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.
El artículo presenta un marco conceptual para el desarrollo de gemelos digitales aplicados a estructuras de ingeniería civil que combina modelos basados en la física con técnicas avanzadas de aprendizaje profundo. Se propone una integración dinámica entre el sistema físico y su representación digital mediante redes bayesianas dinámicas, lo que permite la toma de decisiones informada y la optimización continua. Entre las contribuciones destacadas, se encuentra la implementación de modelos de aprendizaje profundo para diagnosticar el estado estructural en tiempo real a partir de datos de sensores. Además, el enfoque incluye un proceso de aprendizaje previo fuera de línea para optimizar las políticas de mantenimiento.
La investigación presenta casos de estudio que validan la viabilidad del marco propuesto: una viga en voladizo en forma de L y un puente ferroviario. En estos ejemplos, se demuestra la capacidad del sistema para predecir el deterioro estructural y sugerir las acciones de mantenimiento adecuadas. El uso de modelos de orden reducido permite gestionar el coste computacional de manera eficiente y garantizar la aplicabilidad práctica del enfoque.
Introducción
La gestión eficiente de estructuras de ingeniería civil, como puentes, edificios y otras infraestructuras críticas, es un desafío constante debido al envejecimiento, el uso intensivo y los cambios en las condiciones ambientales. Un mantenimiento inadecuado puede provocar fallos catastróficos con consecuencias sociales, económicas y medioambientales significativas. En este contexto, los gemelos digitales han emergido como una tecnología prometedora para mejorar la supervisión, el mantenimiento y la toma de decisiones.
Un gemelo digital es una réplica virtual de un activo físico que se actualiza continuamente con datos obtenidos de sensores instalados en el activo real. Esto permite simular su comportamiento, predecir su evolución y planificar intervenciones de manera óptima. El concepto se ha explorado ampliamente en sectores como el aeroespacial y el manufacturero, pero su aplicación en el ámbito de la ingeniería civil es relativamente reciente.
En el campo de los gemelos digitales para ingeniería civil, las investigaciones previas han abordado diferentes aspectos del monitoreo estructural, como la detección de daños mediante métodos de análisis modal y la integración de técnicas avanzadas de procesamiento de señales. Se han utilizado modelos físicos basados en elementos finitos para representar el comportamiento estructural y técnicas de aprendizaje automático para detectar y clasificar anomalías. Sin embargo, la mayoría de estos enfoques tienen limitaciones relacionadas con la precisión de las predicciones y la gestión de la incertidumbre en condiciones operativas variables.
Un enfoque emergente consiste en integrar modelos probabilísticos, como las redes bayesianas, con técnicas de aprendizaje profundo. Esto permite incorporar la variabilidad y la incertidumbre inherentes a los datos estructurales. No obstante, aún es necesario mejorar la capacidad de realizar predicciones precisas de manera continua en tiempo real.
Teniendo en cuenta las limitaciones identificadas en los trabajos previos, este estudio busca responder a la siguiente pregunta de investigación: ¿cómo se puede desarrollar un marco de gemelo digital que combine modelos físicos y aprendizaje profundo para mejorar la predicción y la toma de decisiones en el mantenimiento de estructuras de ingeniería civil, teniendo en cuenta la incertidumbre y la variabilidad operativa?
El artículo examina un enfoque innovador basado en modelos físicos y técnicas de aprendizaje profundo, y propone un sistema de toma de decisiones apoyado en redes bayesianas dinámicas. Este marco permite una interacción continua entre el activo físico y su representación digital, lo que mejora significativamente los procesos de mantenimiento preventivo y correctivo.
Gemelos digitales predictivos para estructuras de ingeniería civil: abstracción gráfica del flujo de información de extremo a extremo habilitada por el modelo gráfico probabilístico (Torzoni et al., 2024)
Metodología
La metodología propuesta combina modelos matemáticos basados en la física y técnicas de aprendizaje profundo para crear un gemelo digital capaz de gestionar estructuras de ingeniería civil. El enfoque consta de tres fases principales:
Modelo numérico basado en la física:
Se emplean modelos de elementos finitos para representar el comportamiento estructural bajo diferentes condiciones operativas y de daño.
