Redes neuronales y metamodelos Kriging para la optimización de la energía en puentes losa pretensados

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.

KEYWORDS:

bridges; embodied energy; optimization; prestressed concrete; artificial neural network; surrogate model; Kriging; sustainability

REFERENCE:

YEPES-BELLVER, L.; BRUN-IZQUIERDO, A.; ALCALÁ, J.; YEPES, V. (2024). Artificial neural network and Kriging surrogate model for embodied energy optimization of prestressed slab bridges. Sustainability, 16(19), 8450; DOI:10.3390/su16198450

Descargar (PDF, 4.78MB)

Optimización energética de tableros tipo losa pretensados aligerados mediante modelos Kriging

Durante los días 10-13 de julio de 2023 tuvo lugar en Donostia-San Sebastián (Spain) el 27th International Congress on Project Management and Engineering AEIPRO 2023. Fue una buena oportunidad para debatir y conocer propuestas sobre dirección e ingeniería de proyectos. Nuestro grupo de investigación, dentro del proyecto de investigación HYDELIFE, presentó varias comunicaciones. A continuación os paso el resumen de una de ellas.

El objetivo de este trabajo es desarrollar una metodología para optimizar la energía en la construcción de tableros losa pretensado aligerados. Se lleva a cabo un análisis de la sección transversal para determinar los parámetros de diseño a través de un estudio del estado del arte. A partir de ese análisis, se identifican las variables de diseño que mejorarán la eficiencia energética del tablero. La metodología se divide en dos fases: primero, se utiliza una técnica estadística llamada hipercubo latino para muestrear las variables del tablero y determinar una superficie de respuesta; y en segundo lugar, se optimiza la superficie de respuesta mediante un modelo de optimización basado en Kriging. Como resultado, se ha desarrollado una metodología que reduce el costo energético en la construcción de tableros losa pretensado aligerados. Las recomendaciones para mejorar la eficiencia energética incluyen emplear esbelteces elevadas (alrededor de 1/28), reducir el consumo de hormigón y armadura activa, y aumentar la cantidad de armadura pasiva.

El trabajo se enmarca dentro del proyecto de investigación HYDELIFE que dirijo como investigador principal en la Universitat Politècnica de València.

Palabras clave:

Optimización; energía; puentes; Kriging; metamodelos; sostenibilidad

Agradecimientos:

This research was funded by MCIN/AEI/10.13039/501100011033, grant number PID2020-117056RB-I00 and The APC was funded by ERDF A way of making Europe.

Referencia:

BRUN-IZQUIERDO, A.; YEPES-BELLVER, L.; ALCALÁ, J.; YEPES, V. (2023). Optimización energética de tableros tipo losa pretensados aligerados mediante modelos Kriging. 27th International Congress on Project Management and Engineering, AEIPRO, 10-13 de julio, Donostia/San Sebastián (Spain), pp. 426-437. DOI:10.61547/3374

A continuación os dejo un vídeo donde presentamos el trabajo. Espero que os sea de interés.

Os dejo la comunicación completa, pues está publicada en abierto.

Descargar (PDF, 1.88MB)

Optimización del coste energético de puentes losa postesados mediante un Kriging en dos fases

Acaban de publicarnos un artículo en la revista Materials, revista indexada en el JCR. El objetivo del estudio es optimizar la energía empleada en la construcción de pasos elevados de carreteras aligeradas mediante la identificación de las principales variables de diseño y el desarrollo de una metodología que utilice el muestreo latino de hipercubos y la optimización basada en el método Kriging. El trabajo se enmarca dentro del proyecto de investigación HYDELIFE que dirijo como investigador principal en la Universitat Politècnica de València.

