En la actualidad, los técnicos se enfrentan al desafío de encontrar soluciones estructurales más eficientes cumpliendo con todas las restricciones de seguridad y funcionalidad. Como ayuda a este reto, surgen las técnicas de optimización heurísticas. El algoritmo aplicado en este artículo es el Recocido Simulado o Simulated Annealing (SA). La estructura sobre la que se emplea esta metodología es un muro de contrafuertes de hormigón armado de 11 metros de altura. La eficiencia del algoritmo depende de la elección de los parámetros más adecuados que lo definen. Para ello, se realiza un diseño de experimentos factorial fraccionado que permite, a través de un análisis estadístico, detectar aquellos parámetros de la heurística que más afectan al resultado de la solución obtenida.
Reconozco abiertamente que me recorre cierto escalofrío cuando escucho por algún sitio que se está desarrollando una “campaña experimental“, a menudo en laboratorios donde, por desgracia, cada ensayo cuesta muchísimo tiempo y dinero. Me viene a la mente una campaña militar a gran escala donde, para conseguir un objetivo, se sacrifica lo que sea necesario. Cuando igual una pequeña fuerza de operaciones especiales sería suficiente.
Lo digo porque no es la primera vez que me encuentro con algún estudiante de máster o doctorado que quiere iniciar ensayos para cubrir, literalmente, las variaciones posibles en ciertos rangos, de un número de factores que influyen en un problema determinado. Y tampoco me es ajeno el típico estudiante que acude a mi despacho a pedirme consejo porque no sabe qué hacer con las montañas de datos generados, no siendo capaz de interpretar con herramientas estadísticas rigurosas.
Pero este problema no solo ocurre en determinados ámbitos científicos, sino que es habitual en empresas, procesos industriales y laboratorios de todo tipo. Cuento esto porque encuentro de vez en cuando a un doctorando que ha dedicado, por ejemplo, más de cinco años en recoger datos que luego, a la postre, se acumulan en hojas de cálculo y son difíciles de interpretar porque no se sabía exactamente cuál era la pregunta de investigación que se quería resolver.
También es muy típico encontrar en las empresas a técnicos expertos en un proceso determinado “con mucha experiencia”, que realmente lo que ha hecho es aprender con los años, y sobre todo, de sufrir en sus carnes muchos errores. Este tipo de experiencia, basada en el error, no es la más barata, ni mucho menos.
Afortunadamente, cada vez son menos los que se enfrascan directamente a ensayar todas las combinaciones posibles en los valores de ciertas variables. Para eso disponemos de una rama del conocimiento denominada diseño de experimentos que permite no solo ahorrar recursos (tiempo, espacio de laboratorio, dinero, etc.), sino también es capaz de sacar muchísima más información de los datos cuando se dedica algo de tiempo a hacer un buen diseño experimental. No digo con esto que existan campañas experimentales bien diseñadas, sino que aún perviven prácticas que, por puro desconocimiento, son utilizadas aún en demasiadas ocasiones.
Veamos un ejemplo sencillo que nos permite aclarar las ideas. Imaginemos un proceso que solo depende de 4 factores. Si de cada factor queremos analizar 5 niveles, una “campaña experimental” exhaustiva nos obligaría a tomar 5^4 = 625 observaciones. Este número tan elevado puede ser inviable. ¿Cómo podemos reducir el número de observaciones? Se podría reducir el número de factores o el número de niveles a estudiar .
Un buen diseño de experimentos puede reducir muchísimo el número de observaciones necesarias ofreciendo, a su vez, información muy valiosa. Por ejemplo, un diseño factorial a dos niveles, ya sea completo o fraccionado, sería suficiente en la mayoría de los casos para estudiar los efectos, las interacciones entre los factores, etc. Invito al lector a revisar en este mismo blog algunos artículos que he escrito al respecto:
Incluso, en el caso de que no exista una interacción entre los factores, por ejemplo un diseño en cuadrado grecolatino, para cuatro factores y cuatro niveles, podríamos obtener información valiosa con 16 observaciones en vez de las 256 que serían las necesarias para cubrir todas las combinaciones posibles. En este blog podéis encontrar muchos ejemplos resueltos buscando “diseño de experimentos” en la columna de la izquierda, donde aparece el buscador.
Resumiendo, estoy a favor de las “campañas experimentales”, pero siempre que se basen en un diseño de experimentos previo. Pero mi consejo es que antes de hacer nada, tengamos muy clara la pregunta de investigación que queremos resolver. De hecho, la ciencia experimental trata de llegar a conclusiones generales con datos procedentes de casos particulares, y para eso necesitamos la estadística.
