Parameter optimization, shaking table test, and intelligent response prediction of adjacent structures connected by viscous dampers

Imagina dos edificios altos parados uno junto al otro en una ciudad concurrida. Cuando el suelo comienza a temblar durante un terremoto, estos edificios no solo se balancean; bailan con sus propios ritmos únicos. Si un edificio es alto y rígido mientras que su vecino es más bajo y flexible, podrían balancearse fuera de sincronía. Esto es un poco como dos bailarines intentando moverse juntos pero pisándose los pies unos a otros, lo que puede llevar a una colisión dolorosa o "golpeteo" que daña ambas estructuras. Los ingenieros han sabido durante mucho tiempo que añadir un amortiguador —como un amortiguador de coche gigante y de alta tecnología— entre los edificios puede ayudar a que se muevan en armonía y absorban la energía del temblor. Pero aquí está la parte difícil: averiguar exactamente dónde poner estos amortiguadores y qué tan fuertes deben ser es un rompecabezas masivo. Si adivinas mal, los amortiguadores podrían no ayudar en nada, o incluso podrían empeorar las cosas. Este es el desafío que enfrentan los investigadores: cómo sintonizar estos "amortiguadores sísmicos" perfectamente para que los edificios vecinos se mantengan seguros y estables durante un sismo.

En este estudio, un equipo de investigadores de la Universidad de Fuzhou decidió resolver este rompecabezas utilizando una mezcla de matemáticas computacionales súper inteligentes, experimentos físicos e inteligencia artificial. Comenzaron construyendo un gemelo digital de dos torres adyacentes —una de 15 pisos y la otra de 7 pisos— y utilizaron un "algoritmo genético" (piensa en ello como un proceso de evolución digital que intenta miles de configuraciones aleatorias de amortiguadores y conserva solo las mejores) para encontrar la receta perfecta. Descubrieron que colocar amortiguadores en pisos específicos y ajustar su fuerza podía reducir significativamente el temblor de los edificios. Para asegurarse de que su matemática computacional no fuera solo una fantasía, construyeron un modelo diminuto, a escala 1/20, de estas torres y lo probaron en una mesa de sacudidas gigante en un laboratorio. Los resultados fueron prometedores: el modelo del mundo real se comportó casi exactamente como predijo la computadora, y añadir amortiguadores redujo el temblor de la parte superior de la torre principal hasta en un 35% y la de la torre más pequeña en casi un 49%.

Pero los investigadores no se detuvieron ahí. Se dieron cuenta de que ejecutar una simulación computacional compleja cada vez que ocurre un nuevo terremoto es demasiado lento para emergencias del mundo real. Así que, enseñaron a un cerebro computacional "inteligente" (una red neuronal) a predecir cómo reaccionarían los edificios en un instante. Al alimentar esta IA con miles de escenarios de sus experimentos, crearon un modelo que podía adivinar el máximo temblor y balanceo de los edificios con una precisión de más del 92%, casi instantáneamente. Su trabajo sugiere que usar múltiples amortiguadores en diferentes lugares funciona mejor que usar solo uno, y que esta combinación inteligente de optimización, pruebas físicas y predicción por IA ofrece una nueva forma poderosa para mantener nuestras ciudades segras cuando el suelo comienza a moverse.

La Evolución Digital y la Prueba Física

Los investigadores abordaron el problema de conectar dos edificios de diferentes tamaños (una estructura "principal" de 15 pisos y una "subestructura" de 7 pisos) con amortiguadores viscosos. Sabían que simplemente adivinar dónde colocar los amortiguadores no era suficiente. En su lugar, construyeron un sistema sofisticado que combinaba MATLAB (un software matemático) con SAP2000 (un programa de ingeniería estructural). Utilizaron un Algoritmo Genético (GA), que funciona de forma muy similar a la selección natural. Imagina una computadora que genera miles de ideas aleatorias sobre dónde colocar los amortiguadores y qué tan fuertes deberían ser. Luego, "prueba" estas ideas en un mundo virtual. Las ideas que funcionan mejor —es decir, las que reducen más el temblor— son conservadas y "criadas" entre sí para crear ideas aún mejores para la siguiente ronda. Este proceso se repite hasta que la computadora encuentra la configuración absoluta más óptima.

Probaron dos escenarios principales:

1. ASVD-1: Un sistema con un solo juego de amortiguadores.
2. ASVD-2: Un sistema con dos juegos de amortiguadores colocados en diferentes ubicaciones.

La computadora determinó que, para las torres específicas que estaban estudiando, la mejor ubicación para un solo amortiguador era en el séptimo piso, mientras que la mejor configuración de dos amortiguadores implicaba colocarlos en el primer y séptimo pisos. La "fuerza" óptima (coeficiente de amortiguación) variaba dependiendo del tipo de terremoto, oscilando entre 260 Ns/mm y 340 Ns/mm.