  • El artículo establece una metodología para optimizar la energía incorporada en la construcción de pasos elevados de carreteras aligeradas mediante la identificación de las principales variables de diseño y el uso del hipercubo latino y la optimización basada en el método Kriging.
  • El estudio recomienda emplear índices de esbeltez elevados, minimizar el uso de hormigón y armaduras activas y aumentar la cantidad de armaduras pasivas para mejorar la eficiencia energética.
  • El artículo utiliza una técnica estadística llamada muestreo de hipercubo latino para muestrear variables y crear una superficie de respuesta, que luego se ajusta con precisión mediante un metamodelo Krixing.
  • La metodología desarrollada en el trabajo reduce el coste energético de la construcción de puentes de losas aligeradas.
  • El estudio contribuye al campo de la optimización energética en la construcción al proporcionar una metodología específica para los puentes de losas de hormigón pretensado aligerado, especialmente en los pasos elevados de carreteras postesadas.

Abstract:

This study aims to establish a methodology for optimizing embodied energy while constructing lightened road flyovers. A cross-sectional analysis is conducted to determine design parameters through an exhaustive literature review. Based on this analysis, key design variables that can enhance the energy efficiency of the slab are identified. The methodology is divided into two phases: a statistical technique known as Latin Hypercube Sampling is initially employed to sample deck variables and create a response surface; subsequently, the response surface is fine-tuned through a Kriging-based optimization model. Consequently, a methodology has been developed that reduces the energy cost of constructing lightened slab bridge decks. Recommendations to improve energy efficiency include employing high slenderness ratios (approximately 1/28), minimizing concrete and active reinforcement usage, and increasing the amount of passive reinforcement.

Keywords:

Optimization; embodied energy; bridges; surrogate model; Kriging; prestressed concrete; sustainability

Reference:

YEPES-BELLVER, L.; BRUN-IZQUIERDO, A.; ALCALÁ, J.; YEPES, V. (2023). Embodied energy optimization of prestressed concrete road flyovers by a two-phase Kriging surrogate model. Materials16(20); 6767. DOI:10.3390/ma16206767

Descargar (PDF, 2.15MB)

Método acelerado de optimización de puentes en cajón

 

Acaban de publicarnos en Engineering Structures, revista de ELSEVIER indexada en el primer cuartil del JCR, un artículo en el que hemos propuesto un novedoso método de optimización que acelera los cálculo al emplear Kriging como metamodelo en los cálculos intermedios de las iteraciones de un proceso de optimización heurística. Se ha aplicado en la optimización de la energía requerida para la construcción de un puente en cajón de hormigón pretensado, pero la metodología es aplicable al cálculo de cualquier estructura. Este artículo forma parte del proyecto de investigación DIMALIFE. Como se ha publicado en abierto, os puedo pasar el artículo completo, que os podéis descargar también en la propia revista.

ABSTRACT:

Structural optimization is normally carried out by means of conventional heuristic optimization due to the complexity of the structural problems. However, the conventional heuristic optimization still consumes a large amount of time. The use of metamodels helps to reduce the computational cost of the optimization and, along these lines, kriging-based heuristic optimization is presented as an alternative to carry out an accelerated optimization of complex problems. In this work, conventional heuristic optimization and kriging-based heuristic optimization will be applied to reach the optimal solution of a continuous box-girder pedestrian bridge of three spans with a low embodied energy. For this purpose, different penalizations and different initial sample sizes will be studied and compared. This work shows that kriging-based heuristic optimization provides results close to those of conventional heuristic optimization using less time. For the sample size of 50, the best solution differs about 2.54% compared to the conventional heuristic optimization, and reduces the computational cost by 99.06%. Therefore, the use of a kriging model in structural design problems offers a new means of solving certain structural problems that require a very high computational cost and reduces the difficulty of other problems.

KEYWORDS: Low-embodied energy; Post-tensioned concrete; Box-girder bridge; Structural optimization; Metamodel; Kriging

REFERENCE:
PENADÉS-PLÀ, V.; GARCÍA-SEGURA, T.; YEPES, V. (2019). Accelerated optimization method for low-embodied energy concrete box-girder bridge design. Engineering Structures, 179:556-565. DOI:10.1016/j.engstruct.2018.11.015

 

El impacto de las edificaciones en el medio ambiente

Edificios modernos de Lima. Autor: Luis Perales. https://commons.wikimedia.org/wiki/File:Edificios_de_Lima_Peru.jpg

