El aprendizaje profundo (deep learning) en la optimización de estructuras

Figura 1. Relación de pertenencia entre la inteligencia artificial, el aprendizaje automático y el aprendizaje profundo

En este artículo vamos a esbozar las posibilidades de la inteligencia artificial en la optimización de estructuras, en particular, el uso del aprendizaje profundo. El aprendizaje profundo (deep learning, DL) constituye un subconjunto del aprendizaje automático (machine learning, ML), que a su vez lo es de la inteligencia artificial (ver Figura 1). Si la inteligencia artificial empezó sobre los años 50, el aprendizaje automático surgió sobre los 80, mientras que el aprendizaje profundo nació en este siglo XXI, a partir del 2010, con la aparición de grandes superordenadores y por el aumento de los datos accesibles. Como curiosidad, uno de los grandes hitos del DL se produjo en 2012, cuando Google fue capaz de reconocer un gato entre los más de 10 millones de vídeos de Youtube, utilizando para ello 16000 ordenadores. Ahora serían necesarios muchos menos medios.

En cualquiera de estos tres casos, estamos hablando de sistemas informáticos capaces de analizar grandes cantidades de datos (big data), identificar patrones y tendencias y, por tanto, predecir de forma automática, rápida y precisa. De la inteligencia artificial y su aplicabilidad a la ingeniería civil ya hablamos en un artículo anterior.

Figura 2. Cronología en la aparición de los distintos tipos de algoritmos de inteligencia artificial. https://www.privatewallmag.com/inteligencia-artificial-machine-deep-learning/

Si pensamos en el cálculo estructural, utilizamos modelos, más o menos sofistificados, que permiten, si se conocen con suficiente precisión las acciones, averiguar los esfuerzos a los que se encuentran sometidos cada uno de los elementos en los que hemos dividido una estructura. Con dichos esfuerzos se identifican una serie de estados límite, que son un conjunto de situaciones potencialmente peligrosas para la estructura y comparar si la capacidad estructural del elemento analizado, dependiente de las propiedades geométricas y de sus materiales constituyentes, supera el valor último de la solicitación a la que, bajo cierta probabilidad, puede llegar a alcanzar el elemento estructural analizado.

Estos métodos tradicionales emplean desde hipótesis de elasticidad y comportamiento lineal, a otros modelos con comportamiento plástico o no lineales más complejos. Suele utilizarse, con mayor o menos sofisticación, el método de los elementos finitos (MEF) y el método matricial de la rigidez. En definitiva, en determinados casos, suelen emplearse los ordenadores para resolver de forma aproximada, ecuaciones diferenciales parciales muy complejas, habituales en la ingeniería estructural, pero también en otros campos de la ingeniería y la física. Para que estos sistemas de cálculo resulten precisos, es necesario alimentar los modelos con datos sobre materiales, condiciones de contorno, acciones, etc., lo más reales posibles. Para eso se comprueban y calibran estos modelos en ensayos reales de laboratorio (Friswell y Mottershead, 1995). De alguna forma, estamos retroalimentando de información al modelo, y por tanto «aprende».

Figura 2. Malla 2D de elementos finitos, más densa alrededor de la zona de mayor interés. Wikipedia.

Si analizamos bien lo que hacemos, estamos utilizando un modelo, más o menos complicado, para predecir cómo se va a comportar la estructura. Pues bien, si tuviésemos una cantidad suficiente de datos procedentes de laboratorio y de casos reales, un sistema inteligente extraería información y sería capaz de predecir el resultado final. Mientras que la inteligencia artificial debería alimentarse de una ingente cantidad de datos (big data), el método de los elementos finitos precisa menor cantidad de información bruta (smart data), pues ha habido una labor previa muy concienzuda y rigurosa, para intentar comprender el fenómeno subyacente y modelizarlo adecuadamente. Pero, en definitiva, son dos procedimientos diferentes que nos llevan a un mismo objetivo: diseñar estructuras seguras. Otro tema será si éstas estructuras son óptimas desde algún punto de vista (economía, sostenibilidad, etc.).

La optimización de las estructuras constituye un campo científico donde se ha trabajado intensamente en las últimas décadas. Debido a que los problemas reales requieren un número elevado de variables, la resolución exacta del problema de optimización asociado es inabordable. Se trata de problemas NP-hard, de elevada complejidad computacional, que requiere de metaheurísticas para llegar a soluciones satisfactorias en tiempos de cálculo razonables.

Una de las características de la optimización mediante metaheurísticas es el elevado número de iteraciones en el espacio de soluciones, lo cual permite generar una inmensa cantidad de datos para el conjunto de estructuras visitadas. 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., 2017) 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 final de computación.

Sin embargo, este tipo de aplicación es muy sencilla, pues solo ha reducido el tiempo de cálculo (cada comprobación completa de un puente por el método de los elementos finitos es mucho más lenta que una predicción con una red neuronal). Se trata ahora de dar un paso más allá. Se trata de 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.

Tanto la inteligencia artificial como el aprendizaje automático no son una ciencia nueva. El problema es que sus aplicaciones eran limitadas por la falta de datos y de tecnologías para procesarlas de forma rápida y eficiente. Hoy en día se ha dado un salto cualitativo y se puede utilizar el DL, que como ya hemos dicho es una parte del ML, pero que utiliza algoritmos más sofisticados, construidos a partir del principio de las redes neuronales. Digamos que el DL (redes neuronales) utiliza algoritmos distintos al ML (algoritmos de regresión, árboles de decisión, entre otros). En ambos casos, los algoritmos pueden aprender de forma supervisada o no supervisada. En las no supervisadas se facilitan los datos de entrada, no los de salida. La razón por la que se llama aprendizaje profundo hace referencia a las redes neuronales profundas, que utilizan un número elevado de capas en la red, digamos, por ejemplo, 1000 capas. De hecho, el DL también se le conoce a menudo como «redes neuronales profundas». Esta técnica de redes artificiales de neuronas es una de las técnicas más comunes del DL.