Parafraseando la frase que, según la tradición, estaba grabada a la entrada de la Academia de Platón, yo pondría el siguiente letrero a la puerta de cualquier laboratorio: “NO ENTRE NADIE QUE NO SEPA ESTADÍSTICA”.
Os dejo una conferencia del profesor Xabier Barber de la Universidad Miguel Hernández que os aclarará muchas cosas. Espero que os guste.
Referencias:
Box, G.E.; Hunter, J.S.; Hunter, W.G. (2008). Estadística para investigadores. Diseño, innovación y descubrimiento. Segunda Edición, Ed. Reverté, Barcelona.
Gutiérrez, H.; de la Vara, R. (2003). Análisis y diseño de experimentos. McGraw-Hill, México.
Vicente, M.L.; Girón, P.; Nieto, C.; Pérez, T. (2005). Diseño de experimentos. Soluciones con SAS y SPSS. Pearson Educación, Madrid.
Laboratorio de materiales de ICITECH. https://icitech.webs.upv.es/index.php/home/laboratorio-de-materiales/
En la asignatura de “Modelos predictivos y de optimización de estructuras de hormigón”, del Máster en Ingeniería del Hormigón, se desarrollan laboratorios informáticos. En este caso, os traigo un ejemplo de aplicación de un diseño de experimentos. En este caso, un diseño de experimentos por bloques aleatorizados resuelto con SPSS y MINITAB.
Se pretende comparar la resistencia a compresión simple a 28 días obtenidos por cuatro laboratorios diferentes. Para ello se realizan cinco amasadas diferentes y se obtienen las resistencias medias para cada amasada por cada uno de los laboratorios. Los resultados se encuentran en la tabla que sigue.
Os paso la resolución de este laboratorio informático. Espero que os sea de interés.
En la asignatura de “Modelos predictivos y de optimización de estructuras de hormigón”, del Máster en Ingeniería del Hormigón, se desarrollan laboratorios informáticos. En este caso, os traigo un ejemplo de aplicación de un diseño de experimentos. En este caso, un diseño factorial fraccionado resuelto con MINITAB.
Se quiere determinar la mejor forma de elaborar hormigón compactado con una pavimentadora. La variable de respuesta es el porcentaje de compactación, medido con un densímetro nuclear. Tras una tormenta de ideas con expertos, se ha realizado un diseño de experimentos con 5 factores: el porcentaje de aditivo, la pavimentadora (A antigua, B moderna), el operador de la pavimentadora (A con poca experiencia, y B con mucha), el tipo de mezcla de hormigón y la temperatura del hormigón. Se ha tenido que realizar un diseño fraccionado puesto que el presupuesto limita el número de experimentos a un máximo de 12. Se pide que se analicen los resultados, que fueron los de la tabla siguiente:
Los datos de este caso provienen de la siguiente publicación: Arias, C.; Adanaqué, I.; Buestán, M. Optimización del proceso de elaboración de hormigón compactado con pavimentadora. Escuela Superior Politécnica del Litoral, Ecuador. http://www.dspace.espol.edu.ec/handle/123456789/4754
Os paso la resolución de este laboratorio informático. Espero que os sea de interés.
Este trabajo describe la introducción de la metodología de superficie de respuesta en un curso de postgrado. Este caso se realiza en la asignatura de “Modelos predictivos y de optimización de estructuras de hormigón“. Esta asignatura se enmarca en el Plan de Estudios del Máster Universitario en Ingeniería del Hormigón. Los estudiantes aprenden aquí conceptos como la optimización de estructuras mediante algoritmos heurísticos, la toma de decisiones multicriterio, técnicas de diseño de experimentos y metamodelos como la superficie de respuesta para obtener resultados óptimos. En este caso de estudio, el objetivo es obtener una solución óptima de un muro de hormigón armado, utilizando las emisiones de CO2 como función objetivo para reducir su impacto. Para aplicar esta metodología, los estudiantes aprovechan programas comerciales. Por un lado, para realizar el análisis estadístico que permita obtener la superficie de respuesta se utiliza Minitab. Por otro lado, los estudiantes comprueban la resistencia de la estructura utilizando el software de cálculo estructural Cype. Como resultado de esta metodología se consigue que los estudiantes alcancen un mejor nivel en competencias transversales, como el diseño y el proyecto, el pensamiento crítico, el análisis y la resolución de problemas o el uso de software específico. En este trabajo se presentan futuros estudios de investigación relacionados con el uso de técnicas de optimización de estructuras por parte de los estudiantes aplicando otras técnicas de optimización diferentes.