La presión demográfica mundial provoca la necesidad imperiosa de buscar alternativas sostenibles en la construcción de edificios. Efectivamente, para el año 2050 se espera que la población mundial alcance los 8900 millones de personas [1], aunque otros estudios indican que en el año 2030 esta cifra será de 9000 millones [2]. El impacto que supone esta fuerte demanda de viviendas al cambio climático es de una magnitud sin precedentes. Según datos de la UNEP (Programa de las Naciones Unidas para el Medio Ambiente) y de la OCDE (Organización para la Cooperación y el Desarrollo Económicos), el entorno edificado, representa un consumo de energía del 25 al 40%, una carga de residuos sólidos del 30 al 40% y una carga de emisión de gases de efecto invernadero del 30 al 40% [3]. En 2007, el entorno edificado consumió cerca del 47% de la energía total en China [4]. En el año 2004, los edificios agotaron, por sí solos, casi el 37% de toda la energía mundial y se espera que esta cifra alcance el 42% en el año 2030 [5]. En la India, el 24% de la energía primaria y el 30% de la energía eléctrica se consume en los edificios [6]. Casi el 10-20 % de la energía total se consume durante la construcción de los edificios, en función de las cantidades y tipos de materiales empleados, tipología de los edificios , los requisitos funcionales, la demanda de energía eléctrica y la vida útil considerada [6,7]. Algunos estudios indican que un edificio con una vida útil entre 40 y 50 años gasta durante su uso entre el 52 y el 82% de toda la energía consumida durante su ciclo de vida. A todo ello hay que añadir que una parte muy importante de los productos que se incorporan en un edificio no se ejecutan “in situ”, representando un 75% de la energía necesaria para la construcción, pues son materiales con una alta demanda de energía en su fabricación [8,9].

La industria de la construcción, junto con sus industrias auxiliares, es uno de los mayores consumidores de recursos naturales, tanto renovables como no renovables, que está alterando negativamente el medio ambiente. Agota 2/5 partes de los áridos y 1/4 de la madera, y consume el 40 % de la energía total y el 16 % de agua al año [10,11]. El uso de materiales crece constantemente, con más de 23 mil millones de toneladas de hormigón producido anualmente [12,13]. En 2010, de acuerdo con la International Cement Review [14], la producción mundial de cemento se elevó a alrededor de 3,3 millones de toneladas/año , lo que significa un aumento más del 100% en casi 10 años. La producción mundial de cemento llegó a 1,6 mil millones de toneladas/año en 2001 , lo que corresponde a aproximadamente el 7 % de la cantidad mundial de dióxido de carbono liberado a la atmósfera [15,16]. Otros estudios indican que la contribución de la industria cementera a las emisiones de gases de efecto invernadero supera el 5% del total [17]. En Australia, para mantener la demanda en la construcción, se necesitan cada año aproximadamente 30 millones de toneladas de productos, más del 56 % de esta cantidad es hormigón, y el 6%, acero [18].

¿Qué podemos hacer ante este panorama? Evidentemente, es preciso un cambio de actitud a nivel mundial. La construcción y uso de los edificios va a ser creciente, como acabamos de ver. Por tanto, se hace necesaria la optimización de los recursos para que los impactos sean lo menores posibles. A modo de ejemplo, Struble y Godfrey [19] compararon el impacto ambiental producido por una viga de hormigón y otra de acero. Las de hormigón consumen menos energía y contaminan menos los recursos hídricos, sin embargo, presentan un 10% más de emisiones de CO2, aunque requieren un 60% menos de extracción de minerales [20]. Otras posibilidades pasan por la optimización en el diseño de los edificios [21-27]. Nuestro grupo de investigación ha trabajado durante estos últimos años en esta línea [28-35]. Otras líneas de trabajo tienen que ver con la certificación energética de los edificios [36]. En este sentido, La Comisión Europea, con el fin de racionalizar el uso de la energía en los edificios y aumentar su eficiencia energética, propuso la Directiva 2002/91/CE, que fue refundida en la Directiva 2010/31/UE del Parlamento Europeo y del Consejo.

