Etiqueta: optimización estructural

Aplicación de optimización kriging para la búsqueda de estructuras óptimas robustas

Redheugh Bridge, Newcastle. © Copyright Stephen Richards and licensed for reuse under this Creative Commons Licence.

En todos los problemas estructurales existe una variabilidad o incertidumbre asociada. En el diseño de estructuras hay parámetros de diseño como las dimensiones de la estructura, las características mecánicas de los materiales o las cargas de diseño que pueden tener variaciones respecto al valor de diseño. Lo mismo ocurre a la hora de valorar una función objetivo asociada la estructura. Por un lado, a la hora de diseñar una estructura, el valor nominal utilizado es aquel que tiene una baja probabilidad de ocurrir (por ejemplo, la resistencia característica del hormigón es aquella que tiene una probabilidad del 5% de fallo). Además, se asignan coeficientes de seguridad asociados a una probabilidad de fallo determinada. Por otro lado, a la hora de valorar una función objetivo, como el coste o algún impacto medioambiental, el valor unitario de esta función suele ser la media. Dado este enfoque, la optimización estructural se convierte en una optimización determinista que desprecia los efectos de la incertidumbre asociada. Esto significa que la estructura tiene un comportamiento óptimo solo bajo las condiciones definidas inicialmente, pudiendo la respuesta variar significativamente cuando los valores se alejan de los valores de diseño.

A continuación os dejo una comunicación que presentamos en el 5th International Conference on Mechanical Models in Structural Engineering, que se celebró del 23 al 25 de octubre de 2019 en Alicante (España). Se trata de la optimización de un puente de sección en cajón de hormigón postesado utilizando un metamodelo tipo Krigring.

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 concerning the design value. The goal of robust design optimization is to obtain the optimum design and be 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, the kriging model is applied to carry out the optimization process more efficiently. This work will apply robust design optimization to a continuous pedestrian bridge of prestressed concrete and box sections.

Keywords:

Post-tensioned concrete; Box-girder bridge; Robust design optimization; RDO; Kriging

Reference:

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, pp. 81-94. ISBN: 978–84–17924–58–4

Descargar (PDF, 886KB)

¿Cuál es el mejor algoritmo para optimizar un problema? “No free lunch”

Figura 1. Desgraciadamente, no existe la comida gratis. https://medium.com/@LeonFedden/the-no-free-lunch-theorem-62ae2c3ed10c

Después de años impartiendo docencia en asignaturas relacionadas con la optimización heurística de estructuras de hormigón, y tras muchos artículos científicos publicados y más donde he sido revisor de artículos de otros grupos de investigación, siempre se plantea la misma pregunta: De todos los algoritmos que utilizamos para optimizar, ¿cuál es el mejor? ¿Por qué dice en su artículo que su algoritmo es el mejor para este problema? ¿Por qué no nos ponemos de acuerdo?

Para resolver esta cuestión, dos investigadores norteamericanos, David Wolpert y William Macready, publicaron un artículo en 1997 donde establecieron un teorema denominado “No free lunch“, que traducido sería algo así como “no hay comida gratis”. Dicho teorema establece que, por cada par de algoritmos de búsqueda, hay tantos problemas en el que el primer algoritmo es mejor que el segundo como problemas en el que el segundo algoritmo es mejor que el primero.

Este teorema revolucionó la forma de entender el rendimiento de los algoritmos. Incluso una búsqueda aleatoria en el espacio de soluciones podría dar mejores resultados que cualquier algoritmo de búsqueda. La conclusión es que no existe un algoritmo que sea universalmente mejor que los demás, pues siempre habrá casos donde funcione peor que otros, lo cual significa que todos ellos se comportarán igual de bien (o de mal) en promedio.

De hecho, se podría decir que un experto en algoritmos genéticos podría diseñar un algoritmo genético más eficiente que, por ejemplo, un recocido simulado, y viceversa. Aquí el arte y la experiencia en un problema y en una familia de algoritmos determinados, suele ser decisivo. En la Figura 2 se puede ver cómo un algoritmo muy especializado, que conoce bien el problema, puede mejorar su rendimiento, pero pierde la generalidad de poder usarse en cualquier tipo de problema de optimización que no sea para el que se diseñó.

Figura 2. El uso del conocimiento del problema puede mejorar el rendimiento, a costa de la generalidad. https://medium.com/@LeonFedden/the-no-free-lunch-theorem-62ae2c3ed10c

¿Qué consecuencias obtenemos de este teorema? Lo primero, una gran decepción, pues hay que abandonar la idea del algoritmo inteligente capaz de optimizar cualquier problema. Lo segundo, que es necesario incorporar en el algoritmo cierto conocimiento específico del problema, lo cual equivale a una “carrera armamentística” para cada problema de optimización. Se escriben y escribirán miles de artículos científicos donde un investigador demuestre que su algoritmo es mejor que otro para un determinado problema.

Una forma de resolver este asunto de incorporar conocimiento específico del problema es el uso de la inteligencia artificial en ayuda de las metaheurísticas. Nuestro grupo de investigación está abriendo puertas en este sentido, incorporando “deep learning” en el diseño de los algoritmos (Yepes et al., 2020; García et al., 2020a; 2020b), o bien redes neuronales (García-Segura et al., 2017). Incluso, en este momento, me encuentro como editor de un número especial de la revista Mathematics (primer decil del JCR) denominado: “Deep Learning and Hybrid-Metaheuristics: Novel Engineering Applications”, al cual os invito a enviar vuestros trabajos de investigación.

Si nos centramos en un tipo de problema determinado, por ejemplo, la optimización de estructuras (puentes, pórticos de edificación, muros, etc.), el teorema nos indica que necesitamos gente formada y creativa para optimizar el problema concreto al que nos enfrentamos. Es por ello que no existen programas comerciales eficientes capaces de adaptarse a cualquier estructura para optimizarla. Tampoco son eficientes las herramientas generales “tools” que ofrecen algunos programas como Matlab para su uso inmediato e indiscriminado.

Por tanto, no se podrá elegir entre dos algoritmos solo basándose en lo bien que trabajaron anteriormente en un problema determinado, pues en el siguiente problema pueden optimizar de forma deficiente. Por tanto, se exige conocimiento intrínseco de cada problema para optimizarlo. Es por ello que, por ejemplo, un experto matemático o informático no puede, sin más, dedicarse a optimizar puentes atirantados.

Referencias:

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

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

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.

WOLPERT, D.H.; MACREADY, W.G. (1997). No Free Lunch Theorems for Optimization. IEEE Transactions on Evolutionary Computation, 1(1):67-82.

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

A continuación os dejo el artículo original “No Free Lunch Theorems for Optimization”. Se ha convertido en un clásico en optimización heurística.

Descargar (PDF, 698KB)

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