BaldomirGarcia Aitor TD 2010

UNIVERSIDADE DA CORUÑA
ESCOLA TÉCNICA SUPERIOR DE ENXEÑEIROS

DE CAMIÑOS, CANAIS E PORTOS
ANÁLISIS Y OPTIMIZACIÓN EN ENTORNOS DE

INCERTIDUMBRE DE ESTRUCTURAS DE
INGENIERÍA CIVIL Y AERONÁUTICA
TESIS DOCTORAL
POR
Aitor Baldomir García
Ingeniero de Caminos, Canales y Puertos
DIRIGIDA POR
Santiago Hernández Ibáñez
Dr. Ingeniero de Caminos, Canales y Puertos
Félix Nieto Mouronte

Dr. Ingeniero de Caminos, Canales y Puertos
La Coruña, Junio de 2010

A mis padres
A Sara
AGRADECIMIENTOS
En primer lugar quisiera agradecer a Santiago Hernández su incansable

paciencia y dedicación, siempre presentes en esta tesis. Su tiempo, recurso escaso,
siempre ha estado disponible para cualquier cuestión o duda que me pudiera surgir. Así
que, Santiago, por este tiempo y muchas otras cosas, simplemente, gracias.
A Félix Nieto por su dedicación y sus lecciones, tanto en el trabajo de esta tesis
como en mis comienzos como docente. Gracias.
A José Ángel Jurado, pues su trabajo ha sido clave para el desarrollo de una
parte importante de esta investigación.
A Luis Romera, Jacobo Díaz, Arturo Fontán y al resto de mis compañeros del
Área de Mecánica de Medios Continuos y Teoría de Estructuras, cuya colaboración ha
permitido solventar muchos de los problemas que se me han presentado durante este
trabajo.
A Xián, a Ibuki y a todos los becarios con los que he compartido muy buenos
momentos cuando yo también lo era, en especial a Fernando, José Manuel, Chus,
Alberto y David. A todos los demás becarios, gracias por vuestra compañía y trabajo.
A mis padres cuyo apoyo incondicional no tiene precio. Ellos han sido el pilar
fundamental y los que dan sentido al trabajo realizado. Siempre me han apoyado y sus
consejos han sido clave en las decisiones más importantes de mi vida.
A mis amigos, especialmente a Javier Calvo, Javier Amado, Vanessa García,

Jetxu y muchos otros con los que he vivido momentos inolvidables. A todos ellos
gracias por ser como sois.
A Sara que me ha acompañado todo este tiempo, escuchando cada uno de los
tropiezos con los que me he encontrado y dándome apoyo en los días difíciles. Su
paciencia y cariño han sido fundamentales para el desarrollo de esta tesis.
ÍNDICE
ANÁLISIS Y OPTIMIZACIÓN EN ENTORNOS

DE INCERTIDUMBRE DE ESTRUCTURAS DE
INGENIERÍA CIVIL Y AERONÁUTICA
CAPÍTULO 1
INTRODUCCIÓN ...................................................................................... 13
1.1 Motivación y objetivos ........................................................................................... 13
1.2 Organización de la Memoria-Tesis ......................................................................... 15
CAPÍTULO 2
VARIABILIDAD E INCERTIDUMBRE EN EL ANÁLISIS Y LA
OPTIMIZACIÓN DE ESTRUCTURAS .................................................... 19
2.1 Introducción ............................................................................................................ 19
2.2 Determinismo, incertidumbre y variabilidad .......................................................... 21
2.3 Análisis determinista y probabilista de estructuras................................................. 25
2.4 Diseño óptimo de estructuras .................................................................................. 29
2.4.1 Tipos de optimización de estructuras ........................................................... 33
2.5 Análisis de sensibilidad de la solución óptima con respecto a los parámetros
fijos ................................................................................................................................. 44
2.6 Optimización de estructuras considerando estados límite excepcionales ............... 45
2.7 Referencias.............................................................................................................. 49
7
ÍNDICE
CAPÍTULO 3
FIABILIDAD ESTRUCTURAL: APLICACIÓN AL FENÓMENO DE
FLAMEO EN PUENTES DE GRAN VANO ............................................ 55
3.1 Introducción ............................................................................................................ 55
3.2 Fiabilidad estructural .............................................................................................. 57
3.2.1 Método lineal basado en los momentos de segundo orden (FOSM) ........ 62
3.2.2 Transformación de Hasofer-Lind. Índice de seguridad de Hasofer – Lind
(FORM)............................................................................................................... 64
3.2.3 Obtención del índice de fiabilidad como un problema de optimización.... 66
3.2.4 Método de Hasofer Lind – Rackwitz Fiessler ............................................ 75
3.3 Cálculo determinista de la velocidad crítica de flameo .......................................... 76
3.3.1 Método híbrido para la obtención de la velocidad crítica de flameo ......... 79
3.4 Fiabilidad estructural en el fenómeno de flameo de puentes .................................. 87
3.5 Ejemplo de aplicación: puente sobre el estrecho de Messina ................................. 92
3.5.1 Modelo estructural ..................................................................................... 96
3.5.2 Definición de variables aleatorias y función de estado límite ................. 100
3.5.2.1 Caracterización del viento extremal ................................................. 100
3.5.2.2 Funciones de flameo......................................................................... 102
3.5.3 Obtención de la fiabilidad ........................................................................ 106
3.5.3.1 Variable aleatoria: xV ........................................................................ 107
3.5.3.2 Variables aleatorias: xV y una función de flameo ............................. 108
3.5.3.3 Variables aleatorias: xV y las 6 funciones de flameo A*, H* o P* ..... 111
3.5.3.4 Variables aleatorias: xV y las 18 funciones de flameo ...................... 112

3.6 Conclusiones ......................................................................................................... 114
3.7 Referencias............................................................................................................ 115
8
ÍNDICE
CAPÍTULO 4
ANÁLISIS DE SENSIBILIDAD DE LA SOLUCIÓN ÓPTIMA
RESPECTO A LOS PARÁMETROS FIJOS ........................................... 121
4.1 Introducción .......................................................................................................... 121
4.2 Métodos de obtención de la sensibilidad del óptimo frente a los parámetros
fijos ............................................................................................................................... 123
4.2.1 Análisis de sensibilidad mediante las condiciones de Kuhn-Tucker ....... 124
4.2.2 Análisis de sensibilidad de segundo orden .............................................. 125
4.2.3 Análisis de sensibilidad mediante la función penalty .............................. 127
4.2.4 Análisis de sensibilidad mediante el método de las direcciones
eficientes ........................................................................................................... 129
4.2.5 Obtención de la sensibilidad mediante el método de las direcciones
eficientes y actualizando el conjunto de condiciones activas ........................... 133
4.3 Ejemplos de aplicación ......................................................................................... 137
4.3.1 Celosía de tres barras ............................................................................... 137
4.3.2 Celosía de diez barras .............................................................................. 146
4.3.3 Panel de fuselaje de un avión ................................................................... 152
4.3.3.1 Introducción ........................................................................................ 152
4.3.3.2 Definición del modelo geométrico y del modelo estructural ............. 154
4.3.3.3 Formulación del problema de optimización ....................................... 159
4.3.3.4 Proceso de optimización ..................................................................... 168
4.3.3.5 Solución óptima .................................................................................. 169
4.3.3.6 Análisis de sensibilidad respecto a un parámetro fijo ........................ 172
4.3.3.7 Variación del parámetro p=λmin .......................................................... 173
4.3.3.8 Variación del parámetro p=r .............................................................. 178
4.4 Referencias............................................................................................................ 184
9
ÍNDICE
CAPÍTULO 5
DISEÑO ÓPTIMO DE ESTRUCTURAS CONSIDERANDO LA
CONFIGURACIÓN COMPLETA Y COLAPSOS PARCIALES ........... 187
5.1 Introducción .......................................................................................................... 187
5.2 Formulación del problema de optimización ......................................................... 189
5.2.1 Formulación habitual del diseño óptimo de estructuras........................... 189
5.2.2 Formulación del diseño óptimo de estructuras considerando colapsos
parciales ............................................................................................................ 191
5.3 Ejemplos de aplicación de la metodología presentada ......................................... 196
5.3.1 El problema de la tres barras. Solución analítica y numérica .................. 196
5.3.1.1 Formulación del problema .................................................................. 197
5.3.1.2 Resultados ........................................................................................... 199
5.3.2 Estructura en celosía de 25 barras. Solución numérica ............................ 207
5.3.2.1 Formulación del problema .................................................................. 209
5.3.2.2 Resultados ........................................................................................... 212
5.3.3 Modelo cilíndrico de estructura aeronáutica ............................................ 216
5.3.3.1 Definición geométrica y del modelo de elementos finitos ................. 217
5.3.3.2 Formulación del problema para el modelo intacto ............................. 222
5.3.3.3 Resultados optimización modelo intacto ............................................ 223
5.3.3.4 Formulación del problema considerando la configuración intacta y “d”
modelos dañados............................................................................................. 224
5.3.3.5 Modelo intacto y un modelo dañado. Resultados numéricos ............. 225
5.3.3.6 Modelo intacto y dos modelos dañados. Resultados numéricos ........ 227
5.3.3.7 Modelo intacto y cuatro modelos dañados. Resultados numéricos .... 228
5.3.3.8 Modelo intacto y ocho modelos dañados. Resultados numéricos ...... 230
5.3.3.9 Resumen de resultados ....................................................................... 232
5.3.3.10 Análisis comparativo de resultados .................................................. 233
5.4 Referencias............................................................................................................ 238
10
ÍNDICE
CAPÍTULO 6
CONCLUSIONES .................................................................................... 239
6.1 Conclusiones generales ......................................................................................... 239
6.2 Conclusiones relativas al análisis probabilista de estructuras .............................. 240
6.3 Conclusiones relativas a la optimización estructural en entornos de
incertidumbre ................................................................................................................ 241
6.3.1 Conclusiones relativas a la variación de parámetros en el proceso de
optimización ...................................................................................................... 241
6.3.2 Conclusiones relativas a la optimización de estructuras incluyendo
colapsos parciales.............................................................................................. 242
6.4 Líneas de investigación futuras............................................................................. 243
11
CAPÍTULO 1
INTRODUCCIÓN
1.1 MOTIVACIÓN Y OBJETIVOS
El esfuerzo realizado por numerosos investigadores desde inicios del siglo XX

ha cambiado sustancialmente los métodos utilizados para el diseño de estructuras. El
desarrollo de métodos generales de cálculo tan potentes como el Método de Elementos
Finitos o el de los elementos de contorno, ha permitido la extensión del análisis de
estructuras a cualquier tipología, evitando así las limitaciones existentes hasta entonces.
Originariamente, estos métodos no pudieron demostrar todo su potencial debido a un
cierto retraso en la evolución de los equipos informáticos, que se produciría a finales del
siglo XX, permitiendo así resolver problemas de gran complejidad.
Paralelamente, se han desarrollado herramientas de dibujo asistido por

ordenador facilitando enormemente la ardua tarea de generación de planos y la creación
de formas geométricas complejas. Además la creación de herramientas informáticas que
integran el dibujo asistido por ordenador y el análisis estructural ha supuesto una
revolución en la concepción y forma de las estructuras.
13
Capítulo 1 INTRODUCCIÓN
Otra aportación, no menos importante de esta época, ha sido la introducción del

diseño óptimo de estructuras, donde parte de las decisiones que habitualmente tomaba el
ingeniero son reemplazadas por soluciones obtenidas mediante algoritmos matemáticos.
Estas técnicas de optimización servirán para mejorar el diseño y en ocasiones aportarán
soluciones que inicialmente el ingeniero no había advertido y que mejoran
sustancialmente el diseño final. El diseño óptimo no pretende sustituir la labor del
proyectista sino convertirse en una herramienta que incluso le permita mejorar su
intuición.
Aunque en sus inicios el diseño óptimo supuso científicamente una revolución,

no llegó a establecerse como una herramienta consolidada hasta finales del siglo XX.
Actualmente, su uso se restringe a procesos de diseño muy específicos, o áreas
tecnológicas especializadas, no siendo habitual su utilización en el ámbito de la
ingeniería civil. Su presencia es mucho mayor en la industria del automóvil o la
aeronáutica, donde se aplican técnicas de optimización a diferentes niveles del diseño.
Así por ejemplo, en una aeronave se emplean estas técnicas tanto para optimizar la
estructura del fuselaje como para optimizar la estructura de los asientos de los pasajeros.
Esto es posible gracias al desarrollo de los equipos informáticos y a la generación de
software que integra dibujo asistido por ordenador, análisis estructural y optimización.
No solamente se han desarrollado métodos que mejoran el diseño y obtienen

soluciones cada vez más precisas, sino que el proyectista también ha modificado el
enfoque con el que acomete el diseño de una estructura. Ya no es tan importante la
precisión de la respuesta estructural, sino que es necesario añadir otros aspectos que
condicionan el resultado final. Así, el ingeniero cuestiona la certidumbre de los datos
que utiliza y percibe que se pueden producir modificaciones, tanto a la fase de diseño
como a la fase de servicio de la estructura, que afectan a la solución resultante. Si se
dispone información acerca de estas posibles variaciones, puede ser utilizada dentro del
proceso de diseño y obtener estructuras que tengan en cuenta estas modificaciones. Por
ejemplo, la consideración de variables aleatorias en un proceso, modificará el resultado
del mismo.
14
El objetivo de esta investigación es analizar diferentes situaciones donde el

proceso de diseño sufre variaciones que afectan a su resultado y cómo es posible
introducir esta información en dicho proceso. Para ello, se presentan algunas
metodologías existentes y otras aportadas por esta tesis. También se realizan ejemplos
de aplicación tanto en el ámbito de la ingeniería civil como en el de la ingeniería
aeronáutica.
1.2 ORGANIZACIÓN DE LA MEMORIA-TESIS
A continuación se hace una breve descripción de cada uno de los capítulos en los
que se ha dividido el contenido de esta tesis.
En el capítulo 2 se realiza una exposición de tres situaciones diferentes en las

que el proceso habitual de diseño se ve alterado. En primer lugar, se hace referencia a la
consideración de incertidumbre en alguna de las magnitudes utilizadas por el
proyectista, haciendo una clasificación de los tipos de incertidumbres en el ámbito del
análisis de estructuras. A continuación se explican brevemente las diferencias básicas
entre el planteamiento determinista y el planteamiento probabilista, permitiendo
introducir conceptos como el de fiabilidad estructural. Dado que las otras dos
situaciones de variabilidad expuestas en la tesis se dan en el proceso de optimización, se
introduce en este capítulo una descripción somera los conceptos básicos y tipos de
optimización estructural. Seguidamente, se describe la situación en la que algún
parámetro que se había considerado constante durante la optimización haya cambiado
su valor y cómo es posible obtener una solución óptima aproximada. Por último se
plantea la posibilidad de que una estructura pueda sufrir algún colapso parcial y se
define una metodología para dimensionar la estructura óptima teniendo en cuenta esta
circunstancia.
El capítulo 3 se dedica al estudio de estructuras en régimen probabilista y su

aplicación al fenómeno de flameo en puentes de gran vano. Se inicia el capítulo
estableciendo los conceptos básicos que rigen esta disciplina, tales como fiabilidad
15
estructural, estado límite o probabilidad de fallo, entre otros. Después se hace un

análisis de los diferentes niveles de tratamiento de la seguridad estructural y se
mencionan los métodos más empleados para su obtención. Seguidamente se describen
los métodos de primer orden basados en la aproximación de la superficie de estado
límite para la obtención de la fiabilidad estructural y se presenta la resolución de un
ejemplo analítico. Además, se presenta otro ejemplo, recogido en la bibliografía, cuya
resolución presenta inestabilidad numérica y se hace una estabilización del algoritmo
que permite obtener la solución. A continuación se presenta muy brevemente el
planteamiento determinista para la obtención de la velocidad de flameo, que mezcla
técnicas experimentales y cálculos por ordenador. En la parte final del capítulo se
plantea el problema de la obtención de la fiabilidad estructural respecto al fenómeno de
flameo considerando incertidumbre en las funciones de flameo. Por último se aplica el
planteamiento anterior al futuro puente sobre el estrecho de Messina.
En el capítulo 4 se presenta la situación en la que una vez concluida la etapa de

optimización de la estructura, alguno de los valores que se habían considerado
constantes ha modificado su valor. En esta situación, si se desease seguir teniendo la
solución óptima, solamente sería posible realizando el proceso de optimización
nuevamente. En el capítulo se exponen primeramente las metodologías más conocidas
para poder aproximar la solución óptima sin necesidad de repetir la optimización,
comentando las ventajas e inconvenientes de cada una de ellas. A continuación se hace
una explicación pormenorizada del método basado en la búsqueda de direcciones
eficientes y se hace una modificación del método que mejora los resultados obtenidos.
Se presentan dos ejemplos sencillos de estructuras de barras y un ejemplo de una
estructura real empleada en el ámbito aeronáutico.
El capítulo 5 aborda el problema de obtención de estructuras óptimas teniendo

en cuenta estados límites excepcionales provocados por posibles colapsos parciales de
la estructura. En primer lugar se hace una breve descripción narrativa del problema que
se pretende resolver. A continuación se recuerda la formulación habitual del diseño
óptimo de estructuras y se presenta la formulación desarrollada para la obtención de la
16
solución óptima teniendo en cuenta colapsos parciales. Se plantean diferentes formas de

resolver computacionalmente el problema indicando las ventajas e inconvenientes de
cada una de ellas. Posteriormente, se aplica esta metodología sobre un ejemplo donde se
puede obtener la solución analítica y así contrastar la solución numérica obtenida con un
código de optimización. En este ejemplo se verifica la posibilidad de obtener la
estructura de menor peso considerando la existencia de colapsos parciales. El siguiente
ejemplo de aplicación es una estructura de 25 barras, donde se obtiene únicamente la
solución numérica. El último de ejemplo de aplicación consiste en un modelo
simplificado de un fuselaje de un avión donde se han considerado colapsos parciales del
mismo. Este último ejemplo muestra la posibilidad de aplicar esta metodología en
estructuras con un elevado número de grados de libertad.
En el capítulo 6 se recogen las conclusiones de esta tesis y se indican futuras

líneas de investigación que de ella puedan surgir.
17
CAPÍTULO 2
VARIABILIDAD E INCERTIDUMBRE EN EL
ANÁLISIS Y LA OPTIMIZACIÓN DE
ESTRUCTURAS
2.1 INTRODUCCIÓN
Los condicionantes existentes a la hora de diseñar una estructura son muchos y

de muy diversa naturaleza, así el emplazamiento, la repercusión social, el coste
económico, el impacto ambiental o la estética, son algunos de los factores que
determinarán el diseño final. Si bien es cierto que en determinadas estructuras, debido a
su singularidad o la función que desempeñan, el aspecto económico no es el más
relevante, en general, suele ser uno de los factores con mayor peso específico, junto con
el aspecto funcional y de la seguridad. Por tanto, de forma general a una estructura se le
exigirá que cumpla su función al menor coste posible y con la máxima seguridad
alcanzable. Asimismo, el análisis de estructuras ha respondido a estas exigencias de un
modo excepcional, sobre todo a partir de la segunda mitad del siglo XX, gracias en
19
Capítulo 2 VARIABILIDAD E INCERTIDUMBRE EN EL ANÁLISIS Y LA
OPTIMIZACIÓN DE ESTRUCTURAS
parte al gran desarrollo experimentado por los equipos informáticos, permitiendo

resolver problemas cada vez más complejos en tiempos sucesivamente inferiores.
Como se ha comentado, el aspecto económico es uno de los más importantes a

tener en cuenta en el diseño de una estructura. El ámbito científico ha respondido a esta
cuestión introduciendo técnicas de optimización en el diseño de estructuras, de forma
que ha permitido reducir el coste de las mismas cumpliendo las condiciones que se le
exigen para su correcto funcionamiento. Esta disciplina ha experimentado numerosos
avances, como la aparición de diferentes tipos de optimización estructural, la aplicación
a problemas cada vez mayores y su aplicación a análisis de diversa naturaleza de forma
simultánea. Es decir, es posible optimizar una estructura teniendo en cuenta aspectos no
relacionados directamente con el cálculo de estructuras, como pueden ser, análisis
acústicos, análisis térmicos, etc..., y ese planteamiento recibe el nombre de MDO
(Multidisciplinary Design Optimization).
En cuanto al otro aspecto fundamental, la seguridad, también se han realizado

avances importantes incorporando dicho concepto dentro del propio análisis de
estructuras. El concepto de seguridad se presenta en el momento en el que el proyectista
no conoce exactamente algún aspecto relacionado con la estructura que desea proyectar.
Como se verá en el apartado siguiente, las fuentes de incertidumbre relacionadas con el
diseño de estructuras son numerosas y muy diversas. Actualmente, las normativas
relacionadas con el diseño de estructuras incluyen con metodologías de cálculo
orientadas a mejorar dicha seguridad, teniendo en cuenta la incertidumbre existente
sobre determinados parámetros que afectan a la estructura.
Últimamente, se ha venido forjando la idea de considerar ambos aspectos

(economía y seguridad) de forma simultánea. Es decir, se plantea un problema de diseño
óptimo de estructuras donde se introducen condiciones de diseño para garantizar un
determinado nivel de seguridad. De esta forma se intenta minimizar el peso de una
estructura consiguiendo un nivel de seguridad elevado.
20
En este capítulo se expondrán diferentes situaciones donde el proceso habitual

de diseño debe ser modificado con el objetivo de introducir variaciones que afectan al
diseño final. Estas situaciones se plantean tanto en la fase de análisis como en la fase de
optimización.
2.2 DETERMINISMO, INCERTIDUMBRE Y VARIABILIDAD
El ingeniero desde el primer momento en el que empieza a diseñar una

estructura es consciente de la imprecisión de los datos que está manejando. En primer
lugar la observa en los datos que le son proporcionados externamente, por ejemplo
indefiniciones geométricas en los planos de emplazamiento, en las propiedades del
terreno o en las cargas, entre otros. Y en segundo lugar es consciente de la imprecisión
de las herramientas utilizadas para el cálculo. Así por ejemplo, conoce las limitaciones
del modelo estructural que está utilizando y las hipótesis simplificativas del método de
cálculo, entre otras.
Esta situación ha hecho que el ingeniero busque un margen de seguridad que

históricamente ha logrado dimensionando en exceso las estructuras. Tras los cálculos
oportunos se sobredimensionaba la estructura en base a reglas subjetivas del ingeniero
experimentado, llegando a unos valores concretos que definían la estructura final. A este
planteamiento de diseño se denomina determinista, puesto que el conjunto de factores
que lo definen tiene unos valores concretos.
Posteriormente, las normativas técnicas han tomado el papel desempeñado por

estos “expertos”, de forma que en ellas se acumula la experiencia de resultados tomados
de muy diversas fuentes: de resultados obtenidos en laboratorio, de la experiencia en
otras estructuras ya construidas o de los avances en las técnicas de análisis. De esta
forma un ingeniero sin experiencia se puede valer de esta información y diseñar
estructuras seguras.
21
Por tanto la idea de incertidumbre siempre ha estado presente en el proyectista y

reflejada en las obras que ha realizado. Resulta así esencial conocer mejor la naturaleza
de estas incertidumbres para que la respuesta estructural sea, en cierto modo, predecible.
Se define incertidumbre como la imposibilidad de conocer con total exactitud un

determinado valor que es susceptible de ser medido, aunque sí es posible conocer sus
valores más probables. Es en este contexto donde dichos valores pueden ser tratados
como variables aleatorias y la incertidumbre se convierte en una magnitud susceptible
de ser cuantificada, como se verá en el capítulo 3.
De forma general, se puede clasificar la incertidumbre en dos tipos básicos que

son: la incertidumbre aleatoria o irreducible y la incertidumbre subjetiva o reducible,
ambas definidas por Oberkampf et al.[O1]. La primera hace referencia a la diversidad
inherente al fenómeno físico considerado. Así por ejemplo, a la altura de ola en un
determinado punto del océano se le puede atribuir una incertidumbre aleatoria, pues
depende únicamente de dicho fenómeno físico y no es posible reducirla. Sin embargo,
otro tipo de fenómenos tienen una incertidumbre asociada a la falta de conocimiento o
falta de información sobre el mismo. Este tipo de incertidumbre se denomina reducible
puesto que es posible disminuirla mediante investigación adicional.
Una clasificación muy extendida de la incertidumbre en el campo del diseño

estructural es la que realizan Thoft-Christensen y Baker[T1]. Clasifican las
incertidumbres en tres grupos: incertidumbre física, incertidumbre estadística e
incertidumbre del modelo. La primera hace referencia a la incertidumbre proveniente de
la variabilidad natural de las magnitudes involucradas, tales como cargas o propiedades
de materiales, siendo imposible eliminar dichas incertidumbres debido a su aleatoriedad
inherente. Un ejemplo de este tipo de incertidumbre es la medida de la velocidad de
viento registrada en un anemómetro, como el que se puede observar en la Figura 2.1.
22
Figura 2.1 Incertidumbre física. Ejemplo: anemómetro y registro de datos.
La incertidumbre estadística es aquella que se debe a la falta de datos para

mejorar la precisión del comportamiento estadístico de determinadas magnitudes.
También se trata de una incertidumbre mayoritariamente aleatoria y se puede dar por
ejemplo en los resultados de un ensayo en un laboratorio científico, donde a menudo es
necesario interpolar y extrapolar los datos obtenidos. Otros ejemplos donde se produce
este tipo de incertidumbre es en la realización de un número escaso de veces del ensayo
para obtener parámetros estadísticos y en la no consideración de posibles correlaciones.
En la Figura 2.2 se puede observar un túnel de viento aerodinámico, los resultados
obtenidos de una función de flameo y el ajuste realizado a partir de ellos.
Figura 2.2 Incertidumbre estadística. Ejemplo: resultados de un experimento en

laboratorio.
23
Por último la incertidumbre del modelo, surge de las hipótesis simplificativas

necesarias para realizar el modelo que representa matemáticamente un determinado
fenómeno físico. Debido a la naturaleza subjetiva de esta incertidumbre, siempre es
posible reducirla mediante modelos mejores o avance científico. La Figura 2.3 muestra
un ejemplo de diferentes aproximaciones a la modelización de una unión tubular de una
pasarela.
Figura 2.3 Incertidumbre del modelo. Ejemplo: realidad física (arriba), modelo de unión
mediante elementos finitos unidimensionales (izq.) y bidimensionales (drch.).
Existen otras situaciones en las que el diseño se ve afectado por la variabilidad

en alguno de los datos que afectan a su dimensionamiento. Se trata de modificaciones
conocidas sobre alguno de los aspectos que afectan a la estructura y por tanto dichas
modificaciones no tienen carácter aleatorio. Generalmente, esta variabilidad no supone
24
mayor inconveniente que tener que realizar el análisis de la estructura de nuevo. Sin
embargo, si ha existido un proceso de optimización intermedio para alcanzar el diseño
final, el tratamiento de estas modificaciones puede resultar más complejo o demasiado
costoso en términos computacionales. En esta investigación se analizarán dos
situaciones concretas donde se puede producir esta variabilidad en la fase de diseño de
una estructura.
2.3 ANÁLISIS DETERMINISTA Y PROBABILISTA DE

ESTRUCTURAS
En general, el análisis de estructuras se realiza considerando que las

características mecánicas y resistentes de los materiales serán las previstas en los
cálculos, que las cargas no superarán las introducidas en el análisis y que la geometría
será exactamente la definida por los planos. Con este planteamiento, la respuesta
estructural obtenida es un valor determinista y se considera que la estructura es segura si
el valor de dicha respuesta no supera los límites establecidos.
Tradicionalmente, el análisis de estructuras se ha interesado por el desarrollo de

técnicas numéricas que mejoren la precisión de los resultados, es decir, se intenta
reducir la incertidumbre del modelo. Sin embargo, cada vez es mayor el interés por el
estudio de los efectos de la incertidumbre existente en los parámetros que afectan más a
la seguridad frente a la exactitud del método numérico, lo que lleva a un planteamiento
de tipo probabilista. Si alguno de los parámetros que afectan a la estructura puede variar
un 10 o un 30 por ciento, una gran precisión del método numérico no aumentará la
confianza del proyectista en el análisis de dicha estructura.
El análisis probabilista de estructuras trata de dar respuesta a esta cuestión dando

información de lo que se denomina fiabilidad de la estructura, ausente en el tratamiento
determinista convencional. Como se ha visto, existen muchos tipos de incertidumbres,
25
siendo imposible reducir algunas de ellas. Por tanto, el hecho de reducir la

incertidumbre del modelo no eliminará el resto, aunque siempre será positivo.
En el caso del enfoque probabilista, datos tales como la resistencia o las cargas,
ya no son valores concretos, sino que son considerados variables aleatorias que se
definen mediante las funciones de probabilidad correspondientes. Para cada tipo de
variable se ajustará mejor un tipo de distribución u otra en función de la naturaleza del
fenómeno. Existen referencias en la literatura donde se da una clasificación orientativa
del tipo de distribución a considerar en cada caso y también se puede encontrar en
diferentes normativas, tales como el Código Técnico de la Edificación[M1], la UNE-EN
1990. Eurocódigos. Bases de cálculo de estructuras[A1], entre otras. De forma general
se pueden considerar las siguientes recomendaciones:
- Acciones permanentes: se puede emplear la distribución normal de forma

general. Si no se pueden dar valores negativos conviene usar cualquiera de
las siguientes: lognormal, Weibull, Gamma, o de valores extremos.
- Acciones variables: resultan apropiadas las distribuciones siguientes:
lognormal, Weibull, Gamma, o de valores extremos.
- Propiedades de materiales y dimensiones: de forma general se consideran
variables de distribución normal o lognormal.
Para el caso de variables que resulten de la suma de otras, es posible concluir, a

partir del teorema del límite central, que siguen una distribución normal. Un ejemplo de
ello puede ser el peso propio pues resulta de la suma de múltiples elementos.
Definida así la entrada de datos para el análisis de la estructura, la consecuencia

inmediata es introducir incertidumbre en la respuesta. De este modo, no es posible
realizar un análisis único que proporcione el valor exacto de la respuesta, y en
contrapartida se obtendrá un resultado probabilista, que permitirá dar una idea al
proyectista acerca de la seguridad de su estructura.
26
El siguiente ejemplo pretende dar una idea muy simple acerca del análisis
probabilista de estructuras. Se trata de una viga en ménsula sometida únicamente a una
carga puntual en el extremo del voladizo. Para el cálculo determinista los datos que
definen la estructura son los que se muestran en la Figura 2.4. Se considera que el
momento último que es capaz de resistir la estructura tiene un valor fijo de Mu=70 kNm.
Datos: P=10 kN; L=5 m

Resultados: V= 10 kN; M= 50 kNm
Figura 2.4 Análisis determinista de viga en voladizo.
El análisis proporciona los valores de cortante y flector máximo: V=P=10 kN y

M=P·L=50 kNm. Simplemente, habrá que verificar que el momento flector sea inferior
a Mu y en ese caso se concluye que la estructura es segura.
Si se considera que la carga P no es un valor determinista y se define como una

variable aleatoria de distribución normal con media 10 kN y desviación típica 2 kN, la
solución obtenida para el esfuerzo cortante y para el momento flector en el
empotramiento es una variable aleatoria de distribución normal. En la Figura 2.5 se
presenta el resultado obtenido del análisis probabilista de la estructura.
Datos: P=N(10, 2); L=5 m

Resultados: V=N(10,2); M=N(50,10)
Figura 2.5 Análisis probabilista de viga en voladizo.
En este caso no se tiene una certeza sobre el valor de momento flector máximo,
mientras que por el contrario se obtiene la información de que su valor sigue una
distribución de probabilidad normal de media μM=50 kNm y desviación típica σM=10
kNm. Con estos resultados, sí es posible determinar la probabilidad de fallo Pf de esta
27
estructura, pues basta con obtener la probabilidad de que la variable aleatoria de

distribución normal M sea mayor que Mu. Para ello simplemente es preciso evaluar su
función de distribución normal[H1] en Mu.
Pf = P[M>Mu]= P[M>70]=0.0228 (2.1)
En este ejemplo en concreto el resultado del análisis probabilista ha

proporcionado resultados de dos tipos: por un lado se conoce la función de probabilidad
de la respuesta estructural y por otro se conoce la probabilidad de fallo Pf referida al
flector máximo que es capaz de soportar la viga, que ha sido de 0.0228.
Generalmente, no se conocerá la solución analítica de la respuesta estructural y

por tanto no será posible obtener directamente la función de probabilidad que la
caracterice. Sin embargo, existen metodologías de muestreo que consiguen aproximar el
comportamiento aleatorio de las respuestas de la estructura. En otras ocasiones, la
información buscada no son las propiedades estadísticas de la respuesta, sino la
probabilidad de fallo de la estructura. Existen métodos que permiten determinar la
probabilidad de fallo sin necesidad de conocer la función de probabilidad de la
respuesta estructural y en el capítulo 3 se comentarán algunos de ellos. En la Figura 2.6
se muestra un sencillo esquema donde se indican las diferencias entre un planteamiento
de análisis estructural determinista y otro probabilista.
Entrada de datos determinista Entrada de datos probabilista
Respuesta determinista Respuesta probabilista
Superior/Inferior al límite establecido - Propiedades estadísticas

de la respuesta
- Probabilidad de fallo
Figura 2.6 Análisis determinista vs. Análisis probabilista.
28
2.4 DISEÑO ÓPTIMO DE ESTRUCTURAS
Al inicio del capítulo se hacía mención a una de las principales características

que se busca en una estructura, que es reducir al máximo su coste, siempre y cuando sea
segura y cumpla los requisitos de funcionalidad que se le encomiendan. El diseño de
una estructura parte de un plan de necesidades que hay que satisfacer y de acuerdo con
una serie de condicionantes a cumplir. Recurriendo a la experiencia acumulada de la
realización de otros diseños similares se predimensiona la estructura y posteriormente se
realizan sucesivas modificaciones para mejorar el diseño inicial. Habitualmente, este
proceso depende de la experiencia del ingeniero, que utiliza sus normas de buena
práctica para mejorar cada parte del diseño. Esta forma de proceder, se puede describir
mediante el diagrama de flujo de la Figura 2.7.
Figura 2.7 Proceso de diseño habitual.
La clave de esta metodología se encuentra en el concepto definido en el

diagrama como “Reglas Heurísticas”. Estas reglas subjetivas proceden de la experiencia
del ingeniero y en base a ellas se toman las decisiones pertinentes para mejorar el
diseño. Un inconveniente claro de esta metodología es que una vez decidido el diseño
final, siempre cabe la duda de que existan algunas características que podrían haberse
variado y hubiesen conducido a un resultado mejor, pero que no se han considerado en
las modificaciones. No obstante, esta metodología es la más extendida en ingeniería
civil, a pesar de que existen herramientas que podrían ayudar claramente a mejorar el
diseño final de las estructuras. Una de estas herramientas es la optimización estructural.
29
Los métodos de optimización sustituyen las reglas heurísticas del proyectista,

por precisos algoritmos que realizando modificaciones del diseño inicial identifican
finalmente el mejor de los diseños posibles. Con esta técnica no solo se consigue
perfeccionar el dimensionado estructural, sino que el resultado final proporciona al
ingeniero una información muy valiosa que le ayuda a dirigir su intuición y con ello a
perfeccionar sus habilidades como proyectista. El diagrama de flujo que describe esta
técnica de diseño se corresponde con el mostrado en la Figura 2.8.
Figura 2.8. Proceso de diseño óptimo.
La formulación de diseño óptimo se basa en caracterizar el problema mediante la

definición de los siguientes elementos:
- Los parámetros de diseño (p): propiedades del diseño que quedan fijas durante
el proceso de optimización.
- Las variables de diseño (X): propiedades del diseño que pueden cambiar
durante el proceso de optimización.
- Las condiciones de diseño g(X): todas las restricciones que debe satisfacer
cualquier diseño considerado.
- La función objetivo F(X): propiedad del diseño que se desea optimizar.
A partir de estas definiciones previas y considerando una única función objetivo

se puede formular de forma general el problema de optimización como:
30
min F (X, p ) (2.2a)

sujeto a
g j (X, p)  0; j  1,...M (2.2b)
Al resultado de este problema se le denomina diseño óptimo y a menudo se

expresa como X*= X*(p). Este vector contiene el valor de las variables de diseño que
cumplen (2.2b) y minimizan la función F, que generalmente es el peso de la estructura,
aunque en otras ocasiones se consideran otras funciones objetivo como la energía de
deformación de la estructura o el coste de la misma.
Una extensión del problema (2.2), es la optimización multiobjetivo, donde la

función objetivo no es única, sino un vector. Los primeros trabajos se deben a Stadler[S1]
que consideró el peso y la energía de deformación como funciones objetivo. Una
información más completa puede encontrarse en el libro de Osyczka[O2], que presenta
ejemplos de aplicación a la ingeniería eléctrica y mecánica. Por otra parte Koski[K2] ha
tratado la optimización multiobjetivo en estructuras de nudos articulados.
Tanto el planteamiento como la resolución del problema (2.2) ha sido fruto de

numerosas investigaciones realizadas desde hace más un siglo, dando lugar a diferentes
metodologías para obtener su solución. Las primeros pasos hacia la teoría de diseño
óptimo estructural se dieron a finales del siglo XIX y principios del XX, y se deben a
Maxwell[M2], Levy[L1] y Michell[M3], que hicieron importantes aportaciones en el campo
del diseño óptimo de estructuras articuladas.
No es hasta la segunda mitad del siglo XX, cuando, a partir del desarrollo de la
teoría del colapso plástico de pórticos se introducen por primera vez métodos de
programación matemática en la optimización estructural. Una de las aportaciones más
importantes en este sentido se debe a George Dantzig[D1], quien publicó el algoritmo
Simplex, en 1949. Este método permitía resolver eficazmente problemas de
programación lineal, es decir, problemas donde las expresiones (2.2a) y (2.2b) son
polinomios de primer orden. Por tanto, aún no era posible optimizar con condiciones de
31
tensión, movimientos o condiciones de pandeo, pero se estaba induciendo la

formulación del planteamiento general del diseño óptimo de estructuras.
El planteamiento general del problema de optimización definido en (2.2) fue

formulado entre los años 1955 y 1960 por Klein y Schmit. Klein[K1] es el primero en
plantear la formulación estándar pero no contempla la posibilidad de la existencia de
varias hipótesis de carga. Además en aquel momento se desconocen la mayoría de las
técnicas modernas de programación matemática no lineal y el problema ha de abordarse
transformando el problema a otro con restricciones de igualdad y aplicar el método
tradicional de los multiplicadores de Lagrange.
Sin duda, una de las aportaciones más importantes al campo de la optimización

de estructuras se debe a Lucien Schmit[S2] en el año 1960. Introduce por primera vez la
idea de combinar métodos de cálculo de gran potencia, como el método de elementos
finitos, con técnicas de optimización e introduce la consideración de varias hipótesis de
carga. Además consigue demostrar, mediante un magistral y sencillo ejemplo, que el
método de diseño a máxima tensión (fully stressed design) y las teorías de modos de
fallo simultáneos no proporcionan el diseño óptimo.
A partir de este momento la optimización estructural se asienta como una

materia objeto de estudio y de divulgación a otros científicos. Se desarrollan diferentes
técnicas orientadas a obtener solución al problema (2.2), entre los cuales destacan:
Métodos de función penalty, Método de las direcciones eficientes, Métodos de
secuencia de problemas lineales, Métodos duales o Métodos de secuencia de problemas
cuadráticos, entre otros. Algunas referencias donde se pueden encontrar los desarrollos
y aplicaciones de estos métodos son las siguientes: Arora[A2], Haftka[H2], Belegundu[B1],
Vanderplaats[V1] o Hernández[H3]. La constante investigación en este ámbito ha
proporcionado modificaciones que mejoran aspectos de estos algoritmos y la aparición
de otros métodos como los algoritmos genéticos[H4], los métodos de perturbaciones
(simulated annealing) y métodos basados en la teoría de la información, entre otros.
32
Desde entonces la optimización de estructuras viene empleándose con éxito y de

modo habitual en la ingeniería aeronáutica y del automóvil. En el ámbito de la
ingeniería civil su uso no está tan extendido pero su tendencia es creciente. Cabe
destacar publicaciones como las de Hernández[H5], Navarrina[N1], Nieto[N2] o Tomás[T2].
2.4.1 Tipos de optimización de estructuras
- Optimización de dimensiones (size optimization)
La primera aplicación de la optimización de estructuras se planteó considerando

la modificación de propiedades del diseño tales como la sección transversal de una barra
o el espesor de una placa. Es decir, las variables de diseño eran dimensiones de los
componentes de la estructura pero se mantiene invariante la geometría de la misma. Este
tipo de optimización es el más extendido y con el que están familiarizados un mayor
número de ingenieros, aunque siguen siendo una minoría, y suele denominarse
optimización de dimensiones u optimización de tamaño.
Un ejemplo sencillo de este tipo de optimización fue el presentado por Schmit en

