Resumen Técnico: Modelado Multifísico Multiescala y Optimización Estocástica del Mantenimiento para Infraestructuras Sostenibles y Resilientes al Clima

1. Planteamiento del Problema

Los sistemas de infraestructura crítica (transporte, puentes, presas, instalaciones energéticas) enfrentan una degradación progresiva impulsada por la compleja interacción de procesos mecánicos, térmicos, hidráulicos y químicos. Estos procesos se ven exacerbados por la variabilidad climática, incluyendo fluctuaciones de temperatura, intensidad de las precipitaciones, humedad y exposición química. El desafío matemático central no radica meramente en modelar mecanismos de degradación individuales, sino en abordar simultáneamente:

• Heterogeneidad de Escalas Espaciales: La brecha entre las heterogeneidades microscópicas del material (p. ej., microestructura, poros) y el comportamiento estructural macroscópico.
• Multifísica Acoplada: La interacción no lineal entre el esfuerzo mecánico, la transferencia de calor, el transporte de humedad y la difusión química.
• Incertidumbre Estocástica: La variabilidad inherente en las propiedades de los materiales, el forzamiento ambiental y los parámetros de degradación a lo largo de largos horizontes de servicio.
• Toma de Decisiones: La necesidad de optimizar las intervenciones de mantenimiento bajo incertidumbre mientras se satisfacen las restricciones de fiabilidad y sostenibilidad.

Los enfoques existentes suelen desacoplar estos elementos, reemplazando la evolución física con leyes empíricas aisladas o tratando el mantenimiento como una corrección estadística post-hoc. Este artículo propone un marco matemático unificado que integra estos componentes en una única formulación de espacio de estados.

2. Metodología

Los autores desarrollan un marco unificado basado en operadores que conecta la física microscópica con la toma de decisiones macroscópica a través de cinco etapas matemáticamente conectadas:

A. Modelo de Gobierno Multifísico Acoplado

El estado de la infraestructura se representa mediante un vector de campos interactuantes definidos en un dominio acotado $\Omega \subset \mathbb{R}^d$ sobre un tiempo $[0, T]$:

• Variables de Estado: Desplazamiento mecánico ($u$), humedad/saturación ($w$), temperatura absoluta ($\vartheta$), concentraciones de especies químicas ($c$) y una variable de degradación adimensional ($D$).
• Ecuaciones de Gobierno: Un sistema de ecuaciones diferenciales parciales (EDP) no lineales acopladas derivadas de la mecánica del continuo, la termodinámica y la conservación de la masa. Estas incluyen el equilibrio de momento, el transporte de humedad (con acoplamiento térmico cruzado), el transporte de calor, la difusión/reacción de especies y la cinética de degradación.
• Leyes Constitutivas: Las propiedades del material (rigidez, conductividad, difusividad) son funciones de las variables de estado y del nivel de degradación. La degradación se modela como una variable de estado interna que evoluciona mediante una ley cinética dependiente del esfuerzo, la temperatura, la humedad y la concentración química.

B. Homogeneización Multiescala

Para cerrar la brecha entre la heterogeneidad microscópica (caracterizada por la escala $\epsilon$) y el comportamiento macroscópico, el marco emplea un procedimiento de transición de escala:

• Descripción Microscópica: El sistema se define con coeficientes que varían rápidamente $A(x, x/\epsilon)$.
• Homogeneización: Mediante análisis asintótico o problemas de celda numéricos, se derivan los operadores macroscópicos efectivos ($A^{hom}$). Estos coeficientes efectivos dependen del estado macroscópico y del forzamiento climático, preservando la influencia de la arquitectura microestructural sin resolverla a la escala de la infraestructura.
• Transición de Escala: El mapeo $X^\epsilon \rightharpoonup X^0$ asegura que el estado macroscópico $X^0$ sea inducido por el sistema microscópico en lugar de ser una aproximación fenomenológica independiente.

C. Formulación Estocástica y Propagación de la Incertidumbre

La incertidumbre se introduce mediante un espacio de probabilidad $(\Xi, \mathcal{F}, \mathbb{P})$ que abarca el forzamiento climático ($\zeta_{clim}$) y los parámetros del material ($\xi$).

• Mapeo de Estado: El operador de solución $S$ mapea las entradas inciertas al estado estocástico: $X = S(\xi, \zeta_{clim})$.
• Propagación: La incertidumbre se propaga a través de las EDP acopladas y los operadores de homogeneización hacia el estado macroscópico.
• Definición de Fiabilidad: El fallo se define mediante un funcional de estado límite $G(X, \xi) \leq 0$ o un umbral de degradación $D(t) \geq D_{crit}$. La probabilidad de fallo $P_f(t)$ es la medida del conjunto de realizaciones que conducen al fallo, derivada directamente de la distribución del estado estocástico.

D. El Mantenimiento como Control Estocástico

El mantenimiento se formula como un problema de control estocástico con restricciones donde las intervenciones modifican la evolución del estado.