Figura. Esquema explicativo de diferencia entre ML y DL. https://www.privatewallmag.com/inteligencia-artificial-machine-deep-learning/

Una de las redes neuronales utilizadas en DL son las redes neuronales convolucionales, que es una variación del perceptrón multicapa, pero donde su aplicación se realiza en matrices bidimensionales, y por tanto, son muy efectivas en las tareas de visión artificial, como en la clasificación y segmentación de imágenes. En ingeniería, por ejemplo, se puede utilizar para la monitorización de la condición estructural, por ejemplo, para el análisis del deterioro. Habría que imaginar hasta dónde se podría llegar grabando en imágenes digitales la rotura en laboratorio de estructuras de hormigón y ver la capacidad predictiva de este tipo de herramientas si contaran con suficiente cantidad de datos. Todo se andará. Aquí os dejo una aplicación tradicional típica (Antoni Cladera, de la Universitat de les Illes Balears), donde se explica el modelo de rotura de una viga a flexión en la pizarra y luego se rompe la viga en el laboratorio. ¡Cuántos datos estamos perdiendo en la grabación! Un ejemplo muy reciente del uso del DL y Digital Image Correlation (DIC) aplicado a roturas de probetas en laboratorio es el trabajo de Gulgec et al. (2020).

Sin embargo, aquí nos interesa detenernos en 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 cuando se trata de optimizar estructuras. Un ejemplo de este camino novedoso en la investigación es la aplicabilidad de algoritmos que hibriden DL y metaheurísticas. Ya hemos publicado algunos artículos en este sentido aplicados a la optimización de muros de contrafuertes (Yepes et al., 2020; García et al., 2020a, 2020b). Además, hemos propuesto como editor invitado, un número especial en la revista Mathematics (indexada en el primer decil del JCR) denominado «Deep learning and hybrid-metaheuristics: novel engineering applications«.

Dejo a continuación un pequeño vídeo explicativo de las diferencias entre la inteligencia artificial, machine learning y deep learning.

Referencias:

FRISWELL, M.; MOTTERSHEAD, J. E. (1995). Finite element model updating in structural dynamics (Vol. 38). Dordrecht, Netherlands: Springer Science & Business Media.

GARCÍA, J.; MARTÍ, J.V.; YEPES, V. (2020a). The buttressed walls problem: An application of a hybrid clustering particle swarm optimization algorithm. Mathematics, 8(6):862. https://doi.org/10.3390/math8060862

GARCÍA, J.; YEPES, V.; MARTÍ, J.V. (2020b). A hybrid k-means cuckoo search algorithm applied to the counterfort retaining walls problem. Mathematics, 8(4), 555. DOI:10.3390/math8040555

GARCÍA-SEGURA, T.; YEPES, V.; FRANGOPOL, D.M. (2017). Multi-Objective Design of Post-Tensioned Concrete Road Bridges Using Artificial Neural Networks. Structural and Multidisciplinary Optimization, 56(1):139-150. DOI:1007/s00158-017-1653-0

GULGEC, N.S.; TAKAC, M., PAKZAD S.N. (2020). Uncertainty quantification in digital image correlation for experimental evaluation of deep learning based damage diagnostic. Structure and Infrastructure Engineering, https://doi.org/10.1080/15732479.2020.1815224

YEPES, V.; MARTÍ, J.V.; GARCÍA, J. (2020). Black hole algorithm for sustainable design of counterfort retaining walls. Sustainability, 12(7), 2767. DOI:10.3390/su12072767

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

El misterio de los muros serpenteantes «crinkle crankle walls»

Figura 1. «Crinkle crankle wall» localizado en Bramfield, Suffolk. Wikipedia

A veces una imagen es muy eficaz para explicar un concepto aparentemente sencillo como la influencia del momento de inercia en la resistencia de una sección estructural. Para eso utilicé los llamados «muros serpenteantes«, también llamados «crinkle crankle walls«, muros que se popularizaron en el Reino Unido en el siglo XVIII. Lo digo porque el otro día puse en Twitter una pregunta aparentemente sencilla como la siguiente: «¿Por qué creéis que en Inglaterra a veces nos encontramos con este tipo de muros ondulados? ¿Se trata de algo decorativo? Tiene una explicación mucho más profunda«. Es una pregunta típica que suelo hacer a mis estudiantes para que incentivarles al pensamiento crítico y para que puedan enlazar conceptos que aprendieron en otras asignaturas.

La sorpresa ha sido mayúscula. El tuit ha sido retuiteado y comentado muchísimo más de lo que esperaba. Muchas contestaciones han sido correctas. Otras, incluso siendo correctas, son muy creativas.

La verdad es que la forma ondulada permite un aumento considerable del momento de inercia de la sección, lo cual permite reducir las tensiones provocadas por el momento flector en la base. Esto permite reducir la cantidad de ladrillos necesarios en el caso de ser un muro recto: se tendría que realizar un muro doble y, probablemente, reforzar con algún pilar intermedio o contrafuerte, dependiendo de la altura del muro y de las acciones previstas, especialmente el viento. La solución, como veis, es bastante sencilla, con unos conocimientos muy básicos de resistencia de materiales y cálculo estructural. Lo que es evidente, es que esta geometría precisa de cierta destreza por parte de los oficiales que ejecutan el muro, y algo más de tiempo.