1960 y con el que demostró las ventajas de la optimización frente a los planteamientos
de modos simultáneos de fallo y de máxima tensión. Se trata de una estructura
hiperestática formada por tres barras articuladas sometidas a dos hipótesis de carga: una
carga puntual en dirección de la barra 1 y otra en dirección de la barra 3, como se
muestra en la Figura 2.9.
Figura 2.9. Estructura de tres barras con dos hipótesis de carga.
33
Se define la variable de diseño x1 como la sección transversal de las barras 1 y 3,

y la variable de diseño x2 como la sección transversal de la barra 2. El objetivo es
minimizar el peso de la estructura sujeto a que la tensión máxima de tracción no supere
el valor σM y la máxima de compresión sea inferior a 0.75σM.
La ventaja de plantear un problema con dos variables de diseño es que se puede

representar gráficamente la región de diseño y localizar el punto de diseño óptimo. En
este caso la región de diseño es la correspondiente a puntos situados a la derecha de la
línea gruesa de la Figura 2.10 y la solución óptima se alcanza en el punto C, donde
solamente una condición de diseño está activa. La solución para el planteamiento de
modos de fallos simultáneos, sería el punto A, mientras que el planteamiento de diseño
de máxima tensión corresponde al punto B. Ambos diseños son más pesados que el
correspondiente al punto C y por tanto no son el diseño óptimo.
x2M
P
3.0
g1=0 g3=0
A
2.0
F2
F1
1.0
g2=0
Coptimum design
B x1 M
0.5 1.0 P
1.5
Figura 2.10. Representación gráfica de la optimización de la estructura de tres

barras.
Los valores de la solución óptima son x1=0.788P/σM y x2=0.408P/σM, resultando

un valor de la función objetivo de F=2.639PL/σM.
La resolución del ejemplo anterior resulta muy sencilla debido a que se conocen
las expresiones analíticas, tanto de las condiciones de diseño, como de la función
objetivo. No obstante, la optimización de dimensiones es la más extendida y gracias a la
34
enorme evolución de los equipos informáticos y de los algoritmos, es posible emplear

modelos complejos de elementos finitos combinados con problemas de optimización
donde el número de variables de diseño llega a ser del orden de varios miles. En la
Figura 2.11 se puede observar un modelo estructural de una estructura aeronáutica
donde se ha realizado optimización de tamaño de sus elementos. En este caso el número
de variables de diseño es del orden de 2000.
Figura 2.11. Modelo estructural aeronáutico donde se aplica optimización de

dimensiones.
- Optimización de forma (shape optimization)
Suele hablarse de optimización de formas o de geometría cuando, además de las

variables empleadas en la optimización de dimensiones, son utilizadas variables
asociadas a la forma de la estructura. Estas variables controlan la geometría del diseño y
requieren a menudo de un modelo de análisis que se readapte durante el proceso de
optimización. El objetivo es encontrar la forma óptima de la estructura, pues un cambio
de ésta puede dar lugar a una disminución de peso. Las soluciones de este tipo de
optimización aportan ideas nuevas al ingeniero acerca de cuáles son las formas óptimas
de las estructuras que diseña habitualmente.
Las metodologías más habituales en la optimización de forma son tres. La

primera es la optimización mediante elementos finitos, donde las variables de diseño
35
son, en general, las coordenadas de los nudos y el espesor de los elementos finitos en los
que se discretiza un medio continuo[R1]. La función objetivo suele ser el peso y las
restricciones están relacionadas con aspectos resistentes de la estructura o con
limitaciones geométricas. Dos inconvenientes de esta técnica son el elevado número de
variables de diseño necesarias y la irregularidad del diseño final, dando lugar
frecuentemente a formas de difícil fabricación. En la Figura 2.12 se puede ver un
ejemplo de ello. Estos inconvenientes generaron estrategias para eliminarlos[C1].
Figura 2.12. Optimización de forma mediante elementos finitos.
La segunda metodología consiste en la utilización de las curvas usadas en los

sistemas de representación CAD para definir el contorno del dominio, tales como B-
splines y curvas de Bezier, entre otras[B2]. La idea es considerar como variables de
diseño los puntos de control que definen estas curvas. De esta forma, se disminuye
notablemente el número de variables de diseño y el resultado proporciona formas
continuas más apropiadas para la fabricación. Un ejemplo de ello puede verse en la
Figura 2.13.
36
Figura 2.13. Optimización de forma empleando curvas empleadas en CAD.
El tercer método, consiste en definir inicialmente una serie de formas simples o

[B3]
bases para la estructura y considerar que la solución óptima será una combinación
lineal de ellas. Los coeficientes de dicha combinación son los porcentajes de
participación de cada una de ellas. La Figura 2.14 muestra un ejemplo de una viga en
voladizo sometida a peso propio, cuáles han sido formas base consideradas y cuál es la
solución óptima alcanzada.
Fuerza
gravitatoria
Estructura inicial
Base 1 Base 2
Base 3 Base 4
Diseño óptimo
Figura 2.14. Optimización de forma mediante combinación de formas simples.
37
- Optimización topológica (topology optimization)
La optimización de forma ha añadido variables de diseño que no se tenían en

cuenta en la optimización de tamaño o de dimensiones, pues se ha introducido la
posibilidad de modificar el contorno de la estructura. Sin embargo, en ambos casos la
topología ha permanecido invariante, es decir, en la solución final se tienen los mismos
elementos y cavidades que en el diseño de partida. Parece razonable pensar que la
estructura óptima puede tener una topología diferente, con mayor número de cavidades,
sin que ello conlleve la violación de ninguna de las condiciones de diseño. Un ejemplo
claro donde se aplica esta idea, sin necesidad emplear un algoritmo de optimización
topológica, es el empleo de estructuras aligeradas, bien sean, vigas, forjados o cualquier
otra tipología estructural.
Las primeras contribuciones en este tipo de optimización datan de finales del

siglo XIX y principios del XX, y se deben a Maxwell[M2] y a Mitchell[M3]. Este último
desarrolla una metodología aplicable a estructuras articuladas sometidas a un solo caso
de carga. Permite encontrar la configuración de mínimo peso con restricciones de
tensión en las barras, pero dando lugar a estructuras difícilmente realizables. Sin
embargo, estas aportaciones serían de gran utilidad varias décadas después para validar
los resultados obtenidos en la segunda era de la optimización topológica iniciada en el
último cuarto del siglo XX.
La optimización topológica pretende obtener la distribución de material más

adecuada en un determinado dominio y por tanto decidir los puntos del dominio que
deben tener material y los que no. La idea lógica con este planteamiento es realizar una
formulación con variables discretas ya que para cada punto del dominio sólo existen dos
configuraciones posibles (existe material o no). Un problema de este planteamiento es
que la solución es diferente en función de la discretización de la malla. Además, los
problemas de optimización con variables discretas son más complicados dado que no se
puede utilizar las técnicas habituales de programación matemática para su resolución.
38
Un importante avance en este campo fue la introducción de los métodos de

homogenización cuyos inicios se deben a Murat y Tartar[M4], Lurie y Cherkaev[L2], y
Kohn y Strang[K3]. En 1993 Bendsøe y Kikuchi[B4] formalizan e implementan el método
de homogenización introduciendo el concepto de porosidad ideal.
Dado un dominio continuo donde existe material estructural, y donde se definen

las cargas y condiciones de contorno, se discretiza en un malla de elementos finitos y a
cada elemento se le asigna una variable de diseño, que es la porosidad. De esta forma si
esta variable toma el valor 0 significará que no hay material, mientras que si su valor es
la unidad, habrá material sin huecos. Sin embargo, de esta manera el planteamiento del
problema es continuo, pues la porosidad puede tomar cualquier valor entre 0 y 1.
Es evidente que esta porosidad está relacionada con la matriz de rigidez de la

estructura y tal circunstancia debe ser introducida en la formulación. El método más
extendido en este sentido es el denominado método SIMP (Solid Isotropic
Microstructure with Penalization) donde se considera una variable adimensional entre 0
y 1, denominada densidad relativa, que afecta a la rigidez de cada elemento finito. De
esta forma la matriz de rigidez de cada elemento queda expresada como:
K e ( )   pK e (2.3)
donde ρ es la densidad relativa del elemento y p es un coeficiente de penalización que

consigue disminuir el número de elementos con densidades intermedias. Dado que la
fabricación de estructuras con materiales cuya rigidez sea variable no es factible, este
coeficiente permite obtener soluciones donde la densidad de cada elemento tienda a ser
0 o a ser 1. Generalmente se emplean valores de p  3 .
La estrategia de optimización empleada suele ser la minimización de la energía

de deformación sujeta a una única restricción: se acota la cantidad total de material
superiormente por un porcentaje, denominado factor de llenado del volumen del
dominio. En el empleo del método SIMP destacan los trabajos realizados por
39
Bendsøe[B5], Muiños et al.[M5], entre otros. También se ha formulado el problema

cambiando la estrategia de optimización, donde se considera el peso como función
objetivo y se consideran restricciones de tensión, lo cual hace mucho más compleja su
resolución y requiere unos tiempos de computación muy elevados[P1].
A continuación se muestra un ejemplo que demuestra la utilidad de la

optimización topológica. Se pretende obtener la celosía de menor peso en un dominio
dado, sujeta a restricciones de tensión, donde se conoce el valor y disposición de las
cargas y de las condiciones de enlace. La estructura está solicitada por dos cargas
puntuales aplicadas en el punto A, y las condiciones de enlace son un apoyo fijo y un
apoyo móvil, tal y como se indica en la Figura 2.15.
Figura 2.15. Dominio, cargas y condiciones de enlace.
Inicialmente, el ingeniero proyectista puede pensar en generar una estructura de

6 barras como la que se muestra en la Figura 2.16a y posteriormente realizar una
optimización de tamaño. En este ejemplo se han considerado como variables de diseño
las áreas de todas las barras y se limita el valor máximo de las tensiones normales a un
valor de 355 MPa. El objetivo es encontrar las secciones transversales de las 6 barras
que minimicen el volumen de material y cumpla las restricciones. Si se resuelve este
problema de optimización tamaño, la solución obtenida proporciona un volumen de
0.044 m3, donde solamente 3 barras alcanzan un valor no nulo de su sección transversal
y la estructura resultante es la que se muestra en la Figura 2.16b.
40
A A
a) Celosía inicial b) Resultado optimización de tamaño

Figura 2.16. Estructura inicial pensada por el proyectista y resultado de la
optimización de tamaño.
Si se procede a resolver el mismo problema empleando la optimización

topológica, se define el dominio donde puede haber existencia de material y se aplican
las mismas cargas y condiciones de enlace. El resultado final tras la optimización es el
que aparece en la Figura 2.17, donde se puede intuir la forma de la estructura óptima.
Figura 2.17. Resultado de la optimización topológica.
Este resultado no proporciona un peso de la estructura válido ni tampoco es

fácilmente realizable, pues se ha de entender que las partes con densidad intermedia no
corresponden a un material real. Por tanto, la optimización topológica está
proporcionando la información de cómo debe de ser la estructura, sin aportar con
precisión cuál debe ser la geometría final ni sus dimensiones. Es a partir de esta
solución cuando el ingeniero toma partida interpretando la forma y dimensiones de la
nueva estructura. Una posible interpretación del resultado es la celosía que se muestra
en la Figura 2.18.
41
Figura 2.18. Interpretación realizable de la solución obtenida en la optimización

topológica.
Tras esta interpretación del resultado de la optimización topológica, el ingeniero

puede volver a plantearse la optimización de las áreas de esta nueva estructura. Si se
resuelve nuevamente el problema de optimización de tamaño, considerando como
variables de diseño la sección transversal de las 7 barras de la estructura y con las
mismas condiciones de diseño, el volumen obtenido finalmente es 0.03928 m3. Por
tanto, si bien el resultado de la optimización topológica no parece directamente
aplicable, este ejemplo demuestra que la información proporcionada ha sido muy
valiosa, permitiendo reducir un 11.5% el peso final y ha permitido descubrir una
configuración estructural mejor que la definida inicialmente.
- Otros tipos de optimización
Además de los tipos de optimización ya comentados existen otros cuya

aplicación aún no está tan extendida aunque son conocidos en el ámbito científico. Entre
ellos destacan la optimización multidisciplinar y la optimización en régimen
probabilista.
La optimización multidisciplinar consiste en introducir dentro del problema de

optimización estructural restricciones que provienen de otras disciplinas. Así por
ejemplo se puede formular un problema de optimización estructural con restricciones
provenientes del campo de la aeroelasticidad, de la acústica, aislamientos térmicos, y
muchos otros. Además gracias a la programación en paralelo es posible obtener las
42
respuestas de cada uno de estos análisis de forma simultánea para disminuir el tiempo
de cálculo en el proceso iterativo de optimización. El diagrama de flujo de la Figura
2.19 explica de forma simplificada el proceso de optimización multidisciplinar.
Figura 2.19 Diagrama de flujo de un problema de optimización multidisciplinar.
Este tipo de optimización está experimentando un incremento de su utilización

en el campo de la aeronáutica, pues se observa que muchas restricciones importantes del
diseño provienen de otros análisis, como el acústico, el térmico, así como del proceso
constructivo y de las instalaciones que lleva la aeronave. Sin embargo, su aplicación no
resulta sencilla y en muchas ocasiones las soluciones obtenidas son poco realistas, por
lo que se trata de un campo abierto a la investigación[B6].
Por otro lado, actualmente se están desarrollando numerosos trabajos

relacionados con la optimización en régimen probabilista. Los primeros trabajos en este
campo se deben a Hilton[H6] y Murotsu[M6]. Otros trabajos más recientes son los
realizados por Grandhi[G1] o Allen[A3].
La idea consiste en minimizar o maximizar una función objetivo añadiendo la

condición de que la probabilidad de fallo con respecto a un determinado estado límite
43
sea inferior a un valor fijado. La formulación de este tipo de optimización se puede

expresar como:
min F (2.4a)
sujeto a
g j ( X, p)  0; j  1,...M (2.4b)
Pf  Pf max (2.4c)
Se busca así, combinar en un solo planteamiento la idea de economía y

seguridad.
2.5 ANÁLISIS DE SENSIBILIDAD DE LA SOLUCIÓN

ÓPTIMA CON RESPECTO A LOS PARÁMETROS FIJOS
Otro escenario de variabilidad a tener en cuenta en el proceso de diseño, se

produce tras realizar la optimización. Si una vez resuelto el problema de optimización se
modifica algún parámetro que inicialmente se había considerado constante, el diseño
óptimo se verá afectado y por lo tanto es necesario llevar a cabo una nueva
optimización.
Generalmente, el proceso de diseño óptimo requiere la realización del análisis

estructural un número elevado de veces hasta alcanzar la solución óptima. En función de
la complejidad del análisis o del tamaño del modelo, la optimización puede resultar un
proceso bastante caro computacionalmente. De todos es conocido que durante la fase de
diseño se toman decisiones, o bien propias, o bien de carácter impuesto, que afectan a
la solución final.
Un ejemplo de esta situación es la modificación de los límites establecidos en

las condiciones de diseño, tales como máxima tensión admisible en un material o
desplazamientos máximos permitidos en una estructura. También es habitual que se
produzcan pequeños cambios en la geometría de algún elemento de la estructura que
44
afectará a la solución final. A veces, el problema es que no se tiene muy claro cuál es el
valor de este parámetro y se desea observar cuál sería la evolución del diseño óptimo en
función de los valores que vaya tomando, y así poder tomar decisiones al respecto.
En este contexto cabe la posibilidad de obtener las sensibilidades de las variables

de diseño y de la función objetivo respecto al parámetro en cuestión y obtener un valor
aproximado de la solución óptima. Los primeros métodos que han permitido obtener
estas sensibilidades se desarrollaron a principios de los años 80 y se deben a
Barthelemy[B7] y Sobieszczansky-Sobieski[S3]. Estas técnicas consiguen aprovechar la
información obtenida del proceso de optimización anterior y obtener un valor
aproximado del nuevo óptimo con un coste computacional pequeño.
En el capítulo 4 se presentan los métodos más habituales para la aplicación de

esta metodología y se presentan diversos ejemplos de aplicación, donde se discute la
validez de los mismos.
2.6 OPTIMIZACIÓN DE ESTRUCTURAS CONSIDERANDO

ESTADOS LÍMITE EXCEPCIONALES
La gran responsabilidad que conlleva el diseño de determinadas estructuras hace

que su tratamiento sea diferente al de estructuras más convencionales. Generalmente, si
el fallo de la estructura puede desembocar en pérdida de vidas humanas, o suponer un
impacto económico elevado, la seguridad buscada será mucho mayor que en el caso de
que no se produzcan estos efectos.
De esta forma el ingeniero ha venido utilizando primeramente factores de

seguridad que ampliaran su margen de error. Luego se han aplicado metodologías
semiprobabilistas que han permitido introducir la aleatoriedad existente en algunas
magnitudes. Por último se han desarrollaron las metodologías probabilistas que
permiten determinar el nivel de seguridad de la estructura.
45
Sin embargo, el proyectista en su empeño por contemplar posibles escenarios de

riesgo, se cuestiona si su estructura podría sufrir determinados daños y si ello provocaría
el colapso total de la misma, pudiendo ocasionar efectos desastrosos. Este tipo de
preguntas no son recientes y son muchos los casos donde se han proyectado estructuras
considerando la posibilidad de colapso de alguno de sus elementos. Unas veces la
solución pasa por sobredimensionar los elementos que constituyen la estructura,
mientras que en otras, la solución es añadir elementos de refuerzo que contemplen los
posibles fallos.
Son muchas las situaciones que se producen cotidianamente donde la vida de

personas se pone en riesgo debido al fallo de algún elemento estructural. Así por
ejemplo el puente metálico de la Figura 2.20 sufre el impacto de un vehículo pesado
ocasionando la rotura de uno de sus montantes, como se puede observar en la Figura
2.21.
Figura 2.20 Puente Beebe sobre el río Columbia (Washington).
46
Figura 2.21 Daño estructural provocado por el impacto de un vehículo pesado

contra la estructura metálica del puente Beebe sobre el río Columbia (Washington).
Otro ejemplo de colapso parcial es el que se ha producido en la pasarela que se

presenta en la Figura 2.22 donde el efecto de la corrosión ha ocasionado la práctica
desaparición del material que forman los perfiles en I que la sostienen, como se puede
ver en la Figura 2.23.
47
Caapítulo 2 VA
ARIABILIDAD
D E INCE ERTIDUMBRE
E EN EL ANÁLISIS Y LA
OP
PTIMIZACIÓN
N DE ESTRU
UCTURAS
Figuraa 2.22 Pasarrela situada en Montepoorreiro (Pon

ntevedra).
Figurra 2.23 Dañoo estructuraal provocado

o por processo de oxidacción en una pasarela
p
situada en Monteporreeiro (Pontevvedra).
48
Por tanto, en estructuras de cierta entidad surge la necesidad de realizar diseños

que contemplen este tipo de situaciones y de asegurar su estabilidad, al menos hasta su
posible reparación o demolición, en condiciones de seguridad. Además, se busca
obtener la estructura óptima que cumpla estas condiciones, es decir, la estructura de
menor peso cuyo diseño contemple la posibilidad de determinados fallos estructurales.
El capítulo 5 de esta tesis se dedica al estudio de esta situación y se presenta un

procedimiento de diseño óptimo de estructuras donde se considera la posibilidad de
fallo de algún elemento estructural.
2.7 REFERENCIAS
[A1] AENOR, UNE-EN 1990. Eurocódigos. Bases de cálculo de estructuras, Madrid,

2003.
[A2] ARORA, J.S.: Introduction to Optimum Design, Elsevier Academic Press, Second
Edition, 2004.
[A3] Allen M. and Maute K., Reliability-based design optimization of aeroelastic

structures, Structural Multidisciplinary Optimization, 27, pp. 228-242, CO, 2004.
[B1] Belegundu, A. D., Chandrupatla, T. R., Optimization Concepts and Applications in

Engineering. Prentice Hall. New Jersey, 1999.
[B2] Braibant, V., Fleury, A. C., Shape Optimal Design using B-splines, Comp. Meth.
in Appl. Mech. And Eng., North Holland, 44, 247-267, 1984.
[B3] Belegundu, A. D. and Rajan, S. D., A Shape Optimization Approach Based on

Natural Design Variables and Shape Functions, Comp. Meth. in Appl. Mech. and Eng.
North-Holland, 66, 87-106, 1988.
49
[B4] Bendsoe, M. P., Diaz, A. R. and Kikuchi, N., Topology and Generalizated Layout
Optimization of Elastic Structures, In Topology Design of Structures, M.P Bendsoe and
C.A. Mota Soares (eds.), Kluwer Academic Publishes, 159-206, 1993.
[B5] Bendsøe MP. Optimisation of structural topology, shape and material. Springer:
Berlin, 1995.
[B6] Bhatia, K.G., A perspective on Optimization, Keynote lecture, 12th AIAA/ISSMO

Multidisciplinary Analysis and Optimization Conference, Victoria, BC, Canada,
September 12, 2008
[B7] Barthelemy, J.F.M. and Sobieszczansky-Sobieski, J., Optimum Sensitivity

Derivatives Nonlinear Programming, AIAA J., Vol. 21, No. 6, pp. 913-915, 1983.
[C1] Canales, J., Integración de las técnicas de CAD, análisis de estructuras y

optimización en un sistema de diseño automatic de estructuras. Tesis Doctoral,
Departamento de Ingeniería Mecánica de la Universidad del País Vasco, 1992.
[D1] G.B. Dantzig, Programming in a linear structure, Econometrica 17, 73–74, 1949.
[G1] Grandhi R. V. and Wang L., Reliability-based structural optimization using

improved two-point adaptive nonlinear approximations, Finite Elements in Analysis
and Design, Vol. 29, No. 1, pp. 35-48, 1998.
[H1] Haldar, A. and Mahadevan, S., Probability, reliability, and statistical methods in
enfineering design, John Wiley & Sons, New York, 2000.
[H2] Haftka, R. T., Gürdal, Z. & Kamat, M. P., Elements of Structural Optimization.
Kluwer Academic Publishers, 2nd edition.
[H3] Hernández, S., Métodos de diseño óptimo de estructuras. Colegio de Ingenieros de

Caminos, Canales y Puertos. Madrid, 1990.
50
[H4] Holland J.H., Adaptation in Natural and Artificial Systems: an Introductory

Analysis with Applications to Biology, Control and Artificial Intelligence. 5th printing.
MIT Press, Cambridge, 1998.
[H5] Hernández, S., Fontán, A., Practical Applications of Design Optimization. WIT
Press, Southampton, 2002.
[H6] Hilton, H. y Feigen, M., Minimum Weight Analysis Based on Structural Safety, J.
Aerospace Sciences, Vol. 27, No. 9, pp. 641-652, 1960.
[K1] Klein, B., Direct use of extremal principles in solving certain optimization
problems involving inequalities, J. ORSA, 31 168-175, 1955.
[K2] Koski, J., Multicriteria Optimization in Structural Design, New Directions in

Structural Design, E. Atrek et alt. (eds.), John Wiley, 483-504, 1984.
[K3] Kohn, R. V. y Strang G., Optimal design and relaxation of variational problems,
Communications on Pure and Applied Mathematics, 39:1–25 (Part I), 139–182 (Part II),
353–377 (Part III), 1986.
[L1] Lévy, M., La statique graphique et ses applications aux constructions, Comptes
Rendu, 1875.
[L2] Lurie, K., Cherkaev, A., Effective characteristics of composite materials and the
optimal design of structural elements, Uspekhi. Mekh., 123(2):91–100, 1997.
[M1] Ministerio de Vivienda, CTE. Código Técnico de la Edificación, Madrid, 2006.
[M2] Maxwell, C., Scientific Papers, 11, p. 175, Cambridge University Press, 1890.
[M3] Michell, A. G. M., The limit of economy of material in frames structures. Phil.
Mag, 8, 589-97, 1904.
51
[M4] Murat, F., Tartar, L., Calcul des variations e homogénéisation, Les Méthodes de l’
Homogénéisation Théorie et Applications en Physique Coll. Dir. Etudes et Recherches
EDF, 57:319–369, 1985.
[M5] Muíños I., Colominas I., Navarrina F. y Casteleiro M., Una formulación de
mínimo peso con restricciones en tensión para la optimización topológica de
estructuras, Métodos Numéricos en Ingeniería y Ciencias Aplicadas, Oñate E., Zárate
F., Ayala G., Botello S. & Moreles M.A. (Eds.), CIMNE, Barcelona, pp. 399–408,
2002.
[M6] Murotsu, Y., Yonezawa, M., OBA, F. y Niwa, K., Optimum Structural Design
under consraints on Failure Probability, ASME Paper 79-DET-114, 1979.
[N1] Navarrina, F., Una metodología general para optimización estructural en diseño
asistido por ordenador, Tesis Doctoral, Universidad Politécnica de Cataluña,
Barcelona, 1987.
[N2] Nieto F., Análisis de sensibilidad y optimización aeroelástica de puentes colgantes

en entornos de computación distribuida. Tesis doctoral de la E.T.S.I. de Caminos,
Canales y Puertos de la Universidad de la Coruña, 2006.
[O1] Oberkampf, W. L., Deland, S. M., Rutherford, B. M., Diegert, K. V. and Alvin, K.
F., Error and uncertainty in modeling and simulation. Reliability Engineering and
System Safety, Vol. 75, No. 3, pp. 333-357, 2002.
[O2] Osyiczka, A., Multicriterion Optimization in Engineering with FORTRAN

Programs, Ellis Horwood, 1984.
[P1] París, J., Restricciones en tensión y minimización del peso: una metodología
general para la optimización topológica de estructuras. Tesis doctoral de la E.T.S.I. de
Caminos, Canales y Puertos de la Universidad de la Coruña, 2007.
52
[R1] Ricketts, R. E. and Zienkiewicz, O.C., Shape Optimization of Continuum

Structures, New Directions in Optimum Structural Design, Atrek, E. et al. (ed.), John
Wiley, 1984.
[S1] Stadler, W., Natural Structural Shapes of Shallow Arches, J. Appl. Mech., 44,
No.2, pp. 291-298, 1977.
[S2] Schmit, L. A., Structural Design by Systematic Synthesis, Second conference on

Electronic computation, ASCE, Pittsburg, 105-132, 1960.
[S3] Sobieszczansky-Sobieski, J.; Barthelemy, J.F.M. and Riley, K.M., Sensitivity of

Optimum Solutions of Problem Parameters, AIAA J., Vol. 20, No. 9, pp. 1291-1299,
1982.
[T1] Thoft-Christensen, P. and Baker, M. J., Structural reliability theory and its
applications. Springer-Verlag, Berlin, 1982.
[T2] Tomás, A., Diseño óptimo de forma y armado de láminas de hormigón, Tesis
doctoral del Área de Mecánica de Medios Continuos y Teoría de Estructuras de la
Universidad Politécnica de Cartagena, 2007.
[V1] Vanderplaats, G. N., Numerical Optimization Techniques for Engineering Design:

With Applications, 3rd edition. Vanderplaats Research & Development, inc. Colorado
Springs, 2001.
53
CAPÍTULO 3
FIABILIDAD ESTRUCTURAL: APLICACIÓN AL

FENÓMENO DE FLAMEO EN PUENTES DE GRAN
VANO
3.1 INTRODUCCIÓN
En el capítulo 2 se expusieron diferentes situaciones en las que el ingeniero

proyectista no conoce de forma exacta cierta información que afecta al diseño
estructural que va a realizar. La primera situación a la que se hacía referencia es la
incertidumbre que existe a la hora de evaluar las acciones que debe soportar una
estructura, la resistencia de los materiales que la forman, errores de fabricación, etc… Si
se procede a la obtención de cada uno de estos valores de forma repetida, se observa que
el resultado no siempre es el mismo. Este hecho lleva al proyectista a tener que tomar
algún tipo de precaución a la hora de realizar el diseño, pues es posible que el diseño
final no sea lo seguro que él espera.
Una posibilidad es intentar conocer lo mejor posible estos valores, es decir,

reducir su incertidumbre. En este sentido se ha trabajado mucho introduciendo de forma
intensiva controles de calidad en casi todos los procesos, tanto de construcción, como de
fabricación de materiales, o de dispositivos de medida, entre otros aspectos. No
55
Capítulo 3 FIABILIDAD ESTRUCTURAL: APLICACIÓN AL FENÓMENO DE FLAMEO
EN PUENTES DE GRAN VANO
obstante, los resultados obtenidos en los ensayos sobre un mismo material siguen
teniendo dispersión, así como también la medida de las acciones que actúan sobre la
estructura. Por tanto, estas magnitudes no deben tratarse como deterministas sino como
aleatorias, tal y como hacen los códigos técnicos cuando definen valores característicos
de las resistencias y de las acciones, que están asociados a un determinado cuantil. Esto
es, se determina la resistencia característica de un material como el valor que no es
superado en un determinado porcentaje, generalmente el 5%.
La forma tradicional para garantizar la seguridad de la estructura que se proyecta

ha sido mediante el empleo de coeficientes parciales de seguridad, metodología
explicada ampliamente por Melchers[M1]. Esta metodología consiste en considerar que el
valor característico de la resistencia de los materiales a emplear no es la que se ha
obtenido, sino que es menor, y que el valor característico de las cargas que actúan sobre
la estructura no son las que se han medido, sino mayores. Se definen así dos tipos de
coeficientes de seguridad superiores a la unidad: coeficiente de minoración de
resistencia, por el que se dividirá la resistencia del material y coeficiente de mayoración
de cargas, por el que se multiplicarán las cargas que actúan en la estructura. Esta parte
de la metodología para definir la seguridad estructural es determinista puesto que dichos
coeficientes de seguridad también lo son. Generalmente los valores de estos coeficientes
los fija un comité de expertos, en base a la experiencia previa u otro tipo de
condicionantes. Por ello a este planteamiento donde se hace un tratamiento estadístico
de los valores de las acciones y de las resistencias, mientras que los coeficientes
parciales de seguridad vienen fijados de forma explícita se denomina procedimiento
semiprobabilista, o también denominado en los códigos técnicos como tratamiento de la
seguridad estructural de Nivel 1.
Uno de los objetivos perseguidos al diseñar una estructura, además de la

seguridad, es la disminución del coste de la misma. A menudo cuando se realiza un
diseño aplicando los coeficientes de seguridad indicados por la normativa, el ingeniero
se da cuenta de que no se adecúan a su estructura concreta. Un mayor conocimiento de
las cargas y resistencias, y de los estados límite que debe cumplir el diseño podría
56
proporcionar estructuras más eficientes y también seguras. Además cabe la posibilidad

de que el diseño final sea más económico debido a que los coeficientes de seguridad
anteriores no fueran adecuados a la realidad de dicho proyecto, mayorando en exceso
los requerimientos de dicha estructura. Todo ello es posible aplicando análisis
probabilistas, que dan lugar a los métodos de obtención de la seguridad estructural
denominados de Nivel 2 y de Nivel 3. El significado estos métodos se explicará en los
siguientes apartados donde se definen los términos básicos para su comprensión.
Actualmente el análisis probabilista en cálculo de estructuras se está aplicando

cada vez más, dependiendo del tipo de estructura. Así por ejemplo, algunas torres
eólicas se dimensionan teniendo en cuenta el régimen de vientos extremales de la zona y
fijando una determinada probabilidad de fallo. Muchas normativas, entre ellas el Código
Técnico de la Edificación (CTE), están tendiendo a incorporar análisis probabilista de
forma que en lugar de proporcionar coeficientes de seguridad, indican las
probabilidades de fallo que no deben superarse en cada situación.
El objetivo de este capítulo es explicar brevemente en qué consiste el análisis

probabilista aplicado al cálculo de estructuras y cómo se puede obtener la probabilidad
de fallo de una estructura resolviendo un problema de optimización. Posteriormente, se
aplicará uno de los numerosos métodos existentes para la obtención de la seguridad
estructural en dos ejemplos muy sencillos. Por último se plantea la aplicación del
análisis probabilista al problema de la obtención de la velocidad crítica de flameo en
puentes de gran vano y se presenta un ejemplo de aplicación real.
3.2 FIABILIDAD ESTRUCTURAL
El término fiabilidad estructural se puede definir como la probabilidad de que

una estructura cumpla las condiciones de servicio que se le exigen. Esta probabilidad
siempre está referida a un determinado estado límite, es decir, la condición de diseño
que debe cumplir una estructura para poder desempeñar una determinada función.
Generalmente, los estados límite de una estructura se clasifican en dos grandes grupos:
57
estados límite últimos y estados límite de servicio. El primer grupo hace referencia a
aquellos estados de la estructura que si se alcanzan pueden provocar su colapso parcial o
total. Algunos estados límite últimos son la pérdida de equilibrio de parte o del conjunto
de la estructura, rotura de alguna sección, rótulas plásticas, pandeo, fatiga, etc… La
probabilidad de ocurrencia de alguno de estos estados límite debe ser muy baja, pues se
asume que puede haber riesgo de pérdidas humanas o pérdidas económicas elevadas. El
segundo grupo se refiere a los estados límite en los cuales la estructura no puede dar el
servicio en condiciones normales, pero no existe riesgo de colapso de la misma. Para
estos casos se permite una mayor probabilidad de ocurrencia debido a que el riesgo
humano y económico es mucho menor.
Por tanto, el objetivo de esta metodología es, dado un conjunto de variables

aleatorias X y una función de estado límite g(X), obtener la probabilidad de fallo Pf. La
función de estado límite g(X) proporciona el margen de seguridad que existe entre la
resistencia y las cargas aplicadas, y se puede definir como
g (X)  R(X)  S (X) (3.1)
donde R(X) es la resistencia del sistema y S(X) la carga aplicada.
Definida así la función de estado límite, se establecen dos regiones claramente

diferenciadas correspondientes a g(X)<0, o región de fallo, y g(X)>0, o región segura,
como se puede observar en la Figura 3.1. La probabilidad de fallo que se busca se puede
expresar como
Pf  P[ g ( X)  0]   ...  f X ( x1 ,.., xn )dx1...dxn (3.2)

g ( X )0
donde f X ( x1 ,.., xn ) es la función de densidad de probabilidad conjunta de las variables
aleatorias x1,…,xn. Si las variables aleatorias son independientes la función de densidad

de probabilidad conjunta se puede sustituir por el producto de las funciones de densidad
de probabilidad individuales.
58
Región de seguridad g(X) = 0

g(X) > 0
Región de fallo
g(X) < 0
Figura 3.1. Función de estado límite.
Esta forma de obtener la probabilidad de fallo respecto a un determinado estado

límite se denomina planteamiento de la distribución global o de Nivel 3. Se puede decir
que la ecuación (3.2) es la ecuación fundamental del análisis de fiabilidad. En general la
obtención de la función de probabilidad conjunta de varias variables aleatorias es
prácticamente imposible de obtener[H1].
En el caso particular de que la resistencia R y la carga S puedan considerarse

normalmente distribuidas y su índice de correlación sea nulo, se puede inferir que la
función de estado límite g(X) también está normalmente distribuida ya que es función
lineal de R y S. Por tanto la probabilidad de fallo se puede obtener como
0 0 1  1 g 
2

Pf   f g ( g ) dg   exp    g
  dg (3.3)
 
g 2  2   g  
 
donde fg , μg y σg son la función de densidad de probabilidad, la media y la desviación

típica de la función g, respectivamente.
59
Aplicando el conocido cambio de variable que transforma una distribución

normal N(μ,σ) en la distribución normal estandar N(0,1)
g  g
u (3.4)
g
la expresión (3.3) queda expresada como
g g
 1  1 2    
Pf   g
exp   u  du    (u )du     g
g
 (3.5)

2  2    
 g 
donde  y Φ son la función de densidad normal estándar y función de distribución

normal estándar, respectivamente. La probabilidad de fallo se puede obtener por tanto
particularizando la función de distribución estándar en el valor definido por el cociente
entre la media y desviación típica de la función de estado límite. A este cociente se le
denomina índice de seguridad o índice de fiabilidad[C1] y se suele designar mediante la
letra griega β.
β=μg/σg (3.6)
En consecuencia, la probabilidad de fallo asociada a la función de estado límite

g(X)=0 se puede expresar como
Pf      (3.7)
El índice de seguridad β se puede entender como la distancia que existe desde el

valor medio del margen de seguridad μg a la función de estado límite g(X)=0. Esta
distancia se mide en unidades de desviación típica. Un índice de seguridad alto indica
que la distancia desde el punto de diseño medio hasta la superficie de fallo es alta y por
tanto la probabilidad de fallo será baja. En la Figura 3.2 se puede observar la
interpretación gráfica del índice de seguridad.
60
fg(g)
g=0
Región
de fallo
βσg
Pf
μg g
μX
g(X) = 0
Región de
β
seguridad
g(X) > 0
Región de fallo
g(X) < 0
Figura 3.2. Interpretaciones gráficas del índice de seguridad β.
En el caso de que la función de estado límite g(X) no sea lineal, la obtención del
primer y segundo momento de dicha función no resulta sencilla. Los métodos de Nivel
2 tratan de aproximar el cálculo de la expresión (3.2) mediante el empleo de los dos
primeros momentos de las distribuciones de las variables aleatorias que intervienen y
mediante la aproximación lineal o de orden superior de la función de estado límite. En
el siguiente apartado se hace una breve descripción de los métodos existentes para
obtener la fiabilidad estructural de este modo.
61
No obstante, cabe destacar la existencia de otro gran número de métodos

denominados métodos de muestreo. Estos métodos consisten en obtener la respuesta
estructural para un gran número de valores de las variables aleatorias y establecer una
probabilidad de fallo en función de los resultados obtenidos. El más conocido es el
Método de Montecarlo, de muy sencilla aplicación pero de un alto coste computacional.
Sin embargo, se han desarrollado numerosos métodos de muestreo que reducen
significativamente el número de evaluaciones del sistema y su aplicación proporciona
buenos resultados[D1].
3.2.1 Método lineal basado en los momentos de segundo orden

(FOSM)
El método FOSM (First-Order Second-Moment Method) o también denominado

método MVFOSM (Mean Value First-Order Second-Moment Method) se basa en
simplificar la función estado límite g(X), representando la misma mediante una
aproximación lineal y así poder obtener de forma sencilla una aproximación de los dos
momentos estadísticos de dicha función. La formulación original de este método se
debe a Cornell[C1] y fue desarrollada originalmente para dos variables aleatorias.
La idea consiste en aproximar la función g(X) mediante un desarrollo de Taylor

de primer orden en el entorno del valor medio de las variables aleatorias, de ahí el
nombre de MVFOSM. Si se considera que las variables aleatorias X son
estadísticamente independientes, la función de estado límite se puede aproximar como:
g ( X )  g ( μ X )   g ( μ X ) T ( X  μ x ) (3.8)
El valor medio de la aproximación lineal de g(X), es decir de g ( X ) , se puede

escribir como
 g  E[ g (μ X )]  E[ g (μ X )]  E g (μ X )T  ( X  μ X )   g (μ X ) (3.9)
62
mientras que la desviación típica de la función aproximada en la expresión (3.8) se

puede escribir mediante la expresión[C2]
1
 n  g (μ )  2 2
 g     X
  xi 
2
(3.10)
 i 1  xi  
De acuerdo con lo comentado en el apartado anterior, el índice de fiabilidad

queda expresado como
 g g (μ X )
  (3.11)
 g 1
 n  g (μ )  2
 2
  X

 xi 
2
 i 1  xi  
El empleo del índice de seguridad β proporciona la probabilidad exacta de fallo

cuando todas las variables aleatorias están distribuidas normalmente, son
estadísticamente independientes y la función de estado límite es una función lineal de
dichas variables. En otros casos no se puede obtener directamente la probabilidad de
fallo pero el valor de β da una idea estimativa del nivel de seguridad que tiene el diseño.
Este método tiene la ventaja de que se puede obtener fácilmente y de forma

explícita el índice de seguridad de un diseño conociendo los dos primeros momentos de
la función de estado límite. Sin embargo, este método de obtención de la fiabilidad tiene
dos inconvenientes claros. En primer lugar, la aproximación lineal de la función g(X) en
el entorno del valor medio resulta poco precisa para funciones altamente no lineales o
para valores altos de los coeficientes de variación. Además el método proporciona
diferentes resultados de la fiabilidad para formulaciones totalmente equivalentes de la
función de estado límite. Es decir, en función de cómo esté expresada matemáticamente
la función g(X) el resultado puede variar. Este hecho se produce no solo para
expresiones no lineales de g(X) sino también para determinadas formas lineales. En la
bibliografía existen numerosos ejemplos donde se verifica este comportamiento [C2]. La
63
búsqueda de un valor invariante de la fiabilidad estructural ha llevado a desaconsejar

este método.
3.2.2 Transformación de Hasofer-Lind. Índice de seguridad de

Hasofer – Lind (FORM)
En el año 1974 Hasofer y Lind[H2] propusieron un método para obtener la

fiabilidad estructural que elimina el último de los inconvenientes mencionados
anteriormente, es decir, la falta de invariancia en la medida de la fiabilidad β. Este
método fue desarrollado para el caso de variables aleatorias independientes y
normalmente distribuidas.
El primer paso es transformar las variables aleatorias en su forma estandarizada

N(0,1). Para ello se emplea la conocida transformación
xi   xi
ui  ; i  1,..., n
x
i
(3.12)
donde ui son las variables aleatorias normalizadas. La función de estado límite queda
expresada en el nuevo espacio de las variables normalizadas U como g(U)=0.
De forma análoga al concepto de fiabilidad representado en la Figura 3.2,

Hasofer y Lind definen el índice de fiabilidad β como la distancia desde el origen de
coordenadas en este nuevo espacio U hasta la superficie de fallo g(U)=0.
Matemáticamente el índice de fiabilidad se puede expresar de la siguiente forma:
  min UT  U
sujeto a (3.13)
g (U )  0
64
Si se considera el caso particular donde solo hay dos variables aleatorias

X=(x1,x2) se puede interpretar fácilmente de forma gráfica el valor del índice de
seguridad β tal y como se muestra en la Figura 3.3.
Figura 3.3. Transformación de Hasofer-Lind.
Al punto que verifica la expresión (3.13), y que en la Figura 3.3 aparece

representado como U*, se le denomina punto de mayor probabilidad de fallo. Es decir,
es el valor más probable de las variables aleatorias con las que se puede producir la
superación del estado límite. El valor de la seguridad estructural vendrá dado por la
distancia desde el origen de coordenadas del nuevo sistema U al punto de fallo más
probable U*. Un valor grande de esta distancia significará que el diseño correspondiente
al valor medio de las variables aleatorias X estará lejos de superar el estado límite, es
decir, tendrá un valor elevado de la fiabilidad.
El valor de β que se obtiene con esta formulación se le denomina índice de

seguridad de Hasofer y Lind, βHL, y permite obtener una aproximación de primer orden
de la probabilidad de fallo como:
Pf  (HL ) (3.14)
65
El valor de βHL coincide con el que se obtiene aplicando la expresión (3.11)

cuando la función de estado límite es lineal, no siendo así en el resto de casos.
Cuando la expresión de la superficie de estado límite es lineal, es decir, es un

hiperplano, la obtención de β se puede obtener empleando las ecuaciones que
proporciona el álgebra lineal. Sin embargo, cuando esta superficie no es lineal el cálculo
de dicha distancia se convierte un problema de optimización, cuya definición aparecía
en la expresión (3.13).
3.2.3 Obtención del índice de fiabilidad como un problema de

optimización
El problema de optimización (3.13) consiste en la minimización de una función

sujeta a una restricción de igualdad. La solución a dicho problema proporciona el punto
de diseño con mayor probabilidad de fallo U* y además el valor de la fiabilidad β.
Son muy numerosos y ampliamente conocidos los métodos para resolver este
tipo de problemas de optimización condicionada[V1] [H3]
. En este caso se empleará el
método de los multiplicadores de Lagrange para resolver el problema, transformando el
problema inicial con restricciones en uno sin ellas pero añadiendo una nueva variable
adicional que es el multiplicador de Lagrange. Así el problema (3.13) se convierte en el
siguiente:
n
min £  u
i 1
2
i   g (U); i  1,..., n (3.15)
Si la función Lagrangiana tiene un extremo relativo deberá cumplir
£ ui g
  0 (3.16a)
ui n ui
u
i 1
2
i
66
£
 g (U)  0 (3.16b)

Si se aproxima linealmente la función de estado límite en el entorno de U*

mediante un desarrollo en serie de Taylor de primer orden se obtiene
n
g
g ( U )  g ( U * )   (ui  ui* ) (3.17)
i 1  ui U *
De la ecuación (3.16a) se puede despejar el multiplicador de Lagrange
1
 (3.18)
2
n  g 
  u 
i 1  i U* 
Finalmente combinando las expresiones (3.16a) y (3.17) se puede despejar el

valor de β como
n  n
g 
  ui
2
   

g ( U *
)  
i 1 ui
 ui* 

(3.19)
i 1  U* 
Puesto que el punto de mayor probabilidad de fallo U* no es conocido, no se

puede obtener directamente la solución correcta del valor de fiabilidad. La forma de
obtener el valor de β es mediante un proceso iterativo partiendo de un valor inicial del
valor U*. Dicho proceso iterativo es el siguiente:
1. Se parte de un valor supuesto del punto de mayor probabilidad de fallo.