Los modelos son simplificados mediante técnicas de reducción de orden, utilizando descomposición en bases propias (POD), para hacer viable el análisis computacional en tiempo real.
Asimilación de datos mediante aprendizaje profundo:
Los datos estructurales recopilados por sensores se procesan mediante redes neuronales profundas.
Un modelo de clasificación identifica la ubicación y severidad del daño, mientras que un modelo de regresión cuantifica la magnitud del deterioro.
Toma de decisiones basada en redes bayesianas dinámicas:
Los resultados se integran en un modelo probabilístico que permite la predicción de estados futuros y la planificación de intervenciones de mantenimiento.
El sistema optimiza decisiones considerando incertidumbres operativas y costos asociados a las acciones de mantenimiento.
Resultados
Los resultados obtenidos evidencian que el gemelo digital propuesto puede rastrear con precisión la evolución del estado estructural y generar recomendaciones de mantenimiento en tiempo real. La precisión global alcanzada en la clasificación de estados digitales fue del 93,61 %, lo que destaca su capacidad para manejar datos ruidosos y condiciones operativas variables. Sin embargo, se observaron algunas limitaciones en la detección de daños en regiones alejadas de los sensores, lo que subraya la necesidad de mejorar la sensibilidad de los dispositivos de monitorización.
Otro aspecto relevante es la capacidad de predicción del sistema. Las simulaciones muestran que el gemelo digital puede prever de manera efectiva el deterioro futuro, lo que permite planificar de manera proactiva las intervenciones. Esto supone una mejora significativa con respecto a los enfoques tradicionales de mantenimiento reactivo.
Desde un punto de vista metodológico, la integración de modelos probabilísticos y aprendizaje profundo proporciona una solución robusta y adaptable a diferentes estructuras. No obstante, el éxito del sistema depende en gran medida de la calidad y la cantidad de datos disponibles para el entrenamiento inicial.
El estudio responde a la pregunta de investigación mediante la implementación exitosa de un marco de gemelo digital que combina modelos físicos y aprendizaje profundo. El sistema propuesto gestiona la incertidumbre mediante redes bayesianas dinámicas y mejora la toma de decisiones en mantenimiento al proporcionar predicciones precisas y recomendaciones basadas en datos en tiempo real. Los experimentos confirmaron su capacidad para gestionar estructuras complejas, lo que demuestra una mejora tangible en comparación con los enfoques tradicionales.
Conclusiones y recomendaciones
En conclusión, el desarrollo de un gemelo digital que integre modelos físicos y técnicas de aprendizaje profundo supone un avance significativo en la gestión de infraestructuras críticas. La metodología propuesta permite realizar un seguimiento continuo, realizar predicciones proactivas y tomar decisiones informadas.
El trabajo plantea varias líneas de investigación para el futuro:
Mejora de los modelos predictivos: Explorar técnicas avanzadas de aprendizaje automático para aumentar la precisión y reducir el sesgo en la estimación de estados estructurales.
Optimización de redes de sensores: Investigar configuraciones óptimas de sensores para mejorar la cobertura y sensibilidad del monitoreo.
Aplicaciones a gran escala: Desarrollar estudios de caso adicionales que incluyan estructuras complejas como puentes de gran envergadura y edificios multifuncionales.
Integración con tecnologías emergentes: Incorporar técnicas de computación en el borde y redes 5G para facilitar la transmisión y procesamiento de datos en tiempo real.
Estudio de costos y beneficios: Evaluar la relación costo-beneficio del sistema para su implementación en proyectos reales, considerando factores económicos y de sostenibilidad.
Estos pasos permitirán ampliar la aplicabilidad del sistema y mejorar su eficiencia en el mantenimiento de infraestructuras críticas. En resumen, el artículo establece una base sólida para el desarrollo de gemelos digitales en ingeniería civil, al proponer un enfoque integral y avanzado desde el punto de vista técnico que combina modelos físicos y aprendizaje automático. Las investigaciones futuras deben centrarse en ampliar su ámbito de aplicación y mejorar su rendimiento en contextos operativos complejos.
