¿Edificios más verdes y económicos? El poder de la «inteligencia de enjambre» en el diseño de pilares mixtos

La verticalización es una respuesta indispensable para alcanzar la densidad urbana necesaria en un planeta sobrepoblado; sin embargo, el método de construcción actual no resulta eficaz. Según el informe Global Status Report for Buildings and Construction 2024/2025, la industria de la construcción consume el 32 % de la energía global y es responsable del 34 % de las emisiones de CO₂. Con el acero y el hormigón representando el 18 % de ese total, la urgencia de un cambio de paradigma es absoluta.

Como ingenieros, nos enfrentamos a una pregunta crítica: ¿es posible seguir elevando nuestras ciudades sin destruir el ecosistema? La respuesta reside en la ingeniería de precisión y en la optimización de las columnas CFST (columnas tubulares de acero rellenas de hormigón), una solución técnica que está redefiniendo la eficiencia estructural y la sostenibilidad.

A continuación, os presentamos algunas ideas clave, fruto del trabajo de Alves y su equipo (2026), sobre la optimización multiobjetivo sostenible de columnas tubulares mixtas de acero y hormigón de alta resistencia. El trabajo se enmarca en el proyecto de investigación RESILIFE, que dirijo como investigador principal en la Universitat Politècnica de València, y es fruto de la estancia de investigación del profesor Élcio C. Alves en nuestra universidad.

1. Por qué el hormigón de alta resistencia es sorprendentemente la opción más ecológica.

Un hallazgo contraintuitivo, pero fundamental, del estudio de Alves (2026) es que el uso de hormigón de alta resistencia (HSC, por sus siglas en inglés) de 80 MPa o 90 MPa resulta ser la opción más sostenible. Aunque la producción de un metro cúbico de hormigón de alta resistencia emite más CO₂ que la de uno convencional, su mayor capacidad portante permite una reducción volumétrica significativa.

Al reducir el tamaño de las columnas, no solo se gana espacio útil en la arquitectura, sino que la disminución total del uso de materiales compensa con creces la huella de carbono de cada uno de ellos. Es una lección de diseño: el material más «caro» ambientalmente por unidad puede ser el que menos impacto tiene en el sistema en su conjunto.

«El uso de hormigón de alta resistencia (80 MPa o superior) y aceros de alto grado está plenamente justificado por la reducción significativa de las emisiones finales de la columna, lo que supera el impacto inicial de producir materiales más costosos». — Alves et al. (2026).

Variables de diseño de las columnas compuestas

2. MOPSO: inteligencia colectiva para equilibrar costes y emisiones.

El diseño tradicional suele ser un proceso manual que prioriza el coste directo. No obstante, en proyectos de alta complejidad, la ingeniería moderna recurre a la optimización mediante un enjambre de partículas con múltiples objetivos (MOPSO). Este algoritmo de «enjambre de partículas» simula comportamientos sociales para encontrar el equilibrio ideal, conocido como el frente de Pareto.

El MOPSO no proporciona una única solución, sino un conjunto de opciones óptimas que equilibran tres aspectos críticos: la minimización de costes, la reducción de kgCO₂ y la maximización de la capacidad de carga. El algoritmo ajusta simultáneamente variables técnicas como:

  • El diámetro y el espesor del tubo de acero.
  • El número y el diámetro de las barras de refuerzo internas.
  • El uso de aceros HSLA (High-Strength Low-Alloy), como el ASTM A572 Gr. 65 o el avanzado ASTM A913 Gr. 70.

Confiar en estos algoritmos permite encontrar geometrías que un diseñador humano difícilmente alcanzaría y optimizar cada gramo de acero para que cumpla su función estructural máxima.

3. La esbeltez: el factor que puede duplicar el coste de tu proyecto.

La altura de una columna no es un factor lineal en cuanto al impacto. Al analizar el paso de columnas de 3 a 5 metros, surge un «impuesto invisible» impulsado por la física: los efectos de segundo orden.

Según el método B1 de la norma NBR 8800:2008, al aumentar la longitud, la columna es más susceptible al pandeo. Esto obliga a incrementar drásticamente la sección de acero o a utilizar materiales con una resistencia mucho mayor para compensar la inestabilidad. Los resultados de esta transición son masivos:

  • Emisiones de CO₂: el incremento de 3 m a 5 m puede disparar las emisiones entre un 70 % y un 105 %.
  • Costes materiales: el presupuesto puede incrementarse entre un 50 % y un 80 %.