Generalmente se parte del diseño correspondiente al valor medio de las
variables aleatorias xi,1=μxi.
2. Se realiza la transformación definida en (3.12).
67
3. Se aproxima linealmente la función de estado límite en el entorno del punto

de diseño Xk o también Uk. Para ello es necesario obtener los gradientes de
la función g en dicho punto.
4. Se obtiene β empleando la expresión (3.19). Geométricamente este valor es
la distancia desde el punto inicial μX al hiperplano que aproxima la función
g. La intersección de este hiperplano y el vector normal al mismo que pasa
por Uk proporcionará el nuevo punto de diseño Uk+1. Matemáticamente este
valor se puede obtener empleando la expresión (3.16a) que se puede escribir
como:
g
ui,k 1    (3.20)
ui Uk
5. Se calcula el valor de Xk+1 empleando la expresión (3.12).

6. Se repiten los pasos 2 a 4 hasta convergencia.
El último valor de Xk es el valor buscado X*, es decir, el valor de mayor

probabilidad de fallo y la convergencia del método se alcanza cuando el valor de β se
estabiliza y la evaluación de g(X) proporciona un valor nulo o un valor suficientemente
cercano a cero en función del error que se permita al algoritmo. En la Figura 3.4 se
muestra el diagrama de flujo correspondiente a este método iterativo.
68
Figura 3.4. Diagrama de flujo del algoritmo FORM.
A continuación se muestra un ejemplo numérico del funcionamiento del

algoritmo. Se trata de un problema de 2 variables X=(x1,x2) donde el valor medio de
dichas variables es μX=(3,2) y su desviación típica σX=(0.5,0.5). Se considera que el
diseño correspondiente a estas dos variables es seguro siempre que se cumpla la
inecuación g ( X )  x1 x2  1  0 . El objetivo del problema es evaluar la fiabilidad
estructural β del diseño.
69
Si se procede con el proceso iterativo se empezaría por considerar como punto

de mayor probabilidad de fallo, el correspondiente al valor medio de las variables, es
decir, U*= U0 = (0,0). Se obtienen los gradientes de la función estado límite que en este
caso son:
g ( U )
 (u2* x2   x2 ) x1  1.0 (3.21a)
u1 U*
g ( U )
 (u1* x1   x1 ) x2  1.5 (3.21b)
u 2 U *
Una vez evaluados los gradientes se obtiene el primer valor de β que en este caso
ha sido β1 =2.774. Este sería el valor que se obtendría con el método FOSM. El
siguiente paso en el proceso iterativo es obtener el nuevo punto de diseño U1 que se
calcula mediante la expresión (3.20), obteniendo el valor U1=(-1.5385,-2.3077). Con
este nuevo valor se puede volver a obtener los gradientes de la función g(U) y un nuevo
valor de β hasta convergencia. En la siguiente tabla se muestran los resultados obtenidos
en cada iteración.
Iteración 1 2 3 4 5 6 7
g(X) 5.00 0.888 -0.0723 -8.92E-03 -1.55E-04 -3.74E-06 -8.24E-08
∂g/∂u1 1.0000 0.4231 0.1942 0.1813 0.1797 0.1793 0.1793
∂g/∂u2 1.5000 1.1154 1.1943 1.3669 1.3912 1.3940 1.3944
β 2.7735 3.4473 3.3179 3.3100 3.3099 3.3099 3.3099
u1,k -1.5385 -1.2226 -0.5325 -0.4352 -0.4240 -0.4223 -0.4221
u2,k -2.3077 -3.2233 -3.2749 -3.2813 -3.2826 -3.2829 -3.2829
x1,k 2.2308 2.3887 2.7338 2.7824 2.7880 2.7888 2.7890
x2,k 0.84615 0.38837 0.36253 0.35934 0.35868 0.35857 0.35856
Tabla 3.1. Evolución de resultados del algoritmo FORM.
Como se puede observar en la Tabla 3.1 el algoritmo converge al cabo de 7

iteraciones donde el valor de β se estabiliza en β=3.3099. Además se puede observar
70
que en la última iteración el punto de diseño está en la función de estado límite pues su
valor prácticamente es nulo.
En la Figura 3.5 se puede observar gráficamente la evolución del algoritmo

durante las tres primeras iteraciones. En este caso se ha resuelto gráficamente dibujando
en cada iteración la aproximación lineal en el entorno de Xk y encontrando el nuevo
punto Xk+1 como la intersección de dicha aproximación con la recta perpendicular que
pasa por el punto correspondiente al valor medio de las variables. Para una mejor
claridad de la gráfica no ha parecido necesario dibujar las 7 iteraciones.
x2
g ( x1 , x2 )  x1 x2  1  0
g1 ( x1 , x2 )  2 x1  3 x2  7  0
g 2 ( x1 , x2 )  0.8462 x1  2.2308 x2  2.8877  0
g1 ( x1 , x2 ) g 3 ( x1 , x2 )  0.3884 x1  2.3887 x2  1.9277  0
(  x1 ,  x2 )
g 2 ( x1 , x2 )
1
g 3 ( x1 , x2 ) 3
2
X1*
X*2 X*3
x1
Figura 3.5. Resolución geométrica del algoritmo FORM.
Cabe la posibilidad de que la superficie de fallo contenga varios puntos

correspondientes a valores estacionarios de la función de fiabilidad. Por tanto, puede ser
necesario comenzar el proceso iterativo desde diferentes puntos para encontrar las
diferentes soluciones de βi si es que existen. Como valor de la fiabilidad estructural del
sistema se considerará el menor valor de todos los obtenidos.
71
Además se ha demostrado que dependiendo de la forma de la función de estado

límite el algoritmo puede presentar inestabilidades. Así lo verifica un ejemplo
presentado por Choi et al.[C2] donde la función de estado límite es cúbica. Se trata de
obtener el índice de fiabilidad β en un problema con dos variables aleatorias x1 y x2 con
distribución normal y cuya media y desviación típica son:
μ  (10,10)
(3.22)
σ  (5,5)
La función de estado límite es:
g(X)  x13  x23 18 (3.23)
La resolución de este problema mediante el algoritmo de Hasofer-Lind presenta

un buen comportamiento y la solución es β=2.24.
Sin embargo si el valor medio de las variables no es el indicado en (3.22) y se

modifica ligeramente una de las componentes de μ, por ejemplo
μ  (10, 9.9) (3.24)
la resolución del problema mediante este algoritmo se vuelve inestable. En la Tabla 3.2
se muestra la evolución de los valores obtenidos de la fiabilidad y de la evaluación de la
función de estado límite en cada iteración:
Iteración 1 2 3 …. 10 11 12
g(X) 1952.3 573.84 165.49 …. 544.94 588.79 715.55
β 0.9295 1.5387 1.9222 …. 1.2774 1.1733 1.1177
x1,k 10 6.6808 4.5323 …. 4.2496 8.2093 4.2598
x2,k 9.9 6.6468 4.4877 …. 7.8633 3.769 8.6901
Tabla 3.2. Evolución del algoritmo.
72
Los resultados de la tabla indican que el algoritmo no converge, puesto que

además de oscilar el valor de la fiabilidad β, la evaluación de la función de estado límite
en el punto más probable de fallo no tiende a cero. La convergencia del algoritmo se
alcanza cuando el valor de la fiabilidad es estable y se ha determinado cual es el punto
de máxima probabilidad de fallo, que deberá encontrarse, por definición, sobre la
superficie de estado límite.
La interpretación gráfica del algoritmo aplicado a este problema se puede ver en

la Figura 3.6:
g 2 g 5 g1
g 3
x2
5 1 μ
2
g 4 3
4
g(X)=0
x1
Figura 3.6. Resolución geométrica.
En la gráfica solo se han dibujado las 5 primeras iteraciones para una mayor
claridad de la misma. Se puede observar como en el paso de la iteración 4 a la iteración
5 el valor de la fiabilidad decrece mientras que en iteraciones anteriores el valor de β era
73
creciente. Esto se debe a que la aproximación lineal cambia drásticamente, pasando de

g 4 a g5 , dando lugar a oscilaciones en la solución, como se comprueba en la resolución
numérica de este ejemplo.
Uno de los objetivos de este capítulo ha sido estabilizar el funcionamiento de

este algoritmo para este tipo de situaciones. La forma inicial de estabilización ha sido la
reducción en el paso que se va a dar entre el valor de Xk y Xk+1. En este caso ha sido
eficaz permitir únicamente avances de un tercio de lo que pretende avanzar el algoritmo,
llegando a una solución convergente y correcta.
En la Tabla 3.3 se muestra la evolución del algoritmo con esta modificación:
Iteración 1 2 3 …. 28 29 30
g(X) 1952.3 1370.6 961.97 …. 0.0698 0.0466 0.0311
β 0.9295 1.1338 1.3141 …. 2.226 2.226 2.226
x1,k 10 8.8936 7.9144 …. 2.0886 2.0877 2.0871
x2,k 9.9 6.6468 4.4877 …. 2.0769 2.076 2.0754
Tabla 3.3. Evolución del algoritmo.
Se puede observar que el algoritmo ahora es estable y la función de estado límite

tiende a cero, por tanto se ha encontrado la solución que resulta β=2.226. Esta y otras
variantes de estrategias para estabilizar algoritmos fue propuesta Griffith y Stewart[G1]
para resolución de problemas de optimización mediante secuencia de programas
lineales. Este método consiste modificar el paso en cada iteración con el fin de mejorar
la convergencia, tal y como explica Hernandez[H3]. De forma que si el valor analizado
varía dos veces en el mismo sentido se puede aumentar el paso, mientras que se puede
reducir si ocurre el caso contrario. Este tipo de métodos se denominan de límite móvil y
han dado buenos resultados en resolución de problemas de optimización. La diferencia
con la disminución del paso de forma constante, es que no se necesita estimar a priori
cual tiene que ser la reducción del paso para que el algoritmo converja.
74
3.2.4 Método de Hasofer Lind – Rackwitz Fiessler
El método de Hasofer y Lind asume que las variables aleatorias están

normalmente distribuidas. En muchas ocasiones las variables aleatorias implicadas en
un diseño no siguen una distribución normal y es necesario poder estimar la fiabilidad
del mismo. Una forma de abordar este problema es transformar las funciones de
probabilidad en otras normales equivalentes.
Un método empleado en el campo de la fiabilidad es el propuesto por Rackwitz

y Fiessler[R1] en el que estiman la media y desviación típica de la distribución normal
equivalente. Esta estimación se hace imponiendo que la función de distribución y la
función de densidad de las variables aleatorias con distribución no normal deben ser
iguales en el punto X* a las equivalentes normales. Si se considera que xi´ es una
variable aleatoria equivalente normal se debe cumplir que:
 xi*   x 'i 
Fxi ( x )  Fx 'i ( x )   
* *
 (3.25)
i
  x'
i

 i 
por tanto se puede obtener la media de la variable normal equivalente como
x '  xi*  1[ Fx ( xi* )] x '

i i i
(3.26)
Además se impone que las funciones de densidad de probabilidad en dicho

punto deben de ser iguales:
1  xi*   x 'i 
f xi ( xi* )    (3.27)
 x'   x' 
i  i 
Introduciendo el valor de  x 'i obtenido en (3.26) en la expresión (3.27) se llega a
 (1[Fx ( xi* )])

 x'  i
(3.28)
i
f xi ( xi* )
75
De esta manera se ha llegado de forma sencilla a una expresión de la media y

desviación típica que definen la distribución normal equivalente a otra cuya distribución
no es normal. En la Figura 3.7 se puede ver un ejemplo de aproximación de una función
de densidad correspondiente a una variable aleatoria x tipo Gumbel y su correspondiente
aproximación normal x’ mediante este método.
0.12
μx=28.53 μx’=27.68
0.1
σx=4.73 σx’=4.54
0.08
0.06
0.04
0.02
0
0 20 40 60 80 100
‐0.02
Normal Gumbel
Figura 3.7. Ejemplo de equivalencia entre una función densidad de probabilidad

normal y una tipo Gumbel.
El proceso iterativo de Hasofer Lind se ve alterado cuando las variables

aleatorias que intervienen no son de distribución normal. La diferencia está en que es
necesario realizar un paso previo antes de obtener el nuevo diseño Xk+1, paso 4 del
algoritmo descrito anteriormente, que consiste en obtener los valores de media y
desviación típica de las variables normales equivalentes. A este método modificado se
le denomina método de Hasofer Lind – Rackwitz Fiessler.
3.3 CÁLCULO DETERMINISTA DE LA VELOCIDAD

CRÍTICA DE FLAMEO
El creciente incremento en la longitud de vano de los grandes puentes ha hecho

que estas estructuras sean cada vez más sensibles a las acciones del viento. Esto se debe
76
al aumento de flexibilidad que experimenta la estructura al incrementar su longitud de

vano. La acción del viento provoca así movimientos importantes en la estructura que a
su vez modifican el flujo de aire alrededor de la misma. Esta relación de dependencia
entre las deformaciones de una estructura y las fuerzas que actúan en ella es un caso de
interacción fluido-estructura, de cuyo estudio se encarga la aeroelasticidad.
La aeroelasticidad surge inicialmente en el seno de la ingeniería aeronáutica y

más tarde se extiende al campo de la ingeniería civil. Adquirió importancia en la
ingeniería de puentes a raíz del bien conocido colapso del puente de Tacoma, en 1940,
un puente diseñado con las mejores técnicas y métodos de cálculo de su época que, tras
cuatro meses de servicio, colapsó por efecto de un viento de solo 64 km/h (Washington
State Department of Transportation[W1]). En un artículo de Yusuf & Scanlan[Y1] se
explica que el colapso de la estructura fue consecuencia del fenómeno aeroelástico del
flameo o flutter en la terminología inglesa y no fue un caso de resonancia como
explican erróneamente algunos libros de física.
La inestabilidad aeroelástica de flameo, se debe a que las fuerzas del viento

cambian debido a los movimientos que se producen en la estructura y modifican su
rigidez y amortiguamiento. La inestabilidad de flameo se alcanza cuando el
amortiguamiento alcanza un valor negativo, de forma que un pequeño movimiento
oscilatorio se amplifica hasta que se produce el colapso de la estructura. Este fenómeno
se produce para una determinada velocidad de viento que se denomina velocidad crítica
de flameo.
La determinación de este valor se puede realizar mediante tres tipos de métodos,

explicados ampliamente por Jurado[J1], Mosquera[M2], Nieto[N1], y León[L1] que son:
1. Métodos experimentales: los resultados se obtienen de forma exclusivamente

experimental empleando grandes túneles de viento de capa límite en los que se
ensayan modelos reducidos de puente completo. En la figura adjunta se muestra un
ejemplo de estas instalaciones y un modelo reducido de puente colgante.
77
Figura 3.8. Ejemplo de túnel de viento de capa límite (izq.) y modelo completo del
puente sobre el estrecho de Akashi. PWRI[P1].
2. Métodos híbridos: constan de una etapa experimental en túneles de viento más

pequeños (túneles de viento aerodinámicos), donde se ensaya un segmento a escala
del tablero del puente. A continuación le sigue una etapa en la que se emplean los
resultados experimentales obtenidos en la fase anterior y modelos de elementos
finitos del puente completo para determinar computacionalmente la velocidad crítica
de flameo. En la figura adjunta se muestra un ejemplo de esta instalación y un
segmento a escala del tablero del puente de Akashi.
Figura 3.9. Túnel de viento de la ETSI de Caminos Canales y Puertos de La

Coruña y modelo a escala del tablero del puente sobre el estrecho de Akashi.
3. Modelos computacionales: en esencia se busca reproducir, empleando los principios

de la mecánica de fluidos computacional (CFD), los ensayos que se llevan a cabo en
túnel de viento en el método híbrido. Así el proceso de obtención de la velocidad de
78
flameo pasa a ser puramente computacional. En la literatura científica se han

publicado recientemente trabajos de investigación en los que se aplica esta
metodología para obtener la velocidad de flameo en puentes de gran vano[H7][S1]. Si
bien es cierto que los resultados obtenidos son prometedores, su fiabilidad no es
comparable con la que ofrecen los otros dos métodos y los ejemplos de aplicación se
han limitado a modelos sencillos, generalmente bidimensionales.
Figura 3.10. Modelo computacional del puente Stonecutters.
3.3.1 Método híbrido para la obtención de la velocidad crítica de

flameo
Los métodos híbridos de aeroelasticidad en puentes se distinguen por emplear el

cálculo computacional para la simulación de la respuesta estructural, y los ensayos en
túnel de viento para la definición de las cargas de viento por unidad de longitud sobre el
tablero.
En primer lugar, en el túnel de viento se ensaya un modelo seccional del tablero

obteniéndose los coeficientes aerodinámicos con los que se modela la carga estática, y
las funciones de flameo, que definen las fuerzas aeroelásticas. Estos métodos de cálculo
presentan importantes ventajas sobre el ensayo de modelos completos en un túnel de
viento de capa límite. En primer lugar, no dependen de la longitud del puente y no
necesitan instalaciones tan grandes y costosas. Permiten también la modificación
sencilla de parámetros estructurales durante la fase computacional. Por ejemplo se
79
puede modificar la disposición transversal de los cables en el modelo de elementos

finitos (Jurado et al.[J2], Hernández et al.[H4]). Incluso es posible la optimización de las
propiedades mecánicas de la estructura (Nieto[N2], Hernández et al.[H5]).
Sin embargo, el ensayo proporciona información menos abundante que los

ensayos de modelos completos en túneles de viento de capa límite y no es posible
visualizar la evolución de los movimientos del puente completo. El grupo de Mecánica
de Estructuras de la Universidad de la Coruña, salva esta última desventaja empleando
visualización avanzada por computador (Figura 3.11) para representar los movimientos
en el tiempo con datos precisos y alta calidad gráfica, consiguiéndose de esta forma
aunar las ventajas de los métodos experimentales y computacionales (Hernández y
Jurado[H6]).
Figura 3.11. Visualización de la respuesta aeroelástica del puente sobre el estrecho

de Messina.
Etapa experimental
Esta primera etapa se lleva a cabo en un túnel de viento y sirve para determinar
las fuerzas aeroelásticas fa por unidad de longitud de tablero. Dichas fuerzas son las que
ejerce el viento sobre el tablero y se descomponen en tres acciones por unidad de
longitud, que son:
80
 Una fuerza de arrastre, “drag”, que produce una flexión lateral del tablero.
La notación utilizada para esta fuerza será Da como se muestra en la Figura
3.12.
 Una fuerza de elevación, “lift”, que produce una flexión vertical del tablero.
La notación utilizada para esta fuerza será La como se muestra en la Figura
3.12.
 Un momento, “moment”, alrededor del eje longitudinal del tablero que
produce movimientos de tipo torsional a lo largo del mismo. La notación
utilizada para este momento será Ma, como se muestra en la Figura 3.12.
Con esta notación las expresiones de las fuerzas aeroelásticas por unidad de
longitud, resultan
1   B  w w
Da  V 2 B  KP1*  KP2* x  K 2 P3* x  K 2 P4*  KP5*  K 2 P6* 
2  V V B V B
1  w B x w  
La  V 2 B  KH1*  KH 2*  K 2 H 3* x  K 2 H 4*  KH 5*  K 2 H 6*  (3.29)
2  V V B V B
1  w B x w  
M a  V 2 B 2  KA1*  KA2*  K 2 A3* x  K 2 A4*  KA5*  K 2 A6* 
2  V V B V B
donde V es la velocidad media del viento, B el ancho de la sección, ρ es la densidad del

aire, K = ωB/V es la frecuencia reducida, con ω=2πf y la frecuencia en rad/s. Los
valores ܲ௜‫ כ‬, ‫ܪ‬௜‫ כ‬y ‫כܣ‬௜ , con i = 1…6, son las funciones de flameo o flutter derivatives en la
terminología inglesa, que varían con la velocidad reducida.
81
Figura 3.12. Criterio de signos de las fuerzas aeroelásticas y de los movimientos[L1].
El proceso de obtención de las funciones de flameo se encuentra ampliamente

explicado en la tesis desarrollada por A. León[L1]. A grandes rasgos los pasos a seguir
son los siguientes:
a. En primer lugar se abren las paredes del túnel y se introduce el modelo. Se

colocan los muelles verticales y horizontales y estos a su vez se conectan con
las células de carga.
b. Se miden las fuerzas que ejerce sobre las células de carga cuando se
encuentra en la posición de equilibrio.
c. Se separa el modelo de su posición de equilibrio estático sujetándolo con los
vástagos de los actuadores neumáticos (Figura 3.13).
d. Comienza la captura de datos e inmediatamente se libera la maqueta
apagando la electroválvula para que se retraigan los vástagos de los
actuadores neumáticos, el modelo oscila libremente (Figura 3.13) y el
programa de control registra los movimientos del mismo a través de la señal
adquirida por las células de carga.
e. Con los movimientos registrados durante el ensayo se obtienen las matrices
de rigidez y amortiguamiento.
82
Figura 3.13. Ensayo aeroelástico del modelo del tablero correspondiente al puente sobre el
estrecho de Messina[L1].
Para obtener las funciones de flameo y con el fin de reducir la incertidumbre,

este proceso se ejecuta varias veces sin viento y a posteriormente, con velocidades de
viento crecientes como se indica en León[L1]. En la Figura 3.14 se muestra un ejemplo
de una función de flameo obtenida mediante este procedimiento, para 3 ángulos de
ataque diferentes.
Figura 3.14. Función de flameo obtenida en túnel de viento[L1].
83
En el eje de ordenadas se representa el valor de la función de flameo obtenida

mediante lectura y tratamiento de los datos obtenidos en el túnel de viento y en el eje de
abscisas la velocidad reducida (V*) para la que se ha realizado el ensayo. Cada uno de
los puntos que se muestran en la Figura 3.14 es el resultado de promediar los valores
obtenidos en todos los ensayos bajo las mismas condiciones. Ello pone de manifiesto la
incertidumbre inherente a un ensayo tan delicado como el descrito. Recientes estudios
han demostrado que incluso un mismo prototipo ensayado en diferentes túneles de
viento proporciona resultados con cierta dispersión [S2].
Etapa computacional
El análisis aeroelástico de un tablero de un puente es un análisis dinámico en el

que las fuerzas actuantes son dependientes de sus movimientos dentro del flujo de
viento. Los modelos de cálculo habitualmente utilizados en este tipo de estructuras,
tanto puentes atirantados como puentes colgantes, son modelos estructurales
tridimensionales de elementos barra, como el que se muestra en la Figura 3.15. Cabe
destacar que en estos modelos el tablero se modela mediante elementos barra
tridimensional a flexión, por lo que los nudos poseen 6 grados de libertad y las barras 6
esfuerzos internos. Este tipo de modelo estructural puede ser hallado en multitud de
trabajos. Algunos ejemplos son los realizados por Larsen[L2], Cobo[C3], Namini y
Aldbrecht[N3], Astiz[A1] , Jurado y Hernández[J3], Semiào y Mendes[S3] o Miyata et al.[M3].
Figura 3.15. Modelo estructural tridimensional de un puente colgante.
84
El sistema de ecuaciones que gobierna el comportamiento dinámico de un

tablero sometido a unas fuerzas de origen aeroelástico fa es
 + Cu + Ku = f a
Mu (3.30)
siendo M, C y K las matrices de masa, amortiguamiento y rigidez del tablero. Los

movimientos de un nudo cualquiera del tablero u, estarán definidos mediante el vector
u   u , v , w,  x ,  y ,  z 
T
(3.31)
cuyas componentes representan los tres desplazamientos y tres giros de cada uno de los
nudos de la barra.
Volviendo a las expresiones de las fuerzas aeroelásticas (3.29), éstas se pueden

escribir en forma matricial como
f a  K a u  C a u (3.32)
en donde se pueden identificar las matrices aeroelásticas de amortiguamiento Ca y de

rigidez Ka, que se obtienen de forma experimental en el túnel de viento.
Una vez obtenidas las matrices aeroelásticas del tablero completo Ka y Ca, se formula el
sistema de ecuaciones que gobierna el fenómeno del flameo a partir de la expresión
(3.30) como
 + Cu + Ku = f a  K a u  C a u
Mu (3.33a)
o también
 + (C  C a )u + (K  K a )u = 0
Mu (3.33b)
85
que representa el movimiento de un sistema amortiguado en vibración libre, en el que

las matrices de rigidez y amortiguamiento han sido modificadas por las fuerzas
aeroelásticas inducidas por el viento.
Para resolver el sistema de ecuaciones obteniendo los movimientos y la

velocidad crítica de viento a partir de la cual se produce la inestabilidad por flameo, se
utiliza el análisis modal. La solución del problema anterior puede ser aproximada como
una combinación lineal de los m modos más significativos. El desarrollo de esta
formulación lleva a tener que resolver finalmente el siguiente problema de
autovalores[J1]
 A   I  w  e t  0 (3.34)
donde en la formación de la matriz A, que no es simétrica, intervienen las matrices K,

Ka, C y Ca.
La resolución del problema de valores propios  A  I  w   0 se puede realizar
de forma iterativa como se explica en Jurado[J1] obteniendo así las m parejas de valores
propios complejos conjugados  j   j  i j correspondientes a cada uno de los modos
de vibración considerados. Se alcanza la velocidad crítica de flameo cuando para

velocidades crecientes de viento alguno de los autovalores μj presenta un
amortiguamiento nulo por vez primera, lo que es síntoma del umbral de la inestabilidad.
El procedimiento para la obtención de la velocidad crítica de flameo es suponer

una velocidad de viento inicial V, suficientemente baja, que no produzca inestabilidad
de flameo en la estructura, y obtener el amortiguamiento asociado a cada autovalor.
Para ello habrá que resolver el problema (3.34). Si todos son positivos, se procede a
aumentar la velocidad de viento como V+∆V y se obtienen de nuevo a los valores μj. El
proceso iterativo se termina cuando se alcanza Vf, situación en la que aparece el primer
autovalor que presenta amortiguamiento nulo. En la siguiente figura se puede ver el
diagrama de flujo correspondiente a dicho proceso iterativo:
86
Figura 3.16. Diagrama de flujo para la obtención de la velocidad crítica de flameo[J1].
3.4 FIABILIDAD ESTRUCTURAL EN EL FENÓMENO DE

FLAMEO DE PUENTES
En el diseño de puentes de gran vano, como se ha visto, uno de los estados límite
más peligrosos es la inestabilidad de flameo, pudiendo dar lugar al colapso total del
puente. Por tanto, para estas estructuras es necesaria la realización de un estudio
exhaustivo para verificar este estado límite.
Generalmente, la condición de estado límite consiste en imponer que la

velocidad crítica de flameo sea mayor que un determinado valor límite de velocidad de
viento. Se fija un valor máximo de la velocidad de viento para el cual el puente no
deberá presentar inestabilidad de flameo. Este valor suele ser muy elevado, en torno a
87
250 km/h, para de esta forma tener una seguridad estructural alta. La función de estado
límite se puede escribir como
g  Vf  Vmáx (3.35)
donde Vf es la velocidad de flameo de la estructura y Vmáx es la velocidad máxima de

viento fijada por el proyecto. Valores negativos de la expresión anterior corresponden a
la región de fallo, mientras que valores positivos pertenecen a la región segura.
Dependiendo de la importancia del proyecto, es habitual un tratamiento

semiprobabilista de la acción del viento, de forma que el valor de Vmáx se suele fijar de
acuerdo a un período de retorno establecido en el proyecto. De forma similar al caso
anterior la función de estado límite quedaría expresada como
g  Vf VT (3.36)
donde Vf y VT son la velocidad de flameo de la estructura y la velocidad de viento

asociada a un período de retorno T, respectivamente.
En estos casos el valor de VT no se toma a partir de normativas de la zona o de

estudios generales de viento de una región, sino que se realiza un estudio minucioso del
viento de la zona del emplazamiento del puente.
Así por ejemplo en el caso del puente proyectado sobre el estrecho de Messina
se tomaron datos de cuatro estaciones meteorológicas cercanas, donde cada una de ellas
contaba con diversos anemómetros. Luego se emplearon los datos registrados para
extrapolarlos al lugar de emplazamiento del puente. Tras el minucioso estudio llevado a
cabo por el departamento de ingeniería estructural de la Universidad de Génova[D2], se
obtuvo gran cantidad de información, que permitió caracterizar el régimen de viento en
dicha zona. Estos datos no solo han servido para el análisis de la inestabilidad de
flameo, sino también para el estudio de otro tipo de inestabilidades y análisis con flujo
turbulento. Para el caso del estudio de la velocidad de flameo, la información requerida
88
son los registros de vientos máximos que se dan en la zona. Con todos los datos
medidos en las estaciones meteorológicas se puede definir una función de densidad y de
distribución de probabilidad que ajuste lo mejor posible los datos medidos. Una vez
conocida la función de probabilidad de viento extremal se determina cual es la
velocidad límite VT correspondiente a un determinado período de retorno T. La
seguridad estructural en este caso viene dado por la probabilidad de fallo asociada a
dicho periodo de retorno.
Un planteamiento más general consiste en considerar la velocidad de viento

como una variable aleatoria denominada xV, pues generalmente se conoce su función de
probabilidad, como se ha comentado. La fiabilidad estructural se podría obtener de
cualquiera de las formas comentadas al principio del capítulo. Si se emplea el método
FORM, en este caso se tendría la solución en una sola iteración puesto que la función de
estado límite sería lineal, de la forma
g  Vf  xV (3.37)
En la expresión (3.37) el valor de Vf es tratado como un parámetro determinista,

es decir, dado un diseño de un puente, la velocidad de flameo es un valor fijo. No
obstante, en el apartado 3.3, donde se explicaban brevemente los métodos de obtención
de Vf, se ponía de manifiesto que el cálculo de dicho valor estaba sujeto a una serie de
incertidumbres de diversa índole. En concreto, para el caso del problema de obtención
de la velocidad crítica de flameo mediante la metodología híbrida se hacía hincapié en
la incertidumbre existente en la parte experimental, donde se obtienen las funciones de
flameo.
El planteamiento estadístico que se propone en este estudio es considerar la

velocidad de flameo Vf, como una función de varias variables aleatorias. Las variables
aleatorias consideradas son cada uno de los puntos correspondientes a los valores de la
velocidad reducida del viento que definen las gráficas de las funciones de flameo. Por
89
tanto, se está teniendo en cuenta la incertidumbre asociada a la parte experimental de la

metodología híbrida.
De este modo, si una de las funciones de flameo se ha definido mediante n

puntos en el ensayo experimental en el túnel de viento, se tendrán n variables aleatorias
relativas a dicha función de flameo.
De forma general la función de estado límite se puede expresar como:
g (X)  Vf ( xi )  xV i  1,..., n (3.38)
donde xi son cada uno de los puntos que definen las funciones de flameo, y que junto a
la velocidad de viento xV dan lugar a un problema de n+1 variables aleatorias.
La función de probabilidad para el caso de la variable aleatoria correspondiente

a la velocidad de viento xV se obtendrá de la caracterización extremal del viento en la
zona de ubicación de la estructura. Las funciones de probabilidad más habituales para
este tipo de variables aleatorias son la función de Gumbel, la función de Frechet y la
función de Weibull. Para las variables aleatorias correspondientes a cada uno de los
puntos que definen las funciones x1,…,xn de flameo se considera que están distribuidas
normalmente. El ajuste de los parámetros que definen la función de densidad de
probabilidad normal se realiza a partir de los resultados de los ensayos experimentales
realizados en el túnel de viento. Las funciones de probabilidad consideradas serán por
tanto de dos tipos:
xV → distribución tipo Gumbel, Frechet, Weibull, …
xi → distribución normal
Una vez definidas las variables aleatorias y la función de estado límite, la

fiabilidad estructural β se puede calcular empleando el método FORM anteriormente
explicado. Para ello se ha realizado un programa en MATLAB donde se ha
90
implementado el algoritmo FORM teniendo en cuenta que la variable aleatoria xV no

sigue una distribución normal. Para ello se obtienen las funciones de probabilidad
normales equivalentes de acuerdo a lo comentado en el apartado 3.2.4.
Tras la definición de las variables aleatorias y de acuerdo con el diagrama de

flujo presentado en la Figura 3.4 el siguiente paso del método iterativo es la obtención
del valor de la función g(X) y sus gradientes en cada una de las iteraciones. La
evaluación de la función g(X) requiere la obtención de la velocidad de flameo del
puente y para ello se hace uso del programa FLAS desarrollado en este grupo de
investigación por J.A. Jurado[J1]. Los datos de entrada para el código FLAS son
básicamente los siguientes:
- Número de modos de vibración considerados para el cálculo

- Fichero de entrada con las frecuencias y los modos de vibración
- Anchura del tablero
- Longitudes de los vanos laterales y del vano principal
- Amortiguamiento estructural
- Funciones de flameo
Los datos correspondientes a los modos y frecuencias de vibración se obtienen

mediante análisis computacional en un modelo de barras del puente a estudiar, como el
que aparece en la Figura 3.15. Las funciones de flameo como se ha comentado se
obtienen mediante ensayos experimentales, mientras que el resto de datos vienen dados
por las características geométricas y mecánicas del puente.
Dado que no se tiene una expresión analítica de las funciones de flameo se han
obtenido los gradientes de la función de estado límite con respecto a las variables xi
mediante diferencias finitas, mientras que la derivada respecto a la variable velocidad de
viento resulta inmediata. Para ello el programa realizado en MATLAB ejecuta el
programa FLAS el número necesario de veces para obtener los gradientes de g(X)
respecto a cada variable aleatoria.
91
A continuación se obtiene el valor de β en la iteración k y el valor de las

variables aleatorias (Xk+1) en el siguiente paso del proceso iterativo. Es en este punto
donde se ha introducido una modificación del algoritmo, reduciendo el cambio del valor
de las variables de forma que el siguiente punto de diseño se obtiene como
  X  X k 1  X k
X (3.39)
k 1 k
c
donde
X k : vector de variables aleatorias en la iteración k

X k 1 : vector de variables aleatorias para la iteración k+1
 : vector de variables aleatorias modificadas para la iteración k+1
Xk 1
c: coeficiente reductor
De forma inicial se tomará un valor de c=1, mientras que si se observan

inestabilidades en la convergencia del algoritmo se tomarán valores crecientes en
función de la evolución del algoritmo.
Una vez que el proceso iterativo ha convergido se obtiene la probabilidad de

fallo respecto a la función de estado límite (3.38), donde se habrán considerado como
variables aleatorias, tanto la velocidad de viento, como las función de flameo obtenidas
en túnel de viento.
3.5 EJEMPLO DE APLICACIÓN: PUENTE SOBRE EL

ESTRECHO DE MESSINA
El puente sobre el estrecho de Messina es uno de los más ambiciosos proyectos

de ingeniería que se pretende llevar a cabo. Se trata de un proyecto que ya ha terminado
su fase de redacción y ya se ha realizado el concurso de adjudicación de la obra, sin
embargo, debido a motivos políticos, todavía no ha comenzado su construcción. Se
convertiría en el puente con mayor luz del mundo con 3300 metros, superando en más
92
de un 65% el record mundial actual, ostentado por el puente sobre el estrecho de