• Transición de Estado: Las intervenciones se modelan como operadores $M_j$ que transforman instantáneamente el estado $X(t^-) \to X(t^+)$.
• Optimización: El objetivo es minimizar un funcional de costo de ciclo de vida $J$ (que combina costos de intervención, costos de riesgo y costos terminales) sujeto a restricciones de fiabilidad ($P_f \leq P_{max}$).
• Programación Dinámica: El problema se resuelve mediante recursión de Bellman, determinando la política óptima $\pi^*$ que minimiza los costos esperados durante el horizonte de servicio.

E. Implementación Numérica

El modelo continuo se aproxima utilizando:

• Método de Elementos Finitos (FEM): Para la discretización espacial de las EDP acopladas.
• Integración Temporal Implícita: Para la estabilidad temporal.
• Simulación de Monte Carlo: Para la propagación de la incertidumbre y el análisis de sensibilidad (índices de Sobol).
• Homogeneización Numérica: Resolución de problemas de celda en elementos de volumen representativos para calcular los coeficientes efectivos.

3. Contribuciones Clave

1. Marco de Operadores Unificado: El artículo establece una cadena de dependencia matemática única: $(\xi, \zeta_{clim}, \epsilon) \to A_\epsilon \to X^\epsilon \to X^0 \to D \to P_f \to a^*$. Esto evita el desacoplamiento de la degradación física, la evaluación de la fiabilidad y las decisiones de mantenimiento.
2. Representación Multiescala Consistente: Demuestra cómo las heterogeneidades de los materiales a microescala y los procesos de degradación se transfieren rigurosamente a los indicadores de durabilidad macroscópicos mediante la homogeneización, asegurando que las propiedades efectivas sigan siendo dependientes del estado.
3. Integración del Mantenimiento Estocástico: A diferencia de los enfoques tradicionales que tratan el mantenimiento como una corrección post-procesamiento, este marco inserta las acciones de mantenimiento directamente en la dinámica del estado y el problema de optimización, vinculando las decisiones de intervención con la física estocástica subyacente.
4. Límites Analíticos de Fiabilidad: Los autores derivan límites superiores locales para las probabilidades de fallo basados en la diferenciabilidad de Fréchet del operador de solución y supuestos sub-gaussianos sobre las fluctuaciones climáticas, proporcionando una base teórica para las restricciones de fiabilidad.
5. Integración de la Sostenibilidad: El marco se extiende más allá de la minimización de costos para incluir indicadores de sostenibilidad (consumo de recursos, carga ambiental) dentro del objetivo de optimización multicriterio.

4. Resultados Numéricos y Análisis

El artículo presenta un estudio numérico exhaustivo que valida el marco:

• Verificación: El esquema numérico se verifica para la convergencia espacial y temporal, la estabilidad del solver no lineal y la precisión de la homogeneización.
• Dinámicas de Degradación: Las simulaciones muestran cómo el forzamiento climático acoplado (temperatura, humedad, precipitación) impulsa trayectorias de degradación no lineales, con una localización significativa del daño en el espacio.
• Cuantificación de la Incertidumbre: Las simulaciones de Monte Carlo revelan la dispersión de los indicadores de degradación y las curvas de fiabilidad. Los resultados resaltan que la degradación media por sí sola es insuficiente para caracterizar la resiliencia; el comportamiento de la cola de la distribución es crítico.
• Análisis de Sensibilidad: El análisis de sensibilidad global (índices de Sobol) identifica qué parámetros inciertos (p. ej., propiedades materiales específicas o variables climáticas) influyen más fuertemente en las probabilidades de fallo y las tasas de degradación.
• Optimización del Mantenimiento: Las comparaciones entre la política estocástica optimizada y las estrategias de referencia (sin mantenimiento, periódico fijo, reactivo por umbral) demuestran que el marco propuesto reduce significativamente los costos del ciclo de vida manteniendo niveles de fiabilidad más altos. La política optimizada adapta las intervenciones basándose en la evolución estocástica predicha en lugar de cronogramas fijos.

5. Significado y Reivindicaciones

Los autores afirman que este trabajo proporciona una estructura matemática general para sistemas de degradación estocástica dependientes del clima. Su importancia radica en:

• Rigor Teórico: Evita las leyes de degradación empíricas ad-hoc al derivar la durabilidad y la fiabilidad directamente de las ecuaciones de estado de la multifísica acoplada.
• Soporte a la Decisión: Ofrece una base matemáticamente consistente para la planificación del mantenimiento bajo incertidumbre, vinculando los mecanismos físicos de deterioro con la toma de decisiones a nivel de infraestructura.
• Evaluación de la Resiliencia: Redefine la resiliencia climática no como una respuesta determinista única, sino como el comportamiento de los funcionales de desempeño sobre una ley de probabilidad inducida por parámetros inciertos y el forzamiento climático.
• Escalabilidad: La representación de espacio de estados modular permite que el marco sea adaptado a diversas clases de infraestructura (puentes, presas, pavimentos) y potencialmente escalado a sistemas de redes mediante la expansión del espacio de estados.

El artículo concluye que, si bien el marco depende de modelos constitutivos específicos y parametrizaciones de dimensión finita, establece una arquitectura robusta basada en operadores para futuras extensiones, incluyendo dependencias no gaussianas, actualización bayesiana y modelado de orden reducido para redes de infraestructura urbana a gran escala.