Acaban de publicarnos un artículo en la revista Sustainability, revista indexada en el JCR. El artículo evalúa la eficacia de las redes neuronales artificiales y los modelos sustitutos de Kriging para optimizar la energía incorporada de los puentes de losas pretensadas, y proporciona recomendaciones prácticas para mejorar el diseño y la sostenibilidad.
El trabajo se enmarca dentro del proyecto de investigación RESILIFE que dirijo como investigador principal en la Universitat Politècnica de València.
A continuación se recoge un resumen sintético del trabajo.
Introducción
La industria de la construcción contribuye significativamente al consumo mundial de energía y a las emisiones de gases de efecto invernadero, lo que suscita un interés creciente en mejorar las prácticas de sostenibilidad.
El hormigón pretensado destaca por sus ventajas, que incluyen la durabilidad, la reducción del mantenimiento y la rapidez de construcción, a pesar de los costes iniciales más altos en comparación con los métodos tradicionales.
Las investigaciones indican que existe una brecha en la optimización de la energía incorporada en los puentes de losas de hormigón, lo que exige una mayor exploración y metodologías innovadoras, como el Kriging y las redes neuronales artificiales, para optimizar su diseño de manera efectiva.
Descripción de la cubierta del puente de losa aligerada
Los diseñadores suelen utilizar una relación canto/luz de 1/25 para las losas de carreteras con el fin de garantizar su integridad estructural. Los diseños de losas aligeradas ofrecen ventajas en cuanto a rigidez a la flexión y adaptabilidad.
El estudio se centra en una configuración de losas aligeradas pretensadas adecuada para los pasos superiores, con el objetivo de mejorar la eficiencia del diseño y el rendimiento estructural.
La teoría del estado límite se emplea para verificar la resistencia estructural mediante el uso de software avanzado para el modelado tridimensional y el análisis de cargas.
Figura 2. Imagen aérea de la estructura, situada en Cocentaina (Alicante). Imagen: Google Maps.
Metodología
El estudio analiza varios materiales, incluidos tipos específicos de acero y calidades de hormigón, para optimizar el diseño del puente de losa aligerada.
Se utilizan dos metamodelos predictivos, Kriging y las redes neuronales, con el fin de optimizar el diseño propuesto del puente de losas.
La metodología incluye una fase de diversificación para la optimización inicial y una fase de intensificación para refinar los resultados, midiendo los errores de predicción mediante el error cuadrático medio (RMSE).
Metamodelo Kriging
Kriging se emplea para estimar las necesidades de energía del puente de losas, utilizando un enfoque determinista que proporciona respuestas consistentes basadas en los datos de entrada.
La «caja de herramientas Kriging de MATLAB» se utiliza para crear un modelo sustituto, y el LHS (LHS) mejora el proceso de muestreo para representar mejor el espacio de diseño.
Este método permite realizar pruebas computacionales eficientes y, al mismo tiempo, minimizar los errores sistemáticos, lo que lo hace adecuado para tareas complejas de optimización estructural.
Red neuronal artificial
Las ANN están estructuradas con capas de neuronas, donde las capas ocultas utilizan funciones sigmoideas para procesar las entradas y la capa de salida emplea funciones lineales para las predicciones.
El modelo de perceptrón multicapa (MLP) destaca por su capacidad para aproximar funciones de manera eficaz, basándose en el algoritmo de retropropagación para el entrenamiento.
El estudio hace hincapié en la importancia de la validación cruzada para evitar el sobreaprendizaje y garantizar que el rendimiento de la red neuronal sea sólido en los diferentes conjuntos de datos.
Visualización de los datos observados
La gráfica de contorno de los datos observados revela múltiples valores óptimos locales, lo que indica la complejidad del problema de optimización y las limitaciones de los modelos de regresión tradicionales.
Esta complejidad requiere el uso de modelos predictivos avanzados para identificar con precisión las soluciones óptimas dentro del espacio de diseño.
Comparación de modelos predictivos
Los modelos de Kriging son deterministas, mientras que las redes neuronales introducen variabilidad debido a que se basan en la selección aleatoria de datos para su entrenamiento y validación.
El rendimiento de la red neuronal se estabiliza mediante múltiples ejecuciones, lo que permite una comparación más fiable de los valores medios con las predicciones de Kriging.