Referencias:

[1] Kates, R.W. (2000). Population and consumption: what we know, what we need to know. Environment: Science and Policy for Sustainable Development, 42(3):10-19.

[2] Fernández-Solís, J. (2007). Analysis of the forces in the exponentialoid growth in construction, in: COBRA 2007, RICS Foundation.

[3] Oteiza, I.; Alonso, C. (2008). Análisis y revisión de herramientas para evaluación de la sostenibilidad de la construcción. Actas de las II Jornadas de Investigación en Construcción, pp. 1149-1166. Madrid.

[4] Wang T H (2005). China: Building a Resource-Efficient Society. China Development Forum 2005. Beijing.

[5] Urge-Vorsatz, D.; Novikova, A. (2006). Opportunities and costs of carbon dioxide mitigation in the worlds domestic sector, in: International Energy Efficiency in Domestic Appliances and Lighting Conference ‘06, London, UK.

[6] Ramesh, T.; , Prakash, R.;  Shukla, K.K. (2013). Life cycle energy analysis of a multifamily residential house: a case study in Indian context, Open Journal of Energy Efficiency 2: 34–41.

[7] Bansal, D. et al. (2010). Embodied energy in residential cost effective units-up to 50 m2, in: International Conference on Sustainable Built environment(ICSBE-2010), Kandy, Sri Lanka 13–14 December.

[8] Ding, G. (2004). The development of a multi-criteria approach for the measurement of sustainable performance for built projects and facilities, Ph.D. Thesis, University of technology, Sydney, Australia.

[9] Spence, R.;  Mulligan, H. (1995). Sustainable development and the construction industry, Habitat International 19 (3): 279–292.

[10] Lippiatt, B.C. (1999). Selecting cost effective green building products: BEES approach. J Constr Eng Manage 1999;125:448–55.

[11] Chong, W.K.; Kumar, S.; Haas, C.T.; Beheiry, S.M.A.; Coplen, L.; Oey, M. (2009). Understanding and interpreting baseline perceptions of sustainability in construction among civil engineers in the United States. J Manage Eng, 25(3):143–54.

[12] Schokker A.J. (2010). The sustainable concrete guide: strategies and examples. 1 ed. U.S.G.C. Council; 2010. Michigan: U.S. Green Concrete Council.

[13] World Business Council for Sustainable Development (WBCSD) (2006). Cement Industry Energy and CO2 Performance: Getting the Numbers Right; Geneva: World Business Council for Sustainable Development, (WBCSD).

[14] Intercement. Annual Report 2010: how the cement market works. <http://www.intercement.com/RS2010/pt/como-funciona-o-mercado-cimenteiro/>

[15] Mehta, P.K. (2001). Reducing the environmental: concrete can be durable and environmentally friendly. Concr Int:61–66.

[16] Bremner, T.W. (2001). Environmental aspects of concrete: problems and solutions. In: Proceedings of first all-Russian conference on concrete and reinforced concrete, Moscow, Russia.

[17] Worrell E, Price L, Martin N, Hendriks C, Meida LO (2001) Carbon dioxide emissions from the global cement industry. Annu Rev Energy Environ 26:303–329

[18] Walker-Morison, A.; Grant, T.; McAlister, S. (2007). The environmental impact of building materials. Environment design guide. PRO 7.

[19] Struble, L.; Godfrey, J. (2004). How sustainable is concrete? In: Proceedings of international workshop on sustainable development and concrete technology, Beijing, China: 2004.

[20] Miller, D.; Doh, J.H.; Mulvey, M. (2015). Concrete slab comparison and embodied energy optimisation for alternate design and construction techniques. Construction and Building Materials, 80:329-338

[21] Yeo, D.; Gabbai, R.D. (2011). Sustainable design of reinforced concrete structures through embodied energy optimization. Energy and buildings, 43(8): 2028-2033

[22] Medeiros, G.F.; Kripka, M. (2014). Optimization of reinforced concrete columns according to different environmental impact assessment parameters. Engineering Structures, 59:185-194.