El Sacudimiento del Mundo Real

Para demostrar que su computadora no estaba solo soñando, el equipo construyó un modelo físico. Construyeron una torre principal de 15 pisos y una subestructura de 7 pisos utilizando muros de corte de micro-concreto y marcos de cobre, escalados a 1/20 del tamaño de un edificio real. Colocaron este modelo sobre una enorme mesa de sacudidas capaz de simular terremotos reales. Probaron el modelo con tres registros de terremotos famosos: El Centro, San Fernando y SHW2.

Los resultados de la mesa de sacudidas fueron un gran éxito. El comportamiento del modelo físico coincidió increíblemente bien con las predicciones de la computadora. Las "frecuencias de vibración" naturales del modelo real fueron menos del 5% diferentes del modelo computacional, y las respuestas de sacudida reales (cuánto se movieron los pisos) estuvieron dentro de un margen del 10% de la simulación. Esto les dio a los investigadores una alta confianza en que su método de optimización digital era confiable.

Cuando compararon los edificios amortiguados con los no amortiguados, las mejoras fueron claras:

• Bajo el terremoto de El Centro: El sistema de un solo amortiguador (ASVD-1) redujo el desplazamiento de la parte superior de la torre principal en un 27.33% y la aceleración en un 24.01%. El sistema de doble amortiguador (ASVD-2) lo hizo aún mejor, reduciendo el desplazamiento en un 35.69% y la aceleración en un 26.98%. La torre más pequeña vio ganancias aún mayores, con el desplazamiento cayendo casi un 49% con la configuración de doble amortiguador.
• Bajo el terremoto de San Fernando: El sistema de doble amortiguador redujo el desplazamiento de la torre principal en un 47.68% y la aceleración en un 19.14%.
• Bajo el terremoto de SHW2: El sistema de doble amortiguador redujo el desplazamiento de la torre principal en un 22.19% y la aceleración en un 20.03%.

Los datos mostraron consistentemente que ASVD-2 (la configuración de dos amortiguadores) fue la ganadora. Proporcionó un mejor control tanto sobre la estructura principal como sobre la subestructura que la configuración de un solo amortiguador, lo que sugiere que distribuir los amortiguadores en diferentes pisos ayuda a que los edificios trabajen juntos de manera más efectiva para combatir el temblor.

La Bola de Cristal: Predicción por IA

Aunque el algoritmo genético encontró las mejores configuraciones, ejecutar esas simulaciones complejas cada vez que surge un nuevo escenario de terremoto es lento. Para acelerar el proceso, los investigadores construyeron una red neuronal SSA-BP. Piensa en esto como una "bola de cristal" entrenada con los datos de sus experimentos y simulaciones.

Alimentaron este modelo de IA con un conjunto de datos masivo que contenía 100 registros de terremotos diferentes (incluyendo ondas de campo lejano, campo cercano y pulsantes) y varios ajustes de amortiguadores. La IA aprendió a predecir cuatro resultados clave:

1. Desplazamiento máximo de la estructura principal (MSD).
2. Aceleración máxima de la estructura principal (MSA).
3. Desplazamiento máximo de la subestructura (SD).
4. Aceleración máxima de la subestructura (SA).

Los resultados fueron impresionantes. El modelo de IA logró un coeficiente de determinación (R²) superior a 0.92 para los cuatro resultados, tanto en los datos de entrenamiento como en los de prueba. En palabras sencicas, esto significa que las predicciones de la IA estuvieron extremadamente cerca de los resultados reales, con muy poco error. Por ejemplo, el Error Porcentual Absoluto Medio (MAPE) para predecir la aceleración de la estructura principal fue de alrededor del 8-9%. Esto sugiere que, en el futuro, los ingenieros podrían usar esta herramienta de IA para predecir instantáneamente qué tan bien funcionará un sistema de amortiguación sin necesidad de ejecutar horas de pesadas simulaciones computacionales.

La Conclusión

Este estudio sugiere que conectar edificios adyacentes con amortiguadores viscosos es una forma altamente efectiva de reducir los daños por terremotos, siempre que los amortiguadores se coloquen y se sintonicen correctamente. Los investigadores encontraron que usar un algoritmo genético para optimizar las ubicaciones y la fuerza de los amortiguadores funciona bien, y que usar dos amortiguadores en ubicaciones estratégicas (como los pisos 1 y 7 en su modelo) es superior a usar solo uno. Verificaron estos hallazgos con pruebas reales de mesa de sacudidas, confirmando que sus modelos computacionales son precisos. Finalmente, demostraron que un modelo de IA puede aprender de estos resultados para predecir respuestas de terremotos futuros de manera rápida y precisa, ofreciendo una herramienta prometedora para una planificación urbana más segura y resiliente.