Resumen Técnico: Optimización de Costos de Materiales de Protección contra Incendios Basada en Física y Modelos Sustitutos

1. Planteamiento del Problema

La integridad estructural de los elementos de acero bajo condiciones de incendio es crítica para la seguridad en la edificación; sin embargo, las metodologías de diseño tradicionales para la Protección Pasiva contra Incendios (PFP, por sus siglas en inglés) suelen ser ineficientes. Las prácticas actuales dependen de la selección prescriptiva de catálogos de fabricantes, lo que frecuentemente resulta en componentes sobredimensionados que no logran minimizar el uso de material o el costo. Estos métodos están limitados por:

• Precios de Mercado Discretos: El mercado de la PFP opera con niveles de precios "cuantizados" en lugar de un continuo de costo-desempeño suave, lo que dificulta la optimización continua.
• Escasez de Datos: Las pruebas de fuego experimentales de alta fidelidad son costosas y destructivas, lo que genera conjuntos de datos dispersos que dificultan el entrenamiento de modelos de aprendizaje automático robustos.
• Limitaciones de Problemas Directos vs. Inversos: Las herramientas existentes resuelven principalmente "problemas directos" (predecir tiempos de falla para materiales conocidos) en lugar de "problemas inversos" (identificar las propiedades óptimas del material para cumplir con las restricciones de seguridad al costo mínimo).
• Falta de Integración Económica: Los marcos de optimización previos suelen ignorar la economía real del mercado, centrándose únicamente en el desempeño termofísico o en los costos operativos.

2. Metodología

El estudio propone un novedoso Marco de Diseño Inverso Basado en Física y Asistido por Modelos Sustitutos (Surrogates), implementado como un Compilador de Aprendizaje Automático Universal (UMLC) modular. La metodología integra tres componentes principales:

A. Adquisición de Datos y Generación de "Fenotipo Digital"

• Conjunto de Datos: Se compiló un conjunto de datos de 1,657 artículos de protección contra incendios comerciales de listas de precios de la región DACH 2025 (Alemania, Austria, Suiza). Tras filtrar por relevancia estructural (placas, losas, mantas) y realizar la limpieza, se estableció un conjunto de datos operativo final de N=533 materiales.
• ADN del Material: Para abordar la escasez de datos en las curvas de conductividad térmica, los autores desarrollaron una estrategia de Imputación Polinómica Basada en Tipos. La conductividad térmica $\lambda(T)$ se modela como un polinomio de segundo orden ($\lambda(T) = k_2 T^2 + k_1 T + k_0$). Para materiales con datos incompletos, la "forma" (coeficientes de curvatura $k_1, k_2$) se transfiere de la familia química del material, mientras que el coeficiente base ($k_0$) se ancla al único punto de dato disponible. Esto crea un "Fenotipo Digital" continuo para cada material.

B. Modelado de Costos Sustituto (Surrogate)

• Objetivo: Predecir el costo de mercado ($C_{mat}$) basándose en descriptores físicos sin depender de tablas de búsqueda estáticas.
• Selección del Modelo: Un "Torneo de Modelos" comparó varios algoritmos (Regresión Lineal, SVM, MLP, Random Forest, XGBoost, CatBoost). Se seleccionó CatBoost como el motor sustituto debido a su desempeño superior en el manejo de datos tabulares y estructuras de precios cuantizadas y no lineales (Error Cuadrático Medio $\approx$ 180, $R^2 \approx$ 0,77).
• Características: El vector de entrada incluye el espesor ($d_p$), la densidad ($\rho$) y los tres coeficientes de conductividad térmica ($k_2, k_1, k_0$).

C. Bucle de Optimización Impulsado por la Física

• Solucionador de Física: Un solucionador numérico de Método de Diferencias Finitas (FDM), conforme al Eurocódigo 3 (EN 1993-1-2), calcula la evolución de la temperatura del acero bajo la curva de incendio estándar ISO 834. El solucionador impone una restricción de seguridad estricta: la temperatura del acero no debe exceder los 500 °C en 180 minutos (R180).
• Algoritmo de Optimización: Un Algoritmo Genético (GA) realiza una búsqueda heurística global para minimizar la función de pérdida compuesta:
  $$\mathcal{F}(G) = \frac{1}{Cost_{pred} + \mathcal{P}_{safety} + \mathcal{P}_{risk}}$$
• Cuantificación de la Incertidumbre: Para evitar que el GA explote los "puntos ciegos" del modelo sustituto (alucinando materiales físicamente imposibles), se implementó un mecanismo de Cuantificación de la Incertidumbre Basada en la Distancia (DUQ). Utilizando un estimador de densidad de K-Vecinos Más Cercanos (KNN), las soluciones que caen fuera del espacio de características del entrenamiento son penalizadas, asegurando que los "Fenotipos Digitales" generados sean físicamente creíbles.

3. Resultados Clave

El marco identificó con éxito un óptimo global para la resistencia al fuego R180:

• Configuración Óptima: Una placa de lana mineral con un espesor de 78,2 mm y una densidad de 56,0 kg/m³.
• Desempeño Térmico: La verificación numérica confirmó que la solución mantiene las temperaturas del acero por debajo de los 487,7 °C en la marca de los 180 minutos, proporcionando un margen de seguridad de 12,3 °C.
• Desempeño Económico: El costo de mercado predicho es de 23 EUR/m², significativamente menor que el costo promedio de las alternativas comerciales que cumplen con la norma.
• Topología del Paisaje de Costos: El análisis reveló que el paisaje de costos es no convexo y cuantizado, caracterizado por acantilados y mesetas de precios discretos. Esto confirmó que los optimizadores basados en gradientes fallarían, validando la necesidad de modelos sustitutos basados en árboles y la búsqueda evolutiva.
• Análisis de Sensibilidad: La solución es altamente sensible al espesor (una desviación de -3,5% provoca la falla), pero sorprendentemente insensible a la densidad, lo que permite al optimizador minimizar agresivamente la densidad para reducir el costo sin comprometer la resistencia térmica.

4. Significación y Reivindicaciones

El artículo posiciona este trabajo como un cambio de paradigma de la selección prescriptiva de materiales hacia el descubrimiento automatizado de materiales impulsado por el costo.

• Diseño Generativo: El estudio demuestra que la IA puede identificar configuraciones de materiales óptimas ("Fenotipos Digitales") que no existen actualmente en los catálogos de fabricantes, pero que son físicamente realizables dentro de clases de materiales conocidas (específicamente, fibra rocosa industrial).
• Brecha de Eficiencia Económica: El marco revela una "Ventaja de Precisión", identificando que el redondeo estandarizado de los catálogos conduce a una reducción de material del 12 al 18% en comparación con los requisitos físicos exactos.
• Validación Híbrida: Al acoplar el aprendizaje automático con un bucle de física de "Simulación Dura", el estudio supera las limitaciones de "Caja Negra" de los modelos puramente basados en datos, asegurando que las soluciones optimizadas en costo sean termodinámicamente válidas y seguras.
• Contribución de Datos: Los autores publican el conjunto de datos operativo de 533 materiales de protección estructural y el conjunto de datos bruto de 1,657 elementos para abordar el cuello de botella de la "Escasez de Datos" en la investigación de la ingeniería contra incendios.

Los autores concluyen que este marco proporciona una plantilla escalable para el diseño inverso en la ingeniería civil, permitiendo el descubrimiento de soluciones de seguridad donde el costo y la integridad estructural se equilibran mediante una optimización automatizada impulsada por el desempeño.