[23] Bansal, D.; Singhc, R.; Sawhney, R.L. (2014). Effect of construction materials on embodied energy and cost of buildings—A case study of residential houses in India up to 60 m2 of plinth area. Energy and Buildings, 69:260-266.

[24] Asif, T. Muneer, R. Kelley, Life cycle assessment: a case study of a dwelling home in Scotland, Building and Environment 42 (2007) 1391–1394.

[25] Dixit, M.K.; Fernández-Solís, J.L.; Lavy, S.; Culp, C.H. (2010). Identification of parameters for embodied energy measurement: A literature review. Energy and Buildings, 42:1238–1247.

[26] Dixit, M.K.; Fernández-Solís, J.L.; Lavy, S.; Culp, C.H. (2012). Need for an embodied energy measurement protocol for buildings: A review paper. Renewable and Sustainable Energy Reviews, 16:3730-3743.

[27] Foraboschi, P; Mercanzin, M.; Trabucco,D. (2014). Sustainable structural design of tall buildings based on embodied energy. Energy and Buildings, 68:254-269.

[28] 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, (accepted, in press).

[29] GARCÍA-SEGURA, T.; YEPES, V.; ALCALÁ, J.; PÉREZ-LÓPEZ, E. (2015). Hybrid harmony search for sustainable design of post-tensioned concrete box-girder pedestrian bridges. Engineering Structures, 92:112-122. DOI: 10.1016/j.engstruct.2015.03.015 (link)

[30] YEPES, V.; MARTÍ, J.V.; GARCÍA-SEGURA, T. (2015). Cost and CO2 emission optimization of precast-prestressed concrete U-beam road bridges by a hybrid glowworm swarm algorithm. Automation in Construction, 49:123-134. DOI: 10.1016/j.autcon.2014.10.013 (link)

[31] GARCÍA-SEGURA, T.; YEPES, V.; ALCALÁ, J. (2014). Life-cycle greenhouse gas emissions of blended cement concrete including carbonation and durability. The International Journal of Life Cycle Assessment, 19(1):3-12. DOI 10.1007/s11367-013-0614-0 (link) (descargar versión autor)

[32] MARTINEZ-MARTIN, F.J.; GONZALEZ-VIDOSA, F.; HOSPITALER, A.; YEPES, V. (2012). Multi-objective optimization design of bridge piers with hybrid heuristic algorithms. Journal of Zhejiang University-SCIENCE A (Applied Physics & Engineering, 13(6):420-432. DOI: 10.1631/jzus.A1100304. ISSN 1673-565X (Print); ISSN 1862-1775 (Online).  (link)

[33] YEPES, V.; GONZÁLEZ-VIDOSA, F.; ALCALÁ, J.; VILLALBA, P. (2012). CO2-Optimization Design of Reinforced Concrete Retaining Walls based on a VNS-Threshold Acceptance Strategy. Journal of Computing in Civil Engineering ASCE, 26 (3):378-386. DOI: 10.1061/(ASCE)CP.1943-5487.0000140. ISNN: 0887-3801. (link)

[34] PAYÁ-ZAFORTEZA, I.; YEPES, V.; HOSPITALER, A.; GONZÁLEZ-VIDOSA, F. (2009). CO2-Optimization of Reinforced Concrete  Frames by Simulated Annealing. Engineering Structures, 31(7): 1501-1508. ISSN: 0141-0296. (link)

[35] PAYÁ, I.; YEPES, V.; GONZÁLEZ-VIDOSA, F.; HOSPITALER, A. (2008). Multiobjective Optimization of Reinforced Concrete Building Frames by Simulated Annealing. Computer-Aided Civil and Infrastructure Engineering, 23(8): 596-610. ISSN: 1093-9687.  (link)

[36] OWENSBY-CONTE, D.; YEPES, V. (2012). Green Buildings: Analysis of State of Knowledge. International Journal of Construction Engineering and Management, 1(3):27-32. doi: 10.5923/j.ijcem.20120103.03. (link)

 

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