¿Por qué creéis que en Inglaterra a veces nos encontramos con este tipo de muros ondulados? ¿Se trata de algo decorativo? Tiene una explicación mucho más profunda pic.twitter.com/MNPDf8xwq4

— Víctor Yepes (@vyepesp) September 13, 2020

Sin embargo, las respuestas recibidas van más allá de esta consideración. Os voy a comentar algunas de ellas para que veáis que la inteligencia colectiva, a veces, ofrece soluciones de lo más creativas.

Por ejemplo, Amaia López nos ilustra un ejemplo de muro serpenteante que se encuentra en nuestro país, en concreto, en Caldes de Montbui (Barcelona).

Figura 2. Muro serpenteante en Caldes de Montbui (Barcelona). Fuente: Amaia López

Otros son más creativos, como Rafael Naranjo, que nos dice que podría ser la forma para defender ciertas posiciones en la batalla, aunque creo que en Inglaterra estos muros no tienen mucho que ver con este tipo de estrategias bélicas. También muchas respuestas han comentado el aumento de la estabilidad del muro, aunque para eso tenemos el cimiento, que debería ser quien asegurara este estado límite. Alguno se inclina por hablar de las ondas sísmicas y su afección al muro. Por cierto, alguien ha querido traducir «crinkle crankle» como «cigüeña arrugada», aunque yo me quedo mejor con el nombre de «muro serpenteante».

Metidos en Carretera (@MetEnCarretera) nos ofrece una explicación con el símil de algunas soluciones prefabricadas, para ganar canto sin incrementar el espesor del muro. Este es un buen ejemplo.

Figura 3. Ejemplo de muro prefabricado. Fuente: @MetEnCarretera

Otras explicaciones apuntan al efecto arco que presenta el muro, haciendo que los efectos de flexión se transformen en compresión. Eso me recuerda a la solución genial de Eduardo Torroja para la cubierta del hipódromo de la Zarzuela, aunque la diferencia es que el muro serpenteante tiene una sola curvatura, y la cubierta citada tiene doble curvatura. Una idea sería usar esta forma para muros de contención prefabricados. Ahí lo dejo.

Figura 4. Hipódromo de la Zarzuela. Wikipedia

Interesante la puntualización de Luis Bañón (@luisbanon) respecto al problema que pueden presentar estos muros delgados si choca frontalmente un vehículo debido al punzonamiento. Santiago Calvo nos da un motivo agrícola, como es la ampliación de la superficie de cultivo de fruta aprovechando las zonas de sombra que proporciona esta geometría, y también un motivo estético, como es su uso en la Universidad de Virginia. Quisco Mena, incluso, argumenta que, además de la inercia, esta forma permite eliminar las juntas de dilatación.

Como resumen, no dejo de sorprenderme cada día en las redes sociales. A veces hay mucha tontería, pero otras veces se aprende. Este es un ejemplo de interactuar con mis estudiantes y abrir un debate interesante en redes.

Os dejo algunos vídeos de esta tipología de muro. También podéis ver muchas fotografías de esta tipología aquí: https://www.boredpanda.es/muros-ondulados/?utm_source=google&utm_medium=organic&utm_campaign=organic

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

La excavación por bataches

Figura 1. Excavación por bataches (Cano et al., 2020). Aunque es posible hacerlo en módulo de dos, es preferible hacerlos en módulo de tres, según Figura 4.

Cuando se está realizando una excavación para el vaciado, por ejemplo, de unos sótanos de un edificio, lo primero que se plantea es si es necesario algún sistema de contención provisional (muros pantalla, muro berlinés, tablestacas, suelo armado o apuntalamiento provisional) hasta que se permita construir unos muros o estructuras de contención definitiva de las tierras. Sin embargo, a veces no se precisa de una estructura de contención provisional, pues se puede ejecutar, bajo determinadas condiciones, el vaciado mediante una excavación vertical o en talud, mediante bermas o bien mediante bataches. Este artículo explica la excavación por bataches.

La primera consideración a tener en cuenta es que solo se podrán realizar excavaciones sin una contención provisional si no se ven afectadas por las aguas subterráneas o si no hay estructuras vecinas o servicios públicos afectados. Por tanto, la excavación por bataches solo se podrá aplicar si el vaciado se encuentra por encima del nivel freático, no hay cimentaciones próximas y es posible mantener los taludes estables o apuntalar. En este caso, la excavación por bataches permite el vaciado por etapas. El sistema se basa en la excavación alterna de tramos del frente de una berma perimetral previamente ejecutada. En el caso de edificaciones, la excavación por bataches es habitual para un solo sótano, aunque se podrían excavar dos o tres sótanos con un sistema más complejo basado en la creación de anillos descendentes, normalmente anclados.

Tal y como se muestra en la Figura 2, el batache es la excavación que queda vertical entre dos espaldones, que actúan a modo de contrafuerte de terreno. Según la norma NTE-ADZ, el ancho E del batache no podrá superar los 2 m, ni tampoco podrá superar la altura vertical del espaldón H_E, los 3 m (caso de realizar la excavación con maquinaria). En caso de que alguno de estos dos parámetros se incumpla, deberá procederse al entibado.

Con todo, hay que tener presente que en España las antiguas Normas Tecnológicas de la Edificación (NTE) del Ministerio de la Vivienda están en desuso y hacen referencia genérica al ancho de excavación sin tener en cuenta los parámetros geotécnicos del terreno. Por tanto, estas dimensiones límite de las NTE deben ser indicativas, ya que en casos complejos sería necesario efectuar un estudio en mayor profundidad con datos reales para ajustar los límites. Por ejemplo, los anchos de los bataches podrían llegar incluso a 3-5 m en algunos casos concretos que requerirían un estudio en detalle, incluso la entibación.