Referencia:
YEPES, V.; MARTÍNEZ-MUÑOZ, D.; MARTÍ, J.V. (2021). Application of the response surface methodology in a postgraduate optimization course. 15th annual International Technology, Education and Development Conference (INTED 2021), 8th-9th March, 2021, pp. 869-878, Valencia, Spain. ISBN: 978-84-09-27666-0
Figura 1. Cuadrado grecolatino de orden cuatro. Wikipedia
Un cuadrado greco-latino, cuadrado de Euler o cuadrados latinos ortogonales de orden n se denomina, en matemáticas, a la disposición en una cuadrícula cuadrada n×n de los elementos de dos conjuntos S y T, ambos con n elementos, cada celda conteniendo un par ordenado (s, t), siendo s elemento de S y t de T, de forma que cada elemento de S y cada elemento de T aparezca exactamente una vez en cada fila y en cada columna y que no haya dos celdas conteniendo el mismo par ordenado. Si bien los cuadrados grecolatinos eran una curiosidad matemática, a mediados del siglo XX Fisher demostró su utilidad para el control de experimentos estadísticos.
El diseño de experimentos en cuadrado grecolatino constituye una extensión del cuadrado latino. En este caso se eliminan tres fuentes extrañas de variabilidad, es decir, se controlan tres factores de bloques y un factor de tratamiento. Se trata de un diseño basado en una matriz de “n” letras latinas y “n” letras griegas, de forma que cada letra latina aparece solo una vez al lado de cada letra griega. Lo interesante de este diseño es que se permite la investigación de cuatro factores (filas, columnas, letras latinas y letras griegas), cada una con “n” niveles en solo “n2” corridas. Se llama cuadrado grecolatino porque los cuatro factores involucrados se prueban en la misma cantidad de niveles, de aquí que se pueda escribir como un cuadro. En la Figura 1 se presenta el aspecto de los datos del diseño de orden cuatro. El inconveniente de este modelo es que su utilización es muy restrictiva. El análisis de la varianza permite comprobar las hipótesis de igualdad de letras latinas (tratamientos), de las filas, de las columnas y de las letras griegas.
Si a un cuadrado latino p x p se le superpone un segundo cuadrado latino n x n en el que los tratamientos se denotan con letras griegas, entonces los dos cuadrados tienen la propiedad de que cada letra griega aparece una y sólo una vez con cada letra latina. Este diseño permite controlar sistemáticamente tres fuentes de variabilidad extraña. Ello permite la investigación de cuatro factores (filas, columnas, letras latinas y letras griegas), cada una con p niveles en sólo n2 ensayos.
Por tanto, el diseño de experimentos en cuadrado grecolatino se caracteriza por lo siguiente:
Es un diseño con cuatro factores a n niveles
Se asume que no hay interacciones entre los factores
Requiere de n2 observaciones
Cada nivel de un factor aparece una vez con cada nivel de los otros factores
Se trata de la superposición de dos cuadrados latinos (ver Figura 2)
Figura 2. Superposición de dos cuadrados latinos
En un diseño en cuadrado greco-latino la variable respuesta yij(hp) viene descrita por la siguiente ecuación:
A continuación os presento un caso para aclarar la aplicabilidad de este diseño de experimentos. Se trata de averiguar si la resistencia característica del hormigón a flexocompresión (MPa) varía con cuatro dosificaciones diferentes. Para ello se han preparado amasadas en cuatro amasadoras diferentes, se han utilizado cuatro operarios de amasadora y los ensayos se han realizado en cuatro laboratorios diferentes. Los resultados se encuentran en la tabla que sigue. Se quiere analizar el diseño de experimentos en cuadrado grecolatino realizado.
En el caso que nos ocupa, la variable de respuesta de la resistencia característica del hormigón a flexocompresión (MPa). El factor que se quiere estudiar es la dosificación a cuatro niveles (A, B, C y D). El bloque I es el tipo de amasadora, con cuatro niveles (α, β, γ y δ). El bloque II es el operario de la amasadora, con cuatro niveles (1, 2, 3 y 4). El bloque III es el laboratorio, con cuatro niveles (las filas). Se supone que no hay interacción entre el factor y los bloques entre sí.
Lo que se quiere averiguar es si hay diferencias significativas entre las dosificaciones (el factor a estudiar). De paso, se desea saber si hay diferencias entre los laboratorios, los operarios y las amasadoras (los bloques).