Akashi, con 1991 metros, localizado en Japón.
Esta infraestructura conectará la isla de Sicilia con la península itálica, uniendo

en primera instancia la ciudad de Messina (Sicilia) con la ciudad de Villa San Giovanni
(Calabria), tal y como se puede observar en la Figura 3.17.
Figura 3.17. Localización geográfica del puente de Messina
La concepción de este proyecto tuvo lugar hace varias décadas, siendo en el año
1969 cuando se hace el primer concurso de ideas convocado por el gobierno italiano. Se
presentaron numerosas propuestas, de las cuales la opción presentada por el Gruppo
Ponte di Messina fue la que consolidaría más tarde y en el año 1992 se presentó el
primer diseño del puente. Posteriormente este diseño sufrió diversos cambios, muchos
de ellos encaminados a mejorar la seguridad estructural frente al viento, como la
introducción de barreras antiviento, entre otras medidas.
El proyecto de este puente es singular no solamente por la longitud de su vano

principal, sino también por el resto de sus dimensiones. La longitud total del puente
resulta de 3666 m de los cuales el 90% es la luz del vano principal, de forma que los
93
vanos laterales son muy cortos, siendo una característica inusual en este tipo de puentes.
En la Figura 3.18 se puede ver un plano con el alzado general del puente.
Figura 3.18. Alzado del puente sobre el estrecho de Messina[M4].
La sección transversal del tablero está formada por 3 cajones independientes que
se arriostran transversalmente cada 30 metros mediante una viga metálica de gran canto.
En el cajón central se dispone una plataforma de doble vía para el ferrocarril, mientras
que los cajones laterales se reservan para el tráfico rodado, considerando una plataforma
con 3 carriles por sentido. La anchura total del tablero es de 61 metros y sus
características geométricas se pueden ver en la Figura 3.19.
Figura 3.19. Sección transversal del tablero del puente sobre el estrecho de Messina[M4] y
visualización digital del tablero.
94
Figura 3.20. Alzado de la torre norte (Messina)[M4] y visualización digital de la parte

superior de la torre.
95
Las torres están formadas por dos mástiles arriostrados mediante cuatros vigas
transversales alcanzando una altura superior a los 380 m sobre el nivel del mar. En la
Figura 3.20 se presenta un alzado de las torres y en la Figura 3.21 una imagen virtual
del puente completo.
Figura 3.21. Imagen virtual del puente sobre el estrecho de Messina[M4].
3.5.1 Modelo estructural
Como ya se ha comentado en el apartado 3.3, la obtención de la velocidad de

flameo mediante la metodología híbrida conlleva la realización de una etapa
computacional. Para llevar a cabo esta etapa es necesario contar con un modelo de
elementos finitos que proporcione los modos y frecuencias de vibración de la estructura.
En este caso se ha empleado un modelo de elementos finitos realizado en ABAQUS[A2]
empleando elementos barra tridimensionales, como se observa en la Figura 3.22. El
modelo cuenta con 2917 elementos y 12508 grados de libertad.
Figura 3.22. Modelo de elementos finitos del puente sobre el estrecho de Messina.
96
Las características geométricas y mecánicas que definen el modelo son las que
se presentan en la Tabla 3.4.
Longitud total del tablero (m) 3666

Longitud del vano central (m) 3300
Longitud de los vanos laterales (m) 183
Distancia torre-anclaje lado Sicilia (m) 960
Distancia torre-anclaje lado Calabria (m) 810
2
Área cajón central (m ) 0.39
4
Momento de inercia a flexión vertical del cajón central Iy (m ) 0.301
Momento de inercia a flexión lateral del cajón central Iz (m4) 2.12
4
Momento de inercia a torsión del cajón central J (m ) 0.738
Masa por unidad de longitud del cajón central (T/m) 8.79
2
Momento de inercia polar por unidad de longitud del cajón central (Tm /m) 1112.93
Área cajones laterales (m2) 0.495
4
Momento de inercia a flexión vertical de los cajones laterales Iy (m ) 0.451
4
Momento de inercia a flexión lateral de los cajones laterales Iz (m ) 8.404
4
Momento de inercia a torsión de los cajones laterales J (m ) 1.039
Masa por unidad de longitud de los cajones laterales (T/m) 7.28
2
Momento de inercia polar por unidad de longitud de los cajones laterales (Tm /m) 590.34
Anchura entre cables (m) 52
Anchura total del tablero (m) 61.13
Tabla 3.4. Propiedades geométricas y mecánicas del puente de Messina.
Debido a la flexibilidad de la estructura la obtención de los modos de vibración

no se puede realizar en teoría lineal. Por tanto, en primer lugar ha sido necesario la
obtención de las tensiones iniciales en la catenaria y péndolas del puente para la
situación de peso propio. A continuación se obtiene la matriz de rigidez total mediante
análisis con no linealidad geométrica y con esta matriz de rigidez se obtienen los modos
y frecuencias de vibración de la estructura.
Una vez obtenidos los modos y frecuencias de vibración del puente, se

almacenan en un fichero de texto cuya información será utilizada por el programa FLAS
en las sucesivas iteraciones del algoritmo FORM. Cuando se ejecuta este programa, es
necesario indicar el número de modos de vibración que se van a tener en cuenta en el
cálculo. En primer lugar ha realizado el cálculo con los 50 primeros modos de vibración
97
del tablero obteniendo una velocidad de flameo de valor Vf=86.89 m/s. La salida de
resultados para este cálculo se muestra en la Figura 3.23.
Figura 3.23. Salida de resultados del programa FLAS para el puente de Messina
considerando 50 modos de vibración.
También se ha realizado el mismo cálculo considerando únicamente los 7

primeros modos más relevantes del tablero que son los que se muestran en la figura
adjunta:
98
Modo 1 Modo 2
Frec = 0.0309 Hz Frec = 0.0566 Hz
Modo 3 Modo 4
Frec = 0.0604 Hz Frec = 0.0818 Hz
Modo 5 Modo 6
Frec = 0.0828 Hz Frec = 0.0828 Hz
Modo 11
Frec = 0.1006 Hz
Figura 3.24. Primeros modos de vibración del puente sobre el estrecho de Messina.
El resultado obtenido teniendo en cuenta estos modos de vibración ha sido una

velocidad de flameo de valor Vf=87.49 m/s (Figura 3.25), que difiere únicamente en un
0.7% del resultado obtenido previamente. Este hecho supone una ventaja a la hora de
evaluar la fiabilidad estructural, puesto que la aplicación del algoritmo FORM requiere
realizar este cálculo un gran número de veces. En cada iteración es necesario evaluar
n+1 veces la velocidad de flameo, siendo n el número de variables aleatorias.
En consecuencia, para la determinación de la fiabilidad estructural se ha optado

por considerar los siete modos de vibración indicados anteriormente debido a la
99
pequeña diferencia existente entre los resultados obtenidos, consiguiendo así reducir el
coste computacional requerido.
Figura 3.25. Salida de resultados del programa FLAS para el puente de Messina
considerando 7 modos de vibración.
3.5.2 Definición de variables aleatorias y función de estado límite
3.5.2.1 Caracterización del viento extremal
A partir de los estudios realizados por el departamento de ingeniería de

estructuras de la Universidad de Génova[D2] se obtuvo la caracterización extremal de la
velocidad de viento en el lugar de emplazamiento del puente. En dicho estudio se
observa que la función de probabilidad tipo Gumbel aproxima bien los datos extremales
medidos en las estaciones meteorológicas y se proporciona el valor de los parámetros
que la definen. La función de densidad de probabilidad y la función de distribución de
100
probabilidad para la variable relativa a la velocidad de viento (xV) en el emplazamiento

del puente son:
Fxv ( xV )  exp[ exp[ ( xV  u)]] (3.40)
f xV ( xV )   exp[ ( xV  u)]  exp[ exp[ ( xV  u)]] (3.41)
con α = 0.271 y u=26.393 m/s. La media y desviación típica de esta variable aleatoria
se obtiene como
 
x  u   28.5229 m / s x   4.7327 m / s (3.42)
V
 V
 6
donde γ es la constante de Euler-Mascheroni cuyo valor es γ=0.5772156649.
De este modo queda definida la variable aleatoria xV como una variable de

distribución Gumbel. Como se ha comentado anteriormente, para la aplicación del
algoritmo FORM es preciso que todas las variables sean de distribución normal y por
tanto en este caso será necesario obtener una función de probabilidad normal
equivalente a la función de probabilidad tipo Gumbel previamente definida. Para ello se
recurre a la metodología que se explicó en el apartado 3.2.4. El método consiste en
imponer que las funciones de densidad y de distribución reales y equivalentes,
evaluadas en el punto de diseño, tengan el mismo valor. Aplicando las ecuaciones (3.26)
y (3.28) en el punto correspondiente al valor medio de la variable xV se obtienen la
media y desviación típica de la variable normal equivalente:
 
x '  u   27.692 m / s x '   4.5383 m / s (3.43)
V
 V
 6
En las figuras adjuntas se muestra la función de probabilidad reales y sus

equivalentes normales.
101
Función de densidad de probabilidad

0.12
0.1
0.08
0.06
0.04
0.02
0
0 20 40 60 80 100
Velocidad de viento
Gumbel Normal
Figura 3.26. Función de densidad de probabilidad real y normal equivalente de xV
Funcion de distribución
1.2
1
0.8
0.6
0.4
0.2
0
0 10 20 30 40 50 60 70 80 90
Velocidad de viento
Gumbel Normal
Figura 3.27. Función de distribución de probabilidad real y normal equivalente de xV
3.5.2.2 Funciones de flameo
Las funciones de flameo, como ya se ha comentado sirven para obtener las

fuerzas aeroelásticas a partir de los movimientos del tablero. Estas fuerzas se definieron
en las expresiones (3.29) donde aparecen las mencionadas funciones de flameo. En total
existen 18 funciones de flameo que se agrupan en 3 grupos en función de la componente
de la fuerza aeroelástica en la que aparecen. De esta forma existen 6 funciones de
* *
flameo (P1 ,..., P6 ) que están asociadas a la fuerza de arrastre Da, 6 funciones de flameo
102
(H1* ,..., H6* ) asociadas a la fuerza de sustentación La y otras seis ( A1* ,..., A6* ) que están
vinculadas al momento torsor Ma.
Cada una de estas funciones de flameo se ha obtenido a partir de una serie de

puntos, correspondientes a cada una de las velocidades reducidas a las que se ha
realizado el ensayo. El valor de una función de flameo para una determinada velocidad
de viento es el resultado de promediar los valores obtenidos en varias repeticiones del
ensayo. Por tanto, cada punto obtenido de una función de flameo tiene una determinada
dispersión y su valor puede ser considerado como una variable aleatoria. Se ha
considerado que la distribución de probabilidad más adecuada para este tipo de variable
aleatoria es la distribución normal.
Por tanto, por cada una de las 18 funciones de flameo, se tendrán tantas variables
aleatorias como puntos la definen. En la Figura 3.28 se muestra un ejemplo de una
*
función de flameo H 2 y los puntos que se deberán considerar como variables
aleatorias.
H 2*
V*
Figura 3.28. Ejemplo de una función de flameo. Se define una variable aleatoria de
distribución normal por cada punto obtenido en laboratorio.
En el caso del puente sobre el estrecho de Messina, se conocen las 18 funciones

de flameo, que fueron obtenidas por A. León[L1] en el túnel de viento de este grupo de
investigación. En las siguientes figuras se muestran dichas funciones de flameo
103
indicando los puntos que las definen y que serán los valores considerados como
variables aleatorias.
A*1 A*2
0 0
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35
-0.05 -0.05
-0.1 -0.1
-0.15 -0.15
-0.2 -0.2
-0.25 -0.25
Velocidad reducida (V*) m/s Velocidad reducida (V*) m/s
A*3 A*4
0 0.02
0 5 10 15 20 25 30 35 0
-0.05
-0.02 0 5 10 15 20 25 30 35
-0.1
-0.04
-0.15 -0.06
-0.2 -0.08
-0.1
-0.25
-0.12
-0.3 -0.14
A*5 A*6
0 0.1
-0.01 0 5 10 15 20 25 30 35 0.08
-0.02 0.06
-0.03
0.04
-0.04
0.02
-0.05
0
-0.06
0 5 10 15 20 25 30
-0.07
H*1 H*2
0 2
0 5 10 15 20 25 30 35
-0.1 1.5
-0.2 1
-0.3 0.5
-0.4 0
0 5 10 15 20 25 30 35
-0.5
Figura 3.29. Funciones de flameo del puente sobre el estrecho de Messina

obtenidos en el túnel de viento de este grupo de investigación por A. León[L1].
104
H*3 H*4
0 0.5
-0.2 0 5 10 15 20 25 30 35 0.4
-0.4
0.3
-0.6
-0.8 0.2
-1 0.1
-1.2
0
-1.4 0 5 10 15 20 25 30 35
-1.6
H*5 H*6
0.4 0
0.35 0 5 10 15 20 25 30 35
0.3 -0.02
0.25 -0.04
0.2
0.15 -0.06
0.1
0.05 -0.08
0 -0.1
0 5 10 15 20 25 30 35
-0.12
P*1 P*2
0 0
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35
-0.1 -0.05
-0.2
-0.1
-0.3
-0.15
-0.4
-0.5 -0.2
-0.6 -0.25
P*3 P*4
0 0.5
-0.1 0 5 10 15 20 25 30 35 0.4
-0.2 0.3
-0.3 0.2
-0.4 0.1
-0.5 0
-0.6 -0.1 0 5 10 15 20 25 30 35
-0.7 -0.2

105
P*5 P *6
0 0.05
0 5 10 15 20 25 30 35
0
-0.05 0 5 10 15 20 25 30 35
-0.05
-0.1 -0.1
-0.15
-0.15
-0.2
-0.2 -0.25

En total se tienen 87 variables aleatorias correspondientes a los 87 puntos que

definen estas funciones. Sus valores medios son los representados en las gráficas, y se
considerarán valores de la desviación típica del 15% y del 30% de estos valores medios.
3.5.3 Obtención de la fiabilidad
Una vez definidas las variables aleatorias del problema el objetivo es obtener la
probabilidad de fallo respecto a la función de estado límite. En este caso se ha
considerado la función de estado límite definida en (3.38) en su forma normalizada con
respecto a la velocidad de viento xV:
V f ( xi )
g ( X)  1 i  1,..., n (3.44)
xV
La metodología seguida para obtener la fiabilidad estructural es la que se ha

comentado en el apartado 3.4. En los sucesivos apartados se muestran los resultados
obtenidos para los siguientes casos:
- Se considera únicamente la velocidad de viento como variable aleatoria.

- Se consideran como variables aleatorias la velocidad de viento y los valores
que definen una de las 18 funciones de flameo.
- Se consideran como variables aleatorias la velocidad de viento y todos los
valores que definen las 6 funciones de flameo de un tipo: A*, H* o P*.
106
- Se consideran como variables aleatorias la velocidad de viento y todos los

valores que definen las 18 funciones de flameo.
3.5.3.1 Variable aleatoria: xV
La primera situación para la que se ha obtenido la fiabilidad estructural es la que

corresponde al caso en el que solamente se toma como variable aleatoria la velocidad de
viento xV. La definición de esta variable aleatoria para el caso del puente de Messina se
proporcionó en el apartado 3.5.2.1. En esta situación, la velocidad de flameo Vf, es un
valor determinista y su valor es el que se obtuvo en el apartado 3.5.1, que era Vf=87.49
m/s. La obtención de la fiabilidad estructural aplicando el algoritmo FORM resulta muy
sencilla puesto que el gradiente de la función de estado límite se puede calcular
analíticamente:
g ( xV ) Vf
 2 (3.45)
xV xV
Aplicando el algoritmo FORM a este problema, la convergencia se alcanza al

cabo de 6 iteraciones obteniendo una fiabilidad estructural de valor β=13.18 que se
corresponde con una probabilidad de fallo de valor Pf=7·10-39. En la siguiente gráfica
se muestra la evolución del valor de β y el valor de la función de estado límite evaluada
en el punto de mayor probabilidad de fallo en cada iteración.
14 2.5
12
2
10
1.5
8
β
g(X)
6 1
4
0.5
2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
-0.5
Itera ción Itera ción
Figura 3.32. Evolución de la fiabilidad β y de la función g(X).
107
3.5.3.2 Variables aleatorias: xV y una función de flameo
La situación que se plantea en este apartado es considerar como variables

aleatorias todos los valores que definen una de las 18 funciones de flameo y la
velocidad de viento, mientras que el resto de valores se consideran deterministas. De
este modo, existirán tantas variables aleatorias en el problema como puntos definan la
función de flameo considerada, más una (xV).
De este modo, la velocidad de flameo Vf ya no es un valor determinista, puesto

que depende de las funciones de flameo y éstas tienen carácter aleatorio. En
consecuencia, para la aplicación del algoritmo FORM será necesario evaluar los
gradientes de la velocidad de flameo, ya que el gradiente de g(X) se obtiene como:
g ( X) Vf
 2 (3.46a)
xV xV
g ( X) 1  V f 
  ; i  1,..., nF (3.46b)
xi xV  xi 
donde nF es el número de puntos de la gráfica que definen la función de flameo que se

ha considerado aleatoria.
El estudio se ha realizado para cada una de las 18 funciones de flameo del

puente de Messina, de forma que se obtienen 18 valores de la fiabilidad estructural β.
En la siguiente tabla se muestran los resultados obtenidos de la fiabilidad estructural
considerando una desviación típica de los valores de las funciones de flameo de un 15%
y de un 30%. Además se proporciona el número de variables aleatorias que intervienen
en cada problema y la probabilidad de fallo asociada a cada valor de β.
108
Nº de variables σ=15% σ=30%

Variables aleatorias
nF+1 β Pf β Pf
* *
xV, A1,1 ,..., A1,nF 7 13.18 7·10-39 13.18 7·10-39
* *
xV, A2,1 ,..., A2,nF 8 13.01 7·10-38 12.96 1·10-37
* *
xV, A3,1 ,..., A3,nF 7 13.18 7·10-39 13.18 7·10-39
* *
xV, A4,1 ,..., A4,nF 7 13.18 7·10-39 13.18 7·10-39
* *
xV, A5,1 ,..., A5,nF 4 13.18 7·10-39 13.18 7·10-39
* *
xV, A6,1 ,..., A6,nF 6 12.53 3·10-35 12.02 2·10-32
* *
xV, H1,1 ,..., H1,nF 6 13.18 7·10-39 13.18 7·10-39
* *
xV, H 2,1 ,..., H 2,nF 7 12.96 1·10-37 12.55 3·10-35
* *
xV, H 3,1 ,..., H 3,nF 6 13.18 7·10-39 13.18 7·10-39
* *
xV, H 4,1 ,..., H 4,nF 6 13.18 7·10-39 13.18 7·10-39
* *
xV, H 5,1 ,..., H 5,nF 5 13.18 7·10-39 13.18 7·10-39
* *
xV, H 6,1 ,..., H 6,nF 5 12.95 2·10-37 12.46 8·10-35
* *
xV, P1,1 ,..., P1,nF 6 7.63 9·10-14 7.02 8·10-12
* *
xV, P2,1 ,..., P2,nF 5 13.18 7·10-39 13.18 7·10-39
* *
xV, P3,1 ,..., P3, nF 6 11.43 2·10-29 10.68 7·10-26
* *
xV, P4,1 ,..., P4,nF 5 13.18 7·10-39 13.18 7·10-39
* *
xV, P5,1 ,..., P5, nF 4 13.18 7·10-39 13.18 7·10-39
* *
xV, P6,1 ,..., P6,nF 6 13.18 7·10-39 13.18 7·10-39
Tabla 3.5. Fiabilidad estructural frente a flameo del puente de Messina

considerando la velocidad de viento y una función de flameo aleatoria.
Los resultados presentados en la Tabla 3.5 corresponden a una situación poco

realista puesto que las 18 funciones de flameo se obtienen mediante un ensayo
experimental de iguales características, y por tanto, todas tendrán carácter aleatorio
simultáneamente. Sin embargo, este estudio permite conocer qué funciones de flameo
son más relevantes para la seguridad estructural frente a flameo. Para este caso concreto
se puede observar que la consideración como variable aleatoria de la función de flameo
P1* , que relaciona la fuerza horizontal de arrastre con la velocidad del movimiento
horizontal, reduce sustancialmente la seguridad estructural, tanto para una desviación
109
* * * * * *
típica del 15%, como del 30%. En un pequeño grupo de casos ( A2 , A6 , H2 , H6 , P1 , P3 ) se
reduce ligeramente la seguridad estructural, mientras que en el resto se puede observar

que no se altera la seguridad para las hipótesis de desviación típica considerados. Esta
información puede ser de utilidad para el experimentalista, pues puede conocer en qué
ensayos debe mejorar la precisión de los valores obtenidos. También le permite conocer
en qué funciones de flameo puede permitir una mayor dispersión de los datos sin reducir
la fiabilidad estructural.
Para la obtención de los resultados anteriores en los casos de las funciones de

* * * *
flameo A6 , H2 , P1 y P3 , ha sido necesario aplicar la reducción de paso definida en la
expresión (3.39), consiguiendo así la convergencia del algoritmo. En la Figura 3.33 se

muestra la evolución del resultado obtenido para el caso donde se consideran variables
*
aleatorias xV y la función de flameo P1 . Se representa la evolución del resultado para el
índice de fiabilidad y la evaluación de g(X) en el punto de mayor probabilidad de fallo,

considerando la reducción de paso para c=3 y sin considerarla (c=1).
8 2.5
7
6 2
5 1.5
g(X)
4
β
3 1
2
0.5
1
0 0
0 5 10 15 20 0 5 10 15 20
Iteración Iteración
c=1 c=3 c=1 c=3
Figura 3.33. Evolución de β y de la función g(X) considerando la reducción de paso

*
c=3 y sin la reducción (c=1). Variables aleatorias: xV y la función de flameo P1 .
110
* * *
3.5.3.3 Variables aleatorias: xV y las 6 funciones de flameo A , H o P .
Esta situación corresponde al caso en el que se han considerado como variables

aleatorias además de la velocidad de viento, los valores que definen las 6 funciones de
flameo de un determinado tipo (A*, H* o P*).
Al igual que en el caso anterior esta situación tampoco es realista puesto que
debería existir incertidumbre en todas las funciones simultáneamente. No obstante, de
este estudio se pueden sacar conclusiones de cómo afecta la consideración de
incertidumbre en las funciones de flameo relacionadas con una de las tres fuerzas
aeroelásticas Da, La o Ma.
En la siguiente tabla se muestran los resultados obtenidos de la fiabilidad

estructural considerando una desviación típica de los resultados obtenidos en el túnel de
viento de un 15% y un 30%:

nF+1 β Pf β Pf
xV , A1* , A2* , A3* , A4* , A5* , A6* 34 12.46 8·10-35 11.72 6·10-31
xV , H1* , H2* , H3* , H4* , H5* , H6* 30 12.52 4·10-35 12.22 2·10-33
xV , P1* , P2* , P3* , P4* , P5* , P6* 26 7.59 1·10-13 7.01 9·10-12
Tabla 3.6. Fiabilidad estructural frente a flameo del puente de Messina

considerando la velocidad de viento y las 6 funciones de flameo de un tipo: A*, H* y P*.
De nuevo los resultados muestran que tener incertidumbre en las funciones de

flameo P*, que están asociadas a la fuerza de arrastre Da, reducen sustancialmente la
seguridad estructural frente al fenómeno de flameo en el caso del puente sobre el
estrecho de Messina. Por otro lado, la presencia de dispersión en los valores de las
funciones de flameo H* y A* no reduce de forma significativa la seguridad estructural
aunque como es natural es menor.
111
3.5.3.4 Variables aleatorias: xV y las 18 funciones de flameo
El último caso que se ha estudiado tiene en cuenta que todos los valores de las
funciones de flameo son variables aleatorias. Como se ya se ha comentado, esta
situación sería la más real, permitiendo obtener de forma general el valor de la
seguridad estructural frente a flameo considerando incertidumbre en los valores
experimentales del método híbrido.
Se ha realizado el cálculo para los mismos casos de desviación típica de los

valores de las funciones de flameo (15% y 30%) y en este caso el problema pasa a tener
88 variables aleatorias. El resultado obtenido se muestra en la Tabla 3.7:

nF+1 β Pf β Pf
xV , A1* ,..., A6* , H1* ,..., H6* , P1* ,..., P6* 88 7.53 2·10-13 6.94 1·10-11
Tabla 3.7. Fiabilidad estructural frente a flameo del puente de Messina considerando la
velocidad de viento y las 6 funciones de flameo de un tipo: A*, H* y P*.
La evolución del índice de fiabilidad y de la función de estado límite para el caso

donde se considera una desviación típica del 15% es la que aparece en la Figura 3.34:
10 2.5
8 2
6 1.5
g(X)
β
4 1
2 0.5
0 0
0 10 20 30 0 10 20 30
Figura 3.34. Evolución de β y de la función g(X) considerando todos los valores de las
funciones de flameo como variables aleatorias. Desviación típica del 15%.
Para el caso donde la desviación típica de los valores de las funciones de flameo
es del 30% el algoritmo no converge, produciéndose oscilaciones en el valor de β
112
mientras que la función g(X) no tiende a cero. De nuevo es necesario recurrir a la

estabilización propuesta en (3.39) reduciendo el paso, resultando efectivo un valor de
c=5, tal y como se muestra en la Figura 3.35.
8 2.5
7
2
6
5 1.5
g(X)
4
β
3 1
2
1 0.5
0
0
0 10 20 30 0 10 20 30
c=1 c=5 c=1 c=5
Figura 3.35. Evolución de β y de la función g(X) considerando todos los valores de

las funciones de flameo como variables aleatorias. Desviación típica del 30%. Resultado
sin estabilización (c=1) y con estabilización (c=5)
En los resultados obtenidos se observa que la seguridad estructural pasa de tener

un valor β=13.18, para el caso donde solamente la variable xV es considerada variable
aleatoria, a un valor de β=7.53 en el caso de considerar una desviación típica del 15%
en los valores de las funciones de flameo obtenidas en laboratorio. Si se considera un
30% la fiabilidad se reduce a β=6.94. No obstante, la probabilidad de fallo en todos los
casos sigue siendo muy baja (menor de 1·10-10), lo que permite constatar que el puente
de Messina tiene una seguridad muy elevada frente al fenómeno de inestabilidad por
flameo.
Un dato interesante es que el algoritmo ha convergido al cabo de 26 iteraciones,

lo que supone un número total de evaluaciones de la velocidad de flameo de 2262. Este
número es bastante reducido si se compara con otros métodos de obtención de la
fiabilidad. La consideración de las funciones de flameo como variables aleatorias ha
sido también estudiado por Mannini y Bartoli[M4] obteniendo resultados mediante el
método de Monte Carlo. Como se concluye en la citada referencia, para obtener
113
resultados satisfactorios fue necesario realizar un número de evaluaciones en el entorno

de N=105, y en muchas ocasiones las simulaciones mediante ese método requieren un
valor de N=106.
3.6 CONCLUSIONES
De este capítulo se pueden extraer las siguientes conclusiones:
1. Conocido el carácter aleatorio de alguna de las variables que intervienen en

un problema de análisis de estructuras es posible cuantificar la incertidumbre
en términos de la probabilidad de fallo frente a un estado límite determinado.
2. El algoritmo FORM resulta apropiado para obtener esta fiabilidad
estructural, aunque en ocasiones no es estable. En este capítulo se propone
un método para estabilizar dicho algoritmo y se comprueba su eficacia.
3. El problema de la obtención de la velocidad de flameo mediante la
metodología híbrida tiene una parte experimental donde se obtienen la
funciones de flameo, que tiene carácter aleatorio. Se plantea un análisis
probabilista teniendo en cuenta el carácter aleatorio de dichas funciones y
además el carácter aleatorio del fenómeno del viento en el lugar de
emplazamiento de la estructura.
4. Se obtiene la fiabilidad estructural frente al fenómeno de flameo para el caso
del puente sobre el estrecho de Messina. Del estudio se puede concluir que el
carácter aleatorio de unas determinadas funciones de flameo influyen más
que otras en la seguridad. Para el caso del puente de Messina la función de
*
flameo P1 es la más influyente, reduciendo sustancialmente la seguridad
frente a flameo si se considera variable aleatoria.

5. En este ejemplo se han detectado casos donde es necesario aplicar la
estabilización del algoritmo ya comentada.
114
6. El número de evaluaciones que requiere este método es pequeño y el

esfuerzo computacional es bajo puesto que solo es necesario obtener las
derivadas primeras de la función de estado límite.
3.7 REFERENCIAS
[A1] Astiz M. A., Flutter Stability of Very Long Suspension Bridges. Journal of Bridge
Engineering, Vol. 3, Nº 3, August, pp.132-139, 1999.
[A2] ABAQUS 6.9-2, Inc. Abaqus/CAE User´s Manual, 2008.
[C1] Cornell, C.A., A probability based structural code, Journal of the American
Concrete Institute, vol.66, nº 12, pp. 974-985, 1969.
[C2] Choi, S-K, Grandhi, R.V. and Canfield, R.A., Reliability-based Structural Design,
Springer-Verlag, London, 2007.
[C3] Cobo del Arco D., An analysis of wind stability. Improvements to the response of
suspension bridges. Tesis doctoral de la Universitat Politécnica de Catalunya. Escola
Técnica Superior D’Enginyers de Camins, Canals i Ports. (Director: Prof. Ángel
Aparicio), 1998.
[D1] Díaz J, Análisis de fiabilidad en estructuras de ingeniería civil y aeronáutica en

entornos de computación en paralelo, Tesis doctoral de la Universidad de La Coruña.
Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos, Feb. 2010.
[D2] DISEG – Dipartimento di Ingegneria Structturale e Geotecnica. Università degli

Studi di Genova. Valutazione del vento di proggetto. Ponte sullo Stretto Di Messina,
2004.
115
[G1] Griffith, R.E. and Stewart, R.A., A Nonlinear Programming Technique for the
Optimization of Continuous Processing Systems, Manage. Sci, vol. 7, pp. 379-392,
1961.
[H1] Haldar, A. and Mahadevan, S., Probability, reliability, and statistical methods in
enfineering design, John Wiley & Sons, New York, 2000.
[H2] Hasofer, A.M. and Lind, N. C., Exact and Invariant Second-Moment code Format,
Journal of the Engineering Mechanics Division, ASCE, vol. 100, nº 1, pp. 111-121,
1974.
[H3] Hernández, S., Métodos de diseño óptimo de estructuras. Colegio de Ingenieros de

Caminos, Canales y Puertos. Madrid, 1990.
[H4] Hernández S., Jurado J. Á., Bravo F., Baldomir A., A Comparison of flutter Speed
of the Messina Bridge considering several cable configurations. Proceedings of the 3rd
International Conference on Fluid Structure Interaction and 8th International
Conference on Computational Modelling and Experimental Measurements of Free and
Moving Boundaries, A Coruña, 2005.
[H5] Hernández S., Jurado J. A., Mosquera, A., Multidisciplinary and multiobjective
aeroelastic design of long span bridges. In-Vento 2002. International Workshop on
Long Span Bridge Aerodynamics. Milan, 2002.
[H6] Hernández S., Jurado J. Á., Computer animations of the aeroelastic behaviour of
the proposed Messina Bridge. In-Vento-2004. 5º Convegno Nazionale di Ingegneria del
Vento. Reggio Calabria, 2004.
[H7] Haifan, X. and Ge, Y., Refinements on aerodynamic stability analysis of super
long-span bridges. Journal of Wind Engineering and Industrial Aerodynamics, Vol. 90,
Issues 12-15, pp. 1493-1515, December 2002.
116
[J1] Jurado, J., A., Análisis aeroelástico y de sensibilidad del fenómeno de flameo en
puentes soportados por cables. Tesis doctoral de la Universidad de la Coruña. Escuela
Técnica Superior de Ingenieros de Caminos, Canales y Puertos, 2001.
[J2] Jurado J. Á., Mosquera A., Nieto F., Hernández S., Configuraciones óptimas de
cables en puentes atirantados según análisis de sensibilidad de su comportamiento
aeroelástico. Congresso de Métodos Computacionais em Engehharia. Lisboa, Portugal,
2004.
[J3] Jurado, J. A., Hernández, S., Design of Ultra-Long Span Bridges With Aeroelastic
Constraints. Optimization in Industry II, Junio, Banff, (Alberta) Canada, 1999.
[L1] León, A, Análisis aeroelástico de puentes soportados por cables en el dominio del
tiempo y de la frecuencia. Tesis doctoral de la Universidad de la Coruña. Escuela
Técnica Superior de Ingenieros de Caminos, Canales y Puertos, Octubre 2008.
[L2] Larsen A., Aerodynamic aspects of the final design of the 1624 m suspension
bridge across the Great Belt. Journal of Wind Engineering and Industrial
Aerodynamics, 48, pp.261-285, 1993.
[M1] Melchers, R.E., Structural Reliability Analysis and Prediction, Ellis Horwood
Limited, UK., 1987.
[M2] Mosquera A., Sensibilidad analítica de la vibración libre y del flameo en puentes
colgantes de gran vano en servicio y en fase constructiva. Tesis doctoral de la
Universidad de la Coruña. Escuela Técnica Superior de Ingenieros de Caminos, Canales
y Puertos, 2003.
[M3] Miyata, T., Yamada, H. and Katsuchi, H., Comparative analysis of Messina
Bridge – International benchmark study. Proc. of 11th International Conference on Wind
Engineering, Lubbock, USA, pp.131-138, 2003.
117
[M4] Stretto di Messina S.p.A., Specifiche tecniche per il progetto definitivo e il

progetto esecutivo dell’opera di attraversamento. Requisiti e linee guida per lo sviluppo
della progettazione. GCG.F.05.03, 2004.
[M5] Mannini, C., Bartoli, G., Analisi del comportamento aeroelastico di un impalcato
da ponte a cassone unicellulare, IN-VENTO-2006, pp. 439-448, Pescara, 2006.
[N1] Nieto F., Análisis de sensibilidad y optimización aeroelástica de puentes colgantes

en entornos de computación distribuida. Tesis doctoral de la E.T.S.I. de Caminos,
Canales y Puertos de la Universidad de la Coruña, 2006.
[N2] Nieto F., Hernández S., Jurado, J. A., Optimum design of long-span suspensión
bridges considering aeroelastic and kinematic constraints. Structural and
Multidisciplinary Optimization, 39, 133-151, 2009.
[N3] Namini, A., Aldbrecht, P., Finite Element-Based Flutter Analysis of Cable
Suspended Bridges. Journal of Structural Engineering. Vol. 118, Nº 6, June, pp.1509-
1526, 1992.
[P1] Public Works Research Institute. http://www.pwri.go.jp/eindex.htm. Tsukuba.

