las infraestructuras (Taffese et al., 2017). Sin embargo, los métodos más recientes, como el reconocimiento de patrones (Pattern Recognition, PR), el aprendizaje automático (Machine Learning, ML) y el aprendizaje profundo (Deep Learning, DL), son métodos emergentes en este ámbito de la ingeniería (Salehi et al., 2018). Estas técnicas emergentes tienen la capacidad de aprender interrelaciones complejas entre parámetros y variables, y así permiten resolver una diversidad de problemas que son difíciles o imposibles de resolver con los métodos tradicionales. Son capaces de descubrir información oculta, no trivial, sobre el rendimiento de una estructura al aprender la influencia de diversos mecanismos de daño o degradación, así como a partir de los datos recogidos por los sensores. Además, ML y DL tienen una elevada potencialidad en el dominio de la mecánica computacional, como, por ejemplo, para optimizar los procesos en el método de elementos finitos para mejorar la eficiencia de los cálculos.

La optimización de las estructuras constituye un campo científico en el que se ha trabajado intensamente en las últimas décadas (Afzal et al., 2020). Debido a que los problemas reales requieren un número elevado de variables, la resolución exacta del problema de optimización asociado resulta inabordable. Se trata de problemas NP-hard, de complejidad computacional elevada, que requieren metaheurísticas para alcanzar soluciones satisfactorias en tiempos de cálculo razonables. La idea es aprovechar la inmensa cantidad de datos generados por el elevado número de iteraciones que requiere la optimización estructural mediante metaheurísticas. Es el campo ideal para la inteligencia artificial, pues permite extraer información para acelerar y afinar la búsqueda de la solución óptima. Un ejemplo de este tipo es nuestro trabajo (García-Segura et al., 2017a) de optimización multiobjetivo de puentes cajón, donde una red neuronal aprendía de los datos intermedios de la búsqueda y luego predecía con una extraordinaria exactitud el cálculo del puente, sin necesidad de calcularlo. Ello permitía reducir considerablemente el tiempo de computación final. Sin embargo, este tipo de aplicación es muy sencilla, pues solo ha reducido el tiempo de cálculo (cada comprobación completa de un puente mediante el método de los elementos finitos es mucho más lenta que una predicción con una red neuronal). HYDELIFE trata de dar un paso más allá. Se pretende que la metaheurística sea capaz de aprender de los datos recogidos utilizando la inteligencia artificial para ser mucho más efectiva, y no solo más rápida.

En concreto, la propuesta se centra en el aprendizaje profundo (DL), que, dentro del ML, utiliza algoritmos más sofisticados, basados en el principio de las redes neuronales. El foco metodológico del proyecto es la exploración de la integración específica del DL en las metaheurísticas, con el objeto de mejorar la calidad de las soluciones o los tiempos de convergencia al optimizar estructuras. Nuestro grupo ha tenido la oportunidad de comprobar la eficacia de este hibridaje en estructuras sencillas, como los muros de contrafuertes (García et al., 2020a, 2020b; Yepes et al., 2020). Además, hemos lanzado al respecto un número especial en la revista Mathematics (indexada en el primer decil del JCR) titulado “Deep learning and hybrid-metaheuristics: novel engineering applications” (https://www.mdpi.com/journal/mathematics/special_issues/Deep_Learning_Hybrid-Metaheuristics_Novel_Engineering_Applications).

En cuanto al objeto del proyecto, la construcción industrializada modular, tanto en edificación como en puentes mixtos de hormigón y acero y en estructuras híbridas de acero, su justificación deriva de su importancia creciente y los huecos en la investigación encontrados. En efecto, la construcción modular y la prefabricación son técnicas ya veteranas desde que en 1936 Eugène Freyssinet construyó el primer puente de hormigón pretensado del mundo, en el que las vigas y los tableros eran prefabricados. Sin embargo, la auténtica revolución que supone la IA, las tecnologías BIM y los retos de la sostenibilidad está cambiando radicalmente este concepto y lo está llevando a una nueva dimensión. La reciente norma UNE 127050:2020 trata de los sistemas constructivos industrializados para edificios construidos con elementos prefabricados de hormigón, así como de los requisitos de comportamiento, fabricación, instalación y verificación. Los métodos modernos de construcción (Modern Methods of Construction, MMC), o como algunos la llaman “construcción inteligente”, constituyen alternativas a la construcción tradicional. Es un término que abarca una amplia gama de tecnologías basadas en la fabricación modular, ya sea “in situ” o “off-site”, que están revolucionando la forma de construir de manera más rápida, rentable y eficiente. Un ejemplo no muy lejano ha sido la construcción de dos hospitales de campaña en Wuhan (China) en tan solo 12 días, debido a la crisis sanitaria. Países como Suecia y Japón lideran la construcción MMC. En Suecia, casi la mitad de las viviendas de nueva construcción utilizan este método, hasta el 80% en el caso de las viviendas unifamiliares. Japón es el país donde se construyen el mayor número de viviendas nuevas con este método, aunque no alcanzan el 20% del total. La construcción MMC permite un ahorro de tiempo de hasta el 50%, permite el uso de materiales sostenibles, reduciéndose el desperdicio. La construcción en fábrica permite tolerancias estrictas, la reducción de los errores, promueve la seguridad, no estando los materiales a la intemperie durante la construcción. Además, permite el uso de materiales durables, que mejoran el aislamiento acústico, la protección contra incendios y la eficiencia energética. Sin embargo, en algunos países, el uso de las MMC implica costes más elevados que la construcción tradicional. Otras barreras son la falta de mano de obra especializada, la escasez de suministros y la regulación vigente (Rahman, 2014). Con todo, la actual crisis del Covid-19 puede acelerar los cambios necesarios. De todos modos, los métodos MMC constituyen un producto distinto del de la construcción tradicional. La construcción modular, al tratarse de un producto alternativo, en lugar de competir, complementará el mercado tradicional. El objetivo es aumentar la productividad de los recursos disponibles mejorando la calidad, la eficiencia empresarial, la satisfacción del cliente, el rendimiento ambiental, el índice de sostenibilidad y el control de los plazos de entrega. Nuestro grupo de investigación (Sánchez-Garrido y Yepes, 2020) ha empezado a aplicar técnicas analíticas de toma de decisiones multicriterio (MCDM) y de análisis del ciclo de vida, comparando la construcción tradicional de una vivienda unifamiliar con dos alternativas basadas en el MMC. Propusimos un índice de sostenibilidad, que incluye atributos tangibles e intangibles, así como factores de incertidumbre y riesgos, que permite a los promotores priorizar soluciones que aseguren la sostenibilidad económica, social y medioambiental. HYDELIFE pretende profundizar en esta vía mediante la optimización híbrida multiobjetivo de este tipo de construcción modular.