Además, la norma NTE-CCT impone otra serie de restricciones a la hora de ejecutar un batache. Así, la berma superior del espaldón B deberá ser mayor a la mitad de la anchura E del batache; la distancia de la parte inferior del espaldón al paramento vertical A deberá ser mayor que su altura H_E; además, la anchura del espaldón N_E, deberá ser mayor a A.

Figura 2. Esquema de batache, con las condiciones impuestas por NTE-CCT

Un aspecto de obra de gran interés es hacer coincidir el ancho E del batache con las dimensiones de las placas de encofrado. Sin embargo, la excavación deberá ser algo superior a la dimensión del elemento hormigonado, pues se debe permitir la presencia de las esperas de las armaduras horizontales. El exceso puede estimarse en unos 60 cm en cada lado, con un mínimo de 20-30 cm si se opta por doblar las armaduras. Por tanto, un batache de 2 m puede irse a unos 3 m, lo cual puede poner en riesgo la estabilidad de un terreno de baja cohesión durante la construcción (Cano et al., 2020).

El aspecto más importante de la excavación por bataches es el orden de ejecución, ya que esta se realiza por tramos alternos para que el sostenimiento sea viable y se busca el efecto arco del terreno entre los espaldones para evitar el derrumbe. Una vez descubiertos los bataches, estos deben cubrirse por los muros lo más rápidamente posible, como mucho al día siguiente de su descubrimiento. Un posible orden de ejecución de los tramos podría ser el descrito en las Figuras 3 y 4. En primer lugar, se excavaría el batache A y se ejecutaría el tramo de muro correspondiente. A continuación, se procede de la misma forma con el tramo B y, por último, con el C. Hay que tener en cuenta que la excavación mediante bataches normalmente se encofra a una sola cara del muro, dejando la otra sobre el terreno.

Figura 3. El proceso de ejecución de los muros que sostienen un vaciado empieza con el replanteo de los bataches A, B y C.

Figura 4. Posteriormente, empieza la excavación con los bataches A, debiéndose terminar completamente el muro de dicho tramo. Luego siguen los bataches B y C.

En la Figura 5 se observa el encofrado a una cara del muro de sótano y el ferrallado de un batache. Corresponde a la ejecución de un aparcamiento subterráneo.

Figura 5. Ferrallado de un batache en aparcamiento. http://www.parkingvejer.com/index.php?page=hitos.php&lang=#prettyPhoto/62/

Os dejo un vídeo que explica el procedimiento constructivo de muros mediante excavación por bataches. Espero que os sea útil.

En este otro vídeo, de Marcelo Pardo, también se explica el procedimiento constructivo de un muro de contención por la técnica de bataches.

A continuación os dejo las normas NTE-ADZ y NTE-CCT para su consulta.

Pincha aquí para descargar

Comparto este interesante trabajo de la universidad de Alicante en el que se estima la longitud máxima de los bataches para construir un muro de contención:

Pincha aquí para descargar

Referencias:

CANO, M.; PASTOR, J.L.; MIRANDA, T.; TOMÁS, R. (2020). Procedimiento constructivo de muros de sótano mediante bataches con juntas de conexión. Estudio del ancho óptimo de excavación en suelos mixtos. Informes de la Construcción, 72:558. http://informesdelaconstruccion.revistas.csic.es/index.php/informesdelaconstruccion/article/view/6008/7299

YEPES, V. (2020). Procedimientos de construcción de cimentaciones y estructuras de contención. Colección Manual de Referencia, 2ª edición. Editorial Universitat Politècnica de València, 480 pp. Ref. 328. ISBN: 978-84-9048-903-1.

Curso:

Curso de Procedimientos de Construcción de cimentaciones y estructuras de contención en obra civil y edificación.

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

La inteligencia artificial en la ingeniería civil

https://www.chilecubica.com/revistas-de-construcci%C3%B3n/inteligencia-artificial/

La inteligencia artificial (IA) – tecnologías capaces de realizar tareas que normalmente requieren inteligencia humana – constituye un enfoque alternativo a las técnicas de modelización clásicas. La IA es la rama de la ciencia de la computación que desarrolla máquinas y software con una inteligencia que trata de imitar las funciones cognitivas humanas. En comparación con los métodos tradicionales, la IA ofrece ventajas para abordar los problemas asociados con las incertidumbres y es una ayuda efectiva para resolver problemas de elevada complejidad, como son la mayoría de problemas reales en ingeniería. Además, las soluciones aportadas por la IA constituyen buenas alternativas para determinar los parámetros de diseño cuando no es posible efectuar ensayos, lo que supone un ahorro importante en tiempo y esfuerzo dedicado a los experimentos. La IA también es capaz de acelerar el proceso de toma de decisiones, disminuye las tasas de error y aumenta la eficiencia de los cálculos. Entre las diferentes técnicas de IA destacan el aprendizaje automático (machine learning), el reconocimiento de patrones (pattern recognition) y el aprendizaje profundo (deep learning), técnicas que han adquirido recientemente una atención considerable y que se están estableciendo como una nueva clase de métodos inteligentes para su uso en la ingeniería civil.

Todos conocemos problemas de ingeniería civil cuya solución pone al límite las técnicas computacionales tradicionales. Muchas veces se solucionan porque existen expertos con la formación adecuada capaces de intuir la solución más adecuada, para luego comprobarla con los métodos convencionales de cálculo. En este contexto, la inteligencia artificial está tratando de capturar la esencia de la cognición humana para acelerar la resolución de estos problemas complejos. La IA se ha desarrollado basándose en la interacción de varias disciplinas, como son la informática, la teoría de la información, la cibernética, la lingüística y la neurofisiología.