Japón.
[R1] Rackwitz, R. and Fiessler, B., Note on discrete Safety Checking When Using Non-
Normal Stochastic Models for Basic Variables. Load Project Working Session, MIT,
Cambridge, MA, June 1976.
[S1] Sarwar, M. W., Ishihara, T., Shimada, K., Yamasaki, Y., Ikeda, T., Prediction of
aerodynamic characteristics of a box girder bridge section using the LES turbulence
model. Journal of Wind Engineering and Industrial Aerodynamics, Vol. 96, pp. 1895-
1911, 2008.
[S2] Sarkar, P., P., Caracoglia, L., Haan, F., L., Sato, H., Murakoshi, J., Comparative
and sensitivity study of flutter derivatives of selected bridge deck sections, Part 1:
118
Analysis of inter-laboratory experimental data. Engineering Structures, 31, 158-169,

2009.
[S3] Semiào C., Mendes P., Avaliazao das condizoes de estabilidade aerodinâmica em
pontes. Jornadas portuguesas de engenharia de estructuras. Lisboa, Portugal, 1998.
[V1] VANDERPLAATS G. N.: Numerical Optimization Techniques for Engineering

Design, 3rd edition, 2001. Vanderplaats Research & Development Inc., Colorado
Springs, USA.
[W1] Washington State Department of Transportation home page. www.wsdot.wa.gov
[Y1] Yusuf K., Scanlan R. H, Resonance, Tacoma Narrows bridge failure, and
undergraduate physics textbooks. Am. J. Phys., Vol. 59, Nº 2, February 1991.
119
CAPÍTULO 4
ANÁLISIS DE SENSIBILIDAD DE LA SOLUCIÓN

ÓPTIMA RESPECTO A LOS PARÁMETROS FIJOS
4.1 INTRODUCCIÓN
En el capítulo 2 se hizo una breve descripción del diseño óptimo de estructuras,

indicando las diferencias respecto al diseño convencional y cuáles eran los principales
tipos de optimización. Como se recordará, la formulación de diseño óptimo se basa en
caracterizar el problema mediante la definición de los siguientes elementos: las
variables de diseño X que contienen las propiedades que pueden cambiar durante el
proceso de optimización, las condiciones de diseño g(X) que contienen todas las
restricciones que debe satisfacer la estructura y la función objetivo F(X) que es aquella
propiedad del diseño que se desea optimizar. Pero además de las variables de diseño
existen otras propiedades del diseño que permanecen invariantes durante el mismo y
que se denominan parámetros de diseño (p).
Como se recordará, el problema general de optimización se puede escribir de la

siguiente forma:
121
Capítulo 4 ANÁLISIS DE SENSIBILIDAD DE LA SOLUCIÓN ÓPTIMA RESPECTO A
LOS PARÁMETROS FIJOS
min F (X, p ) (4.1a)

sujeto a
g j ( X, p )  0; j  1,...M (4.1b)
La solución de este problema proporciona el diseño óptimo que será función de

los parámetros de diseño que se hayan considerado, es decir, X*=X*(p). Existen
situaciones en que una vez obtenida la solución al problema anterior, el proyectista
percibe que una o varias de las propiedades que él había definido como constantes y que
formaban parte del conjunto de parámetros fijos no adoptará ese valor en realidad, bien
sea porque se desee cambiar ese valor o porque circunstancias ajenas a su voluntad
lleven a esa situación.
En ese escenario, si se desea seguir teniendo el diseño óptimo, el único camino

posible es realizar nuevamente el proceso de optimización correspondiente, pero esto
puede requerir excesivo tiempo si el problema es de gran complejidad. Por otra parte,
los cambios en el valor de esos parámetros pueden no ser importantes con lo cual el
proyectista puede pensar, acertadamente, que la información del problema anterior
debería serle de alguna utilidad.
Como una alternativa a tener que resolver de nuevo el problema de

optimización, se puede plantear la búsqueda de una solución óptima aproximada.
Existen varios procedimientos basados en obtener las sensibilidades, es decir, los
gradientes de las variables de diseño y de la función objetivo respecto a los parámetros
fijos. Con esta información se puede obtener el nuevo diseño óptimo mediante una
aproximación lineal del anterior.
En este capítulo se presentarán alguno de los métodos existentes para la

resolución de este tipo de problemas y posteriormente se justificará la elección de uno
de ellos, al que se han introducido modificaciones para mejorar su eficiencia. Por último
se aplicará este método para la resolución de tres ejemplos de diseño estructural. El
primero de los ejemplos corresponde a una estructura de tres barras articuladas, el
122
segundo a una celosía de diez barras articuladas y el último a un modelo de barras y

láminas que reproduce una región de la estructura del fuselaje de un avión.
4.2 MÉTODOS DE OBTENCIÓN DE LA SENSIBILIDAD

DEL ÓPTIMO FRENTE A LOS PARÁMETROS FIJOS
Como se ha comentado, tras la resolución de un problema de optimización cabe

la posibilidad de que aquel aspecto del diseño al que se le otorgaba un valor constante,
finalmente, por circunstancias de variada índole, tenga otro distinto. Obviamente, las
condiciones del problema de optimización se ven modificadas y el resultado óptimo
cambiaría, sin embargo se puede obtener una solución aproximada a través de un
análisis de sensibilidad. Esto requiere la obtención de la variación de la función objetivo
F(X*) y de las variables de diseño X* en el valor óptimo cuando se modifica alguno de
los valores contenidos en el vector de parámetros fijos p, esto es obtener:
X * F ( X * )
(4.2)
p p
A partir de esta información en el punto óptimo X* se puede definir la solución

óptima al modificar un parámetro p mediante una aproximación lineal como:
X *
X  X*  p (4.3a)
p
F ( X * )
F  F ( X* )  p (4.3b)
p
Los primeros estudios sobre la obtención de estas sensibilidades fueron llevadas

a cabo por Sobieszczanski-Sobieski[S1] y Barthelemy[B1], y Vanderplaats y Yoshida[V1].
A raíz de estos estudios se desarrollaron un conjunto de métodos para calcular las
expresiones (4.2) y que se describirán en los siguientes apartados.
123
4.2.1 Análisis de sensibilidad mediante las condiciones de Kuhn-

Tucker
En un problema de optimización con restricciones en desigualdad como el

planteado en (4.1), el diseño óptimo deberá cumplir las condiciones de Karush-Kuhn-
Tucker, que son:
 F ( X* )   G ( X* )  λ  0 (4.4a)
g j ( X* )  0 j  1,..., J (4.4b)
j  0 j  1,..., J (4.4c)
donde J es el número de restricciones activas en el punto óptimo X*, G ( X* ) el

gradiente de las condiciones activas en dicho punto y  j el multiplicador de Lagrange
no nulo asociado a cada restricción gj.
El método desarrollado por Sobieszczansky[S1] consiste en derivar las

expresiones (4.4a) y (4.4b) con respecto al parámetro p de estudio y resolver el sistema
resultante. La solución de dicho sistema proporciona las sensibilidades de las variables
de diseño respecto a p, mientras que la sensibilidad de la función objetivo se obtiene
posteriormente empleando la regla de la cadena para derivadas de funciones
compuestas.
El sistema resultante tras realizar la derivada de las expresiones (4.4) con

respecto al parámetro p y escrito en forma matricial resulta:
 X      *  
 F( X )   G ( X )   λ 
*
[F( X )]  Z G ( X )  p   p  p
* *
 ( nx1)    
 ( nxn ) ( nxJ )
)     ( nx1)
0 (4.5)
 G T ( X* ) 0   λ    
 ( JxJ )     G ( X* ) 
( Jxn )
 p  p
 ( Jx1)   ( Jx1) 
donde Z es una matriz cuadrada de n x n, cuyo elemento i,q es:
124
J 2 g j
zi , q   j (4.6)
j 1 xi xq
Para resolver el sistema es necesario conocer el valor de los multiplicadores de

Lagrange en el punto óptimo X*, que pueden haber sido obtenidos como subproducto
del problema de optimización, o por el contrario será necesario su obtención, que puede
hacerse mediante la expresión (4.7). El desarrollo necesario para llegar a la misma fue
planteado por Fox[F1]:
λ  [G T G ]1 G T F (4.7)
X
Una vez resuelto el sistema (4.5) se obtienen las sensibilidades buscadas y
p
se puede obtener el diseño óptimo aproximado cuando se produce una variación del
parámetro  p aplicando la expresión (4.3a). Para aproximar la función objetivo se
puede aplicar la regla de derivación de la cadena
F n
F xi
 (4.8)
p i 1 xi p
y posteriormente aplicar la ecuación (4.3b).
Para la aplicación de este método es preciso conocer el subconjunto de

condiciones activas en el punto óptimo X* y el incremento de p aplicado no debe alterar
este subconjunto.
4.2.2 Análisis de sensibilidad de segundo orden
Cuando se resuelve el problema inicial (4.1) algunos métodos de optimización

precisan el valor de las derivadas segundas tanto de las restricciones como de la función
objetivo. En este caso dicha información debería ser útil para proporcionar una mejor
aproximación de la solución óptima cuando se modifica un parámetro fijo.
125
Vanderplaats y Yoshida[V1] propusieron una metodología donde se introduce esta

nueva información que conduce a otro problema de optimización donde p es una nueva
variable de diseño, de forma que xn+1=p. En primer lugar se realiza el desarrollo en serie
de Taylor de segundo orden en el entorno de X* tanto de la función objetivo como de las
restricciones y se plantea el problema de optimización siguiente:
1
min F ( X)  F( X* )  F( X* )X  XT H F ( X* )X (4.9a)
2
sujeto a
1
g j ( X)  g j ( X* )  g j ( X* )X  XT H j ( X* )X  0 j  1,..., m (4.9b)
2
 X m   X  X M (4.9c)
Se trata de buscar el cambio en las variables de diseño ΔX que minimicen la

aproximación cuadrática de la función objetivo en el entorno de X* y que cumpla las
condiciones de diseño, que también se aproximan cuadráticamente mediante desarrollo
en serie de Taylor. El límite establecido en (4.9b) determina el intervalo de validez de la
aproximación cuadrática.
El resultado de esta metodología no son las sensibilidades respecto al parámetro

p, sino que dado un valor de Δp se obtiene directamente la variación de ΔX, es decir, el
nuevo diseño.
La información necesaria para aplicar esta metodología es igual que en el

planteamiento del apartado 4.2.1, a excepción de los multiplicadores de Lagrange, pero
en este caso es necesario resolver otro problema de optimización con restricciones en
desigualdad. No obstante, las funciones que intervienen en el nuevo problema son
explícitas y la evaluación de las mismas y de sus derivadas resulta más sencilla.
Cabe destacar como ventaja de este método el hecho de que se pueden

considerar todas las condiciones de diseño, produciendo resultados adecuados aún
cuando se modifica el conjunto de condiciones activas del problema.
126
4.2.3 Análisis de sensibilidad mediante la función penalty
En un amplio abanico de métodos de optimización condicionada la función

objetivo es aumentada con un término denominado función penalty que contiene las
restricciones y se determina una aproximación asintótica al punto óptimo de diseño
mediante la generación de sucesivos problemas de optimización incondicionada.
La obtención del análisis de sensibilidad con respecto a un parámetro p se puede

plantear de forma similar al planteamiento del apartado 4.2.1 derivando respecto al
parámetro de estudio las condiciones de extremo que debe cumplir la función penalty.
Esto conduce a un sistema de ecuaciones cuya resolución proporciona las sensibilidades
buscadas. Este método se debe a las investigaciones de Sobieszczanski-Sobieski,
Barthelemy y Riley[S1].
Dado un problema de optimización como el especificado en (4.1) se puede

definir una función penalty de la forma general
  F  r P( g j ) (4.10)
donde P(gj) está constituida en base a las condiciones del problema y r es un parámetro
de control que toma diferentes valores a lo largo del proceso de optimización. Las
condiciones de extremo de la función  son:
 F m
P g j
  r 0 (4.11)
xi xi j 1 xi xi
Derivando la expresión (4.11) con respecto al parámetro p
n  2 F m 
 2 P g j g j P  g j
2
  xq
 

q 1 xi xq
 r  2

j 1   g j xi xq

g j xi xq
 


   p
(4.12)
m  2
 P g j g j P  g j 
2
2 F
 r   0 i  1,..., n
xi p 
j 1  g j
2
p xi g j xi p 
127
La resolución de este sistema de n ecuaciones lineales proporciona las

sensibilidades buscadas.
En el caso específico del empleo de la función penalty interior, cuya forma más
frecuente es
m
1
P ( g j )   (4.13)
j 1 gj
la ecuación (4.11) se transforma en
 F m
1 g j
  r 2 0 i  1,..., n (4.14)
xi xi j 1 g j xi
y derivando respecto al parámetro p se obtiene el sistema de ecuaciones siguiente:
n  2 F m 
2 g j g j 1  g j
2
  xq
 

q 1 xi xq
 r   3
 g x x
 2
g j xi xq
 


 j 1  j i q   p
(4.15)
m 
2 g g j 1  g j 
2
2 F
 r   3 j  2 0 i  1,..., n
xi p  g p x g x p 
j 1  j i j i 
Si se emplea la función penalty exterior, la formulación más habitual es
m
P    g j 2 (4.16)
j 1
siendo
 g j  g j si gj  0
 g j  0 si gj  0
y procediendo de igual forma que en el caso anterior, el sistema resultante es
128
n  2 F m  g g 2 g j   xq
 

q 1 xi xq
 2 r  
j
j 1  xi xq
j
 g j
xi xq
 
 p

 
(4.17)
 F 2 m  g j g j  gj 
2
 2r    gj 0 i  1,..., n
xi p 
j 1  p xi xi p 
La resolución de los sistemas (4.15) y (4.17) requiere conocer el valor de r que

se puede obtener de la resolución de (4.14). Además este método requiere el cálculo de
las derivadas segundas de la función objetivo y de las condiciones de diseño.
4.2.4 Análisis de sensibilidad mediante el método de las direcciones

eficientes
En este caso la idea principal es obtener las sensibilidades buscadas en el punto

óptimo X* del problema inicial resolviendo otro problema de optimización más sencillo
y fue desarrollado por Vanderplaats y Yoshida[V1]. El procedimiento se basa en
considerar que la variación del parámetro p se hará con el objetivo de mejorar el diseño,
esto es, reduciendo la función objetivo si el problema inicial es el formulado en (4.1). El
procedimiento se inicia considerando que a partir del punto óptimo X* se llega a otro
punto X al modificar el parámetro p y ambos diseños están relacionados de la siguiente
forma:
X  X*    S (4.18)
siendo S un vector en la dirección que une los dos puntos y  un escalar que indica la
magnitud del cambio del diseño.
Si se considera un nuevo problema de optimización donde el parámetro p es

tratado como una nueva variable de diseño, de forma que xn 1  p se puede obtener la
dirección de avance S que produce la mayor disminución de la función objetivo al variar

el parámetro p. Para obtener esta dirección S se plantea la minimización del producto
escalar F( X* )T  S , de tal forma que cuanto menor sea, la dirección de variación de F
129
será la más cercana a la de máximo descenso, como se puede observar en la Figura 4.1.
Se pretende por tanto, que el ángulo formado por F y S sea lo más obtuso posible, así
la función objetivo disminuirá lo máximo posible.
Figura 4.1. Posibles direcciones de búsqueda.
Además de conseguir disminuir la función objetivo, se tendrá que cumplir que el

nuevo punto X* no se salga de la región de diseño, y a la vista de la Figura 4.1 esto
implica que el ángulo entre la dirección S y las condiciones activas del problema deberá
ser obtuso. Ello por tanto, será una restricción al problema y se podrá escribir de la
siguiente forma:
g j ( X*)T  S  0 jJ (4.19)
donde J es el número de condiciones activas en el punto óptimo X*.
En base al razonamiento anterior, se puede definir un nuevo problema de

optimización conocido como método de las direcciones eficientes, de la siguiente
forma:
130
min F( X* )T  S (4.20a)

sujeto a
g j ( X* )T  S  0 jJ (4.20b)
ST  S  1 (4.20c)
El problema de optimización (4.20) tiene una variable de diseño adicional que es

la correspondiente al parámetro xn 1  p y donde hay J+1 condiciones de diseño, siendo
J el número de condiciones activas en el diseño óptimo de partida.
La nueva función objetivo es el producto escalar de la dirección S con el

gradiente de la función objetivo en el punto óptimo de partida, consiguiendo así que la
dirección de variación de F sea la más cercana a la de máximo descenso.
El primer grupo de restricciones obliga a que el nuevo diseño se sitúe en una

zona fronteriza o interior a la región de diseño, mientras que el segundo grupo sirve para
normalizar el valor de las componentes del vector S.
Se puede observar que se trata de un problema de programación lineal a

excepción de la última restricción, por lo tanto, en principio será un problema más
sencillo que el problema original de partida formulado en (4.1). Una vez resuelto el
problema de optimización (4.20), se conocen las direcciones de variación si asociadas a
cada una de las variables de diseño, pero falta conocer el módulo del cambio en dichas
variables  .
El diseño óptimo de partida se modificará de la forma que se indica en la

ecuación (4.18), por tanto,
xi  xi*    si i  1,..., n (4.21)
Si se considera la componente n+1,
xn 1  p  p*    sn 1 (4.22)
131
y como se conoce la variación que se quiere efectuar sobre el parámetro y cuyo valor es
 p , se puede obtener directamente  de la siguiente manera:
p
p    sn 1 ;   (4.23)
sn 1
Una vez obtenido el valor de  y sustituyéndolo en (4.21) se conoce el valor

aproximado de las variables de diseño. Además se pueden obtener las derivadas de las
variables de diseño y de la función objetivo respecto al parámetro, esto es, los análisis
de sensibilidad que se buscaban inicialmente.
X X  S
   (4.24a)
p  p sn 1
F F  F*T  S
   (4.24b)
p  p sn1
Sustituyendo (4.24b) en la ecuación (4.3b) se obtiene una aproximación lineal

del nuevo valor de la función objetivo.
El planteamiento del problema (4.20) se ha hecho con el fin de mejorar el diseño

óptimo de partida, por tanto, esta condición equivale a decir que esta formulación sólo
es válida si  es positivo, o bien, que sn 1 y  p tienen el mismo signo.
En otras situaciones prácticas la variación del parámetro p puede venir impuesta

por circunstancias ajenas al proyectista y puede conducir a empeorar el diseño óptimo
existente. En este contexto no es posible garantizar que el diseño óptimo con el nuevo
valor del parámetro sea mejor que el anterior.
Observando la Figura 4.1 esta situación equivale a decir que la dirección de

búsqueda S puede que no forme un ángulo obtuso con el gradiente de la función
objetivo, o al menos no cabe asegurarlo.
132
La manera de que la función objetivo F(X) aumente lo menos posible o incluso

disminuya es plantear el problema de optimización como aparece en las expresiones
siguientes:
min F ( X* )T  S  c  (4.25a)
sujeto a
g j ( X* )T  S  0 jJ (4.25b)
 sn 1    0 p  0 (4.25c)
sn 1    0 p  0 (4.25d)
ST  S  1 (4.25e)
En este planteamiento c es una constante positiva y depende de la naturaleza del

problema. En los ejemplos resueltos por Vanderplaats[V1] se utilizó el valor c=1000.
Como lo que se desea es minimizar la función objetivo de la expresión (4.25) β resultará
positiva, mientras que F ( X* )T  S o será negativo, en cuyo caso el ángulo que forman
dichos vectores es obtuso y el diseño óptimo habrá mejorado, o positivo pero lo menor
posible ya que se busca el mínimo de la expresión (4.25), con lo cual el aumento de
F(X* ) será lo menor posible.
Una vez descritos los dos planteamientos definidos por las expresiones (4.20) y
(4.25) respectivamente, puede concluirse que existe la posibilidad de obtener una
aproximación del resultado de la optimización cuando se varía un parámetro fijo,
partiendo de un estado óptimo anterior, donde se conocen las condiciones activas.
4.2.5 Obtención de la sensibilidad mediante el método de las

direcciones eficientes y actualizando el conjunto de condiciones
activas
Algunos autores plantean que la aproximación obtenida en los apartados

anteriores es válida para incrementos pequeños del parámetro[B2], sin que pueda
133
precisarse esa cuantía. El problema fundamental es que no se conocen cuales son las
condiciones activas a medida que se cambia el valor del parámetro p.
La formulación anterior permite que alguna condición deje de estar activa en la

nueva dirección al introducir la restricción g j (X* )T  S  0 como desigualdad. Sin
embargo, no se tiene en cuenta si alguna otra condición comienza a estar activa al variar
el valor de p. Si alguna condición inactiva pasa a ser activa, la dirección S puede variar
sustancialmente y el error puede ser mayor del esperado, incluso para pequeñas
variaciones del parámetro. Por ejemplo, en una situación donde la solución óptima al
problema se ha alcanzado en un punto donde existe un número J de condiciones activas,
pero existen otras condiciones cercanas a estarlo, es posible que una variación pequeña
del parámetro p haga que alguna condición nueva pase a ser activa. Si esto sucediera la
formulación anterior no sería válida.
Por ello, uno de los objetivos perseguidos en esta investigación ha sido mejorar
el planteamiento anterior para la obtención de soluciones óptimas aproximadas.
Conocido el  p  p  p * se podrá analizar si esta variación del parámetro puede
modificar o no el conjunto de condiciones activas. Para ello se pueden aproximar
linealmente en el entorno de la solución óptima el resto de condiciones que no son
activas y calcular el pact que hace que alguna condición comience a ser activa.
Aproximando linealmente en el entorno de X* el subconjunto de condiciones R

que no son activas se obtiene,
n
g r ( X* )
g r ( X)  g r ( X )  
*
 xi ; r  R (4.26)
i 1 xi
Imponiendo que sea condición activa,
g r ( X)  0 (4.27)
luego
134
n
g r ( X* )
g r ( X)  g r ( X )  
*
 xi  0 r  R (4.28)
i 1 xi
Dado que los valores de xi se pueden expresar de acuerdo con la expresión
(4.21) como
xi    si (4.29)
y sustituyendo dichos valores de en el sistema de ecuaciones anterior se obtiene:
n
g r ( X* )  g r ( X* )
gr (X )   r  
*
 si  0; r  n rR (4.30)
xi g r ( X* )
i 1
i 1 xi
 si
Por tanto, se tiene una ecuación para cada valor de r y de cada una estas
ecuaciones desacopladas se obtiene un valor de  que anula la condición
correspondiente, convirtiéndola en activa.
El valor más pequeño de  r se denominará  act y proporcionará el incremento

máximo del parámetro que se podrá realizar sin que aparezcan nuevas condiciones
activas y será:
pact   act  sn 1 (4.31)
En el caso de que pact  p , no será necesario actualizar el conjunto de
condiciones activas y por tanto se podrá obtener la solución óptima aproximada

resolviendo una única vez el problema (4.20) o (4.25). En el caso de que pact  p ,
será necesario actualizar el conjunto de condiciones activas y volver a realizar el
problema de optimización (4.20) o (4.25), pero partiendo de la nueva solución óptima
aproximada X*act, que se obtiene aplicando la ecuación (4.21) donde   act . A partir
de este punto se vuelve a formular el problema (4.20).
135
El diagrama de flujo de esta metodología aparece seguidamente en la Figura 4.2:
Figura 4.2. Diagrama de flujo. Análisis de sensibilidad de la solución óptima actualizando

las condiciones activas.
Con esta metodología solamente se precisan las derivadas primeras de la función

objetivo y de las condiciones de diseño, al contrario de lo que sucede en los métodos
anteriores. Además el problema de optimización resultante para la obtención de las
direcciones eficientes es poco costoso computacionalmente, ya que las funciones
involucradas son explícitas y el problema es lineal a excepción de la última restricción.
Dado que el objetivo es obtener una solución aproximada del diseño óptimo con poco
esfuerzo computacional, esta metodología será la que se aplicará en los ejemplos que se
desarrollan posteriormente. Si el coste computacional para la obtención del diseño
136
óptimo aproximado fuera elevado sería más conveniente realizar de nuevo la

optimización inicial con el nuevo valor del parámetro.
4.3 EJEMPLOS DE APLICACIÓN
4.3.1 Celosía de tres barras
El primer ejemplo que se ha escogido para aplicar la formulación anterior es

muy conocido en el ámbito de la optimización de estructuras[S2] y consiste en una
estructura de tres barras articuladas sometidas a una carga puntual tal y como se muestra
en la Figura 4.3.
1 2 3
L=1m
Q = 360 KN
E = 210000 MPa
Figura 4.3. Estructura de tres barras.
La estructura está solicitada por una carga puntual de valor Q aplicada en el

punto de unión de las tres barras y en la dirección que se indica en la Figura 4.3. Las
variables de diseño son el área de las barras oblicuas x1 y el área de la barra central x2.
El problema de optimización en este caso no es exactamente igual al original

consiste en minimizar el volumen de la estructura, de forma que la tensión normal en la
137
barra 1 no supere un determinado valor  máx y además se restringe el movimiento
vertical del nudo 1 a un valor de wmin   0.001m .
min F  (2 2  x1  x2 )  L (4.32a)
sujeto a
xi  1  10  5 i 1,2 (4.32b)
g   1   máx (4.32c)
g w  w1  wmin (4.32d)
Por ejemplo, para un valor de  máx  270MPa la solución óptima del problema
(4.32) es x1  10.516 cm 2 y x2  5.443 cm 2 donde el valor de la función objetivo es
F *  3520 cm3 , siendo la condición de tensión la única condición activa en el diseño

óptimo.
El parámetro que se ha escogido en este caso es la tensión máxima que se puede

alcanzar en la barra 1, es decir, p   máx , de forma que si se modificara este valor el
diseño óptimo sería otro.
Pues bien, a partir del diseño óptimo inicial X* se pretende obtener la solución
aproximada del mismo problema cuando se modifica el parámetro p, pero sin necesidad
de resolver nuevamente el problema de optimización inicial (4.32). Para ello se aplicará
la formulación presentada en los apartados 4.2.4 y 4.2.5. La primera formulación se
corresponde con el método de direcciones eficientes sin actualizar el conjunto de
condiciones activas, y la segunda, aplicando la actualización de condiciones activas
desarrollada en esta investigación.
En este ejemplo resulta sencillo expresar analíticamente la función objetivo tal y

como se muestra en la ecuación (4.32), así como las condiciones de diseño, cuyo valor
es:
138
x2  2 x1
g  Q   máx  0 (4.33a)
2 x1 x2  2 x12
QL
gw   wmin  0 (4.33b)
E ( x1  2 x2 )
La aplicación de la metodología basada en la búsqueda de las direcciones

eficientes requiere la definición de otro problema de optimización donde p   máx es
una nueva variable de diseño, es decir, x3=p. Además se necesita la información de los
gradientes tanto de la función objetivo como de las condiciones de diseño activas en el
diseño óptimo X*. Las expresiones analíticas de estos gradientes se pueden obtener de
forma sencilla, resultando:
F T ( X* )  (2 2 L, L ) (4.34a)
 x12  2 x1 x2  x22  
  2 Q 
 
 ( x1  2 x1 x2 )
2
 X  X* 
   0.217 
  2 x12     0.0767 
G ( X )   
*
Q (4.34b)
 ( 2 x 2  2 x x ) 2    
 1 1 2  X  X*   1 
 
 1 
 
 
Para este ejemplo se ha elegido una variación del parámetro positiva, lo que hace
posible el empleo de la formulación expuesta en (4.20), puesto que esta variación
contribuye a disminuir la función objetivo. Si se particulariza dicha expresión para los
valores calculados previamente, se obtiene el siguiente problema de optimización:
min F  (2 2  s1  s2 )  L (4.35a)
sujeto a
0.217  s1  0.0767  s2  s3  0 (4.35b)
s12  s22  s32  1  0 (4.35c)
139
Resolviendo el problema de optimización se obtiene la solución

S*  [0.9188, 0.3248,0.2243] , vector que contiene las direcciones de avance de las
variables de diseño al modificar el parámetro p, de forma que la función objetivo
disminuya lo máximo posible. Conforme con la formulación descrita en (4.23),
conocido el valor  p se puede obtener  y la nueva solución aproximada del diseño
óptimo. En la Tabla 4.1 se muestra la solución óptima X* al variar el parámetro
p   máx , el resultado aproximado X*aprox obtenido con la formulación (4.35), así como
el error cometido en las variables de diseño y la función objetivo. Además en las dos
últimas columnas se proporciona el porcentaje de violación de las condiciones de
diseño. Los resultados se proporcionan hasta un incremento del parámetro del 30% a
intervalos del 2 %.
Δp (%) p=σmáx x1* x2* x 1 * aprox x 2 * aprox ε x1 * (%) ε x2 * (%) ε F* (%) ε gσ (%) ε gw (%)
0 270.0 10.516 5.443 ----- ----- ----- ----- ----- ----- -----
2 275.4 10.310 5.337 10.294 5.365 -0.1 0.5 0.0 0.0 -----
4 280.8 10.111 5.234 10.073 5.287 -0.4 1.0 0.2 0.2 -----
6 286.2 9.920 5.135 9.852 5.209 -0.7 1.4 0.4 0.4 -----
8 291.6 9.646 5.301 9.631 5.131 -0.2 -3.2 0.7 0.6 1.5
10 297.0 9.375 5.493 9.410 5.052 0.4 -8.0 1.1 1.0 3.6
12 302.4 9.119 5.674 9.188 4.974 0.8 -12.3 1.6 1.5 5.7
14 307.8 8.876 5.846 8.967 4.896 1.0 -16.2 2.3 2.0 7.9
16 313.2 8.646 6.009 8.746 4.818 1.2 -19.8 3.1 2.6 10.2
18 318.6 8.427 6.163 8.525 4.740 1.2 -23.1 4.0 3.4 12.6
20 324.0 8.219 6.310 8.304 4.661 1.0 -26.1 5.0 4.2 15.1
22 329.4 8.021 6.450 8.082 4.583 0.8 -28.9 6.2 5.1 17.7
24 334.8 7.833 6.583 7.861 4.505 0.4 -31.6 7.5 6.2 20.5
26 340.2 7.653 6.710 7.640 4.427 -0.2 -34.0 8.9 7.3 23.3
28 345.6 7.481 6.832 7.419 4.349 -0.8 -36.3 10.5 8.6 26.3
30 351.0 7.317 6.948 7.198 4.270 -1.6 -38.5 12.2 10.0 29.5
Tabla 4.1. Resultado óptimo (X*) y resultado aproximado (X*aprox).
Para una mayor claridad expositiva de los resultados se ha realizado un gráfico

donde se compara el diseño óptimo y la solución aproximada al variar p y que se
muestra en la Figura 4.4.
140
Evolución del diseño óptimo
11.0
10.0
Sección transveral (cm 2)
9.0
8.0
x1*
7.0 x2*
x1*_aprox
6.0
x2*_aprox
5.0
4.0
0 5 10 15 20 25 30
∆p (%)
Figura 4.4. Diseño óptimo y diseño aproximado.
Al realizar las sucesivas optimizaciones del problema (4.32) incrementando el

parámetro p se ha observado que hasta un valor de p   máx  286.9 MPa la condición
de movimiento es pasiva y a partir de este valor las dos condiciones del problema son
activas. Es decir, a partir de un incremento del 6.25% del parámetro, la formulación
(4.35) resulta inadecuada para obtener aproximaciones de la solución óptima, pues no se
ha considerado la existencia de dos condiciones activas. Este hecho se puede observar
tanto en la Tabla 4.1 como en la Figura 4.4, donde a partir del punto indicado los errores
crecen significativamente. Esta forma de proceder, es decir, realizar optimizaciones
sucesivas del problema inicial (4.32) no es práctica y además sería muy costosa en
problemas de cierta complejidad.
Esta circunstancia, es decir, determinar el incremento del valor del parámetro

para el que aparece una nueva condición activa en el diseño óptimo, se puede conocer
de forma aproximada aplicando la ecuación (4.30), en la que es necesario obtener el
valor de la condición inactiva y de sus gradientes en el punto óptimo X*, que en este
caso son:
g w (X* )  0.05877 (4.36a)
141
g w ( X* ) QL
  5.1676 104 (4.36b)
x1 E ( x1  2 x2 )
* * 2
g w ( X * )  2QL
  7.3081 10 4 (4.36c)
x1 E ( x1  2 x2 )
* * 2
Con estos datos y aplicando (4.30) se obtiene
 g w ( X* )
 act   82.54 (4.37)
2
g w ( X* )

i 1 xi
 si
Por tanto, el valor aproximado del incremento máximo del parámetro necesario
para que la condición de movimiento resulte activa es Pact   act  s3  18.515MPa , que
se corresponde con un incremento del 6.86%, valor muy cercano al obtenido realizando
optimizaciones sucesivas.
Si se desea conseguir una aproximación al resultado óptimo con variaciones del

parámetro superiores al 6.86%, se puede volver a iniciar la búsqueda direcciones
eficientes pero partiendo de las nuevas variables de diseño aproximadas, cuyo valor en
cm2 es:
X*act  X*   act  S  [9.758,5.175] (4.38)
Además se precisan los gradientes aproximados de las condiciones de diseño

particularizados en este nuevo punto y que se pueden obtener como:
142
 x12  2 x1 x2  x22   QL  

  2 Q   2 
 
 ( x1  2 x1 x2 )  X  X*aprox  E ( x1  2 x2 )  X  X*aprox 
2
 
  2 x 2
   2 QL  
G ( X* )     1
Q   2 
 
 ( 2 x1
2
 2 x x
1 2 ) 2
 X  X*aprox  E ( x1  2 x2 )  X  X*aprox 
  (4.39)
 1 0 
 
 
 0.2508 5.879 10  3
 
  0.0873 8.314 103 
 1 0 
 
El gradiente de la función objetivo es constante y su valor es el indicado en

(4.34). Con esta información es posible reescribir el problema de optimización para la
búsqueda de las nuevas direcciones de avance, resultando:
min F  (2 2  s1  s2 )  L (4.40)
sujeto a
0.2508  s1  0.0873  s2  s3  0 (4.40a)
3 3
5.879 10 s1  8.314 10 s2  0 (4.40b)
s  s  s 1  0
2
1
2
2
2
3 (4.40c)
Ahora la solución al problema (4.40) es S*  [0.8069,0.5706,0.1526] , donde se

observa un cambio de signo en la dirección correspondiente a la variable x2. Esto quiere
decir que el área de la barra vertical x2 debe aumentar una vez que la condición de
movimiento en el nudo 1 se activa. Este hecho se puede observar en la evolución del
resultado óptimo X* al variar p mostrado en la Figura 4.4.
Resulta de nuevo interesante contrastar los valores del diseño óptimo real y de la
solución aproximada obtenida con esta formulación. En la Tabla 4.2 y en la Figura 4.5
se muestran los resultados de los valores óptimos y los aproximados de la solución
óptima para valores del parámetro superiores al 6.86%.
143
6.86 288.5 9.809 5.186 9.758 5.175 -0.5 -0.2 0.5 0.5 0.4
8 291.6 9.646 5.301 9.515 5.347 -1.4 0.9 1.0 1.0 0.4
10 297.0 9.375 5.493 9.229 5.549 -1.6 1.0 1.1 1.2 0.4
12 302.4 9.119 5.674 8.944 5.751 -1.9 1.4 1.3 1.4 0.4
14 307.8 8.876 5.846 8.658 5.953 -2.5 1.8 1.7 1.8 0.4
16 313.2 8.646 6.009 8.373 6.155 -3.2 2.4 2.1 2.3 0.4
18 318.6 8.427 6.163 8.087 6.357 -4.0 3.1 2.6 2.9 0.4
20 324.0 8.219 6.310 7.802 6.558 -5.1 3.9 3.3 3.7 0.4
22 329.4 8.021 6.450 7.516 6.760 -6.3 4.8 4.0 4.7 0.4
24 334.8 7.833 6.583 7.230 6.962 -7.7 5.8 4.8 5.8 0.4
26 340.2 7.653 6.710 6.945 7.164 -9.3 6.8 5.8 7.2 0.4
28 345.6 7.481 6.832 6.659 7.366 -11.0 7.8 6.8 8.7 0.4
30 351.0 7.317 6.948 6.374 7.568 -12.9 8.9 8.0 10.5 0.4
Tabla 4.2 Resultados óptimos y su aproximación actualizando las condiciones de

diseño.
11.0
10.0
Sección transveral (cm 2 )
9.0
8.0
x1*
7.0 x2*
x1*_aprox
6.0
x2*_aprox
5.0
4.0
0 5 10 15 20 25 30
∆p (%)
Se puede observar en los resultados como el hecho de considerar las dos

condiciones activas ha rectificado la evolución de la variable x2, de forma que la
solución aproximada presenta un mejor ajuste a la solución óptima que en el caso
anterior. No obstante, en la Figura 4.5 se puede apreciar como la solución aproximada
se separa de la solución óptima a medida que se incrementa el parámetro, obteniendo
errores significativos para valores del 30% de incremento.
Un criterio adicional para establecer el aumento máximo del parámetro que se

puede aplicar con las direcciones eficientes obtenidas anteriormente es limitar el
144
porcentaje de violación de las condiciones de diseño. Estos valores se muestran en las

dos últimas columnas de la Tabla 4.2. En este caso se ha fijado un valor máximo del 2%
de violación, que se alcanza para valores del parámetro superiores al 14%. Por tanto,
procediendo como en el caso donde se modificaba el conjunto de condiciones activas y
obteniendo la solución aproximada para ∆p=14% se puede volver a plantear el
problema de búsqueda de direcciones eficientes partiendo de esta solución aproximada.
De forma similar a los casos anteriores se muestra en la Tabla 4.3 y en la Figura 4.6 la
solución obtenida, calculando de nuevo las direcciones eficientes a partir del 14% de
incremento.
14 307.8 8.876 5.846 8.658 5.953 -2.5 1.8 1.7 1.8 0.4
16 313.2 8.646 6.009 8.418 6.19 -2.6 3.0 1.5 1.7 -0.2
18 318.6 8.427 6.163 8.193 6.349 -2.8 3.0 1.6 1.9 -0.2
20 324.0 8.219 6.310 7.968 6.508 -3.1 3.1 1.8 2.1 -0.2
22 329.4 8.021 6.450 7.743 6.667 -3.5 3.4 2.0 2.4 -0.2
24 334.8 7.833 6.583 7.518 6.826 -4.0 3.7 2.3 2.8 -0.2
26 340.2 7.653 6.710 7.293 6.986 -4.7 4.1 2.7 3.4 -0.2
28 345.6 7.481 6.832 7.068 7.145 -5.5 4.6 3.2 4.0 -0.2
30 351.0 7.317 6.948 6.843 7.304 -6.5 5.1 3.7 4.8 -0.2
Tabla 4.3 Resultados óptimos y su aproximación actualizando las direcciones

eficientes.
11.0
10.0
Sección transveral (cm 2)
9.0
8.0
x1*
7.0 x2*
x1*_aprox
6.0
x2*_aprox
5.0
4.0
0 5 10 15 20 25 30
∆p (%)
145
A la vista de la Figura 4.6 se puede observar como el ajuste de la solución es

mejor, reduciendo a menos de la mitad el error cometido tanto en las variables de diseño
como en la función objetivo si se compara con la solución anterior.
4.3.2 Celosía de diez barras
El ejemplo de la estructura plana de nudos articulados presentado en la Figura

4.7 es un problema ampliamente conocido en el ámbito de la optimización de
estructuras[B3] y se ha utilizado en este caso para la aplicación nuevamente de la
metodología explicada en los apartados 4.2.4 y 4.2.5.
3.6 3.6
3.6
Figura 4.7. Estructura en celosía de 10 barras.
Se trata de una estructura de diez barras de nudos articulados solicitada por dos
cargas verticales de valor Q=1kN. Se considera comportamiento del material elástico y
lineal con módulo de Young E=210000 MPa. En este problema la función objetivo F es
el volumen de la estructura, las variables de diseño son las secciones transversales de las
barras xi y las condiciones de diseño son de tres tipos:
1. Condiciones de tensión: el valor absoluto de las tensiones normales debe

ser inferior a 250 MPa en todas las barras.
146
2. Condición de movimiento en el nudo 5: el movimiento vertical w de este

nudo está limitado a un valor wmáx .
3. Límites laterales de las variables: se establece un valor mínimo del área

en todas las barras de 0.1 cm2.
El problema de optimización queda formulado de la siguiente manera:
min F   xi  li (4.41a)
sujeto a
xi  0.1 i  1,...,10 (4.41b)
250   i  250 i  1,...,10 (4.41c)
 w5  wmáx (4.41d)
En este caso el parámetro que se ha escogido para realizar variaciones es el

máximo movimiento vertical permitido en el nudo 5, es decir, p  wmáx .
La resolución del problema (4.41) se realiza con un código de optimización,

pero en este ejemplo no se conocen las expresiones analíticas de las condiciones de
diseño y por tanto es necesario recurrir a un código de análisis matricial de estructuras
para obtener los valores de dichas condiciones de diseño en cada iteración. El código de
análisis de estructuras empleado ha sido MSC/NASTRAN.
En primer lugar se ha obtenido la solución óptima del problema (4.41) para

distintos valores del parámetro p  wmáx y el resultado es el que se muestra en la Tabla
4.4.
147
xi (cm2) p =0.01 p =0.015 p =0.02 p =0.03

x1 28.672 18.966 14.350 9.332
x2 0.100 0.100 0.100 0.100
x3 21.944 15.212 10.847 8.003
x4 14.651 9.859 7.270 4.632
x5 0.100 0.100 0.100 0.100
x6 0.100 0.100 0.100 0.100
x7 7.290 6.083 5.534 5.661
x8 19.711 12.745 9.913 6.557
x9 20.738 13.919 10.293 6.552
x10 0.100 0.100 0.100 0.100
Tabla 4.4 Resultados del diseño óptimo para diferentes valores de p.
En este ejemplo se han tomado cuatro valores distintos de partida para el

parámetro p=wmáx que se muestran en la Tabla 4.4. Los resultados que se obtienen para
las variables de diseño tras resolver el problema de optimización también se presentan
en dicha tabla.
Posteriormente, se han realizado variaciones del parámetro del 10%, 25% y

50%, obteniendo el resultado tanto mediante la resolución directa del problema de
optimización definido en (4.41) como la solución aproximada empleando la
metodología basada en la búsqueda de direcciones eficientes. A continuación se
muestran tres tablas donde se proporciona el valor de la solución óptima X* y el valor de
la aproximación X*aprox al aplicar los porcentajes de variación indicados anteriormente
sobre el parámetro p. En la parte inferior de cada tabla se refleja el valor y el error
cometido en la aproximación de la función objetivo para cada caso.
148
p+ Δp =0.011 p+ Δp =0.0165 p+ Δp =0.022 p+ Δp =0.033

Variable X* X*_aprox X* X*_aprox X* X*_aprox X* X*_aprox
x1 26.006 27.357 17.181 17.989 13.179 13.614 8.318 8.695
x2 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
x3 20.112 20.699 13.955 14.317 9.422 10.099 8.044 7.998
x4 13.354 13.363 8.990 8.916 6.544 6.531 4.121 3.982
x5 0.100 0.450 0.100 0.321 0.100 0.347 0.100 0.212
x6 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
x7 7.018 6.023 5.778 5.180 5.542 5.223 5.720 5.654
x8 17.791 17.809 11.483 11.307 9.300 8.879 5.834 5.686
x9 18.898 18.916 12.705 12.585 9.259 9.248 5.833 5.633
x10 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
F 43820.549 44159.435 29860.409 29879.081 22920.984 23024.102 16384.567 16283.122

Error F (%) - 0.8 - 0.1 - 0.4 - -0.6
Tabla 4.5 Resultados para ∆p=10 % con diferentes valores iniciales del
parámetro p.
p+ Δp =0.0125 p+ Δp =0.0188 p+ Δp =0.025 p+ Δp =0.0375

x1 22.829 25.384 15.191 16.177 11.573 12.511 7.938 7.740
x2 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
x3 17.919 18.832 12.010 12.423 8.301 8.976 8.062 7.991
x4 11.775 11.431 7.853 7.071 5.743 5.423 3.938 3.007
x5 0.100 0.976 0.100 0.100 0.100 0.718 0.100 0.381
x6 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
x7 6.640 4.122 5.531 2.139 5.572 4.757 5.745 5.644
x8 15.509 14.955 10.270 8.801 8.153 7.330 5.569 4.379
x9 16.664 16.184 11.093 9.974 8.128 7.681 5.569 4.253
x10 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
F 38827.291 38458.880 26470.367 29435.616 20506.263 20132.633 15931.823 14273.718

Error F (%) - -0.9 - 11.2 - -1.8 - -10.4
parámetro p.
149
p+ Δp =0.015 p+ Δp =0.0225 p+ Δp =0.0375 p+ Δp =0.045

x1 18.966 22.096 12.880 13.388 7.938 8.394 7.938 6.148
x2 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
x3 15.212 15.720 9.219 9.634 8.062 5.019 8.062 7.979
x4 9.859 8.211 6.395 4.282 3.938 2.540 3.938 1.381
x5 0.100 1.851 0.100 0.100 0.100 1.005 0.100 0.661
x6 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
x7 6.083 0.954 5.547 0.100 5.745 4.675 5.745 5.627
x8 12.745 10.199 9.086 4.857 5.569 3.707 5.569 2.201
x9 13.919 11.630 9.049 6.029 5.569 3.598 5.569 1.955
x10 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
F 32684.166 28958.085 22473.673 15581.626 15931.823 12326.985 15931.823 10924.688