Análisis de errores
El promedio de las predicciones de la red neuronal coincide estrechamente con los resultados del modelo de Kriging, aunque la red neuronal presenta un error cuadrático medio (MSE) y un error cuadrático medio (RMSE) más bajos.
El análisis destaca la necesidad de una evaluación exhaustiva de la capacidad de la red neuronal para identificar los valores óptimos, comparando las predicciones entre todos los puntos de datos.
Recomendaciones prácticas
El estudio proporciona recomendaciones prácticas para reducir las emisiones en los puentes de losas pretensadas, incluidas directrices específicas sobre el contenido de hormigón y refuerzo.
Los hallazgos sugieren que tanto las redes neuronales como las de Kriging pueden identificar eficazmente los valores óptimos locales, lo que ayuda a los ingenieros estructurales a optimizar los diseños para obtener beneficios económicos y ambientales.
Haciendo hincapié en la importancia de los modelos sustitutivos, la investigación aboga por su uso para perfeccionar los procesos de diseño y mejorar los resultados en materia de sostenibilidad.
Conclusiones
Se subraya la complejidad de la superficie de respuesta al consumo de energía, ya que tanto Kriging como las redes neuronales predicen valores superiores a los observados.
El modelo de Kriging muestra un error relativo menor en las predicciones óptimas locales en comparación con la red neuronal, que, sin embargo, muestra un rendimiento de RMSE superior.
El estudio concluye que, si bien Kriging proporciona resultados deterministas, las redes neuronales requieren múltiples iteraciones para estabilizar los resultados, lo que aporta información valiosa para optimizar los diseños estructurales.
ABSTRACT:
The main objective of this study is to assess and contrast the efficacy of distinct spatial prediction methods in a simulation aimed at optimizing the embodied energy during the construction of prestressed slab bridge decks. A literature review and cross-sectional analysis have identified crucial design parameters that directly affect the design and construction of bridge decks. This analysis determines the critical design variables to improve the deck’s energy efficiency, providing practical guidance for engineers and professionals in the field. The methods analyzed in this study are ordinary Kriging and a multilayer Perceptron neural network. The methodology involves analyzing the predictive performance of both models through error analysis and assessing their ability to identify local optima on the response surface. Results show that both models generally overestimate observed values. The Kriging model with second-order polynomials yields a 4% relative error at the local optimum, while the neural network achieves lower root-mean-square errors (RMSE). Neither the Kriging model nor the neural network provide precise predictions, but point to promising solution regions. Optimizing the response surface to find a local minimum is crucial. High slenderness ratios (around 1/28) and 40 MPa concrete grade are recommended to improve energy efficiency.
Nos acaban de publicar en línea en la revista Structural and Multidisciplinary Optimization (revista indexada en JCR en el primer cuartil) un trabajo de investigación en el que utilizamos las redes neuronales artificiales junto para el diseño multiobjetivo de puentes postesados de carreteras. Os paso a continuación el resumen y el enlace al artículo por si os resulta de interés. El enlace del artículo es el siguiente: http://link.springer.com/article/10.1007%2Fs00158-017-1653-0
Referencia:
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, doi:10.1007/s00158-017-1653-0
Abstract:
In order to minimize the total expected cost, bridges have to be designed for safety and durability. This paper considers the cost, the safety, and the corrosion initiation time to design post-tensioned concrete box-girder road bridges. The deck is modeled by finite elements based on problem variables such as the cross-section geometry, the concrete grade, and the reinforcing and post-tensioning steel. An integrated multi-objective harmony search with artificial neural networks (ANNs) is proposed to reduce the high computing time required for the finite-element analysis and the increment in conflicting objectives. ANNs are trained through the results of previous bridge performance evaluations. Then, ANNs are used to evaluate the constraints and provide a direction towards the Pareto front. Finally, exact methods actualize and improve the Pareto set. The results show that the harmony search parameters should be progressively changed in a diversification-intensification strategy. This methodology provides trade-off solutions that are the cheapest ones for the safety and durability levels considered. Therefore, it is possible to choose an alternative that can be easily adjusted to each need.
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.