La esbeltez no solo supone un reto estético, sino también un riesgo financiero y medioambiental que exige una optimización matemática rigurosa para evitar duplicar la huella de carbono de la estructura.

Del papel a la práctica: superando estándares anteriores.

La evolución de los modelos de optimización está dando frutos tangibles. Al comparar los resultados de Alves et al. (2026) con investigaciones previas (como la de Correia et al., 2025), se observa que el uso de aceros de alto grado y modelos actualizados permite reducir las emisiones hasta en un 47 %.

Escenario de carga (Mxd/Myd) Correia et al. (2025) (kgCO₂) Alves et al. (2026) (kgCO₂)
Uniaxial (30/0 kNm) 286,44 233,89
Uniaxial alta (270/0 kNm) 446,26 265,94
Oblicua (27/27 kNm) 248,16 131,74

Lo más impresionante es que estas reducciones (que oscilan entre el 9 % y el 47 %) se lograron aumentando la capacidad de carga hasta en un 14 % en columnas reforzadas, mientras se reducía el área transversal de acero. Este hito ha sido posible gracias a la transición hacia aceros de mayor rendimiento, como el ASTM A913 Gr. 70.

Conclusión: hacia una ingeniería de precisión.

Los resultados son concluyentes: el uso de materiales HSC y de algoritmos MOPSO ya no es un lujo para proyectos experimentales, sino una necesidad imperativa para la sostenibilidad urbana. La ingeniería de precisión nos permite construir estructuras más resistentes y esbeltas con una fracción del impacto ambiental asociado a los métodos tradicionales.

La industria se encuentra ante una encrucijada técnica y ética: ¿estamos listos para abandonar las «recetas» de diseño tradicionales en favor de la optimización matemática?

Si pudieras reducir a la mitad la huella de carbono de tu próxima estructura simplemente ajustando la resistencia del hormigón y aplicando algoritmos de precisión, ¿por qué no lo harías?

En esta conversación puedes escuchar las ideas más interesantes sobre esta investigación.

En este vídeo se resume el contenido del artículo.

Sustainable_Vertical_Optimization

Referencia:

ALVES, E.C.; YEPES-BELLVER, L.; KRIPKA, M.; YEPES, V. (2026). Sustainable Multi-Objective Optimization of Tubular Composite Columns with High-Strength Steel and Concrete. Congress on Project Management and Engineering, AEIPRO, 7-9 de julio, Castellón (Spain).

CORREIA, L.; RODRIGUES, M. C. A.; ALVES, E. C. (2025). Multi-Objective Optimization of Steel and Concrete Tubular Composite Columns. Proceedings CILAMCE 2025, Vitória – ES – Brazil.

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

Coste del ciclo de vida de las baterías de NiZn mediante Optimización Multiobjetivo por Enjambre de Partículas

Acaban de publicarnos un artículo en la revista Sustainability, indexada en el JCR. El artículo de investigación se centra en la optimización de las funciones de coste del ciclo de vida (LCC) y de impacto ambiental (LCA) de las baterías de níquel-zinc (NiZn) mediante el algoritmo de optimización por enjambres de partículas multiobjetivo (MOPSO). El proceso de optimización se centra en las fases de adquisición de materias primas y de fin de vida útil de las baterías de NiZn para mejorar sus indicadores clave de rendimiento (KPI) de sostenibilidad. La metodología, implementada en MATLAB, utiliza un modelo de formulación de LCC y LCA ambientales e incorpora datos de la base de datos Ecoinvent, del software OpenLCA y de otras bases de datos públicas. Los resultados obtenidos gracias a la optimización proporcionan información sobre las combinaciones de países más eficaces para obtener materias primas para la producción de baterías de NiZn y gestionar los residuos de las baterías que no se pueden reciclar. Los KPI de sostenibilidad, como el impacto del calentamiento global y los costes de capital, se vinculan automáticamente a los resultados, lo que garantiza su reproducibilidad ante actualizaciones de datos o cambios en las ubicaciones de producción y reciclaje establecidas inicialmente en París (Francia) y Krefeld (Alemania). El proceso de validación implica un análisis de sensibilidad para garantizar la solidez de los parámetros matemáticos y considerar las futuras variaciones del mercado, así como el uso del proceso jerárquico analítico (AHP) para validar los resultados mediante interacciones humanas. En el futuro, se sugiere incluir las fases de fabricación y de uso en el modelo de optimización para mejorar aún más la sostenibilidad y la eficiencia de las baterías de NiZn.