Figura 1. Interrelación entre diferentes técnicas computacionales inteligentes. Elaboración propia basada en Salehi y Burgueño (2018)

A veces el concepto de «inteligencia artificial (IA)» se confunde con el de «inteligencia de máquina (IM)» (machine intelligence). En general, la IM se refiere a máquinas con un comportamiento y un razonamiento inteligente similar al de los humanos, mientras que la IA se refiere a la capacidad de una máquina de imitar las funciones cognitivas de los humanos para realizar tareas de forma inteligente. Otro término importante es la «computación cognitiva (CC)» (cognitive computing), que se inspira en las capacidades de la mente humana. Los sistemas cognitivos son capaces de resolver problemas imitando el pensamiento y el razonamiento humano. Tales sistemas se basan en la capacidad de las máquinas para medir, razonar y adaptarse utilizando la experiencia adquirida.

Las principales características de los sistemas de CC son su capacidad para interpretar grandes datos, el entrenamiento dinámico y el aprendizaje adaptativo, el descubrimiento probabilístico de patrones relevantes. Técnicamente, la IA se refiere a ordenadores y máquinas que pueden comportarse de forma inteligente, mientras que el CC se concentra en la resolución de los problemas empleando el pensamiento humano. La diferencia más significativa entre la IA y la CC puede definirse en función de su interactuación con los humanos. Para cualquier sistema de IA, hay un agente que decide qué acciones deben tomarse. Sin embargo, los sistemas de CC aprenden, razonan e interactúan como los humanos.

Por otra parte, los «sistemas expertos» son una rama de la IA. Un sistema experto se definiría como un programa de ordenador que intenta imitar a los expertos humanos para resolver problemas que exigen conocimientos humanos y experiencia. Por tanto, la IA incluye diferentes ramas como los sistemas expertos, el aprendizaje automático, el reconocimiento de patrones y la lógica difusa.

La IA se ha usado en estas últimas décadas de forma intensiva en las investigaciones relacionadas con la ingeniería civil. Son notables las aplicaciones de las redes neuronales, los algoritmos genéticos, la lógica difusa y la programación paralela. Además, la optimización heurística ha tenido una especial relevancia en muchos campos de la ingeniería civil, especialmente en el ámbito de las estructuras y las infraestructuras. Sin embargo, los métodos más recientes como el reconocimiento de patrones, el aprendizaje automático y el aprendizaje profundo son métodos totalmente emergentes en este ámbito de la ingeniería. Estas técnicas emergentes tienen la capacidad de aprender complicadas interrelaciones entre los parámetros y las variables, y así permiten resolver una diversidad de problemas que son difíciles, o no son posibles, de resolver con los métodos tradicionales.

El aprendizaje automático es capaz de descubrir información oculta sobre el rendimiento de una estructura al aprender la influencia de diversos mecanismos de daño o degradación y los datos recogidos de los sensores. Además, el aprendizaje automático y el aprendizaje profundo 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. Estos métodos también se pueden utilizar para resolver problemas complejos a través del novedoso concepto de la Internet de las Cosas. En este contexto del Internet de las Cosas, se pueden emplear estas técnicas emergentes para analizar e interpretar grandes bases de datos. Esto abre las puertas al desarrollo de infraestructuras, ciudades o estructuras inteligentes.

Sin embargo, aún nos encontramos con limitaciones en el uso de estos métodos emergentes. Entre esas limitaciones figura la falta de selección racional del método de IA, que no se tenga en cuenta el efecto de los datos incompletos o con ruido, que no se considere la eficiencia de la computación, el hecho de que se informe sobre la exactitud de la clasificación sin explorar soluciones alternativas para aumentar el rendimiento, y la insuficiencia de la presentación del proceso para seleccionar los parámetros óptimos para la técnica de IA. Con todo, a pesar de estas limitaciones, el aprendizaje automático, el reconocimiento de patrones y el aprendizaje profundo se postulan como métodos pioneros para aumentar la eficiencia de muchas aplicaciones actuales de la ingeniería civil, así como para la creación de usos innovadores.

Referencias:

NAVARRO, I.J.; YEPES, V.; MARTÍ, J.V. (2019). A review of multi-criteria assessment techniques applied to sustainable infrastructures design. Advances in Civil Engineering, 2019: 6134803.

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

SIERRA, L.A.; YEPES, V.; PELLICER, E. (2018). A review of multi-criteria assessment of the social sustainability of infrastructures. Journal of Cleaner Production, 187:496-513.

YEPES, V. (2013). Métodos no convencionales de investigación basados en la inteligencia artificial. https://victoryepes.blogs.upv.es/2013/11/12/metodos-no-convencionales-de-investigacion-basado-en-la-inteligencia-artificial/

YEPES, V. (2020). Computación cuántica y gemelos híbridos digitales en ingeniería civil y edificación. https://victoryepes.blogs.upv.es/2019/10/30/computacion-cuantica-gemelos-digitales/

YEPES, V.; GARCÍA-SEGURA, T.; MORENO-JIMÉNEZ, J.M. (2015). A cognitive approach for the multi-objective optimization of RC structural problems. Archives of Civil and Mechanical Engineering, 15(4):1024-1036

Os dejo a continuación un informe sobre cómo la inteligencia de máquina permite crear valor y se postula como una herramienta de primer nivel en todos los ámbitos.

Pincha aquí para descargar

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

Diseño y gestión de playas turísticas accesibles

Solo en la Unión Europea hay millones de personas con discapacidad permanente. A esta cifra hay que añadir las personas con dificultades temporales de movilidad o comunicación. Este colectivo también viaja y demanda servicios turísticos que requieren la adecuación de los medios de transporte, las instalaciones o los servicios que les ofrece el entorno convencional. Además, la gestión, el diseño de las infraestructuras y la prestación de servicios turísticos que integren la accesibilidad contribuirán a mejorar la calidad de la oferta.

