🤖 AI

A fuzzy adaptive metaheuristic algorithm for identifying sustainable, economical, lightweight, and earthquake-resistant reinforced concrete cantilever retaining walls

Este estudio propone un nuevo algoritmo metaheurístico adaptativo basado en lógica difusa para optimizar muros de contención en voladizo de concreto reforzado para la resiliencia sísmica, logrando diseños sostenibles, económicos y ligeros mediante la resolución de un complejo problema de optimización restringida de doce dimensiones bajo nueve condiciones sísmicas.

Autores originales: Farshid Keivanian, Raymond Chiong, Ali R. Kashani, Amir H. Gandomi

Publicado 2026-06-08

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Farshid Keivanian, Raymond Chiong, Ali R. Kashani, Amir H. Gandomi

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un arquitecto encargado de construir un muro masivo y de alta resistencia para contener una ladera de tierra. Este no es un muro cualquiera; es un Muro de Contención hecho de concreto reforzado, diseñado para mantenerse en pie incluso cuando el suelo comience a sacudirse durante un terremoto.

¿El desafío? Encontrar el diseño "Goldilocks" (el punto ideal):

Lo suficientemente fuerte como para no colapsar.
Lo suficientemente ligero como para ahorrar en materiales.
Lo suficientemente barato como para ajustarse al presupuesto.
Lo suficientemente ecológico como para producir emisiones de carbono mínimas.

El problema es que hay millones de formas de construir este muro (cambiando el grosor de la base, la altura del fuste, la cantidad de acero en su interior, etc.). Intentar probar cada combinación a mano tomaría una eternidad. Aquí es donde entran los autores de este artículo con un nuevo y astuto programa informático.

Aquí tienes un desglose sencillo de lo que hicieron:

1. El Problema: Un laberinto de millones de caminos

Imagina diseñar este muro como intentar encontrar el punto más bajo en una cadena montañosa gigante y con mucha niebla. Quieres encontrar el fondo absoluto (el mejor diseño), pero hay miles de valles (soluciones locales) que parecen ser el fondo, pero no lo son. Además, el terreno está lleno de señales de "Prohibido el paso" (reglas de seguridad). Si tu diseño rompe una regla de seguridad, el muro colapsa y recibes una penalización enorme.

El muro tiene 12 diferentes diales que puedes girar (como ajustar el ancho de la base o la cantidad de acero). Girar estos diales cambia el costo, el peso y la seguridad. El objetivo es girarlos hasta la configuración perfecta.

2. La Solución: Una "Enjambre" de exploradores inteligente y difuso

Los autores crearon un nuevo algoritmo informático llamado FAGLSUD. Para entender cómo funciona, imagina enviar un equipo de 100 exploradores a esa cadena montañosa con niebla para encontrar el punto más bajo.

En lugar de vagar aleatoriamente, estos exploradores están organizados en Imperios (grupos), liderados por los exploradores más inteligentes (llamados "Imperialistas"). El resto son "Colonias" (seguidores).

El algoritmo utiliza tres trucos especiales para ayudar al equipo a encontrar el mejor lugar más rápido:

Truco 1: El movimiento de "Seguir al Líder" (Aprendizaje Global)
Si un explorador ve que el líder de su grupo o el mejor explorador de toda la montaña está en un mejor lugar, se mueve hacia ellos. Esto ayuda al equipo a centrarse en las buenas soluciones rápidamente.
Truco 2: El movimiento de "Vagar por su cuenta" (Diversidad Universal)
A veces, todos se quedan atrapados en un pequeño valle. Para solucionar esto, el algoritmo le dice a algunos exploradores que miren los mejores puntos de otros grupos y salten en una dirección diferente. Esto ayuda al equipo a explorar nuevas áreas para no perderse un mejor valle cercano.
Truco 3: El movimiento de "Mutación" (Búsqueda Local)
Esto es como dar un pequeño paso lateral para ver si un cambio minúsculo hace que el lugar sea aún mejor. Es un mecanismo de ajuste fino para pulir la solución.

3. El Cerebro "Difuso": Tomando decisiones sin un manual de reglas

Aquí está la parte ingeniosa. Usualmente, los programas informáticos necesitan que los humanos establezcan reglas estrictas (por ejemplo, "Si hemos completado el 50%, muévete un 10% más rápido"). Pero el mundo real es caótico.

Los autores le dieron a sus exploradores un "Cerebro Difuso". En lugar de reglas estrictas de "Sí/No", el cerebro utiliza conceptos como "Bajo", "Medio" y "Alto".