Error F (%) - -11.4 - -30.7 - -22.6 - -31.4
parámetro p.
El error cometido para un aumento del 10% del parámetro es muy pequeño,
mientras que para un incremento del 25% y del 50% los errores máximos alcanzan el
11% y 31% respectivamente. Es importante destacar que el diseño inicial a partir del
cual se realiza la aproximación es un factor determinante a la hora de obtener resultados
satisfactorios. Así por ejemplo para incrementos del 25% del parámetro partiendo de
p=0.02 cm la aproximación es válida, mientras que si se parte de p=0.03 cm los errores
son mucho mayores. El principal motivo de esta circunstancia es que para algunos
valores iniciales de p, el conjunto de condiciones activas no se modifica hasta que ∆p no
adopta valores muy grandes, lo que permite obtener la solución aproximada con errores
relativamente bajos. Por el contrario, para algunos valores iniciales de p modificaciones
menores del parámetro altera el conjunto de condiciones activas ocasionando la
aparición de errores elevados en la solución aproximada.
Lo que se acaba de comentar constituye un inconveniente, por ello uno de los

objetivos de esta investigación era formular una técnica que lo eliminase. En este
ejemplo se ha aplicado la metodología explicada en el apartado 4.2.5 y que aparece
descrita en el diagrama de flujo de la Figura 4.2, cuyos resultados se muestran en las
siguientes tablas:
150
p+ Δp =0.011 p+ Δp =0.0165 p+ Δp =0.022 p+ Δp =0.033

x1 26.006 27.357 17.181 17.989 13.179 13.614 8.318 8.695
x2 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
x3 20.112 20.699 13.955 14.317 9.422 10.099 8.044 7.998
x4 13.354 13.363 8.990 8.916 6.544 6.531 4.121 3.982
x5 0.100 0.450 0.100 0.321 0.100 0.347 0.100 0.212
x6 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
x7 7.018 6.023 5.778 5.180 5.542 5.223 5.720 5.654
x8 17.791 17.809 11.483 11.307 9.300 8.879 5.834 5.686
x9 18.898 18.916 12.705 12.585 9.259 9.248 5.833 5.633
x10 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
F 43820.549 44159.435 29860.409 29879.081 22920.984 23024.102 16384.567 16283.122

Error F (%) - 0.8 - 0.1 - 0.4 - -0.6
parámetro p, actualizando las condiciones activas.
p+ Δp =0.0125 p+ Δp =0.0188 p+ Δp =0.025 p+ Δp =0.0375

x1 22.829 25.627 15.191 16.850 11.573 12.511 7.938 7.933
x2 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
x3 17.919 19.058 12.010 13.141 8.301 8.976 8.062 8.060
x4 11.775 11.668 7.853 7.763 5.743 5.423 3.938 3.835
x5 0.100 0.920 0.100 0.701 0.100 0.718 0.100 0.100
x6 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
x7 6.640 4.421 5.531 4.800 5.572 4.757 5.745 5.755
x8 15.509 15.298 10.270 9.727 8.153 7.330 5.569 5.426
x9 16.664 16.519 11.093 10.956 8.128 7.681 5.569 5.427
x10 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
F 38827.291 39190.345 26470.367 26940.484 20506.263 20132.633 15931.823 15752.070

Error F (%) - 0.9 - 1.8 - -1.8 - -1.1
151
p+ Δp =0.015 p+ Δp =0.0225 p+ Δp =0.0375 p+ Δp =0.045

x1 18.966 23.521 12.880 14.871 7.938 7.932 7.938 7.933
x2 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
x3 15.212 16.873 9.219 11.106 8.062 8.057 8.062 8.060
x4 9.859 9.531 6.395 5.764 3.938 3.939 3.938 3.835
x5 0.100 1.546 0.100 1.363 0.100 0.100 0.100 0.100
x6 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
x7 6.083 3.781 5.547 4.069 5.745 5.718 5.745 5.755
x8 12.745 12.430 9.086 6.977 5.569 5.572 5.569 5.426
x9 13.919 13.496 9.049 8.128 5.569 5.535 5.569 5.427
x10 0.100 0.100 0.100 0.100 0.100 0.100 0.100 0.100
F 32684.166 33776.432 22473.673 21802.542 15931.823 15898.559 15931.823 15752.070

Error F (%) - 3.3 - -3.0 - -0.2 - -1.1
Los resultados ponen de manifiesto que el hecho de actualizar las condiciones

activas del problema mejora sustancialmente el error cometido en la aproximación del
diseño óptimo. Atendiendo al error cometido en la función objetivo, se puede observar
que para incrementos del parámetro del 25% los errores pasan de ser de un valor en
torno al 10% a ser del 2%, y para incrementos del parámetro del 50% se reduce el error
del 30% al 3%.
4.3.3 Panel de fuselaje de un avión
4.3.3.1 Introducción
El cálculo de soluciones aproximadas del diseño óptimo cuando se varía un

parámetro fijo resulta propicio cuando el proceso de optimización es costoso. Este coste
computacional depende básicamente de dos factores: del tamaño del problema de
optimización, es decir, el número de variables y condiciones de diseño, y de la
complejidad del tipo de análisis que es necesario realizar para obtener el valor de las
condiciones de diseño y función objetivo en cada iteración.
En este apartado se aplica la metodología empleada en los ejemplos anteriores a

un modelo estructural más complejo y que se corresponde con un caso de estructura
152
real. Se trata de un panel de aluminio rigidizado mediante barras longitudinales y

transversales perteneciente a una región del fuselaje de un avión. Esta tipología es la
más habitual en estas estructuras y en la Figura 4.8 se muestra un ejemplo real de la
misma. En dicha fotografía se ha marcado una zona similar al panel que se estudia en
este ejemplo. Las características mecánicas y geométricas del modelo se proporcionan
en el siguiente apartado.
Figura 4.8. Estructura real del fuselaje de un avión y panel objeto de estudio.
El procedimiento que se va a seguir es obtener en primer lugar el diseño óptimo

que minimice el peso del panel y que cumpla una serie de restricciones que se definirán
más adelante, y en segundo lugar obtener la solución óptima aproximada cuando se
varía un determinado parámetro fijo. Los resultados se compararán con la solución
óptima correspondiente a cada valor del parámetro, determinando así la precisión de la
aproximación.
153
4.3.3.2 Definición del modelo geométrico y del modelo estructural
Como se ha comentado, el ejemplo que aquí se expone es un panel curvilíneo de

radio constante correspondiente a una parte del fuselaje cilíndrico de una aeronave. En
la Figura 4.9 se muestra una imagen de la geometría del modelo que está formado por
tres elementos estructurales: la piel o superficie externa del panel, los rigidizadores
transversales y los rigidizadores longitudinales. Como ya se ha dicho, se trata de la
configuración más habitual de la estructura del fuselaje de un avión y por tanto es un
ejemplo muy realista desde el punto de vista industrial.
El panel tiene una longitud de 1450 mm y el desarrollo en curva de su altura es

de 580 mm, con un radio de curvatura de valor r=1500 mm. La separación entre
rigidizadores longitudinales es de 160 mm mientras que la separación entre
rigidizadores transversales es de 450 mm, tal y como se indica en la Figura 4.9. Los
rigidizadores extremos se encuentran a una distancia de 50 mm del borde del panel.
Figura 4.9. Modelo geométrico. Dimensiones en mm.
La geometría de los rigidizadores es en forma de Z y las dimensiones en

milímetros son las que se indican en la Figura 4.10.
154
Figura 4.10. Sección de los rigidizadores transversales (izq.). Sección de los rigidizadores
longitudinales (dcha.). Dimensiones en mm.
Figura 4.11. Detalle de la posición de los rigidizadores.
A partir del modelo geométrico anterior se realiza un modelo de elementos

finitos en el programa ABAQUS/CAE v 6.9-2, que servirá para obtener las respuestas
estructurales necesarias para verificar si el diseño es válido. Este modelo estructural
cuenta con 8442 grados de libertad y la malla de elementos finitos es la que aparece en
la Figura 4.12.
155
Figura 4.12. Malla de elementos finitos del panel.
Se han utilizado elementos de cuatro nudos tipo lámina a flexión con integración
reducida para la piel, cuya denominación en este código es S4R[A1]. La discretización de
la malla de la piel se ha realizado de forma que existan diez elementos entre cada
rigidizador longitudinal y entre cada rigidizador transversal. Se ha considerado un
espesor de 1.5 mm.
Para la modelización de los rigidizadores se han utilizado elementos tipo barra,

cuya denominación en este código es B31[A1]. Los elementos tipo barra se han modelado
con una discretización independiente de la piel, de forma que ambas mallas no son
compatibles. Para establecer la compatibilidad de movimientos entre ellas se recurre a la
herramienta de vinculación denominada Mesh Tie[A1] en el programa ABAQUS, donde
se define la piel como superficie maestra y los rigidizadores como elementos esclavos.
De esta forma se puede modificar independientemente la malla de cada elemento
estructural, sin necesidad de fundir nudos.
De acuerdo con las especificaciones recogidas en el texto de C.T. Sun[S3], el

material empleado ha sido aluminio tipo AL2024-T3 para la piel y aluminio tipo
AL7075-T6 para los rigidizadores. Las características técnicas del material necesarias
156
para el tipo de análisis que se va a realizar en este capítulo son las recogidas en la Tabla
4.11.
Tabla 4.11 Características de los materiales[S3].
Las condiciones de contorno de la estructura se establecen sobre las aristas del

panel y de acuerdo con la nomenclatura de la Figura 4.13 son:
- Curva L1: empotramiento.

- Curva L2, L3 y L4: se impiden todas la rotaciones y el movimiento normal al
plano que forman los cuatro vértices del panel.
L2
L3
L1
L4
Figura 4.13. Condiciones de contorno.
157
Se han considerado dos hipótesis de carga sobre el panel, correspondientes a dos

tipos de análisis diferentes que se han llevado a cabo en el proceso de optimización y
que son:
- Análisis estático con no linealidad geométrica

Se realiza un análisis estático con no linealidad geométrica para la hipótesis de carga
correspondiente a la diferencia de presión entre el interior y el exterior del fuselaje,
que en este caso se limita a 0.0621 MPa, tomando como referencia el valor que se
especifica en el artículo de Rouse M. et al. [R1]. En la Figura 4.14 se puede observar
la carga de presión introducida en el modelo estructural.
Figura 4.14. Presión interna de 0.0621 MPa para análisis estático.
- Análisis a pandeo
Se lleva a cabo una comprobación a pandeo de la estructura, para la siguiente
configuración de carga: se aplica una carga distribuida uniforme paralela al contorno
en los tres lados no empotrados del panel de valor 0.5KN/m y una carga axial de
1KN/m en el lado opuesto al empotrado, como se indica en la Figura 4.15. Se elige
un estado de cargas unitario de forma que el autovalor calculado sea directamente la
carga crítica de pandeo.
158
0.5KN/m
1KN/m
0.5KN/m
0.5KN/m
Figura 4.15. Carga para análisis a pandeo.
4.3.3.3 Formulación del problema de optimización
Hasta el momento se ha definido un modelo estructural inicial, con un

dimensionamiento determinado que en principio no tiene por qué cumplir ninguna
condición de diseño. Además es posible que aún incumpliendo condiciones de diseño el
peso de la estructura sea superior al necesario. Bajo estas circunstancias se plantea
definir un problema de optimización para dimensionar esta estructura, donde el objetivo
es minimizar el peso de la estructura exigiendo una serie de requisitos al diseño. Para
ello será necesario definir con precisión aquellos aspectos del diseño inicial que se
podrán modificar para obtener el resultado deseado, es decir, las variables de diseño.
Además será necesario establecer las condiciones de diseño y formular la función
objetivo. A continuación se detallan todos los elementos que permiten definir el
problema de optimización:
Variables de diseño
Como variables de diseño se han considerado el espesor de la piel, y

dimensiones geométricas de la sección transversal de los rigidizadores, tanto
longitudinales como transversales. En la Tabla 4.12 se listan las variables de diseño,
indicando los valores iniciales y los límites superiores e inferiores admisibles, y en la
Figura 4.16 se representa la dimensión correspondiente a cada variable de diseño.
159
Variable Descripción Mín Inicial Máx

Pe Espesor de la Piel (mm) 0.4 1.5 3
T1 Longitud del ala inferior del rigidizador Transversal (mm) 5 25 50
T2 Longitud del ala superior del rigidizador Transversal (mm) 5 15 50
TA Altura del alma del rigidizador Transversal (mm) 20 60 100
TB Altura de los bordes extremos del rigidizador Transversal (mm) 1 8 20
Te Espesor de los elementos del rigidizador Transversal (mm) 0.5 2 5
L1 Longitud del ala inferior del rigidizador Longitudinal (mm) 5 22 50
L2 Longitud del ala superior del rigidizador Longitudinal (mm) 5 15 50
LA Altura del alma del rigidizador Longitudinal (mm) 10 25 50
LB Altura del borde extremo del rigidizador Longitudinal (mm) 1 6 20
Le Espesor de los elementos del rigidizador Longitudinal (mm) 0.5 2 5
Tabla 4.12 Variables de diseño. Límite inferior, valor inicial y límite superior.
Figura 4.16. Variables de diseño: rig. transversal (izq.), rig. longitudinal (drcha.) y piel del
fuselaje (abajo).
Condiciones de diseño
El primer conjunto de condiciones de diseño introducidas en el problema de

optimización hace referencia a los límites laterales de las variables de diseño, es decir,
se establecen unos valores mínimos y máximos para cada una de las variables a fin de
160
que el diseño final sea susceptible de ser fabricado. Estas condiciones de diseño se han
especificado en la Tabla 4.12.
El segundo grupo de condiciones de diseño limitan alguna de las respuestas

obtenidas en los dos tipos de análisis que se llevan a cabo sobre el modelo y que se han
descrito en el apartado 4.3.3.2. Estas condiciones se han agrupado en función del tipo de
análisis y son:
- Condiciones de diseño para el análisis estático

De acuerdo con lo especificado en el artículo de referencia[R1], se limita a 0.004
m/m el valor absoluto de las deformaciones principales  máx en la piel para la
hipótesis de carga descrita en el apartado 4.3.3.2.
Esta condición de diseño se normaliza a fin de que la tolerancia en el error
cometido para establecer la convergencia del algoritmo sea equiparable en todas
las condiciones de diseño del problema de optimización. De esta forma quedaría
expresada como:
250   máx  1  0 (4.42)
- Condiciones de diseño para el análisis a pandeo

A partir de la respuesta estructural del modelo frente al análisis a pandeo se han
establecido dos tipos de condiciones de diseño que son:
1. Condición sobre el factor de pandeo λ

Se fija un factor de pandeo mínimo λ > λmin, y en este caso se ha elegido el
valor de λmin=125. La carga de pandeo crítica será el resultado de multiplicar
este factor por el estado de cargas definido en el apartado 4.3.3.2. De nuevo
se normaliza la condición de diseño, resultando:
1  0.008  0 (4.43)
161
2. Condición sobre la amplitud del modo de pandeo

Se limita el movimiento de los rigidizadores a un valor inferior al 5% del
movimiento máximo que se produzca en el modo de pandeo correspondiente.
Dado que el modo de pandeo está normalizado a la unidad, la condición de
diseño se reduce a imponer que el movimiento de todos los nudos de los
rigidizadores sea inferior a umáx=0.05. De nuevo en la formulación de la
condición se adopta su forma normalizada por el motivo que se ha
comentado anteriormente, lo que lleva a la expresión siguiente:
20  u k i  1  0 i, k (4.44)
donde u k i es la resultante del movimiento en el nudo i del rigidizador k.
Con esta condición de diseño se evita el pandeo global del panel, obligando a
que el modo de pandeo se produzca localmente entre dos rigidizadores. En la
Figura 4.17 se muestra el modo de pandeo global y el modo de pandeo local
si se introduce esta condición de diseño.
Figura 4.17. Pandeo global no deseado (izq.). Pandeo local (drcha.)
El último grupo de condiciones de diseño que se ha introducido al problema de

optimización limita la esbeltez de cada uno de los elementos que forman la sección
transversal de los rigidizadores. De esta forma se impide la aparición de pandeos locales
del alma o de las alas que forman los perfiles en Z. Si no se introduce este tipo de
condiciones la solución del problema de optimización tendería a introducir elementos
162
demasiado esbeltos. Este resultado sería válido para cumplir el resto de condiciones con
una menor cantidad de material, pero que sin embargo no estarían bien dimensionados
porque se producirían pandeos locales dentro de la propia sección transversal.
Para establecer los límites de esbeltez se ha recurrido a las recomendaciones del

Eurocódigo 9 para proyectos de estructuras de aluminio[E1]. En dicho documento se hace
una clasificación de las secciones transversales en 4 tipos que son: sección transversal
Clase 1, Clase 2, Clase 3 y Clase 4. Atendiendo a las definiciones del Eurocódigo se
establece que las secciones transversales de este ejemplo pertenecen a Clase 3, es decir,
no se plantea la posibilidad de que se alcance el momento plástico en ninguna sección.
Una vez clasificada la sección de acuerdo con el Eurocódigo 9, se obtiene el

parámetro de esbeltez β definido como
b
 (4.45)
t
donde b es la longitud del elemento y t es el espesor de la chapa. Este parámetro deberá

cumplir la condición  2     3 de acuerdo con los valores que se dan en la Tabla
4.13, que están asociados al parámetro ε.
Tabla 4.13 Parámetros de esbeltez extraídos del Eurocódigo 9.
163
El valor ε se puede obtener a partir del límite elástico del material de los
rigidizadores que en este caso es aluminio tipo AL7075-T6, valor que se ha
proporcionado en la Tabla 4.11. Aplicando la fórmula indicada en la tabla anterior se
obtiene ε=0.714.
La normativa diferencia entre dos tipos de elementos en una sección transversal

en función de si sus extremos están arriostrados o no. De esta forma denomina
elementos sobresalientes a aquellos que tienen un borde libre y otro arriostrado, y
elementos internos a aquellos que tienen sus dos extremos arriostrados.
Respecto a las características del material cabe indicar que este tipo de aluminio
está tratado térmicamente[A2] y en la colocación de los rigidizadores no se emplea
soldadura para evitar corrosión en la zona de aplicación de la misma.
Con estas consideraciones ya se tiene la información necesaria para ir a la Tabla

4.13 y conocer los valores de β2 y β3 que permiten establecer las condiciones de diseño
que evitan el pandeo local de los elementos que forman las secciones en Z de los
rigidizadores. No se plantea la posibilidad de pandeo local del ala inferior debido a que
se encuentra solidariamente unido a la parte interior de la piel y por tanto no es
susceptible de pandear.
Las condiciones de esbeltez consideradas son:
1. Condición sobre pandeo del alma

El alma de la sección transversal se encuentra arriostrada en sus dos extremos, por
lo tanto se considera elemento interno y entrando en la Tabla 4.13 se obtienen los
valores β2=16ε y β3=22ε. Recordando que ε=0.714 resulta la condición de
esbeltez siguiente:
 LA
11.423  Le  15.714
11.423    15.714   (4.46)
11.423  TA  15.714
 Te
164
Caapítulo 4 AN
NÁLISIS DE SENSIBILIDA
S AD DE LA SOLUCIÓN
S Ó
ÓPTIMA RESP
PECTO A
LO
OS PARÁMETTROS FIJOS
donde LA
A, Le, TA y Te
T son las variables
v de diseño espeecificadas een la Figura 4.16. El
modo de pandeo local quee se deseea evitar es el que muestra en la
Figura 4.18.
Figura 4.18. Pandeeo local del alma.

a
2. Condición sobre el pandeo

p del ala
a superiorr
De formaa análoga all caso anterior este elem
mento se enncuentra arrriostrado en
n sus dos
extremos, por tanto se considerrará elementto interno y de acuerdoo con la Taabla 4.13
se obtiennen los valoores β2=166ε y β3=2
22ε, quedanndo definidda la cond
dición de
diseño coomo:
 L1
 11.423   15.714
Le
111.423    15.714   (4.47)
11.423  T 1  15.714
 Te
donde L11, Le, T1 y Te son las variables de

d diseño esspecificadass en la Figu
ura 4.16.
Con esta limitación se evita el modo de paandeo que se
s puede obbservar en la
l Figura
4.19.
Figura 4.119. Pandeo lo

ocal del ala superior.
165
1
3. Condición sobre el pandeo de los elementos extremos de la sección

Este elemento de la sección se encuentra arriostrado únicamente en uno de los
extremos por lo tanto se considerará elemento sobresaliente, según la terminología
de la norma. Los datos obtenidos de la Tabla 4.13 son en este caso β2=4.5ε y β3=5ε
y la condición de esbeltez queda expresada de la siguiente manera:
 LB
3.214  Le  3.571
3.214    3.571   (4.48)
 3.214  TB  3.571
 Te
donde LB, Le, TB y Te son las variables de diseño especificadas en la Figura 4.16.
Con esta limitación se evita el modo de pandeo que se observa en la Figura 4.20.
Figura 4.20. Pandeo local del ala extrema (izq.) y detalle de la deformada (drcha.).
Función objetivo
El problema de optimización se completa definiendo la función objetivo que se

desea maximizar o minimizar. En este caso optimizar la eficacia de la estructura del
fuselaje lleva a intentar minimizar el peso de la estructura por unidad de superficie de la
piel. Dado que las dimensiones del modelo son conocidas y también se conoce la
densidad del material, que se ha proporcionado en la Tabla 4.13, es posible expresar
analíticamente la masa de cada una de los elementos estructurales de la siguiente
manera:
166
 Masa de los rigidizadores transversales en kg/mm2
MT = 0.006496  Te  (2  TB+TA+T1- 2  Te+T2 - 2  Te) (4.49)
 Masa de los rigidizadores longitudinales en kg/mm2
ML = 0.01624  Le  (LB+ LA+ L1 - Le+ L2 - 2  Le) (4.50)
 Masa de la piel kg/mm2
MP = 2.3548  Pe (4.51)
La función objetivo definida en función de los valores obtenidos anteriormente y

expresada en kg/m2 resulta:
(MT  ML  MP)
F = 1106  1.189  (MT  ML  MP) (4.52)
1450  580
Con todos los datos proporcionados en este apartado queda definido el problema
de optimización. A modo de resumen, el problema de optimización que se ha planteado
consiste en minimizar el peso por metro cuadrado del panel, modificando el espesor de
la piel y las dimensiones de la sección transversal de los rigidizadores. Como exigencias
al modelo se establece un valor máximo para el valor de las deformaciones principales
para un caso de carga estático y un factor de pandeo mínimo para otra hipótesis de carga
definida anteriormente. Además se impide el pandeo global del panel y el pandeo local
de los elementos que forman la sección transversal de los rigidizadores.
A continuación se explicará la forma en la que se ha llevado a cabo la resolución

del problema de optimización, se presentarán resultados del mismo y posteriormente se
abordará el problema de análisis de sensibilidad respecto a determinados parámetros
fijos.
167
4.3.3.4 Proceso de optimización
Para resolver el problema planteado en el apartado anterior se ha empleado un

código de optimización denominado VisualDoc 6.2[V2], mientras que las respuestas
estructurales del modelo se han obtenido mediante el código ABAQUS/CAE v6.9-2.
Necesariamente ambos códigos deben estar comunicados puesto que el proceso de
optimización sigue un esquema iterativo donde la salida de resultados del código de
optimización proporciona la entrada de datos para el análisis estructural, y asimismo la
respuesta estructural proporciona los valores de entrada para el código de optimización.
Este proceso de comunicación se ha realizado mediante un script escrito en lenguaje
Python generado con la aplicación VisualScript 6.2[V2]. Este script realiza las siguientes
funciones:
1. Lee el fichero de entrada del modelo de ABAQUS, denominado modelo.inp

e identifica los valores del mismo que son variables de diseño, escribiéndolas
en el archivo de texto dvar.txt.
2. Ejecuta el análisis estático y a pandeo del modelo generado en ABAQUS.
3. Extrae los resultados de las condiciones de diseño que se han obtenido
mediante el análisis anterior y los escribe en el fichero resp.txt.
4. Transfiere los datos de dvar.txt y resp.txt al optimizador VisualDoc.
5. A continuación VisualDoc obtiene los gradientes de la función objetivo y de
las condiciones de diseño mediante diferencias finitas, hecho que requiere la
modificación de cada una de las variables de diseño y el consiguiente
análisis del modelo en ABAQUS. Tras la aplicación del método de
optimización, que en este caso se ha optado por el método de programación
cuadrática secuencial implementado en el programa VisualDoc, se obtiene el
valor de las nuevas variables de diseño.
6. Por último modifica el modelo de ABAQUS sustituyendo los valores de las
nuevas variables de diseño, finalizando así una iteración del bucle.
El esquema iterativo anterior finaliza cuando se alcanzan los criterios de

convergencia establecidos para el método de optimización que son:
168
- Máximo cambio en valor absoluto de la función objetivo durante 3 iteraciones

consecutivas que debe ser inferior a 0.0001.
- Máximo cambio relativo de la función objetivo durante 3 iteraciones
consecutivas que debe ser inferior a 0.001.
La convergencia basada en cambios de la función objetivo típicamente es

referenciada como convergencia fuerte.
4.3.3.5 Solución óptima
El proceso iterativo descrito en el apartado anterior converge al cabo de ocho

iteraciones, siendo la evolución de la función objetivo la que se muestra en la en la
Figura 4.21, pasando de un peso inicial de 8.26 kg/m2 a 6.43 kg/m2. En la Tabla 4.14 se
proporcionan los valores óptimos de las variables de diseño, que para una mejor
comprensión del resultado se han representado en las Figura 4.22-4.23, comparando a la
misma escala las dimensiones de los rigidizadores iniciales y las dimensiones óptimas.
Figura 4.21. Evolución de la función objetivo.
169
Variable Descripción Inicial Óptimo

Pe Espesor de la Piel (mm) 1.5 1.7
T1 Longitud del ala inferior del rigidizador Transversal (mm) 25 5.0
T2 Longitud del ala superior del rigidizador Transversal (mm) 15 9.7
TA Altura del alma del rigidizador Transversal (mm) 60 22.2
TB Altura de los bordes extremos del rigidizador Transversal (mm) 8 2.7
Te Espesor de los elementos del rigidizador Transversal (mm) 2 1.4
L1 Longitud del ala inferior del rigidizador Longitudinal (mm) 22 5.2
L2 Longitud del ala superior del rigidizador Longitudinal (mm) 15 21.1
LA Altura del alma del rigidizador Longitudinal (mm) 25 21.7
LB Altura del borde extremo del rigidizador Longitudinal (mm) 6 4.9
Le Espesor de los elementos del rigidizador Longitudinal (mm) 2 1.4
Tabla 4.14 Variables de diseño óptimas.
Figura 4.22. Diseño inicial (izq.) y diseño óptimo (dcha.) de los rigidizadores transversales.
Figura 4.23. Diseño inicial (izq.) y diseño óptimo (dcha.) de los rigidizadores longitudinales
170
Se puede apreciar una clara disminución de las dimensiones de los rigidizadores

transversales, mientras que los rigidizadores longitudinales ven alteradas sus
proporciones iniciales. En ambos casos la variable de diseño correspondiente a la
longitud del ala inferior tiende a su valor mínimo y se debe a que este elemento se
encuentra unido en toda su longitud con la piel y por tanto no se han introducido
restricciones de pandeo local. Además, para cumplir las condiciones de movimiento y
deformaciones en la piel un factor determinante es conseguir el mayor momento de
inercia de la sección, y este elemento no contribuye demasiado en dicho aspecto y por lo
tanto el algoritmo de optimización tiende a minimizarlo. El espesor de los elementos
que forman la sección transversal también ve disminuido su valor, y en ambos tipos de
rigidizadores se pasa de 2 mm de espesor a 1.4 mm.
Las condiciones de diseño que se encuentran activas en el punto óptimo son:
1. Condición sobre el factor de pandeo de la estructura (4.43).

2. Condición de movimiento máximo de los rigidizadores longitudinales (4.44).
3. Condición de deformación principal máxima para la hipótesis de carga de
presión interna (4.42).
4. Pandeo local del alma de los rigidizadores transversales y longitudinales
(4.46).
5. Pandeo local del elemento extremo de los rigidizadores longitudinales (4.48).
6. Límite inferior de la variable T1.
En la Figura 4.24 se muestra el modo de pandeo de la estructura para los valores

de las variables de diseño de la solución óptima. Dicho modo de pandeo aparece para un
valor de λ=125.02 y la inestabilidad a pandeo se produce localmente entre dos
rigidizadores, no existiendo pandeo global del panel. Esta circunstancia se debe a la
limitación de movimiento sobre los rigidizadores longitudinales, condición que es activa
en el diseño óptimo.
171
Figura 4.24. Análisis a pandeo del modelo óptimo.
4.3.3.6 Análisis de sensibilidad respecto a un parámetro fijo
La solución óptima del problema anterior constituye el punto de partida para

poder aplicar la metodología que permite obtener resultados aproximados de la solución
óptima cuando se varía un parámetro fijo. En este ejemplo se han elegido dos
parámetros fijos sobre los que se aplicará un porcentaje de variación para luego obtener
una aproximación a la solución óptima. Estos parámetros son: el valor mínimo del
factor de pandeo exigido al modelo λmin, cuyo valor en el problema de optimización era
λmin=125 y el radio de curvatura del panel, cuyo valor inicial era r=1500 mm.
Como es sabido, para obtener el diseño óptimo aproximado empleando la

metodología expuesta en los apartados 4.2.4 y 4.2.5, es preciso conocer el conjunto de
condiciones activas, que ya se ha proporcionado anteriormente, y los gradientes de las
condiciones de diseño y de la función objetivo respecto a las variables de diseño, que en
este caso son un subproducto del propio método de optimización. Para poder actualizar
el conjunto de condiciones activas y aplicar el diagrama de flujo de la Figura 4.2 es
necesario obtener dichos gradientes en los nuevos diseños aproximados. Estos valores
se obtienen mediante diferencias finitas.
En los siguientes apartados se proporciona la solución óptima aproximada para

una descenso del valor del parámetro p=λmin del 10% y del 25% y para una reducción
172
del radio de curvatura p=r del 5% y del 10%. En este último caso se ha optado por un
porcentaje menor de variación, debido a que el radio de curvatura del fuselaje no
acostumbra ser un valor que presente cambios de mayor magnitud en el proceso de
diseño.
4.3.3.7 Variación del parámetro p=λmin
∆p = -10 %
La primera solución óptima aproximada se realiza para una disminución del

parámetro p=λmin del 10%, pasando de tener un valor de λmin=125 a un valor de
λmin=112.5.
Del mismo modo que en los ejemplos anteriores se plantea el problema de

optimización (4.20), que consiste en obtener una solución aproximada del nuevo diseño
óptimo a través de una sola dirección S para el total del incremento del parámetro. Para
llevarlo a cabo se conocen todos los datos necesarios y se resuelve empleando el código
de optimización VisualDoc. El resultado obtenido es el vector S con 12 componentes,
que contiene las direcciones de avance de las variables de diseño al modificar p. La
solución obtenida ha sido:
S=[-0.0030, 0, 0.3108, 0.0643, -0.5599, 0.0041, 0.0411, -0.0324, -0.0452, -0.0075, -0.0021, -0.7622]
Conocida la variación del parámetro que se desea realizar y aplicando las

expresiones (4.23) y (4.21) se determina el nuevo diseño óptimo aproximado sin
 . En la Tabla 4.15 se presenta dicha solución
actualizar las condiciones activas X
aproximada para p=λmin=112.5 (∆p=-10%) y para comprobar el nivel de precisión
obtenido se proporciona además la solución óptima X* del problema de optimización
original planteado en el apartado 4.3.3.3 para ese mismo valor del parámetro.
173
p=λmin=112.5 (∆p=-10 %)
Variable X* X
Pe 1.62 1.64
T1 5.01 5.00
T2 9.58 14.79
TA 22.55 23.23
TB 2.84 -6.51
Te 1.44 1.48
L1 5.02 5.87
L2 21.06 20.55
LA 21.13 21.00
LB 4.78 4.75
Le 1.34 1.35
Masa (kg/m2) 6.20 6.12
X*=solución óptima
 =solución aproximada sin actualizar las condiciónes activas
X
Tabla 4.15. Diseño óptimo y diseño aproximado sin actualizar condiciones activas para
p=λmin=112.5 (∆p=-10%).
 tiene un peso por unidad de superficie de panel

El nuevo diseño aproximado X
de 6.12 kg/m2 muy similar al diseño óptimo, difiriendo únicamente en un 1.3%. Sin
embargo, no es válido puesto que la variable de diseño TB tiene un valor negativo, no
siendo una magnitud factible para una dimensión geométrica. En consecuencia el valor
que se ha obtenido de la función objetivo no es correcto puesto que uno de los términos
está restando masa, lo cual no tiene sentido. En este caso, este elemento de la sección
transversal de los rigidizadores no supone un valor significativo de la masa de la
estructura y por tanto un error en dicha variable no influye sustancialmente en el error
cometido. No obstante, si se hubiera tratado de otra variable de diseño con mayor
influencia en la masa del panel, el error cometido sería muy elevado.
Estos defectos del diseño óptimo aproximado demuestran que la variación del
10% del parámetro no se puede realizar en un único paso tras resolver el problema de
optimización (4.20) que proporciona el vector S. Será necesario actualizar el conjunto
de condiciones activas y volver a obtener el vector S, de acuerdo con el diagrama de
flujo de la Figura 4.2.
174
Si se procede de tal manera, resulta que la aproximación anterior es válida hasta

un valor del parámetro de p=122.72, es decir, hasta un descenso del 1.8%, punto en el
que se activa la condición de mínimo valor para la variable TB y posteriormente se
aplica el resto de la variación hasta llegar al valor deseado p=112.5, pues en este
intervalo no se activan más condiciones.
La obtención del nuevo vector S requiere el cálculo de los gradientes de la

función objetivo y condiciones de diseño en el punto aproximado correspondiente a
p=122.72. Para ello se vuelve a emplear el método de las diferencias finitas y así
obtener una aproximación de dichos gradientes. Si se procede de tal forma y se vuelve a
resolver el problema de búsqueda de direcciones eficientes se obtiene el nuevo valor del
vector S, que resulta:
S=[-0.0036, 0, 0.2464, -0.0661, 0, -0.0042, 0.0215, -0.0326, -0.0246, -0.0141, -0.0043, -0.9657]
Una vez que se conoce S se puede obtener de igual forma que en el caso anterior
 , que es el que aparece en la Tabla 4.16, junto con las
el valor de la aproximación X act
.
soluciones anteriores X* y X
p=λmin=112.5 (∆p=-10 %)
Variable X* 
X 
X act
Pe 1.62 1.64 1.64

T1 5.01 5.00 5.00
T2 9.58 14.79 13.23
TA 22.55 23.23 21.67
TB 2.84 -6.51 1.00
Te 1.44 1.48 1.38
L1 5.02 5.87 5.09
L2 21.06 20.55 20.64
LA 21.13 21.00 21.35
LB 4.78 4.75 4.70
Le 1.34 1.35 1.33
Masa (kg/m2) 6.20 6.12 6.22
X =solución aproximada sin actualizar las condiciónes activas
X =solución aproximada actualizando las condiciones activas
act
Tabla 4.16. Diseño óptimo, diseño aproximado sin actualizar condiciones activas y diseño
aproximado actualizando condiciones activas para p=λmin=112.5 (∆p=-10%).
175
El valor de la función objetivo en este caso es de 6.22 kg/m2. Se puede observar

que la aproximación mejora sustancialmente puesto que el error cometido en la función
objetivo se reduce hasta el 0.25%, y el diseño ya resulta factible, al contrario de lo que
sucedía en el caso anterior, lo que lleva a concluir la bondad de este planteamiento.
∆p = -25 %
La siguiente variación que se aplica al parámetro p=λmin es una reducción del

25%, pasando de un valor de λmin=125 a un valor de λmin=93.75.
De nuevo si se realiza la aproximación de la solución óptima con un único

vector S obtenido para en el punto correspondiente a λmin=125 los resultados conducen a
un diseño inválido, con un valor de la función objetivo de 4.99 kg/m2. Ello se puede ver
 comparado
en Tabla 4.17 donde se proporciona el resultado de dicha aproximación X
con la solución óptima del problema X* para p=93.75. La función objetivo tiene un
valor de 4.99 kg/m2, lo cual supone un error del 17%.
p=λmin=93.75 (∆p=-25 %)
Variable X* X
Pe 1.53 1.58
T1 5.00 5.00
T2 9.49 22.44
TA 21.32 24.84
TB 1.87 -20.26
Te 1.37 1.57
L1 6.49 6.89
L2 18.43 19.77
LA 21.48 19.85
LB 4.02 4.59
Le 1.37 0.54
Masa (kg/m2) 5.86 4.99
X
p=λmin=93.75 (∆p=-25%).
176
De nuevo, se procede a realizar la aproximación de la solución óptima

actualizando las condiciones de diseño, y se detecta que para un valor del parámetro de
λmin=108.62 se activa otra condición de diseño, que en este caso es el límite inferior de
la variable SL1. Esto lleva a volver a obtener el valor del vector S para el punto
correspondiente a λmin=108.62, con el consiguiente cálculo de los gradientes de la
función objetivo y de las condiciones de diseño. Tras resolver el problema de
optimización (4.20) p= λmin=108.62 se obtiene:
S=[-0.0039, 0, 0.2770, -0.0844, 0, -0.0054, 0, -0.0333, -0.0462, -0.0077, -0.0022, -0.9554]
Aplicando las expresiones (4.23) y (4.21) se determina el nuevo diseño óptimo


aproximado X act para p=λmin=93.75 (∆p=-25%) y en la Tabla 4.18 se presenta dicho
resultado junto con las soluciones anteriores.
p=λmin=93.75 (∆p=-25 %)
Variable X* 
X 
X act
Pe 1.53 1.58 1.55

T1 5.00 5.00 5.00
T2 9.49 22.44 13.51
TA 21.32 24.84 22.26
TB 1.87 -20.26 1.00
Te 1.37 1.57 1.42
L1 6.49 6.89 5.00
L2 18.43 19.77 19.86
LA 21.48 19.85 20.58
LB 4.02 4.59 4.51
Le 1.37 0.54 1.27
Masa (kg/m2) 5.86 4.99 5.87
X
 =solución aproximada actualizando las condiciones activas
X act
aproximado actualizando condiciones activas para p=λmin=93.75 (∆p=-25%).
En este caso la masa final del panel alcanza un valor de 5.87 kg/m2 y por tanto el
error cometido en la función objetivo es prácticamente nulo. Además si se calcula el
177
valor de las condiciones de diseño para la solución aproximada se comprueba que el

porcentaje de violación no supera el 2%.
4.3.3.8 Variación del parámetro p=r
∆p = -5 %
La primera variación que se efectúa sobre el parámetro p=r es una reducción del
5%, pasando de un radio de curvatura de valor r=1500 mm a un valor de r=1425 mm.
De igual forma que en el caso anterior el punto de partida es el diseño óptimo que se
obtuvo en el apartado 4.3.3.5 y cuyos valores se han presentado en la Tabla 4.14.
Para poder plantear el problema de optimización que proporciona la dirección de

avance de las variables de diseño es preciso obtener el gradiente de la función objetivo y
de las condiciones de diseño con respecto al parámetro p=r. En el caso anterior donde el
parámetro era p=λmin estos gradientes eran nulos a excepción del gradiente de la
condición de diseño expresada en (4.43), que se obtiene analíticamente de forma trivial.
En este caso una variación del parámetro modifica el modelo de elementos finitos y por
tanto, también altera el valor de las condiciones de diseño definidas en (4.42), (4.43) y
(4.44). Los gradientes de estas condiciones de diseño respecto al parámetro p=r se han
obtenido mediante diferencias finitas.
En este ejemplo la obtención de la dirección S se ha efectuado acudiendo a la

formulación de la expresión (4.25) debido a que a priori no es posible determinar si una
variación negativa del parámetro conduce a una disminución de la función objetivo. El
empleo de esta formulación no requiere anticipar si la variación del parámetro
contribuye a mejorar el diseño o no. Para definir el problema (4.25) además de los
gradientes respecto al parámetro p se precisan los gradientes de las condiciones de
diseño y de la función objetivo respecto a las variables de diseño X, valores que se
obtienen como subproducto del proceso de optimización realizado en el apartado
4.3.3.5. Para el parámetro c ha resultado eficaz el valor c=1. La resolución del problema
(4.25) conduce a la solución:
178
S=[1.20e-4, 0, 0.0473, 0.0191, -0.135, 1.23e-3, 7.42e-3, -0.0156, 5.82e-3, 1.3e-3, 3.74e-4, -0.99]
 para ∆p = -5 % mediante (4.23) y (4.21)