Os paso un pequeño vídeo donde se explica, de forma muy resumida, este caso, tanto para SPSS como para MINITAB.
Os dejo otro vídeo donde también se explica este tipo de diseño de experimentos.
Referencias:
Gutiérrez, H.; de la Vara, R. (2004). Análisis y Diseño de Experimentos. McGraw Hill, México.
Vicente, MªL.; Girón, P.; Nieto, C.; Pérez, T. (2005). Diseño de Experimentos. Soluciones con SAS y SPSS. Pearson, Prentice Hall, Madrid.
Pérez, C. (2013). Diseño de Experimentos. Técnicas y Herramientas. Garceta Grupo Editorial, Madrid.
En este caso, se trataba aplicar una técnica estadística procedente del diseño de experimentos, el diseño factorial completo, para determinar las variables significativas y las interacciones entre las variables cuando se trata de calcular una estructura. En este caso, se trata de analizar las emisiones de CO2 en la construcción de un muro de contención de tierras. Esta metodología es muy interesante para los estudiantes de máster. Ya hemos publicado algún artículo sobre el mismo tema aplicado a puentes pretensados. Os dejo el artículo en abierto.
Referencia:
MARTÍNEZ-MUÑOZ, D.; YEPES, V.; MARTÍ, J.V. (2019). Diseño de experimentos factorial completo aplicado al proyecto de muros de contención. 5th International Conference on Mechanical Models in Structural Engineering, CMMoST 2019, 23-25 oct 2019, Alicante, Spain, pp. 201-213. ISBN: 978–84–17924–58–4
En este caso, se trataba aplicar una técnica estadística procedente del diseño de experimentos, la metodología de la superficie de respuesta, a un cálculo estructural, en este caso, un muro. La optimización de procesos mediante la superficie de respuesta es habitual en el campo de la experimentación. La idea es considerar que el cálculo de una estructura se puede considerar también un experimento, donde los datos de entrada son las variables y parámetros que definen dicha estructura y el resultado final es el coste. En este caso, se trata de minimizar el coste. Esta metodología es muy interesante para los estudiantes de máster. Ya hemos publicado algún artículo sobre el mismo tema aplicado a puentes pretensados. Os dejo el artículo en abierto. En este caso se han optimizado las emisiones de CO2.
Referencia:
YEPES, V.; MARTÍNEZ-MUÑOZ, D.; MARTÍ, J.V. (2019). Optimización de muros de hormigón mediante la metodología de la superficie de respuesta. 5th International Conference on Mechanical Models in Structural Engineering, CMMoST 2019, 23-25 oct 2019, Alicante, Spain, pp. 603-615. ISBN: 978–84–17924–58–4
Durante los días 23 a 25 de octubre de 2019 se celebra en la Universidad de Alicante el congreso internacional CMMoST 2019 (5th International Conference on Mechanical Models in Structural Engineering). En la sesión de mañana, a las 12:00 horas, nuestro grupo de investigación presenta en la Sala de Grados, bajo la presidencia de Salvador Ivorra, cuatro comunicaciones.
El trabajo se enmarca dentro del proyecto de investigación DIMALIFE que dirijo como investigador principal en la Universitat Politècnica de València. Os dejo aquí las referencias y los resúmenes por si os resulta de interés.
MARTÍNEZ-MUÑOZ, D.; YEPES, V.; MARTÍ, J.V. (2019). Diseño de experimentos factorial completo aplicado al proyecto de muros de contención. 5th International Conference on Mechanical Models in Structural Engineering, CMMoST 2019, 23-25 oct 2019, Alicante, Spain.
ABSTRACT: This paper applies a complete factorial design to a five-meter wall to evaluate which variables most influence the response. This method is used for two target functions, CO2 emissions and the cost of the structure. To do this, 32 evaluations of the structure are performed using a computer program and a statistical analysis is carried out. The results of this analysis show that the most statistically representative factor is the thickness of the wall and the length of the toe is of little importance for both target functions. The result of the models considering only the variables without the interaction results in an R2 greater than 95%, so the interaction between variables, although it is proven to exist, is not relevant to the case study. This methodology allows to reduce the complexity of structural problems, reducing the number of variables.
PENADÉS-PLÀ, V.; YEPES, V.; GARCÍA-SEGURA, T. (2019). Metodología para valorar la sostenibilidad con baja influencia de los decisores. 5th International Conference on Mechanical Models in Structural Engineering, CMMoST 2019, 23-25 oct 2019, Alicante, Spain.