La accesibilidad es la cualidad que tiene el conjunto de espacios para que cualquier persona pueda llegar a todos los lugares y edificios que desee sin sobreesfuerzos, con la posibilidad de evacuación en condiciones de seguridad cuando alguna emergencia lo requiera y con el uso cómodo de las instalaciones y los servicios. En el ámbito del turismo, esta cualidad debe estar presente en las oficinas de información y agencias de viaje, estaciones, puertos y aeropuertos, vehículos de transporte, hoteles, playas, etc., en definitiva, en el conjunto del producto turístico.

La presencia de playas de arena fina bañadas por aguas limpias en costas soleadas constituye, en muchos casos, el principal atractivo turístico, por lo que su gestión es esencial para su éxito. Este espacio singular, de forma directa o indirecta, se convierte en una fuente de ingresos, por lo que es imprescindible abordar su ordenación y eficiencia. Sin embargo, este recurso debe integrarse en un producto turístico global diferenciado de otros espacios que suponen cierta competencia, teniendo en cuenta en todo momento las tendencias de la demanda. No es suficiente que las playas estén bien dotadas desde la perspectiva de sus infraestructuras básicas, sino que estas deben adecuarse a todos los posibles usuarios, incluidos los que presenten movilidad reducida.

A continuación, veremos cómo se plantea el diseño y la gestión de las playas turísticas accesibles. Os dejo un vídeo explicativo y un artículo que publicamos en su momento sobre el tema. Este curso es una ampliación respecto a algunos cursos presenciales que he tenido la oportunidad de dirigir, el último, en Oporto (Portugal). Espero que os sea de interés.

Referencia:

YEPES, V.; CARDONA, A.; VALLÉS, A. (2000). Diseño y gestión de playas turísticas accesibles. Equipamiento y servicios municipales, 88: 9-14. Marzo-Abril. Depósito Legal: M-3244-1985. ISSN: 1131-6381. Edita: Publiteca, S.A. Madrid.

Pincha aquí para descargar

18 años de la lectura de mi tesis doctoral: Optimización heurística económica aplicada a las redes de transporte del tipo VRPTW

Hoy 4 de septiembre, pero del año 2002, tuve la ocasión de defender mi tesis doctoral titulada «Optimización heurística económica aplicada a las redes de transporte del tipo VRPTW«. La tesis fue dirigida por el profesor Josep Ramon Medina Folgado y el tribunal estuvo presidido por José Aguilar, acompañado por José Vicente Colomer, Francesc Robusté, Francisco García Benítez y Jesús Cuartero. La calificación fue de sobresaliente «cum laude» por unanimidad.

Por tanto, mi tesis ya ha cumplido la mayoría de edad. Es un buen momento para reflexionar sobre lo que este trabajo supuso para mí. La realicé a los 38 años, tras haber adquirido una buena trayectoria profesional en la empresa privada (Dragados y Construcciones) y en la administración pública (Generalitat Valenciana). De alguna forma, ya tenía la vida más o menos solucionada, con experiencia acumulada, pero con muchas inquietudes. En aquel momento era profesor asociado a tiempo parcial y, en mis ratos libres, me dediqué a hacer la tesis doctoral. Es innecesario decir las dificultades que supone para cualquiera sacar tiempo de donde no lo hay para hacer algo que, en aquel momento, era simplemente vocacional. No hubo financiación de ningún tipo, ni reducción de la jornada laboral, ni nada por el estilo. En aquel momento ni se me pasó por la cabeza que años después acabaría como catedrático de universidad. Entre 2002 y 2008 seguí trabajando como profesor asociado en la administración pública. Por último, gracias al sistema de habilitación nacional, accedí directamente a la universidad como profesor titular desde la categoría de profesor asociado, algo bastante inusual en aquel momento. Gracias a que era una verdadera oposición con el resto de candidatos, tuve la oportunidad de demostrar mi valía ante un tribunal. Luego la cátedra vino por el sistema de acreditación y la plaza, tras una larga espera a causa de la crisis y de las cuotas de reposición. Pasé en seis años de ser profesor asociado a tiempo parcial a estar habilitado como catedrático de universidad (12 de mayo de 2014). Todo eso se lo debo, entre otras cosas, a la gran producción científica que pude llevar a cabo y que tuvo su origen en esta tesis doctoral.

Por cierto, en aquella época la tesis doctoral tenía que ser inédita, es decir, ningún artículo de la tesis tenía que haberse publicado. Hoy en día es todo lo contrario: conviene tener de 3 a 4 artículos buenos antes de pasar por la defensa. Luego publiqué algunos artículos sobre este tema en revistas nacionales e internacionales, pero sobre todo en actas de congresos.

La tesis supuso, en su momento, aprender en profundidad lo que eran la algoritmia, el cálculo computacional y, sobre todo, la optimización heurística. En aquel momento, al menos en el ámbito de la ingeniería civil, no se sabía nada o muy poco al respecto, aunque era un campo muy activo a nivel internacional. Luego comprobé que todo lo aprendido se pudo aplicar al ámbito de las estructuras, especialmente a los puentes, pero esa es otra historia.

Os dejo las primeras páginas de la tesis y la presentación de PowerPoint que utilicé. Para que os hagáis una idea del momento, la presentación también la imprimí en acetato, ya que aún se empleaba la proyección de transparencias en las clases.

Referencia:

YEPES, V. (2002). Optimización heurística económica aplicada a las redes de transporte del tipo VRPTW. Tesis Doctoral. Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos. Universitat Politècnica de València. 352 pp. ISBN: 0-493-91360-2.