Si se obtiene el diseño aproximado X
sin actualizar las condiciones de diseño, el diseño obtenido no es válido puesto que una
de las dimensiones resulta de nuevo negativa. En la Tabla 4.19 se proporciona la
solución óptima del problema X* y la aproximación sin actualizar las condiciones
 para un valor del parámetro p=r=1425 mm.
activas X
p=r=1425 (∆p=-5 %)
Variable X* X
Pe 1.68 1.70
T1 5.00 5.00
T2 6.35 13.27
TA 20.00 23.62
TB 1.00 -7.53
Te 1.27 1.50
L1 5.00 5.75
L2 19.41 19.90
LA 22.59 22.19
LB 4.91 4.98
Le 1.44 1.41
Masa(kg/m2) 6.29 6.32
X
p=r=1425 (∆p = -5 %).
El error cometido en el valor la función objetivo es del 0.5%, pero se trata de un

valor ficticio puesto que la masa correspondiente a la variable TB es un término
negativo. Si se tomara como aproximación de la variable TB su valor mínimo TB=1, el
error cometido en la función objetivo sería del 3.8%. No obstante, la aproximación no
resulta válida pues existen condiciones de diseño que no se cumplen, superando el 15%
de violación.
En consecuencia y para subsanar estos inconvenientes, de igual forma que en

ejemplos anteriores, se ha procedido a identificar los valores de los incrementos del
parámetro que llevan a activar nuevas condiciones de diseño. Para llegar a una
179
modificación del parámetro de valor ∆p=-5 % ha sido necesario resolver el problema

(4.25) cuatro veces consecutivas debido a la activación de los límites inferiores de las
variables TA, TB y L1. En la Tabla 4.20 se muestra el resultado tanto de la dirección S
como de las variables de diseño aproximadas para los cuatro incrementos del parámetro
que modifican el conjunto de condiciones activas.
∆p=-12.3 (-0.82%) ∆p=-20.6 (-1.37%) ∆p=-33.8 (-2.25%) ∆p=-75 (-5%)
S 
X S 
X S 
X S 
X
Var. act act act act
1 1.20E-04 1.692 2.22E-04 1.693 1.83E-04 1.696 2.74E-04 1.707

2 -1.17E-12 5.000 -7.26E-04 4.994 -9.69E-13 4.994 2.22E-03 5.001
3 4.73E-02 10.278 -5.91E-02 9.783 -4.88E-02 9.132 -1.64E-02 8.448
4 1.91E-02 22.414 -8.38E-03 22.344 -1.75E-01 20.013 2.24E-08 20.013
5 -1.35E-01 1.003 -4.66E-12 1.003 -9.69E-13 1.003 -9.90E-05 0.999
6 1.23E-03 1.427 -5.39E-04 1.422 -1.12E-02 1.273 1.42E-09 1.273
7 7.42E-03 5.284 -3.37E-02 5.002 -1.31E-06 5.002 3.06E-08 5.002
8 -1.56E-02 20.889 -5.39E-02 20.437 -8.70E-02 19.276 -2.19E-02 18.363
9 5.82E-03 21.819 2.51E-02 22.029 4.14E-02 22.581 3.03E-02 23.843
10 1.30E-03 4.893 1.25E-02 4.998 -2.74E-03 4.961 -9.68E-03 4.558
11 3.74E-04 1.389 1.62E-03 1.402 2.66E-03 1.438 -1.13E-03 1.391
12 -9.90E-01 ----- -9.97E-01 ----- -9.79E-01 ----- -1.00E+00 -----
Tabla 4.20. Dirección S y diseño óptimo aproximado para los incrementos de p que
modifican el conjunto de condiciones activas hasta alcanzar ∆p=-5%.
En la Tabla 4.21 se muestran los resultados de la solución aproximada para

 junto con las otras dos soluciones.
∆p=-5% actualizando las condiciones de diseño X act
180
p=r=1425 (∆p=-5 %)
Variable X* X 
X act
Pe 1.68 1.70 1.71

T1 5.00 5.00 5.00
T2 6.35 13.27 8.45
TA 20.00 23.62 20.01
TB 1.00 -7.53 1.00
Te 1.27 1.50 1.27
L1 5.00 5.75 5.00
L2 19.41 19.90 18.36
LA 22.59 22.19 23.84
LB 4.91 4.98 4.56
Le 1.44 1.41 1.39
Masa(kg/m2) 6.29 6.32 6.36
X
X act
aproximado actualizando condiciones activas para p=r=1425 (∆p = -5 %).
Los resultados finales muestran que la función objetivo alcanza un valor de 6.36
kg/m2, que supone solamente el 1.1% de error. También se ha compruebado el valor de
las condiciones de diseño y ninguna resulta violada. No obstante, la condición de factor
de pandeo mínimo para p=r=1425 es una condición activa en el diseño óptimo, mientras
que en la aproximación resulta pasiva con un valor un 3% superior al valor frontera
λmin=125, lo que supone una diferencia pequeña.
Con este ejemplo se demuestra que incluso para variaciones pequeñas del
parámetro si no se actualizan las condiciones de diseño activas el método de
aproximación no resulta eficaz. Sin embargo, si se emplea la aproximación lineal
expuesta en (4.30) para actualizar este conjunto de condiciones activas los resultados
mejoran sustancialmente.
181
∆p = -10 %
En este caso se busca la solución óptima aproximada cuando se produce una

disminución del radio de curvatura del fuselaje del 10%, pasando de r=1500 mm a
r=1350 mm.
En primer lugar se ha obtenido la solución óptima X* para un valor del

 cuando no se actualizan las
parámetro p=r=1350 mm y la solución aproximada X
condiciones activas, puesto que se conoce el vector S que fue calculado para el caso
correspondiente a ∆p=-5 %. Ambos resultados se muestran en la Tabla 4.22, donde se
puede observar que el resultado no es válido pues existe una variable con valor
negativo.
p=r=1350 (∆p=-10 %)
Variable X* X
Pe 1.73 1.71
T1 5.00 5.00
T2 5.00 16.86
TA 20.00 25.07
TB 1.00 -17.73
Te 1.27 1.60
L1 5.00 6.32
L2 18.45 18.72
LA 18.52 22.63
LB 4.21 5.07
Le 1.18 1.44
Masa(kg/m2) 6.09 6.19
X
p=r=1350 (∆p = -10 %).
Además se procede a obtener la solución aproximada actualizando las

 . Para ello se puede partir de la solución aproximada que se ha
condiciones activas X act
obtenido para la reducción del 5% anterior y continuar la aproximación con un 5% de

variación adicional. Este paso requiere la actualización del vector S dos veces, que con
182
las cuatro que se habían realizado anteriormente hacen un total de seis. En la Tabla 4.23
se muestran los resultados de la dirección S y el diseño aproximado para los dos
incrementos del parámetro que ha comentado.
∆p=-115 (-7.67%) ∆p=-150 (-10%)

Var. S 
X S X
1 -2.20E-04 1.698 -2.07E-05 1.698
2 1.50E-03 5.000 1.31E-03 5.000
3 -7.55E-03 8.143 -2.05E-03 8.070
4 1.69E-03 20.000 2.12E-03 20.000
5 4.23E-10 1.000 2.95E-14 1.000
6 1.07E-04 1.277 1.18E-04 1.281
7 1.36E-07 5.000 1.07E-02 5.000
8 3.20E-03 18.493 -4.75E-04 18.476
9 -4.45E-03 23.663 3.23E-02 24.806
10 8.49E-03 4.901 -1.40E-02 4.407
11 -4.96E-04 1.371 -4.00E-03 1.229
12 -9.98E-01 ----- -9.98E-01 -----
Tabla 4.23. Dirección S y diseño óptimo aproximado para los incrementos de p que
modifican el conjunto de condiciones activas ∆p=-5% hasta ∆p=-10%.
El cálculo de la dirección S no solamente se ha realizado cuando se modifica el

conjunto de condiciones activas, sino también cuando el porcentaje de violación de
alguna condición de diseño superaba el 3%. En la Tabla 4.24 se proporciona la solución
óptima aproximada actualizando las condiciones activas para ∆p=-10%, junto con los
resultados obtenidos anteriormente.
183
p=r=1350 (∆p=-10 %)
Variable X* 
X 
X act
Pe 1.73 1.71 1.70

T1 5.00 5.00 5.00
T2 5.00 16.86 8.07
TA 20.00 25.07 20.00
TB 1.00 -17.73 1.00
Te 1.27 1.60 1.28
L1 5.00 6.32 5.00
L2 18.45 18.72 18.48
LA 18.52 22.63 24.81
LB 4.21 5.07 4.41
Le 1.18 1.44 1.23
Masa(kg/m2) 6.09 6.19 6.21
X
Xact
Tabla 4.24. Diseño óptimo, diseño aproximado sin actualizar condiciones activas y
diseño aproximado actualizando condiciones activas para p=r=1350 (∆p = -10 %).
La aproximación cuando se actualizan las condiciones de diseño presenta un

error del 2.05% en la función objetivo y ninguna condición de diseño resulta violada.
Para comprobar si el diseño es válido se realiza el análisis estructural con el diseño
aproximado y se obtiene un factor de pandeo de valor λ=126.88, valor muy cercano a la
hipótesis de condición activa que λmin=125. Además se han obtenido las respuestas
relativas a los movimientos de los rigidizadores longitudinales obteniendo un valor
máximo de 4.8%, valor que cumple la limitación expresada en la ecuación (4.44) que
era del 5%.
4.4 REFERENCIAS
[A1] ABAQUS 6.9-2, Inc. Abaqus/CAE User´s Manual, 2008.
[A2] Armao, F., On Aluminum Welding, MetalForming Magazine, June 2000.
[B1] Barthelemy, J.F.M. and Sobieszczansky-Sobieski, J., Optimum Sensitivity

Derivatives Nonlinear Programming, AIAA J., Vol. 21, No. 6, pp. 913-915, 1983.
184
[B2] Barthelemy, J.F.M. and Sobieszczansky-Sobieski, J., Extrapolation of Optimum

Design Based on Sensitivity Derivatives, AIAA J. Vol. 21, No. 5, pp 797-799, 1983.
[B3] Berke, L. and Khot, N.S., Use of Optimally Criteria Methods for Large Scale
Systems, AGARD-LS-70, 1974.
[E1] Eurocódigo 9: Proyecto de estructuras de aluminio. Parte 1-1: Reglas generales,

EN1999-1-1.
[F1] Fox, R. L., Optimization Methods for Engineering Design, Addison-Wesley,

Reading, Mass., 1971.
[R1] Rouse M.; Ambur D. R.; Bodine J. y Dopker B., Evaluation of a Composite
Sandwich Fuselage Side Panel With Damage and Subjected to Internal Pressure,
NASA Technical Memorandum 110309, February 1997.
[S1] Sobieszczansky-Sobieski, J.; Barthelemy, J.F.M. and Riley, K.M., Sensitivity of

Optimum Solutions of Problem Parameters, AIAA J., Vol. 20, No. 9, pp. 1291-1299,
1982.
[S2] Schmit, L.A.: Structural Design by Systematic Synthesis, Second Conference on

Electronic Computation, ASCE, Pittsburg, Pa, pp. 105-132, 1960.
[S3] Sun, C. T. Mechanics of Aircraft Structures, WILEY, 2nd Edition, June 2006.
[V1] Vanderplaats, G.N. and Yoshida, H.: Efficient Calculation of Optimum Design
Sensitivity, AIAA J., Vol. 23, No. 11, pp. 1798-1803, 1985.
[V2] VisualDoc 6.2, User’s Manual, 2009. Vanderplaats Research & Development, Inc.
Colorado Springs, USA.
185
CAPÍTULO 5
DISEÑO ÓPTIMO DE ESTRUCTURAS

CONSIDERANDO LA CONFIGURACIÓN
COMPLETA Y COLAPSOS PARCIALES
5.1 INTRODUCCIÓN
El diseño de una estructura está sujeto al cumplimiento de una serie de

condiciones de muy diversa índole, económicas, técnicas, medioambientales, estéticas,
etc… No todos los requerimientos que se le piden a una estructura son susceptibles de
expresarse de forma matemática pero los de carácter técnico sí, dando lugar a la
posibilidad de emplear técnicas de optimización que ayudan al proyectista a obtener
diseños mejores que los resultantes de aplicar reglas heurísticas.
Generalmente, en el proceso de optimización de una estructura se verifica la

capacidad de la misma para soportar un conjunto de combinaciones de carga
correspondiente a los diferentes estados límite considerados por la normativa vigente.
Sin embargo, en determinado tipo de estructuras, es necesario asegurar su integridad
187
Capítulo 5 OPTIMIZACIÓN DE ESTRUCTURAS CONSIDERANDO LA CONFIGURACIÓN
estructural cuando alguno de los elementos que la forman pierde su capacidad

resistente. En definitiva, la estructura deberá tener un comportamiento adecuado no
solamente en su configuración completa para el conjunto de combinaciones de carga
sino también en diferentes situaciones de daño, debido a la pérdida de algún elemento
del sistema estructural, para un grupo de casos de carga generalmente con valores
reducidos de las acciones.
Este planteamiento daría lugar al problema de obtener una estructura que tras el
colapso de alguna de sus partes sea capaz de mantenerse en unas condiciones tales que
permitan la realización de los trabajos pertinentes de reparación, o prestar servicio con
menores niveles de exigencia.
Este concepto es bastante antiguo y ya fue utilizado por John Roebling cuando
diseñó el puente de Brooklyn en el siglo XIX. Esta estructura es una solución híbrida
entre la tipología de puente colgante y atirantado, y el propósito de realizarlo así fue
explicado por el propio Roebling[S1] mediante las siguientes palabras:
[The bridge deck] will support itself without the assistance of the [main] cable,
the supporting power of the stays alone will be able to hold up the floor. If the cables
were removed, the bridge would sink in the center, but would not fall.
Figura 5.1. Puente de Brooklyn.
188
Por tanto, el proyectista había previsto la posibilidad de la pérdida estructural de

la catenaria del puente colgante y había introducido un refuerzo a modo de tirantes para
impedir el colapso de la estructura.
En este capítulo se abordará el problema de introducir en la optimización tanto

condiciones de diseño para la estructura intacta, como otras asociadas a posibles
colapsos parciales del sistema estructural. Con este planteamiento, el resultado esperado
es la obtención de la estructura de mínimo peso que cumpla las condiciones de diseño
para la configuración completa y las condiciones de diseño establecidas para las
configuraciones dañadas. Para ello se expondrá la modificación de la formulación
convencional del diseño óptimo de estructuras llevada a cabo para contemplar estas
nuevas condiciones de diseño y se aplicará en tres ejemplos.
El primero de los ejemplos corresponde a una celosía de tres barras, bien

conocido en el mundo de la optimización estructural, que se resolverá gráficamente
obteniendo la solución analítica. El segundo de los ejemplos corresponde a una
estructura en celosía de 25 barras y el último ejemplo corresponde a una estructura
aeronáutica de geometría cilíndrica, modelada mediante una malla de elementos finitos
de barras y láminas. Estos dos últimos ejemplos se resolverán numéricamente mediante
el empleo de un software comercial de optimización de estructuras denominado
GENESIS[G1].
5.2 FORMULACIÓN DEL PROBLEMA DE OPTIMIZACIÓN
5.2.1 Formulación habitual del diseño óptimo de estructuras
El proyectista que acomete el diseño de una estructura, además de valerse de su

experiencia y de la de otros ingenieros, hoy en día puede optar por mejorar su diseño
empleando técnicas matemáticas de optimización. Estas técnicas de optimización
consiguen mejorar al máximo una determinada propiedad de la estructura (función
objetivo), mediante la modificación de determinados valores que la definen (variables
189
de diseño), considerando simultáneamente el conjunto de requisitos que se le exigen

(condiciones de diseño).
La primera tarea consiste en expresar en términos matemáticos cada uno de los

elementos que forman el problema de optimización. Se define un vector X = (x1,…,xn)
que contiene todos aquellos aspectos del diseño que el proyectista está dispuesto a
cambiar y a dichos valores se les denomina variables de diseño. A continuación se
define una serie de “M” funciones gj(X) que representan cada uno los requisitos que se
le van a exigir al diseño, es decir, las condiciones de diseño. Por último, se define la
función F(X) que representa aquella propiedad que se desea mejorar, y que en términos
matemáticos se deseará incrementar o disminuir lo máximo posible su valor. La
formulación más habitual del problema de optimización, como puede comprobarse en
las referencias más conocidas debidas a Vanderplaats[V1], Haftka[H1] Hernández[H2] o
Arora [A1], es:
min F (X) (5.1a)

sujeto a
g j ( X)  0; j  1,...M (5.1b)
El proceso de optimización parte de un diseño inicial sobre el que se realiza el

análisis estructural correspondiente obteniendo las respuestas estructurales sobre las que
se impondrán las condiciones de diseño. Como el diseño de partida no será el mejor de
los posibles, un método matemático de optimización modificará las variables de diseño
obteniendo un modelo modificado. La obtención de las nuevas variables de diseño
dependerá del algoritmo de optimización que se utilice. A continuación el modelo
modificado se vuelve a analizar obteniendo las nuevas respuestas estructurales y así
sucesivamente hasta llegar a convergencia.
190
Figura 5.2. Diseño óptimo habitual.
El proceso que se ha descrito corresponde al método más habitual de

optimización de estructuras donde se tiene un único modelo sobre el que se imponen las
condiciones de diseño. Parece lógico que así sea, debido a que sólo se está diseñando
una estructura, no varias, pero para plantear la optimización de estructuras teniendo en
cuenta colapsos parciales de la misma será necesario considerar análisis tanto del
modelo completo como de las configuraciones dañadas.
5.2.2 Formulación del diseño óptimo de estructuras considerando

colapsos parciales
En este apartado se planteará el problema genérico de optimización de

estructuras teniendo en cuenta posibles colapsos parciales de alguno de los elementos
que la forman. Se entenderá como colapso de un elemento estructural la pérdida total de
la contribución resistente de dicho elemento, por tanto el esquema resistente de una
configuración dañada puede ser muy diferente a la del modelo intacto.
Sea un modelo estructural con “n” elementos donde a cada uno de los cuales se
le asocia una variable de diseño xi, definiendo así un vector X0 que contiene todas las
variables de diseño anteriores, X0 = (x1,…,xn). A continuación se generan D modelos
diferentes como resultado de eliminar un subconjunto de elementos de la malla original.
Como resultado, un subconjunto de variables de diseño Xd contenido en X0 sobrevivirá
en cada modelo.
191
X0 X1
X2 XD
X d  X0 d  0,..., D
Figura 5.3. Malla intacta y mallas incompletas de un modelo genérico.
Como se puede observar las variables de diseño son compartidas por todos los
modelos puesto que realmente se está proyectando un único diseño, sin embargo, a cada
una de las D configuraciones se le exigirá una serie de condiciones de diseño (Md), que
pueden diferir de un modelo a otro.
La diferencia fundamental con respecto al proceso de optimización habitual es

que para obtener las condiciones de diseño será necesario realizar el análisis de cada una
de las D configuraciones. No basta con analizar el modelo intacto, puesto que la
ausencia de algún elemento del modelo modifica la respuesta estructural y por tanto se
altera el valor de las condiciones de diseño.
En cuanto a la función objetivo, no existen diferencias con el planteamiento

habitual, se tratará de una función que dependerá de X0 y donde se buscará un valor
192
máximo o mínimo. En términos matemáticos se puede escribir el problema de

optimización expuesto, en su versión de minimización como:
min F (X0 ) (5.2)

sujeto a
g j 0 ( X0 )  0; j  1,..., M 0 g j1 ( X1 )  0; j  1,..., M 1
g j 2 ( X 2 )  0; j  1,..., M 2 g j D ( X D )  0; j  1,..., M D
Escribiendo la formulación anterior de forma compacta resulta:
min F (X0 ) (5.3a)

sujeto a
g j d ( X d )  0; j  1,..., M d ; d  0,..., D (5.3b)
La resolución numérica del problema de optimización de estructuras planteado

se puede llevar a cabo al menos de tres formas diferentes en función de cómo se lleve a
cabo la etapa de análisis:
1. Realizando el análisis de todas las configuraciones de forma conjunta creando un

modelo estructural que contiene a todas ellas. En cada iteración del proceso de
optimización se analizan de forma conjunta tanto la estructura completa como los
modelos dañados, obteniendo en un solo análisis el valor de todas las condiciones de
diseño.
193
Figura 5.4. Diseño óptimo considerando la configuración completa y los modelos

dañados. Realización del análisis de forma conjunta.
2. Realizando los análisis estructurales de forma independiente, es decir, creando un

modelo numérico para cada configuración. Se analiza primero el modelo de la
estructura completa y se obtienen las condiciones de diseño para este modelo, luego
se analiza el modelo de daño 1 obteniendo las condiciones de diseño
correspondientes y así sucesivamente hasta llegar al modelo de daño D. La ventaja
de esta forma de proceder es que se reduce notablemente el tamaño del modelo
numérico que hay que analizar cada vez pero se incrementa el número de análisis a
realizar. Esta metodología será más interesante cuanta mayor dificultad entrañe la
etapa de análisis.
194

dañados. Realización de los análisis de forma independiente y secuencial.
3. Realizando los análisis estructurales de forma independiente y en paralelo. Esta

tercera manera de llevar a cabo la etapa de análisis es más eficiente porque se
pueden calcular simultáneamente las condiciones de diseño de varias
configuraciones, con la ventaja que añade el hecho de emplear un modelo
independiente para cada configuración. Por tanto, en este caso se recogen las
ventajas aportadas por los planteamientos anteriores. Esta opción será tanto más
ventajosa cuanto mayor tiempo de cálculo se necesite para el análisis estructural de
cada modelo y cuanto mayor sea el número de colapsos parciales considerados.
195

dañados. Realización de los análisis de forma independiente y en paralelo.
5.3 EJEMPLOS DE APLICACIÓN DE LA METODOLOGÍA

PRESENTADA
5.3.1 El problema de la tres barras. Solución analítica y numérica
El primer ejemplo que se ha escogido para aplicar la formulación anterior es el

conocido problema de optimización de tres barras articuladas que presentó L.A
Schmit[S2] en el año 1960 y con el que demostró las ventajas del diseño óptimo frente a
las técnicas de fully stressed design o las teorías de modos de fallo simultáneos.
Este problema de optimización consiste en obtener la estructura de mínimo peso

que sometida a la carga puntual P consiga mantener todas las barras por debajo de un
límite de tensión normal establecido. Las variables de diseño son la sección transversal
de las barras oblicuas x1 y la sección transversal de la barra central x2. El hecho de tener
únicamente dos variables de diseño permite obtener de forma sencilla la solución
196
analítica y además permite representar gráficamente el espacio de diseño y el diseño

óptimo.
1 2 3
Figura 5.7. El problema de las tres barras.
5.3.1.1 Formulación del problema
Para adaptar el ejemplo anterior al problema de optimizar una estructura

considerando colapsos parciales de la misma, se modifica el enunciado del problema de
la siguiente forma: obtener la estructura de mínimo peso de forma que se cumplan las
condiciones de tensión normal establecidas tanto en el modelo intacto, como en los
posibles modelos dañados. Se considerarán modelos dañados aquellos resultantes de
eliminar una de las tres barras de la estructura, existiendo de este modo una
configuración intacta y tres configuraciones dañadas como se muestra en la Figura 5.8.
El problema de optimización resultante es:
min F (5.4a)
sujeto a
gi d   i d   M ; i  M d ; d  0,...,3 (5.4b)
Donde:
 i d : tensión normal en la barra “i” para la configuración “d”
197
 M : valor límite de tensión normal

M d : subconjunto de barras que no han colapsado para la configuración “d”
El valor de la función objetivo es el volumen, que se puede expresar en función

de las variables de diseño como:
F  Vol  (2 2  x1  x2 )  L (5.5)
En la resolución del problema se han tomado valores unitarios para el valor de la

carga P y para el valor límite de tensión normal  M .
d=0 d=1
d=2 d=3
Figura 5.8. Posibles configuraciones d = 0, 1, 2 y 3.
En el siguiente apartado se muestran los resultados obtenidos en diferentes

situaciones: en primer lugar se estudia el problema considerando la optimización de
cada configuración por separado y tomando como solución la envolvente de los valores
198
máximos obtenidos para cada variable de diseño. A continuación se resuelve el

problema de optimización planteado en (5.4), considerando que la carga actuante en
todas las configuraciones tiene un valor de P. Por último se resuelve un problema
similar a (5.4) donde se reduce el valor de la carga a 0.6P para los modelos dañados.
Este último caso representa una hipótesis habitual en la que a la estructura que ha
sufrido una merma en sus capacidades resistentes no se le va exigir soportar la totalidad
de la carga para la que fue diseñada.
5.3.1.2 Resultados
- Optimización del modelo intacto

Este caso corresponde con el ejemplo original comentado en el apartado 5.3.1.
El problema de optimización es:
min F (5.6a)
sujeto a
gi   i   M ; i  1, 2,3 (5.6b)
Tal como se comenta en el apartado anterior los valores de P y  M se consideran

unitarios.
La expresión de la función objetivo viene dada por la ecuación (5.5) y las

condiciones de diseño se pueden escribir de la siguiente forma:
2  x1  x2
g1  1   M  1  0 (5.7a)
2  x12  2  x1 x2
1
g2   2   M  1  0 (5.7b)
x1  2  x2
x2
g 3   3   M  1  0 (5.7c)
2 x1  2 x1 x2
2
199
La solución del problema se muestra gráficamente en la Figura 5.9, alcanzándose el

diseño óptimo en el punto de tangencia entre la función objetivo y la condición de
tensión en la barra 1.
Figura 5.9. Representación gráfica de la solución óptima. Configuración d=0.
El valor de las áreas óptimas es X  (0.788,0.408) , dando lugar a un volumen de

F=2.637 y siendo la tensión de tracción en la barra 1 la única condición activa.
- Optimización del modelo dañado 1
Este modelo corresponde al resultante de eliminar de la estructura la barra 1. De

forma similar al caso anterior se define el problema de optimización de la siguiente
forma:
min F (5.8a)
sujeto a
gi   i   M ; i  2,3 (5.8b)
200
Las expresiones de la función objetivo y de las condiciones de diseño son:
F  Vol  ( 2  x1  x2 )  L (5.9a)
2
g2   2   M  1  0 (5.9b)
x2
1
g3   3   M   1  0 (5.9c)
x1
En la Figura 5.10 se deduce gráficamente que el diseño óptimo se da en el punto de

intersección de las dos restricciones del problema, que en este caso son activas. Este
punto se corresponde con X  (1, 2) , dando lugar a un volumen de valor F=2.828.
En este modelo se elimina la barra 2 de la estructura, quedando definido el problema

de optimización como:
201
min F (5.10a)
sujeto a
gi   i   M ; i  1,3 (5.10b)
La expresión de la función objetivo y de las condiciones de diseño es:
F  Vol  2 2  x1  L (5.11a)
1
g1   1   M  1  0 (5.11b)
x1
La condición de tensión en la barra 3 se cumple de forma trivial, pues en esta

configuración no hay esfuerzo axil en ella. La solución del problema se muestra
gráficamente en la Figura 5.11, donde el diseño óptimo se obtiene para x1  1 ,
estando únicamente activa la condición de tensión en la barra 1. El volumen óptimo
tiene el valor de F=2.828.
Región de diseño
Este modelo corresponde al resultante de eliminar de la estructura la barra 3. Se

define el problema de optimización como:
min F (5.12a)
sujeto a
gi   i   M ; i  1, 2 (5.12b)
202
La expresión de la función objetivo y de las condiciones de diseño es:
F  Vol  ( 2  x1  x2 )  L (5.13a)
1
g1   1   M  1  0 (5.13b)
x1
Al igual que sucede en el caso anterior, la única barra que soporta esfuerzos internos
es la barra 1, por tanto la restricción sobre la barra 3 desaparece. La situación es
similar a la del caso y el diseño óptimo se alcanza para X  (1,0) , estando
únicamente activa la condición de tensión en la barra 1.
- Optimización conjunta considerando la configuración intacta y las

configuraciones dañadas
La formulación correspondiente a este caso es la que se describió en el apartado

5.3.1.1.
203
En la Figura 5.13 se representan la función objetivo y las condiciones de diseño

correspondientes a todas las configuraciones estudiadas. Se observa que el valor
óptimo de la sección transversal de las barras oblicuas es x1=1, que viene limitado
por la tensión en la barra 1 para los modelos d=2,3 y la tensión en la barra tres para
el modelo d=1. En cuanto al área óptima de la barra vertical, resulta x2= 2 , valor
fijado por la tensión en la barra 2 para el modelo d=1. El volumen óptimo en este
caso es F=2.828.
g10
g20
g30
g13=g31=g12
g21
F

Figura 5.13. Representación gráfica de la solución óptima. Todas las

configuraciones simultáneamente.
- Optimización conjunta de todas las configuraciones considerando diferentes

valores de carga para el modelo intacto y los modelos dañados
El problema que se resuelve a continuación es conceptualmente el mismo que el

formulado en (5.4), pero mientras se va a establecer que el modelo intacto debe
cumplir las condiciones de diseño para la carga P, los modelos dañados deberán
cumplirlas para una carga inferior, de valor 0.6P. El problema queda formulado de
la siguiente forma:
204
min F (5.14a)
sujeto a
gi 0   i 0 ( P)   M ; i  1, 2,3 (5.14b)
gi d   i d (0.6 P)   M ; i  J d ; d  1, 2,3 (5.14c)
El hecho de que las cargas se hayan minorado para los modelos dañados hace que
las condiciones de diseño correspondientes a estos modelos se relajen, mientras que
las correspondientes al modelo intacto permanecen inalteradas. De esta forma el
diseño óptimo se alcanza en el punto de intersección de la restricción sobre la barra
1 para el modelo intacto y la restricción sobre la barra 2 para el modelo dañado d=1.
Por tanto, al contrario de lo que sucedía en el caso anterior, el diseño está
condicionado tanto por el modelo intacto como por modelos dañados.
g10
g20
g30
g13=g31=g12
g21
F

Figura 5.14. Representación gráfica de la solución óptima. Todas las

configuraciones simultáneamente y carga reducida para los modelos dañados.
En este caso el diseño óptimo se obtiene para X  (0.681,0.849) , con un volumen

final de F=2.775.
205
- Resumen de resultados
Con el objetivo de comprender mejor los resultados obtenidos se muestran en la

Tabla 5.1 y Tabla 5.2 las soluciones óptimas correspondientes a los casos
estudiados.
X1 X2
Estructura completa 0.788 0.408
Modelo dañado 1 1.000 1.414
Todas las configuraciones 1.000 1.414
Tabla 5.1. Resultados considerando la misma carga para todas las configuraciones.
X1 X2
Estructura completa 0.788 0.408
Todas las configuraciones 0.681 0.849
Tabla 5.2. Resultados considerando una carga de 0.6P para los modelos dañados.
Para el caso donde se considera un valor de carga P en todas las configuraciones

(Tabla 5.1) el resultado de optimizar cada configuración de forma independiente y
tomar como resultado los máximos de cada barra coincide con la solución óptima
del problema planteado en (5.4). En ambos casos la solución es X  (1, 2) y el
motivo de la coincidencia del resultado se debe a que en esta estructura los modelos
dañados han transformado una estructura hiperestática en una isostática, obligando a
introducir áreas muy grandes para cumplir las condiciones de tensión en dichos
modelos. De esta forma son únicamente los modelos dañados los que limitan el
diseño. Generalmente el resultado a este tipo de problemas no es la envolvente de
los resultados óptimos de cada modelo, pero se aporta esta información para
206
comparar los resultados de aplicar ambas metodologías. Normalmente el resultado

óptimo proporcionará un volumen inferior al de la envolvente de valores máximos
como se comprobará en el próximo ejemplo de aplicación.
En el caso donde se reduce la carga para los modelos dañados a 0.6P, el resultado
obtenido ha sido X  (0.681,0.849) , que aporta un volumen menor que el
correspondiente a la envolvente de los valores óptimos de cada modelo por separado
X  (0.788,0.849) .
Se ha obtenido por tanto la solución analítica al problema de optimizar una

estructura considerando la pérdida estructural de alguna de sus partes. Este mismo
ejemplo también se ha resuelto empleando el software comercial GENESIS 9.0 y el
resultado obtenido coincide con el analítico.
Tabla 5.3. Resultados considerando una carga de 0.6P para los modelos dañados.
Salida de resultados de GENESIS.
5.3.2 Estructura en celosía de 25 barras. Solución numérica
El segundo ejemplo sobre el que se aplica la metodología presentada en el

apartado 5.2.2 corresponde a la estructura plana en celosía de 25 barras mostrada en la
207
Figura 5.15. La estructura se encuentra solicitada por una carga P = 300 kN que puede
estar situada en cualquiera de los nudos del cordón inferior, produciendo así cinco
hipótesis de carga. La optimización de tamaño considerando el volumen como función
objetivo y estableciendo condiciones de tensión en las barras fue llevada a cabo por
Pedersen[P1] y Hernández[H2]. La formulación del problema original es:
25
min V   xi li (5.15a)
i 1
sujeto a
104MPa   i  130MPa; i  1,..., 25 (5.15b)
E=210000 MPa
Figura 5.15. Estructura de nudos articulados.
Barra 1 2 3 4 5 6 13 14 15 18 19 20 21
2
Área (cm ) 43.55 16.63 36.43 5.89 33.28 3.88 11.71 12.24 13.18 5.64 16.92 10.86 6.83
σ (MPa) -104 130 -104 130 -104 -104 130 130 130 -104 121 130 130
Tabla 5.4. Resultado de la optimización para el problema de las 25 barras.
En la Tabla 5.4 se muestra el resultado de las áreas óptimas para la mitad de la

estructura deduciéndose el resto por simetría. El volumen óptimo es V=238722 cm3.
Suponiendo que el modelo estructural de la Figura 5.15 se corresponde con un

viaducto de carretera, se plantea la hipótesis de que un vehículo pesado impacte contra
208
una de las barras que definen la estructura. Si esto sucediera, se considerará que la barra
alcanzada desaparece del esquema estructural. Se establece que las barras susceptibles
de impacto son las diagonales y los montantes. Haciendo uso de la simetría del
problema se contabilizan 7 posibles configuraciones de modelos dañados, que se
corresponden con la eliminación de las barras 13, 14, 15, 18, 19, 20 y 21
respectivamente. Las configuraciones resultantes aparecen en la Figura 5.16 y Figura
5.17.
Como se ha dicho, se pretende obtener la estructura de mínimo peso que

satisfaga las condiciones de diseño expuestas en la ecuación (5.15a) tanto para la
estructura intacta como para los posibles modelos dañados. En un primer estudio se
considera que la carga puntual aplicada es de valor P=300 kN, tanto en la configuración
intacta como en las configuraciones dañadas. Posteriormente, se establece que la carga
actuante sobre el modelo intacto es la correspondiente a un estado límite último y de
valor P=300 kN, mientras que a los modelos dañados no se les exigirá soportar estados
límites últimos, pero sí ciertos estados de carga para poder realizar las operaciones de
rehabilitación. La carga actuante sobre los modelos dañados será de 200 kN como
resultado de dividir el valor de la carga en el modelo intacto por el coeficiente de
mayoración a, cuyo valor más habitual es a=1.5.
5.3.2.1 Formulación del problema
El problema enunciado en el apartado anterior se puede formular de la siguiente

forma:
25
min V   xi li (5.16)
i 1
sujeto a
104MPa   0i ( P)  130MPa; i  1,..., 25 (5.16a)
104MPa   d i ( P /  )  130MPa; i  Md; d  1,..., 7 (5.16b)
209
Figura 5.16. Modelo intacto y modelos dañados d=1, 2, 3.
210
Figura 5.17. Modelos dañados d=4, 5, 6 y 7.
211
Donde:
V : volumen de la estructura
xi : sección transversal de la barra “i”
li : longitud de la barra “i”
 0i : tensión normal en la barra “i” para el modelo intacto
 d i : tensión normal en la barra “i” para el modelo dañado “d”
M d : subconjunto de barras que no han colapsado en el modelo “d”
 : coeficiente de mayoración de cargas
En el apartado siguiente se muestran los resultados obtenidos para los problemas

correspondientes a   1 y   1.5 .
5.3.2.2 Resultados
La resolución del problema se ha llevado a cabo empleando el software de

optimización GENESIS 9.0. Para la definición del modelo se emplean elementos tipo
barra articulada, cuya denominación en este código es CROD, con dos nudos por
elemento y con 3 grados de libertad por nudo pues se trata de una estructura plana.
Al igual que en el ejemplo anterior se ha planteado otro posible enfoque para

obtener una solución al problema y que consiste en obtener las soluciones óptimas
independientes para el modelo intacto y para cada modelo dañado. De esta forma se
obtiene un valor diferente para cada variable de diseño ( xi ; i  1,..., 25; d  0,...,7 ) en
d
d
cada uno de los 8 procesos de optimización. Eligiendo el valor max xi como sección
transversal de cada barra se obtiene una solución correspondiente a la envolvente de los
valores óptimos de cada configuración.
La Tabla 5.5 muestra los resultados obtenidos cuando la carga aplicada es P=300
kN tanto en la configuración intacta como las configuraciones dañadas. Las primeras 8
columnas se corresponden con la optimización de cada una de las configuraciones de
forma independiente. La siguiente columna expone el resultado de resolver el problema
formulado en la ecuación (5.16) para α=1.0.
212
Modelo intacto Modelo d=1 Modelo d=2 Modelo d=3 Modelo d=4 Modelo d=5 Modelo d=6 Modelo d=7 Envolvente Opt. conjunta
2 2 2 2 2 2 2 2 2
Barra Área (cm2) Área (cm ) Área (cm ) Área (cm ) Área (cm ) Área (cm ) Área (cm ) Área (cm ) Área (cm ) Área (cm )
Capítulo 5
1 43.55 43.37 43.39 43.47 43.37 43.38 43.51 43.45 43.55 43.38
2 16.63 18.79 17.21 16.74 18.01 17.28 15.34 18.05 18.79 19.09
3 36.43 48.58 43.87 36.23 38.88 38.84 36.82 36.92 48.58 48.58
4 5.89 10.92 9.42 5.79 9.72 17.28 5.71 8.88 17.28 17.31
5 33.28 33.54 41.88 41.05 33.15 33.46 36.50 36.47 41.88 42.21
6 3.88 4.26 6.25 5.74 4.38 5.05 8.61 5.60 8.61 10.88
7 33.28 33.56 33.67 41.05 33.38 33.43 33.43 33.27 41.05 39.71
8 3.88 2.77 3.17 5.74 2.49 3.26 5.98 1.88 5.98 3.20
9 36.43 36.16 36.25 36.23 36.25 36.17 37.25 35.79 37.25 36.45
10 5.89 4.94 5.20 5.79 5.54 4.50 6.98 4.35 6.98 4.81
11 43.55 43.37 43.39 43.47 43.37 43.38 43.51 43.45 43.55 43.38
12 16.63 16.13 16.16 16.74 16.08 15.47 16.12 15.83 16.74 14.86
13 11.71 14.20 11.42 7.70 23.08 12.81 13.34 23.08 23.08
14 12.24 10.46 12.66 14.66 10.48 20.38 8.69 20.38 19.71
15 13.18 13.36 11.43 13.27 13.49 10.34 18.13 18.13 16.62
213
16 12.24 12.37 12.59 12.66 12.22 12.60 12.63 12.57 12.66 13.75
17 11.71 11.19 11.40 11.42 11.85 11.38 13.40 10.88 13.40 12.47
18 5.64 8.68 11.41 5.28 21.69 7.20 7.95 21.69 21.71
19 16.92 31.66 12.19 17.79 21.12 14.13 15.18 31.66 31.66
20 10.86 11.47 21.82 10.32 11.03 11.40 15.06 21.82 20.35
21 6.83 6.20 8.56 15.86 6.46 6.03 17.66 17.66 17.60
22 6.83 7.21 7.41 15.86 7.04 7.11 7.02 6.85 15.86 14.39
23 10.86 10.83 10.34 10.32 10.87 10.37 9.80 10.73 10.87 10.31
24 5.64 4.92 5.24 5.28 5.87 5.21 8.04 4.50 8.04 6.76
25 16.92 17.90 17.26 17.79 16.48 17.31 13.40 18.49 18.49 15.76
Vol. Óptimo (cm3) 2.387E+05 2.560E+05 2.525E+05 2.537E+05 2.410E+05 2.450E+05 2.443E+05 2.413E+05 3.227E+05 3.130E+05
Tabla 5.5. Resultados para α=1.0