ABSTRACT: The goal of achieving sustainable structures involves a set of criteria that are usually opposed. This leads to the need to create a decision-making process. In every decision-making process there are subjective assessments that depend on the decision-maker. This is why decision-makers become an important part of the process because of their subjective assessment. This paper proposes a methodology in which the subjective assessment of the decision-maker in the assessment of sustainability in structures is reduced. Different processes are applied to reduce uncertainty in decision-making processes. In the first place the analysis of main components is applied, in the second place the optimization based on kriging, and finally the AHP method. All this is applied to a continuous concrete deck of beams for pedestrian walkways to achieve sustainable designs, reducing the complexity in making decisions on the most sustainable solution.
YEPES, V.; PENADÉS-PLÀ, V.; GARCÍA-SEGURA, T. (2019). Aplicación de optimización Kriging para la búsqueda de estructuras óptimas robustas. 5th International Conference on Mechanical Models in Structural Engineering, CMMoST 2019, 23-25 oct 2019, Alicante, Spain.
ABSTRACT: All the structural problems have an associated variability or uncertainty. In the design of structures there are parameters such as the dimensions of the structure, the mechanical characteristics of the materials or the loads that can have variations with respect to the design value. The goal of the robust design optimization is to obtain the design that is optimum and is less sensitive to variations of these uncertain initial parameters. The main limitation of the robust design optimization is the high computational cost required due to the high number of optimizations that must be made to assess the sensitivity of the objective response of the problem. For this reason, kriging model is applied to carry out the optimization process more efficiently. In this work, it is going to apply the robust design optimization on a continuous pedestrian bridge of prestressed concrete and box section.
YEPES, V.; MARTÍNEZ-MUÑOZ, D.; MARTÍ, J.V. (2019). Optimización de muros de hormigón mediante la metodología de la superficie de respuesta. 5th International Conference on Mechanical Models in Structural Engineering, CMMoST 2019, 23-25 oct 2019, Alicante, Spain.
ABSTRACT: This study presents an application of the response surface methodology to optimize a 5 m high concrete wall. The objective of this research work is to obtain a design solution of a concrete wall, using the CO2 emissions as an objective function to reduce its impact. To reach this objective, a factorial experimental design has been carried out to reduce the number of variables. After this, a steepest descent method has been used to look for the optimum neighborhood. Once the region around the optimum has been found, a second order response surface has been adjusted to reach the minimum. The objective function has been modified to allow a penalty for solutions that do not meet the Ultimate Limit States or stability restrictions. With this methodology, a good solution has been obtained, while also allowing the identification of the geometric design variables that mainly affect CO2 emissions.
Hoy día se conoce ampliamente la distribución t de Student, que surge del problema de estimar la media de una población normalmente distribuida cuando el tamaño de la muestra es pequeño. Esta distribución permite realizar la denominada prueba t de Student a dos muestras para probar si existe o no diferencia entre las medias, pudiendo ser dichas muestras desaparejadas o en parejas. Sin embargo, poca gente conoce a este Student. Este fue el seudónimo que utilizó William S. Gosset (1876-1937) para publicar sus descubrimientos. En efecto, para evitar exposiciones de información confidencial, Guinness -que era la empresa donde Gosset trabajaba- prohibió a sus empleados la publicación de artículos independientemente de la información que contuviesen. De ahí el uso de su pseudónimo Student en sus publicaciones, para evitar que su empleador lo detectara.
Distribución t de Student
Gosset empezó a trabajar en 1899 como técnico en la fábrica de cerveza Guinness, justo después de licenciarse en la Universidad de Oxford. Allí empezó a realizar experimentos y comprendió la necesidad de utilizar la estadística para comprender sus resultados. En los inicios del siglo XX, los métodos de inferencia se reducían a un versión de las pruebas z para las medias, pues incluso entonces los intervalos de confianza eran desconocidos. El interés de Gosset en el cultivo de la cebada le llevó a pensar que el diseño de experimentos debería dirigirse no sólo a mejorar la producción media, sino también a desarrollar variedades poco sensibles a las variaciones en el suelo y el clima. Como los experimentos que realizaba eran con pocas observaciones, se dio cuenta que las conclusiones que obtenía con este tipo de inferencia no eran precisas. Con la nueva distribución t se pudo diseñar una prueba que identificó la mejor variedad de cebada y Guinness, rápidamente, adquirió toda la semilla disponible. Para que luego se ponga en duda la importancia de la investigación en las empresas y su rentabilidad económica.
Os dejo a continuación un vídeo explicativo de esta importante función de distribución.