Pincha aquí para descargar

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

Sesión temática en CMN2021: Optimization, metaheuristics and evolutionary algorithms in civil engineering

En el marco del próximo congreso CMN2021 (Congress on Numerical Methods in Engineering) que se celebrará en Las Palmas de Gran Canaria del 28 al 30 de junio de 2021, hemos organizado una sesión temática coordinada por David Greiner, Diogo Ribeiro y Víctor Yepes que versa sobre optimización, metaheurísticas y algoritmos evolutivos en ingeniería civil. Os dejo a continuación una breve descripción del congreso y un resumen de la sesión temática propuesta.

El objetivo del Congreso de Métodos Numéricos en Ingeniería (CMN) es actuar como un foro en el que se recopilen los trabajos científicos y técnicos más relevantes en el área de los métodos numéricos y la mecánica computacional, así como sus aplicaciones prácticas. El CMN 2021 ha sido organizado conjuntamente por las sociedades españolas y portuguesa de métodos numéricos (SEMNI y APMTAC, respectivamente) y por el Instituto Universitario de Sistemas Inteligentes y Aplicaciones Numéricas en Ingeniería (SIANI) de la Universidad de Las Palmas de Gran Canaria (ULPGC). Los anteriores congresos conjuntos de ambas sociedades se celebraron en Madrid (2002), Lisboa (2004), Granada (2005), Oporto (2007), Barcelona (2009), Coimbra (2011), Bilbao (2013), Lisboa (2015), Valencia (2017) y Braga (2019). Las Palmas de Gran Canaria fue la sede del primer congreso CMN organizado por SEMNI en 1990 (coordinadores generales: Gabriel Winter y Miguel Galante), y 31 años después retorna a su primera sede. El programa científico del CMN 2021 estará estructurado en sesiones temáticas según las distintas especialidades de los métodos numéricos. Las comunicaciones presentadas en el congreso constituirán una referencia de los avances recientes y de las líneas de trabajo futuras. Asimismo, investigadores internacionales de reconocido prestigio impartirán una serie de conferencias plenarias.El enlace a la web del congreso es la siguiente: https://congress.cimne.com/cmn2021

Pincha aquí para descargar

La dimensión social en la optimización sostenible del mantenimiento de puentes

Acabamos de presentar una comunicación en el 10th International Conference on High Performance and Optimum Design of Structures and Materials HPSM/OPTI 2020, que se celebró en Praga (República Checa) del 3 al 5 de junio, pero que por motivos del coronavirus se ha celebrado virtualmente del 2 al 4 de septiembre. A continuación os paso un resumen de la comunicación, así como la presentación que hemos realizado.

En los objetivos de desarrollo sostenible recientemente establecidos se reconoce la importancia de las infraestructuras para lograr un futuro sostenible. A lo largo de su ciclo de vida, las infraestructuras generan una serie de impactos cuya reducción ha sido una de las principales preocupaciones de los investigadores en los últimos años. La optimización de los intervalos de mantenimiento de estructuras como los puentes ha despertado el interés del sector de la ingeniería civil, ya que la mayoría de los impactos de las infraestructuras se producen durante su fase operativa. Así pues, actualmente los puentes se diseñan para atender a los efectos económicos y ambientales derivados de las actividades de mantenimiento. Sin embargo, en esos análisis se suele descuidar el pilar social de la sostenibilidad. Dado que todavía no existe una metodología universalmente aceptada para su evaluación coherente, la dimensión social no se tiene en cuenta adecuadamente en las evaluaciones del ciclo de vida de las infraestructuras. En la presente comunicación se evalúan los efectos del ciclo vital de diseños alternativos de los tableros de hormigón de los puentes situados en un entorno cercano a la costa que requiere mantenimiento. Primero, se optimizan los intervalos de mantenimiento derivados de la fiabilidad minimizando los impactos económicos y ambientales. En una segunda etapa del análisis, se incluye la dimensión social en el proceso de optimización y se comparan los resultados. Los resultados de optimización de estas evaluaciones combinadas se obtienen aplicando la técnica multicriterio de toma de decisiones AHP-TOPSIS. En el presente documento se demuestra cómo la inclusión de la dimensión social puede conducir a estrategias de mantenimiento óptimo diferentes y más orientadas a la sostenibilidad. El enfoque tridimensional que se aplica aquí ha dado lugar a que se prefieran otras alternativas a las derivadas de la evaluación convencional, que solo tiene en cuenta las perspectivas económica y ambiental. Esa conclusión apoya la idea de que se requieren evaluaciones holísticas del ciclo vital para el diseño sostenible de las infraestructuras y que es necesario hacer más esfuerzos urgentes para integrar la dimensión social en las evaluaciones de la sostenibilidad de las estructuras.

Figure 1: Product system boundaries (Navarro et al., 2020)

ABSTRACT

The recently established Sustainable Development Goals recognize the importance of infrastructures for achieving a sustainable future. Along their long-lasting life cycle, infrastructures generate a series of impacts, the reduction of which has been one of the main focuses of researchers’ attention in the past years. The optimization of maintenance intervals of structures, such as bridges, has aroused the attention of the civil engineering sector since most of the impacts of infrastructures occur during the operational phase. Thus, bridges are designed to address maintenance activities’ economic and environmental impacts. However, the social pillar of sustainability is usually neglected in those analyses. Since no universally accepted methodology exists for its consistent evaluation, the social dimension is not effectively included in the life cycle assessments of infrastructures. This communication evaluates the life cycle impacts of alternative concrete bridge deck designs in a maintenance-demanding environment near shore. Reliability-derived maintenance intervals are first optimized by minimizing the economic and environmental impacts. In the second stage of the analysis, the social dimension is included in the optimization process, and results are compared. Optimization results from these combined assessments are obtained by applying the Multi-Criteria Decision-Making technique AHP-TOPSIS. The present paper demonstrates how the inclusion of the social dimension may lead to different, more sustainability-oriented optimal maintenance strategies. The three-dimensional approach applied here has resulted in other alternatives to be preferred against those derived from the conventional assessment that considers the economic and environmental perspectives. Such a finding supports the idea that holistic life cycle assessments are required for sustainable designs of infrastructures and that more efforts are urgently needed to integrate the social dimension in sustainability assessments of structures.