Como conclusiones más importantes de este trabajo, se pueden señalar las siguientes:

  • El estudio optimizó el ciclo de vida, el impacto ambiental y el coste de las baterías de NiZn, utilizando los datos más recientes disponibles de los principales productores y de los centros de tratamiento de residuos.
  • La optimización por enjambres de partículas multiobjetivo (MOPSO) se consideró más adecuada que el algoritmo genético (GA) para la optimización multiobjetivo, debido a su mayor eficiencia y eficacia.
  • El análisis tuvo en cuenta 14 flujos de materiales, una línea de eliminación de residuos y varias ubicaciones del mundo con costes e impactos ambientales distintos, lo que puso de relieve la complejidad del proceso de optimización.
  • Mediante el MOPSO, se identificaron las ubicaciones óptimas de los proveedores de materias primas con coste e impacto medioambiental mínimos, así como las ubicaciones de eliminación de residuos de materiales no reciclables.
  • Se recomendaron países proveedores óptimos para los diferentes materiales, haciendo hincapié en la importancia de tomar decisiones estratégicas de abastecimiento para reducir el impacto ambiental y los costes.
  • El modelo de IA demostró su solidez al alinearse con los resultados del proceso jerárquico analítico (AHP) y su resiliencia frente a las fluctuaciones del mercado en el análisis de sensibilidad.
  • El estudio hizo hincapié en la necesidad de contar con módulos de programación dinámicos para estimar los indicadores clave de rendimiento (KPI) de sostenibilidad y validar los resultados de la optimización, especialmente en las fases de adquisición de materias primas y de eliminación de residuos.
  • La validación mediante el AHP reveló similitudes y diferencias entre la IA y los resultados de encuestas a un panel de expertos, lo que puso de manifiesto la eficacia del modelo de IA en la toma de decisiones estratégicas para el abastecimiento y la gestión de residuos.
  • El documento concluyó destacando la importancia de incorporar las fases de fabricación y uso en los futuros modelos de optimización para mejorar aún más la sostenibilidad y la eficiencia de las baterías de NiZn.

Abstract:

This study aims to optimize the Environmental Life Cycle Assessment (LCA) and Life Cycle Cost (LCC) of NiZn batteries using Pareto Optimization (PO) and Multi-objective Particle Swarm Optimization (MOPSO), which combine Pareto optimization and genetic algorithms (GA). The optimization focuses on the raw material acquisition and end-of-life phases of NiZn batteries to improve their sustainability Key Performance Indicators (KPIs). The optimization methodology, programmed in MATLAB, is based on an LCC formulation and an environmental LCA, using data from the Ecoinvent database, the OpenLCA software (V1.11.0), and other public databases. Results provide insights into the best combination of countries for acquiring raw materials to manufacture NiZn and for disposing of waste from NiZn batteries that cannot be recycled. These results were automatically linked to sustainability KPIs, such as global warming and capital costs, and are replicable in case of data updates or changes in production or recycling locations, which were initially considered in Paris (France) and Krefeld (Germany), respectively. These results from an AI model were validated using a sensitivity analysis and the Analytical Hierarchy Process (AHP) by an expert panel. The sensitivity analysis ensures the robustness of the mathematical parameters and future market variations; on the other hand, the AHP validates the Artificial Intelligence (AI) results through interactions with human factors. Further developments should also consider the manufacturing and use phases in the optimization model.

Keywords:

LCCA; LCA; MOPSO; genetic algorithms; AHP; sustainability KPIs; AI; NiZn batteries

Reference:

MALVIYA, A.K.; ZAREHPARAST MALEKZADEH, M.; SANTARREMIGIA, F.E.; MOLERO, G.D.; VILLALBA-SANCHIS, I.; MARTÍNEZ-FERNÁNDEZ, P.; YEPES, V. (2024). Optimization of the Life cycle cost and environmental impact functions of NiZn batteries by using Multi-Objective Particle Swarm Optimization (MOPSO). Sustainability, 16(15):6425. DOI:10.3390/su16156425

Pincha aquí para descargar