Ejemplo: Si el equipo está "atascado" (no encuentra mejores lugares) y está en una etapa "temprana" de la búsqueda, el cerebro dice: "¡Oye, seamos más aventureros y exploremos más!".
Ejemplo: Si el equipo está "cerca del final" y "va bien", el cerebro dice: "Está bien, dejemos de vagar y enfoquémonos en pulir el mejor lugar que encontramos".

Este sistema "Difuso" permite que la computadora aprenda sobre la marcha y ajuste su estrategia automáticamente, sin que un humano necesite ajustar las configuraciones.

4. El Factor Terremoto

El muro no solo está ahí sentado; tiene que sobrevivir a un terremoto. La computadora simula el movimiento del suelo usando coeficientes "pseudo-estáticos" (básicamente, pretendiendo que el temblor es un peso pesado empujando contra el muro). Probaron nueve escenarios de terremotos diferentes (desde un temblor ligero hasta un sacudimiento fuerte) para asegurar que el diseño resista en todos ellos.

5. Los Resultados: El ganador se lo lleva todo

Los autores probaron su nuevo algoritmo de "Enjambre Difuso" contra otros programas informáticos famosos (como Algoritmos Genéticos, Optimización de Enjambre de Partículas y otros).

Corrieron la simulación 101 veces para dos tamaños de muro diferentes para estar seguros. Los resultados mostraron que su nuevo algoritmo era el campeón. Consistentemente encontró diseños que eran:

Más baratos (ahorraron dinero).
Más ligeros (usaron menos concreto y acero).
Más ecológicos (produjeron menos contaminación de CO2).

La Conclusión Final

El artículo afirma que, al usar este nuevo algoritmo "Difuso" y autoadaptable, los ingenieros pueden diseñar muros resistentes a terremotos que son más seguros, más baratos y mejores para el medio ambiente de lo que era posible anteriormente con métodos computacionales antiguos. Es como darle a un equipo de exploradores un mapa inteligente y adaptable que aprende sobre la marcha, asegurando que encuentren el mejor camino absoluto a través de la niebla.

Resumen Técnico: Una Metaheurística Adaptativa Difusa para el Diseño Sostenible de Muros de Contención de RCC

Formulación del Problema
Este estudio aborda la compleja optimización de muros de contención de voladizo de hormigón armado (RCC), específicamente en zonas con actividad sísmica. El desafío de diseño se caracteriza como un problema de optimización restringido de doce dimensiones que involucra ocho variables geométricas continuas (p. ej., ancho de la base, espesor del fuste) y cuatro variables estructurales discretas (áreas de refuerzo de acero). El objetivo es identificar diseños que sean simultáneamente sostenibles (bajas emisiones de CO2), económicos (bajo costo) y ligeros, manteniendo al mismo tiempo la integridad estructural bajo cargas sísmicas.

El análisis emplea el método pseudoestático, utilizando la teoría de Mononobe-Okabe (M-O) para simular los efectos sísmicos a través de nueve combinaciones distintas de coeficientes de aceleración horizontal ( $k_h$ ) y vertical ( $k_v$ ) que oscilan entre 0 y 0.3. La optimización está sujeta a 26 restricciones rigurosas derivadas de ACI 318-05 (2005) para la resistencia estructural (capacidad de cortante y momento) y DAS (1994) para la estabilidad geotécnica (vuelco, deslizamiento y capacidad de carga). El espacio de soluciones se complica aún más por la naturaleza no lineal de estas restricciones y los tipos de variables mixtas (continuas y discretas).

Metodología: El Algoritmo FAGLSUD
Para navegar este espacio de búsqueda de alta dimensión y restringido, los autores proponen un nuevo algoritmo de Aprendizaje Global y Búsqueda Local de Diversidad Universal Adaptativo Difuso (FAGLSUD, por sus siglas en inglés). Esta metaheurística integra conceptos de Inteligencia de Enjambre (específicamente el Algoritmo de Competencia Imperialista y la Optimización por Enjambre de Partículas) y Algoritmos Evolutivos (Evolución Diferencial), mejorados con Sistemas de Lógica Difusa (FLS) para el control adaptativo.