KEYWORDS

Life cycle assessment, bridges, maintenance, reliability, social impacts, sustainable design, sustainability, corrosion, Multi-Criteria Decision Making, AHP.

REFERENCE

NAVARRO, I.J.; YEPES, V.; MARTÍ, J.V. (2020). Social dimension on the sustainability-oriented maintenance optimization of bridges in coastal environments. 10th International Conference on High Performance and Optimum Design of Structures and Materials HPSM/OPTI 2020, 3-5 June 2020, Prague, Czech Republic, 11 pp.

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

Special Issue «Deep Learning and Hybrid-Metaheuristics: Novel Engineering Applications»

Mathematics (ISSN 2227-7390) is a peer-reviewed open access journal which provides an advanced forum for studies related to mathematics, and is published monthly online by MDPI. The European Society for Fuzzy Logic and Technology (EUSFLAT) and International Society for the Study of Information (IS4SI) are affiliated with Mathematics and their members receive a discount on article processing charges.

Open Access—free for readers, with article processing charges (APC) paid by authors or their institutions.
High Visibility: Indexed in the Science Citation Indexed Expanded – SCIE (Web of Science) from Vol. 4 (2016) and Scopus.
Rapid Publication: manuscripts are peer-reviewed and a first decision provided to authors approximately 16.4 days after submission; acceptance to publication is undertaken in 4.6 days (median values for papers published in this journal in the first half of 2020).
Recognition of Reviewers: reviewers who provide timely, thorough peer-review reports receive vouchers entitling them to a discount on the APC of their next publication in any MDPI journal, in appreciation of the work done.

Impact Factor: 1.747 (2019) (First decile JCR)

Special Issue «Deep Learning and Hybrid-Metaheuristics: Novel Engineering Applications»

Deadline for manuscript submissions: 30 April 2021.

Special Issue Editors

Prof. Dr. Víctor Yepes Website SciProfiles
Guest Editor

ICITECH, Universitat Politècnica de València, Valencia, Spain
Interests: multiobjective optimization; structure optimization; lifecycle assessment; social sustainability of infrastructures; reliability-based maintenance optimization; optimization and decision-making under uncertainty
Special Issues and Collections in MDPI journals

Dr. José Antonio García Website
Guest Editor

Pontificia Universidad Católica de Valparaíso, Chile
Interests: optimization; deep learning; operations research; artificial intelligence applications to industrial problems

Special Issue Information

Dear Colleagues,

Hybrid metaheuristic methods have shown very good performances in different combinatorial problems. Additionally, the rise of machine learning techniques has created a space to develop metaheuristic algorithms that use these techniques in order to tackle NP-hard problems and improve the convergence of algorithms. In this Special Issue, we invite researchers to submit papers in this optimization line, applying hybrid algorithms to industrial problems, including but not limited to industrial applications, and challenging problems arising in the fields of big data, construction, sustainability, transportation, and logistics, among others.

Deep learning techniques have also been important tools in extracting features, classifying situations, predicting events, and assisting in decision making. Some of these tools have been applied, for example, to Industry 4.0. Among the main techniques used are feedforward networks (FNN), convolutional networks (CNN), long-term short memory (LSTM), autoencoders (AE), enerative adversarial networks, and deep Q-networks (DQNs). Contributions on practical deep learning applications and cases are invited to this Special Issue, including but not limited to applications to the industry of computational vision, natural language processing, supervised learning applied to industry, unsupervised learning applied to industry, and reinforcement learning, among others.

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

Manuscript Submission Information

Manuscripts should be submitted online at www.mdpi.com by registering and logging in to this website. Once you are registered, click here to go to the submission form. Manuscripts can be submitted until the deadline. All papers will be peer-reviewed. Accepted papers will be published continuously in the journal (as soon as accepted) and will be listed together on the special issue website. Research articles, review articles as well as short communications are invited. For planned papers, a title and short abstract (about 100 words) can be sent to the Editorial Office for announcement on this website.

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

Please visit the Instructions for Authors page before submitting a manuscript. The Article Processing Charge (APC) for publication in this open access journal is 1200 CHF (Swiss Francs). Submitted papers should be well formatted and use good English. Authors may use MDPI’s English editing service prior to publication or during author revisions.

Keywords

Construction
Smart cities
Optimization
Deep learning

Todo lo que usted quería saber sobre la limpieza de las playas, pero no se atrevió a preguntar

https://www.flickr.com/photos/presidenciard/21355126699/

Nadie duda hoy en día de la importancia económica, social y medioambiental de las playas. Muy relacionada con su gestión, se encuentra su limpieza. En artículos anteriores ya vimos aspectos de la limpieza mecánica de las playas, la relevancia de la limpieza en la pérdida de arenas en playas encajadas, entre otros artículos que podéis encontrar en mi blog.

A continuación os paso un vídeo explicativo al respecto, que forma parte de un curso que he preparado online sobre la gestión de las playas. Este curso es una ampliación respecto a algunos cursos presenciales que he tenido la oportunidad de dirigir, el último, en Oporto (Portugal). Espero que os sea de interés.

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