Otro de los huecos detectados por nuestro grupo en este ámbito son los puentes mixtos (Martínez-Muñoz et al., 2020). El análisis del estado del arte indica que la investigación se ha centrado en el diseño preliminar de puentes con un enfoque principalmente económico (Yepes et al., 2019) sin abordar la optimización multiobjetivo social y ambiental de su ciclo de vida completo que permita aplicar técnicas de decisión desde el diseño. Mientras que a nivel mundial la preocupación se centra en la búsqueda de soluciones sostenibles. También se ha detectado un vacío en los puentes ejecutados con vigas armadas híbridas. En este tipo de estructuras se utilizan diferentes límites elásticos de acero en las chapas de alas y de alma para disminuir el espesor de las chapas de mayor límite elástico, lo que supone una reducción de peso por unidad de longitud de la sección transversal (Chacón, 2014). Sin embargo, la reducción del espesor puede acarrear la disminución de la capacidad de la sección ante otros fenómenos, como es el caso de la inestabilidad. Se debe garantizar un buen comportamiento de las vigas a cortante, estudiando su inestabilidad ante cargas concentradas y pandeo lateral. Por tanto, nos encontramos ante un caso de optimización de gran interés en el que, además, no se ha abordado hasta ahora su optimización integral a lo largo de su ciclo de vida. Asimismo, en nuestro equipo de investigación se ha desarrollado una patente sobre vigas en cajón mixtas (Alcalá y Navarro, 2020) que permiten resolver el problema de las vigas descolgadas en forjados de elementos prefabricados y que consiste en un cajón metálico que formará parte de un sistema de forjados slim-floor. HYDELIFE aplicará la metodología híbrida antes descrita para cubrir este vacío en el ámbito de la investigación de las estructuras.

Proyecto de Investigación:

• Optimización híbrida del ciclo de vida de puentes y estructuras mixtas y modulares de alta eficiencia social y medioambiental bajo presupuestos restrictivos. (HYDELIFE). [Hybrid life cycle optimization of bridges and mixed and modular structures with high social and environmental efficiency under restrictive budgets]. PID2020-117056RB-I00. Financiado por el Ministerio de Ciencia e Innovación con fondos FEDER. Investigador Principal: Víctor Yepes.

Referencias:

AFZAL, M.; LIU, Y.H.; CHENG, J.C.P.; GAN, V.J.L. (2020). Reinforced concrete structural design optimization: A critical review. J. Clean. Prod., 260:120623.

ALCALÁ, J.; NAVARRO, F. (2020). Viga en cajón mixta acero-hormigón. Patente P202030530, 4 junio 2020.

CHACÓN, R. (2014). Vigas armadas híbridas de acero. Estado del conocimiento. Revista Ciencia e Ingeniería, 35(2):95-102.

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

GARCÍA, J.; MARTÍ, J.V.; YEPES, V. (2020b). The buttressed walls problem: An application of a hybrid clustering particle swarm optimization algorithm. Mathematics, 8(6), 862.

GARCÍA-SEGURA, T.; YEPES, V.; FRANGOPOL, D.M. (2017a). Multi-Objective Design of Post-Tensioned Concrete Road Bridges Using Artificial Neural Networks. Struct. Multidiscip. Optim., 56(1):139-150.

MARTÍNEZ-MUÑOZ, D.; MARTÍ, J.V.; YEPES, V. (2020). Steel-concrete composite bridges: design, life cycle assessment, maintenance and decision making. Adv. Civ. Eng., 2020, 8823370.

RAHMAN, M.M. (2014). Barriers of implementing modern methods of construction. J. Manage. Eng., 30(1):69-77.

SALEHI, H.; BURGUEÑO, R. (2018). Emerging artificial intelligence methods in structural engineering. Eng. Struct., 171:170-189.

SÁNCHEZ-GARRIDO, A.J.; YEPES, V. (2020). Multi-criteria assessment of alternative sustainable structures for a self-promoted, single-family home. J. Clean. Prod., 258: 120556.

TAFFESE, W.Z.; SISTONEN, E. (2017). Machine learning for durability and service-life assessment of reinforced concrete structures: Recent advances and future directions. Autom. Constr., 77:1-14.

YEPES, V.; DASÍ-GIL, M.; MARTÍNEZ-MUÑOZ, D.; LÓPEZ-DESFILÍS, V.J.; MARTÍ, J.V. (2019). Heuristic techniques for the design of steel-concrete composite pedestrian bridges. App. Sci., 9(16), 3253.

YEPES, V.; MARTÍ, J.V.; GARCÍA, J. (2020). Black hole algorithm for sustainable design of counterfort retaining walls. Sustainability, 12(7), 2767.

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