Los componentes centrales de FAGLSUD incluyen:

Estructura de Subpoblación: El espacio de búsqueda se divide en "imperios" (subpoblaciones) que contienen "imperialistas" (mejores soluciones) y "colonias" (otras soluciones) para facilitar el intercambio de información.
Tres Operadores de Búsqueda Novedosos:
- Adaptación de Velocidad Basada en el Aprendizaje Global (GLVA): Se enfoca en la explotación, guiando a las colonias hacia sus imperialistas y mejores soluciones personales, y a los imperialistas hacia la mejor solución global.
- Divergencia de Velocidad Basada en la Diversidad Universal (UDVD): Se enfoca en la exploración, aprendiendo de soluciones diversas en toda la población para prevenir la convergencia prematura.
- Búsqueda Local Basada en Evolución Diferencial Mejorada (EDELS): Imita el descenso de gradiente para mejorar el intercambio de información y el refinamiento local a través de fases de mutación y cruce.
Mecanismos Adaptativos Difusos: A diferencia de las metaheurísticas tradicionales que requieren un ajuste manual de parámetros, FAGLSUD emplea Sistemas de Inferencia Difusa (FIS) para ajustar dinámicamente los parámetros de control (p. ej., coeficientes de aprendizaje, factores de escala) y seleccionar el operador de búsqueda más apropiado.
- Variables de Entrada: El FIS utiliza "Potencias Relativas Normalizadas" (que miden la distancia entre las soluciones actuales, los mejores locales y el mejor global) y el recuento de "Iteración Normalizada".
- Acciones de Salida: El sistema adapta los parámetros para equilibrar la exploración y la explotación basándose en el estado de convergencia (p. ej., aumentando la diversificación si el algoritmo se estanca).
- Selección de Operador: Un sistema de reglas difusas evalúa el "estancamiento" a través de ventanas de tiempo para seleccionar de forma probabilística qué operador de búsqueda (GLVA, UDVD o EDELS) se aplicará en la siguiente iteración.

Contribuciones Clave

Algoritmo Novedoso: La introducción de FAGLSUD, que combina de manera única la dinámica de subpoblaciones con tres estrategias de búsqueda distintas, todas gobernadas por un marco adaptativo difuso que elimina la necesidad de un ajuste manual de parámetros.
Diseño Sísmico Multiobjetivo: El estudio es el primero en aplicar una técnica de optimización automatizada de este tipo a muros de RCC considerando nueve casos de carga sísmica pseudoestática simultáneamente, apuntando a tres funciones objetivo distintas: costo mínimo, peso mínimo y emisiones de CO2 mínimas.
Integración de la Sostenibilidad: El cálculo explícito de las emisiones de CO2 incorporadas basado en los volúmenes de materiales y factores de emisión estándar (base de datos BEDEC), vinculando la optimización estructural directamente con la reducción del impacto ambiental.
Robustez: El algoritmo está diseñado para manejar la alta no linealidad y dimensionalidad del problema sin la carga computacional de un análisis extenso de sensibilidad de parámetros.

Resultos y Desempeño
La eficacia de FAGLSUD fue validada utilizando dos ejemplos de diseño numérico (Ejemplo 1 y Ejemplo 2) con diversas restricciones de contorno. El algoritmo fue probado contra una serie de metaheurísticas clásicas y de vanguardia, incluyendo la Optimización por Enjambre de Partículas (PSO), la Optimización de Lobo Gris (GWO), el Algoritmo de Polinización de Flores (FPA), la Optimización Basada en Biogeografía (BBO) y el Recocido Simulado (SA).

Configuración Experimental: Cada algoritmo se ejecutó 101 veces de forma independiente con un tamaño de población de 50 y un máximo de 1000 iteraciones.
Métricas de Desempeño: El estudio comparó los valores medios de los objetivos (Costo, Peso, CO2) y la Desviación Estándar (SD) a través de los nueve escenarios sísmicos.
Hallazgos: FAGLSUD superó consistentemente a los algoritmos comparativos, logrando menores costos medios, pesos y emisiones de CO2. La significancia estadística de estos resultados fue verificada mediante la prueba de rango suma de Wilcoxon. Los mecanismos adaptativos difusos equilibraron eficazmente el proceso de búsqueda, permitiendo que el algoritmo escapara de los óptimos locales y convergiera a soluciones superiores de manera más confiable que sus contrapartes de parámetros fijos.

Significancia y Reivindicaciones
El artículo sostiene que FAGLSza ofrece una solución robusta y automatizada para el diseño sostenible de infraestructuras resistentes a terremotos. Al integrar la lógica difusa en el mecanismo de búsqueda, el método aborda el cuello de botella del "ajuste de parámetros" común en las metaheurísticas, haciéndolo más accesible y eficiente para problemas complejos de ingeniería civil.

Los autores enfatizan que su enfoque llena un vacío de investigación al abordar simultáneamente la innovación algorítmica y las implicaciones ambientales del diseño de RCC. El estudio demuestra que la optimización estructural puede reducir significativamente el carbono incorporado de los muros de contención sin comprometer la seguridad sísmica o la viabilidad económica. El método propuesto se presenta como un paso hacia prácticas de construcción más sostenibles ante el aumento del cambio climático y los riesgos sísmicos. El estudio proporciona una herramienta que maximiza la eficiencia de los materiales mientras minimiza el impacto ambiental.