OPTIMIZACIÓN DE ESTRUCTURAS CONSIDERANDO LA CONFIGURACIÓN
Modelo intacto Modelo d=1 Modelo d=2 Modelo d=3 Modelo d=4 Modelo d=5 Modelo d=6 Modelo d=7 Envolvente Opt. conjunta
2 2 2 2 2 2 2 2 2
Barra Área (cm2) Área (cm ) Área (cm ) Área (cm ) Área (cm ) Área (cm ) Área (cm ) Área (cm ) Área (cm ) Área (cm )
Capítulo 5
1 43.55 28.91 28.91 28.91 28.99 28.91 28.98 28.91 43.55 43.39
2 16.63 12.48 11.49 11.16 12.07 11.52 10.30 12.03 16.63 17.87
3 36.43 32.38 29.25 24.17 25.96 25.92 24.46 24.58 36.43 37.20
4 5.89 7.14 6.27 3.85 6.54 11.52 3.85 5.93 11.52 11.34
5 33.28 22.32 27.92 27.31 22.17 22.30 24.28 24.28 33.28 34.03
6 3.88 2.80 4.17 3.81 2.92 3.37 5.84 3.73 5.84 6.78
7 33.28 22.34 22.46 27.31 22.35 22.29 22.27 22.15 33.28 34.44
8 3.88 1.92 2.11 3.81 1.50 2.17 3.88 1.26 3.88 2.48
9 36.43 24.10 24.18 24.17 24.15 24.11 24.77 23.84 36.43 35.96
10 5.89 3.48 3.49 3.85 3.60 3.00 4.59 2.90 5.89 3.88
11 43.55 28.91 28.91 28.91 28.99 28.91 28.98 28.91 43.55 43.39
12 16.63 10.77 10.77 11.16 10.72 10.31 10.73 10.54 16.63 15.16
13 11.71 ------------- 9.46 7.62 5.17 15.39 8.40 8.91 15.39 15.42
14 12.24 6.98 ------------- 8.43 9.75 6.99 13.59 5.79 13.59 13.08
15 13.18 8.88 7.64 ------------- 8.81 8.99 6.87 12.10 13.18 11.40
214
16 12.24 8.19 8.38 8.43 8.18 8.40 8.46 8.38 12.24 13.43
17 11.71 7.62 7.62 7.62 7.81 7.58 8.87 7.26 11.71 11.07
18 5.64 5.77 7.60 3.53 ------------- 14.46 4.59 5.32 14.46 14.47
19 16.92 21.10 8.13 11.80 14.11 ------------- 9.76 10.09 21.10 21.11
20 10.86 7.61 14.55 6.87 7.40 7.60 ------------- 10.04 14.55 13.54
21 6.83 4.14 5.70 10.56 4.31 4.02 11.77 ------------- 11.77 11.74
22 6.83 4.78 4.94 10.56 4.79 4.74 4.71 4.56 10.56 10.00
23 10.86 7.20 6.91 6.87 7.24 6.91 6.51 7.15 10.86 9.46
24 5.64 3.51 3.52 3.53 3.77 3.47 5.26 2.99 5.64 4.77
25 16.92 11.56 11.48 11.80 11.19 11.54 9.09 12.35 16.92 17.76
Vol. Óptimo (cm3) 2.387E+05 1.705E+05 1.684E+05 1.688E+05 1.610E+05 1.633E+05 1.628E+05 1.608E+05 2.621E+05 2.584E+05
Tabla 5.6. Resultados para α=1.5

OPTIMIZACIÓN DE ESTRUCTURAS CONSIDERANDO LA CONFIGURACIÓN
En el caso de considerar la envolvente como resultado final, el coste en

términos de volumen que supone introducir restricciones sobre las configuraciones
dañadas, es de un 35.2%. Si se compara este resultado con el aportado por la
optimización conjunta considerando todas las configuraciones, el incremento de
volumen con respecto al volumen óptimo de la configuración intacta es del 31.1%. Por
tanto, la solución basada en la envolvente de valores óptimos de cada configuración
individual proporciona valores peores, más conservadores, como cabía esperar con
respecto a la solución óptima del problema conjunto formulado en (5.16). Al contrario
de lo que sucedía en el ejemplo de las tres barras, los resultados no son coincidentes y se
debe al incremento del grado de hiperestaticidad de esta estructura.
En la Tabla 5.6 se muestran los resultados obtenidos cuando la carga aplicada

sobre el modelo intacto es P=300 KN y se reduce su valor para las configuraciones
dañadas, dividiéndolo por el coeficiente de mayoración α=1.5, resultando P=200 KN.
En esta situación el aumento de volumen, con respecto al modelo intacto, es de

un 9.8% si se considera como resultado final la envolvente de los valores máximos
resultantes de optimizar de forma independiente cada configuración. En la última
columna se muestra la solución óptima al problema planteado en (5.16) para α=1.5,
observando un incremento de volumen con respecto a la configuración intacta del 8.3%.
De nuevo se puede observar que el planteamiento de envolvente de máximos produce
valores más conservadores que el resultado óptimo del problema, aunque en este caso la
diferencia es pequeña.
Para la resolución de los diferentes problemas de optimización se ha realizado

un modelo de barras articuladas en el programa GENESIS, donde se han definido en un
mismo fichero la configuración intacta y las 7 configuraciones dañadas. Las barras
homólogas de cada configuración comparten las variables de diseño no siendo así con
las condiciones de diseño. Por tanto, se ha elegido la opción 1 para la etapa de análisis
de acuerdo con lo comentado en el apartado 5.2.2. Al tratarse de un modelo donde el
tiempo computacional de análisis es muy pequeño, esta opción resulta la más
215
recomendable, pues en cada iteración se consiguen simultáneamente los valores de

todas las condiciones de diseño.
5.3.3 Modelo cilíndrico de estructura aeronáutica
La industria aeronáutica siempre ha estado sujeta a unas normas muy exigentes

en lo que a materia de seguridad se refiere. Para certificar cada uno de los elementos
que forman la aeronave es preciso la realización de numerosas comprobaciones, tanto a
nivel experimental como a nivel numérico. En muchas ocasiones el aumento de la
seguridad implica un mayor coste sobre el diseño final haciendo necesario la búsqueda
de vías alternativas para no incrementar en exceso este coste final de fabricación. En los
últimos años una de las herramientas más utilizadas para este fin ha sido la optimización
en todas sus formulaciones posibles: optimización de tamaño, optimización topológica,
optimización de forma, etc… Se pretende por tanto aumentar la seguridad al menor
coste posible.
En el contexto de diseño estructural, el objetivo es buscar la disposición de

material que cumpla las exigencias requeridas con el mínimo peso. Estas exigencias
pueden ser de nivel tensional, inestabilidades por pandeo, fallo de uniones adhesivas,
fatiga, etc… Para cada una de las comprobaciones a realizar se consideran unas
hipótesis de carga, en las cuales se deberá verificar la normativa vigente. Además de las
hipótesis de carga referentes a estados límite últimos y de servicio se contemplan
situaciones excepcionales en las que deberá asegurarse el vuelo de la aeronave hasta que
sea posible su aterrizaje. Alguno de estos casos puede ser la pérdida de funcionamiento
de un motor, el impacto con aves o el fallo de algún elemento estructural de la aeronave.
En este apartado se aplicará la metodología descrita con anterioridad para el caso

en el que se produzca un accidente donde haya pérdida de funcionamiento de algún
elemento estructural. Se empleará un modelo de elementos finitos de geometría
cilíndrica, similar al modelo de una sección de fuselaje, donde se considerarán
diferentes situaciones de daño.
216
El objetivo del problema será buscar un refuerzo que permita cumplir las
condiciones de diseño en todas las configuraciones, pero de forma que el incremento de
peso sea mínimo. Por tanto, se puede plantear como un problema de optimización donde
existe una configuración intacta y varias configuraciones dañadas, tal y como sucedía en
los ejemplos anteriores.
Después de todo lo comentado en este apartado se puede enunciar el problema

de forma general como: dado un conjunto de posibles situaciones dañadas de una
estructura del fuselaje de un avión, obtener el dimensionamiento de mínimo peso
necesario para asegurar su integridad estructural.
5.3.3.1 Definición geométrica y del modelo de elementos finitos
La estructura del fuselaje de una aeronave está compuesta básicamente por tres
elementos: la piel, correspondiente a la parte más externa del mismo, las cuadernas, que
forman parte de la estructura interna y mantienen la forma curva de la sección y por
último los rigidizadores de la piel y de las cuadernas.
Piel Cuadernas
Rigidizadores
Figura 5.18. Estructura del fuselaje de un avión.
El ejemplo que se estudia en este apartado reproduce una sección de fuselaje de

geometría cilíndrica cuyas dimensiones se muestran en la Figura 5.19. Se trata de un
217
segmento de fuselaje de 6 m de longitud y 3 m de diámetro, con 7 cuadernas de 30 cm

de ancho y un espaciamiento de 1 m entre ellas.
Figura 5.19. Geometría del modelo de fuselaje.
El modelo de elementos finitos, llevado a cabo para reproducir el

comportamiento estructural de este segmento de fuselaje, está formado por elementos
tipo lámina que modelizan la piel y las cuadernas, y elementos tipo barra para los
rigidizadores longitudinales y transversales. El modelo consta de 2346 grados de
libertad y se ha realizado mediante el código comercial Altair HyperWorks 9.0[A2], más
concretamente con el módulo denominado HyperMesh.
En la Figura 5.20 se muestra una imagen del modelo, donde se han eliminado a
propósito los elementos lámina de la piel y de las cuadernas en la mitad longitudinal con
el fin de poder visualizar los elementos tipo barra existentes en el modelo. Además se
presenta una imagen ampliada donde se han enumerado los tipos de elementos presentes
en el modelo y que se comentan a continuación con el mismo orden de numeración.
218
2 3 5
4
Figura 5.20. Vista de los elementos tipo lámina y tipo barra del modelo. Modelo completo
(izq.) y detalle indicando cada una de las partes del modelo (dcha.).
1. Piel
Se emplean elementos tipo lámina, cuya denominación en este código es
CQUAD4, con 4 nudos por elemento y 6 grados de libertad por nudo. Se
utiliza una discretización longitudinal de un elemento entre cuadernas y 30
elementos en dirección circunferencial, resultando un total de 180 elementos.
El espesor inicial de estos elementos es de 3 mm.
2. Cuadernas
Las siete cuadernas de la estructura se modelan con el mismo tipo de
elemento que la piel (CQUAD4) y con un espesor inicial de 3 mm. El
número de elementos por cuaderna es de 30, resultando un total de 210
elementos.
3. Rigidizadores longitudinales de la piel

Se emplean elementos tipo barra articulada de dos nudos por elemento y 6
grados de libertad por nudo, cuya denominación en este código es CROD.
219
La discretización longitudinal es de una barra entre cuadernas y la

circunferencial de 30 elementos.
El área inicial se considera de valor A=100 mm2.
4. Barras externas de las cuadernas

El tipo de elemento empleado es de tipo barra a flexión, denominado por el
código como CBAR, con dos nudos por elemento y 6 grados de libertad por
nudo. La discretización es compatible con el resto de elementos existiendo
30 elementos por cuaderna, haciendo un total de 210.
Las propiedades de estas barras son las siguientes:
A=100 mm2 Ix = 1000 mm4 Iy = 3E5 mm4
5. Barras internas de las cuadernas

El tipo de elemento empleado y las propiedades asignadas son las mismas
que en el caso anterior con un número total de elementos de 420.
El material asociado a cada uno de estos elementos estructurales es aluminio. Se

considerará la hipótesis de material isótropo con comportamiento elástico lineal. Los
parámetros que definen este material hookeano son el módulo de Young con valor
E=7.4E7 KN/m2 y el coeficiente de Poisson υ=0.37.
Como condición de contorno se considera el empotramiento de una de las

cuadernas extremas, mientras que la otra sirve como elemento de transmisión de la
carga exterior aplicada. Las acciones se introducen a través de un nudo situado en el
centro de la sección de la cuaderna no empotrada que se conecta a los nudos de la
misma mediante elementos tipo barra rígida, cuya nomenclatura en este código es
RBE2. Las cargas introducidas son un momento torsor de valor Mx=1000 KNm y dos
cargas puntuales Fy=-750KN y Fz=-750 KN de acuerdo con los ejes mostrados en la
Figura 5.21.
220
Figura 5.21. Acciones exteriores y condiciones de contorno.
A partir de la configuración intacta del segmento de fuselaje mostrado en la

Figura 5.20 se resuelve en primer lugar un problema de optimización cuyo resultado
servirá de base comparativa con las soluciones obtenidas al considerar configuraciones
dañadas. Posteriormente, se resuelven cuatro problemas de optimización considerando
la configuración intacta y “D” modelos dañados, correspondientes a D=1, 2, 4 y 8. Por
último se analiza el efecto de reducir la carga actuante en las configuraciones dañadas y
el efecto de añadir otra hipótesis de carga.
Los modelos dañados se generan de forma arbitraria a partir del modelo original
mediante eliminación de los elementos de una parte del mismo. Los programas
informáticos empleados para la resolución de los problemas de optimización
comentados son VisualDoc 6.2 y VisualScript 6.2[V2] desarrollados por la empresa
Vanderplaats Research & Development, Inc. y Optistruct, módulo de análisis de
221
estructuras y optimización del programa Altair Hyperworks, perteneciente a la empresa

Altair Engineering, Inc. La tarea desarrollada con cada uno de ellos es la siguiente:
 VisualDoc 6.2, para resolver el problema de optimización a partir de

unos valores de entrada, que son las variables de diseño y valor de las
condiciones de diseño en cada iteración. El programa devuelve las
variables de diseño modificadas tras aplicar el algoritmo de optimización
correspondiente.
 VisualScript 6.2, para realizar la rutina en lenguaje Python de forma
automática, encargada de dirigir el proceso de análisis a varios
procesadores y así llevar a cabo la resolución en paralelo,
correspondiente a la tercera opción de análisis que se mencionaba en el
apartado 5.2.2.
 Optistruct, para realizar cada uno de los análisis estático lineales
necesarios en cada iteración del proceso de optimización.
5.3.3.2 Formulación del problema para el modelo intacto
El primer problema de optimización que se resuelve consiste en obtener la

estructura de mínimo peso de la configuración completa cumpliendo una serie de
restricciones de tipo tensional. Además se impondrán restricciones laterales, es decir,
límites superiores e inferiores de las variables de diseño a fin de que el resultado
proporcione un diseño factible. El problema queda formulado mediante la definición de
las variables de diseño, condiciones de diseño y la función objetivo.
1. Variables de diseño
Como variables de diseño se consideran los espesores de cada uno de los

elementos tipo lámina que forman la piel y las cuadernas, así como la sección
transversal de las barras que modelan los rigidizadores longitudinales.
222
Espesor de los elementos de la piel = 180 variables

Espesor de los elementos de las cuadernas = 210 variables 570 variables
Área de los rigidizadores longitudinales = 180 variables
Las variables de diseño en este ejemplo comprenden casi la totalidad del modelo, con la
excepción de los rigidizadores de las cuadernas, que se consideran parámetros de
diseño, es decir, sus dimensiones permanecen constantes en el proceso de optimización.
2. Condiciones de diseño
Se imponen condiciones de tipo tensional sobre los elementos que forman la

piel, las cuadernas y los rigidizadores longitudinales. Además se introducen
restricciones laterales sobre las variables de diseño.
Elementos lámina de la piel:  Von Mises  160 MPa ; 1mm  espesor  20mm
Elementos lámina de cuadernas:  Von Mises  160 MPa ; 1mm  espesor  20mm
Área de rigidizadores longitudinales:  Von Mises  160 MPa ; 10mm  área  1000mm
2 2
3. Función objetivo
La función objetivo que se desea minimizar es el volumen de los elementos que

forman las variables de diseño, pues el resto del modelo, es decir, el conjunto de
rigidizadores de las cuadernas, tiene un valor constante.
5.3.3.3 Resultados optimización modelo intacto
En la Figura 5.22 se muestra la distribución de espesores óptima para la

configuración completa, resultando un volumen óptimo de valor V=0.1697 m3.
223
Figura 5.22. Distribución de espesores óptimos. Configuración completa.
5.3.3.4 Formulación del problema considerando la configuración intacta y “D”

modelos dañados
A partir de la configuración completa se definen “D” modelos dañados como

resultado de algún posible accidente sobre esta sección de fuselaje. Se desea obtener el
diseño del modelo completo cuyo volumen sea mínimo y cumpla las restricciones
impuestas sobre la configuración intacta y las dañadas. En una primera aproximación se
supone que las cargas que debe soportar el modelo intacto y los dañados son idénticas,
así como también las condiciones de diseño impuestas sobre sendos modelos.
El problema de optimización queda definido de la siguiente forma:
1. Variables de diseño
Las variables de diseño no cambian con respecto al problema formulado en

5.3.3.2.
224
Espesor de los elementos de la piel = 180 variables

Espesor de los elementos de las cuadernas = 210 variables 570 variables
Área de los rigidizadores longitudinales = 180 variables
2. Condiciones de diseño
Las condiciones de diseño dependerán del número de configuraciones dañadas

que se consideren. Se obtendrán soluciones considerando un modelo intacto y un
conjunto creciente de modelos dañados que será D=0, 1, 2, 4 y 8. Cuando D=0 el
problema se convierte en el formulado en el apartado anterior, donde solo se optimiza la
configuración intacta.
Elementos lámina de la piel

 Von Mises  160 MPa ; 1mm  espesor  20mm
Elementos lámina de cuadernas

 Von Mises  160 MPa ; 1mm  espesor  20mm d=0,…,D
Área de rigidizadores longitudinales
 Von Mises  160 MPa ; 10mm2  área  1000mm2
5.3.3.5 Modelo intacto y un modelo dañado. Resultados numéricos
En este apartado se resuelve el problema presentado anteriormente para D=1, es

decir, solamente existe un modelo con daño. Este modelo se muestra en la Figura 5.23 y
en la Figura 5.24 se presenta la distribución de espesores óptima que se obtiene al
resolver el problema de optimización conjunto. El volumen óptimo para este caso
resulta de un valor V= 0.1815 m3, lo que supone un incremento del 6.95 % con respecto
al obtenido en el apartado anterior, que era V=0.1697 m3.
225
Figura 5.23. Modelo completo y una configuración dañada.
Figura 5.24. Distribución de espesores óptimos.
Espesor = 4-7 mm Espesor = 3-4 mm
Figura 5.25. Comparación de resultados. Con un modelo dañado (izq.), sin daño (dcha.).
226
Además como se puede observar en la Figura 5.25 el resultado de la

optimización lleva a introducir espesores mayores alrededor de la zona donde se ha
producido el daño, pasando de espesores óptimos entre 3 y 4 mm a espesores
comprendidos entre 4 y 7 mm. Sin embargo los elementos que no existen en la
configuración dañada obviamente no necesitan ser reforzados.
5.3.3.6 Modelo intacto y dos modelos dañados. Resultados numéricos
En este caso se parte de tres modelos, como resultado de añadir una nueva
situación dañada de la estructura a las configuraciones del apartado anterior, resultando
así una configuración intacta y dos dañadas, como se muestra en la Figura 5.26. El
volumen resultante al optimizar de forma conjunta todos los modelos es de V=0.1916
m3, lo que supone un aumento del 12.91% con respecto al resultado de optimizar
exclusivamente la configuración intacta, cuyo volumen óptimo era V=0.1697 m3.
Figura 5.26. Modelo completo y dos configuraciones dañadas (izq.). Distribución de

espesores óptimos (dcha.).
227
A la vista de los resultados obtenidos y que se presentan en la Figura 5.26 se

puede concluir que la optimización ha introducido mayores espesores en las zonas
adyacentes a los lugares donde se ha producido el daño, no reforzando el espesor de los
elemento dañados, como es lógico. Si se comparan las tres soluciones obtenidas hasta
ahora se puede observar fácilmente en la Figura 5.27 la evolución de la distribución de
espesores a medida que se introduce el daño 1 y el daño 2.
Figura 5.27. Diseño óptimo resultante tras la optimización sin daño (arriba), considerando
un modelo dañado (izq.) y considerando dos modelos dañados (dcha.).
5.3.3.7 Modelo intacto y cuatro modelos dañados. Resultados numéricos
En este apartado se resuelve el problema anterior con posibles configuraciones

dañadas adicionales, de forma que se parte de un modelo intacto y cuatro
configuraciones dañadas, tal y como se muestra en la Figura 5.28.
Si se resuelve el problema de optimización planteado en el apartado 5.3.3.4 el

volumen óptimo resulta de valor V=0.2568 m3, lo que supone un incremento del
228
51.33% con respecto al volumen óptimo de la configuración intacta que era V=0.1697
m3.
Figura 5.28. Modelo completo y cuatro configuraciones dañadas.
229
Ahora la distribución de espesores final que se muestra en la Figura 5.29 no es

fácilmente interpretable, pues al existir mayor número de zonas dañadas el espesor de
un elemento no vendrá determinado por la influencia de un daño específico sino por
varios. Por tanto, a medida que se incremente el número de configuraciones dañadas
será más complicado analizar la distribución de espesores óptimos, situación que se
complica cuando se optimiza con numerosos casos de carga. Ello pone de manifiesto la
necesidad de utilizar técnicas de diseño suficientemente sofisticadas en problemas de
este tipo. Para el supuesto de que en lugar de técnicas de optimización para el
dimensionamiento de la estructura se hubiera procedido mediante el planteamiento
tradicional, de ensayo y error, la identificación de los valores adecuados para los
espesores de la piel y las áreas de las barras hubiera sido prácticamente imposible.
En este caso el aumento de volumen con respecto a la configuración intacta es

significativamente más elevado que en los ejemplos anteriores debido a la introducción
de una configuración muy dañada con respecto a las demás y que es la última que se
muestra en la Figura 5.28. En esta configuración dañada, prácticamente ha desaparecido
la mitad de uno de los seis segmentos que forman la estructura cilíndrica quedando la
estructura altamente dañada, de ahí el incremento de volumen, pues esa configuración
también debe cumplir las condiciones de diseño.
5.3.3.8 Modelo intacto y ocho modelos dañados. Resultados numéricos
Para finalizar esta batería de ejemplos se resuelve el problema de optimización

formulado en el apartado 5.3.3.4 para un valor de D=8, donde se consideran las cuatro
configuraciones del apartado anterior y otras cuatro configuraciones dañadas
adicionales, tal y como se muestra en la Figura 5.30.
El volumen óptimo cuando se resuelve el problema de optimización conjunta es

V=0.2672 m3, que corresponde a un incremento del 57.45% con respecto al volumen
óptimo de la configuración intacta, cuyo valor era V=0.1697 m3. De nuevo resulta
complicado analizar, exclusivamente mediante la mera observación, la distribución de
espesores óptimos mostrada en la Figura 5.31.
230
Figura 5.30. Modelo completo y ocho configuraciones dañadas.
231
5.3.3.9 Resumen de resultados
En este apartado se presenta un resumen de los resultados obtenidos para el

problema formulado en el apartado 5.3.3.4 para D=0, 1, 2, 4 y 8. En la Figura 5.32 se
muestra el volumen óptimo para cada valor de “D” y en la Figura 5.33 se representa el
incremento de volumen en porcentaje referenciado al volumen óptimo para la
configuración intacta.
VOLUMEN EVOLUCIÓN DEL VOLUMEN ÓPTIMO
3
Modelo intacto (D=0) 0.1697 m 0.300
3
Con 1 modelo dañado (D=1) 0.1847 m 0.250
3
Con 2 modelos dañados (D=2) 0.1916 m 0.200
3
Con 4 modelos dañados (D=4) 0.2568 m 0.150
3 D=4 D=8
Con 8 modelos dañados (D=8) 0.2672 m 0.100 D=1 D=2
D=0
0.050
0.000
Figura 5.32. Evolución del volumen óptimo con el número de configuraciones

consideradas.
232
Incremento de volumen con respecto al volumen óptimo de
la configuracion intacta
70.00
60.00 57.45
51.33
50.00
Diferencia (%)
40.00
30.00
20.00
12.91
10.00
6.95
0.00
1 2 3 4 5 6 7 8
Número de configuraciones dañadas (D)
Figura 5.33. Incremento de volumen para cada valor de D.
A la vista de los resultados se puede observar que en este ejemplo cuando se

duplica el número de casos dañados de 1 a 2 se duplica el incremento de volumen, sin
embargo, cuando se vuelve a duplicar el número de configuraciones dañadas de 2 a 4,
el incremento de volumen se multiplica por 4. Esto se debe a que el factor más
importante a la hora de analizar el incremento de volumen es la magnitud del daño que
se contempla y no el número de configuraciones consideradas. Este mismo
razonamiento explica por qué al pasar de 4 a 8 configuraciones dañadas únicamente se
aumenta un 6% el incremento de volumen. Esto quiere decir que el material introducido
cuando D=4 es prácticamente suficiente para cumplir las condiciones de diseño para
D=8, lo cual no implica necesariamente que la distribución de material resulte de la
misma forma.
5.3.3.10 Análisis comparativo de resultados
Con el fin de ampliar el abanico de resultados para este ejemplo, se estudia la

influencia de introducir un factor reductor para las acciones aplicadas sobre las
configuraciones dañadas, como ya se hizo en los ejemplos de estructuras de barras
anteriores, y además se analiza el efecto de introducir dos hipótesis de carga en el
problema de optimización.
233
El estudio comparativo se realiza entre los resultados obtenidos para tres

planteamientos del problema de optimización, que son:
Caso 1: configuración intacta con carga P y configuraciones dañadas con carga P
Este caso se corresponde con el problema resuelto en los apartados anteriores, donde
todas las configuraciones están sometidas a la hipótesis de carga que se observa en la
Figura 5.34.
Vector de cargas P:
Mx=1000 KNm
Fy=-750 KN
Fz=-750 KN
Figura 5.34. Hipótesis de carga 1.
Caso 2: configuración intacta con carga P y configuraciones dañadas con carga

P/1.5
En este caso solo existe una hipótesis de carga, pero con diferentes valores según se
aplique sobre el modelo intacto o sobre las configuraciones dañadas. Por lo tanto las
cargas aplicadas sobre el modelo intacto son las que aparecen en la Figura 5.34 y el
vector de cargas para las configuraciones dañadas es:
Vector de cargas:
Mx=666.67 KNm
Fy=-500 KN
Fz=-500 KN
234
Caso 3: configuración intacta y configuraciones dañadas con 2 hipótesis de carga: P

y Q.
Este caso es igual que el Caso 1 pero se consideran dos hipótesis de carga en el
problema de optimización. Las cargas introducidas en cada hipótesis aparecen en la
Figura 5.35.
Vector de cargas P Vector de cargas Q

Mx=1000 KNm Mx=700 KNm
Fy=-750 KN Fy=1250 KN
Fz=-750 KN Fz=1250 KN
Figura 5.35. Hipótesis de carga P (izq.) e hipótesis de carga Q (dcha.).
Los resultados obtenidos se muestran de forma agrupada para los tres casos
mencionados en la Figura 5.36 y Figura 5.37.
235
Caapítulo 5 OP
PTIMIZACIÓN
N DE ESTRUCCTURAS CON
NSIDERANDO LA CONFIG
GURACIÓN
CO
OMPLETA Y CO
OLAPSOS PAR
RCIALES
CASO 1 CASO 2 CASO 3

3 3 3
Evvolución de
el volumen ó
óptimo
D=1
1 0.1847 m 0.1715 m 0.1857 m
D=2
2 0.1916 m
3
0.1764 m
3
0.1985 m
3 0.35
D=4
4 0.2568 m
3
0.1911 m
3
0.3215 m
3
0.30
3 3 3
D=8
8 0.25
Volumen (m3)
0.2672 m 0.1928 m 0.3232 m
0.20 Caso 1
0.15 Caso 2
0.10 Caso 3
0.05
0.00
D=1 D=2
2 D=4 D=8
Figura 5.336. Evolucióón del volum

men óptimo para
p cada caaso estudiad
do en funció
ón del
númeroo de configu
uraciones da
añadas que se
s consideraan.
En laa Figura 5.336 aparece el volumen

n óptimo que
q se obtieene para caada caso
esstudiado enn función del númeroo de confi
figuracioness dañadas introducidaas en el
prroblema, obbservándosee una clara disminución
d n para el Caaso 2, debiddo a la reducción de
caarga en loss modelos dañados y un aumen
nto significcativo para el Caso 3,
3 como
reesultado de incluir una hipótesis de
d carga adiicional. Hayy que destacar que la hipótesis
h
dee carga 2, inntroduce acciones del mismo
m ordeen de magniitud que la hhipótesis 1,, pero en
diirecciones diferentes.
d Esta circunnstancia hacce que el diseño
d paraa la hipótessis 1 no
cuumpla las condiciones
c s de diseño para la hip
pótesis 2 y viceversa,, de maneraa que el
allgoritmo de optimizacióón convergee introducieendo mayor cantidad dee material.
236
2
Incremento de volumen con respecto al volumen óptimo de la
configuracion intacta
100 90.45
89.45
90
80
70
Diferencia (%)
57.45
60 51.33
50 Caso 1
40
Caso 2
30
16.98 Caso 3
20 12.91 12.61 13.61
9.42
10 6.95
3.95
1.06
0
1 2 3 4 5 6 7 8
Número de configuraciones dañadas (D)
Figura 5.37. Incremento de volumen para cada valor de D.
En la Figura 5.37 se muestra la diferencia porcentual del volumen óptimo para

cada caso de estudio y en función del número de configuraciones dañadas respecto al
volumen óptimo obtenido para la configuración intacta y cuyo valor era V=0.1697 m3.
Se observa claramente la reducción de volumen en el Caso 2 y el aumento en el Caso 3,
de acuerdo a lo comentado en el párrafo anterior, y además se puede ver que los
resultados entre casos difieren notablemente a partir de D=2. El motivo de esta
diferencia se debe a la introducción de una configuración dañada muy desfavorable
cuando D=4, que condiciona notablemente el diseño final. Posteriormente, cuando se
duplica el número de configuraciones dañadas a 8 el incremento de volumen es mucho
menor, lo que indica que no se han añadido configuraciones mucho más críticas que las
consideradas hasta D=4.
De los resultados obtenidos en este estudio comparativo se puede concluir que el

hecho de considerar acciones no mayoradas para las configuraciones dañadas, conlleva
a incrementos de volumen más reducidos. Además el aumento de volumen no está en
relación lineal con el número de configuraciones dañadas que se consideran, sino que es
bastante menor, siempre que la magnitud de los daños sea similar. También se observa
237
que el diseño final está limitado no tanto por el número de configuraciones dañadas sino
por la magnitud del daño considerado.
5.4 REFERENCIAS
[A1] ARORA, J.S.: Introduction to Optimum Design, Elsevier Academic Press, Second
Edition, 2004.
[A2] ALTAIR HYPERWORKS v9.0., User’s Guide, 2008. Altair Engineering, Inc.
[G1] GENESIS v9.0, Design Manual, 2006. Vanderplaats Research & Development,
Inc. Colorado Springs, USA.
[H1] HAFTKA, R.T. & KAMAT, M.O.: Elements of Structural Optimization, Martinus
Nijhoff Publishers, 1985.
[H2] HERNÁNDEZ, S.: Métodos de Diseño Óptimo de Estructuras, 1990.
[P1] PEDERSEN, P.: On the Optimal Layout of Multi-Purpose Trusses, Comput.

Struct.vol. 2, pp. 695-712, 1972.
[S1] Scott, R.: In the Wake of Tacoma, ASCE Press, 2001.
[S2] Schmit, L.A.: Structural Design by Systematic Synthesis, Second Conference on

Electronic Computation, ASCE, Pittsburg, Pa, pp. 105-132, 1960.
[V1] VANDERPLAATS G. N.: Numerical Optimization Techniques for Engineering

Design, 3rd edition, 2001. Vanderplaats Research & Development Inc., Colorado
Springs, USA.
[V2] VisualDoc 6.2, User’s Manual, 2009. Vanderplaats Research & Development, Inc.
Colorado Springs, USA.
238
CAPÍTULO 6
CONCLUSIONES
6.1 CONCLUSIONES GENERALES
A continuación se muestran las conclusiones de carácter general que se pueden

extraer de esta tesis:
 El diseño de una estructura está condicionado a diferentes situaciones de

incertidumbre que pueden tenerse en cuenta en el dimensionamiento final de
la misma. Estas situaciones pueden darse tanto en la fase de diseño, como en
la fase de servicio de la estructura.
 El análisis de estructuras en régimen probabilista da lugar a un conocimiento
más cabal de la seguridad y su aplicación conduce a una reducción del coste
de la estructura, pues se puede evitar el excesivo sobredimensionamiento
presente en algunas estructuras.
 En esta tesis se lleva a cabo la determinación de la fiabilidad estructural
frente al flameo de puentes, considerando incertidumbre en los datos
239
Capítulo 6 CONCLUSIONES
experimentales que permiten determinar la velocidad de flameo de un

puente.
 El proceso habitual de diseño de estructuras, mediante la aplicación de reglas
heurísticas, puede verse mejorado si se aplican técnicas optimización, como
demuestran diversos ejemplos expuestos en esta tesis.
 La optimización estructural también está sujeta a situaciones de variabilidad
que afectan al diseño final y en esta tesis se ha investigado sobre dos
situaciones concretas.
6.2 CONCLUSIONES RELATIVAS AL ANÁLISIS

PROBABILISTA DE ESTRUCTURAS
 El planteamiento probabilista resulta adecuado para acciones como las del

viento, pues la existencia de registros históricos de la estructura permite
conocer su comportamiento aleatorio mediante funciones de probabilidad.
 Se plantea la obtención de la fiabilidad estructural frente al fenómeno de
flameo de puentes teniendo en cuenta la incertidumbre existente tanto en las
acciones como en la respuesta de la estructura.
 Dada la importancia del estado límite que representa exceder la velocidad de
flameo de un puente, resulta adecuado el planteamiento probabilista donde se
puedan introducir las incertidumbres más relevantes.
 El método empleado para la obtención de la velocidad de flameo involucra
una etapa computacional y otra experimental. Debido a la naturaleza de los
ensayos en la etapa experimental ha resultado apropiado considerar
incertidumbre en dichos resultados. Además se considera como variable
aleatoria la propia acción del viento.
 Se ha aplicado el planteamiento anterior sobre el futuro puente de Messina,
obteniendo resultados de la fiabilidad estructural para un número creciente
de variables aleatorias, mediante el método FORM.
240
 Se han obtenido resultados para valores del 15% y 30% de desviación típica
en los datos que definen las funciones de flameo, y se ha observado que la
función de flameo P1* es la más determinante a la hora de determinar la
fiabilidad estructural de este puente.
 Los resultados obtenidos en este ejemplo indican que la fiabilidad del puente
de Messina frente al fenómeno de flameo es muy elevada.
 Dada la singularidad del puente de Messina los resultados obtenidos no se
pueden extrapolar a un resultado general, pudiendo ser otras funciones de
flameo las más relevantes en la obtención de la fiabilidad.
 En la aplicación del método FORM se han detectado inestabilidades
numéricas que impedían su convergencia. En consecuencia, se ha realizado
una estabilización del mismo que primeramente se ha verificado con un
ejemplo analítico, obteniendo resultados satisfactorios.
6.3 CONCLUSIONES RELATIVAS A LA OPTIMIZACIÓN

ESTRUCTURAL EN ENTORNOS DE INCERTIDUMBRE
6.3.1 Conclusiones relativas a la variación de parámetros en el proceso

de optimización
 En el diseño óptimo de estructuras es habitual que se produzcan decisiones

que afecten a algún parámetro que inicialmente se ha considerado fijo.
Resulta interesante poder obtener soluciones aproximadas de la solución
óptima sin necesidad de volver a optimizar la estructura, siempre y cuando,
suponga una ventaja computacional.
 Entre las alternativas existentes se ha implementado la metodología basada
en las direcciones eficientes, pues únicamente requiere la obtención de las
primeras derivadas tanto de la función objetivo como de las condiciones de
diseño.
241
 La técnica anterior se ha mejorado realizando un proceso iterativo donde se

realiza un seguimiento de las condiciones activas, lo cual permite obtener
mejores resultados.
 La misma metodología se ha aplicado sobre dos ejemplos sencillos de
estructuras de barras y sobre una estructura real en el ámbito de la ingeniería
aeronáutica correspondiente a una región del fuselaje de un avión, con
resultados altamente satisfactorios.
6.3.2 Conclusiones relativas a la optimización de estructuras

incluyendo colapsos parciales
 El diseño de determinadas estructuras conlleva un grado de responsabilidad

muy elevado, en cuanto que el colapso parcial o total de la misma puede
ocasionar pérdidas de vidas humanas o un coste económico y social elevado.
La inclusión de estos estados límites excepcionales en la optimización
supone una mejora frente al diseño óptimo habitual.
 En esta investigación se ha descrito en detalle el planteamiento de obtención
de estructuras óptimas contemplando colapsos parciales empleando el
conocido ejemplo de las tres barras para visualizar su funcionamiento. Este
primer ejemplo se resuelve gráficamente y numéricamente obteniendo
idénticos resultados.
 La metodología anterior se aplica sobre un conocido ejemplo de una
estructura en celosía de 25 barras, donde se obtienen resultados
satisfactorios.
 Por último se aplica esta metodología al caso de que el fuselaje de un avión
sufra colapsos parciales. Para ello se genera un modelo estructural
suficientemente realista sobre el cual se realiza el estudio y de nuevo no se
han encontrado dificultades para la aplicación de la metodología anterior,
permitiendo afirmar que es posible su utilización para modelos con un alto
número de grados de libertad.
242
6.4 LÍNEAS DE INVESTIGACIÓN FUTURAS
En esta tesis se han expuesto situaciones de incertidumbre concretas en el diseño

de estructuras, y se han presentado metodologías que permiten tenerlas en cuenta en el
resultado final. No obstante, en cada una de ellas podrían incluirse aspectos que no se
han reflejado en esta investigación.
La obtención de la fiabilidad estructural frente al fenómeno de flameo puede

ampliarse considerando más tipos de variables aleatorias y permitiendo establecer
correlaciones entre ellas, cuando existan. Además en este estudio únicamente se ha
tenido en cuenta la función de estado límite correspondiente a la velocidad de flameo,
pudiendo añadirse la consideración de diferentes situaciones de estados límite.
Puesto que en la actualidad se están desarrollando metodologías para la

obtención numérica de las funciones de flameo, mediante la dinámica de fluidos
computacional (CFD), también sería interesante obtener la fiabilidad estructural
considerando como variables aleatorias los parámetros numéricos involucrados en la
obtención de estas funciones de flameo.
Otra posible línea de investigación en este ámbito es la optimización de puentes

de gran vano considerando restricciones relativas a la probabilidad de fallo respecto al
fenómeno de flameo. A este planteamiento donde se integra el análisis probabilista y la
optimización se le denomina Reliability Based Design Optimization (RBDO).
Como continuación del estudio realizado en el puente sobre el estrecho de

Messina, una posible investigación es la aplicación de esta metodología a diferentes
tipologías de tablero, como celosías o secciones en cajón único, para determinar qué
funciones de flameo son las más relevantes en el cálculo de la fiabilidad estructural.
En cuanto al análisis de sensibilidad de la solución óptima, se ha considerado

que únicamente se tiene información de cambios producidos en un solo parámetro del
243
diseño. Una posible línea de investigación pasa por introducir de forma simultánea
variaciones en distintos parámetros fijos.
Respecto a la metodología que permite obtener la solución óptima considerando

colapsos parciales de la estructura, se podría introducir el análisis probabilista
estableciendo como variables aleatorias las acciones sobre el modelo intacto y los
modelos dañados. Asimismo y dado que el análisis estructural se ha realizado en teoría
lineal, una mejora sería llevarlos a cabo en teoría no lineal.
244

BaldomirGarcia Aitor TD 2010

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

BaldomirGarcia Aitor TD 2010

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDADE DA CORUÑA

ESCOLA TÉCNICA SUPERIOR DE ENXEÑEIROS

ANÁLISIS Y OPTIMIZACIÓN EN ENTORNOS DE

Félix Nieto Mouronte

La Coruña, Junio de 2010

En primer lugar quisiera agradecer a Santiago Hernández su incansable

A mis amigos, especialmente a Javier Calvo, Javier Amado, Vanessa García,

ANÁLISIS Y OPTIMIZACIÓN EN ENTORNOS

3.5.3.3 Variables aleatorias: xV y las 6 funciones de flameo A*, H* o P* ..... 111

3.5.3.4 Variables aleatorias: xV y las 18 funciones de flameo ...................... 112

1.1 MOTIVACIÓN Y OBJETIVOS

El esfuerzo realizado por numerosos investigadores desde inicios del siglo XX

Paralelamente, se han desarrollado herramientas de dibujo asistido por

Otra aportación, no menos importante de esta época, ha sido la introducción del

Aunque en sus inicios el diseño óptimo supuso científicamente una revolución,

No solamente se han desarrollado métodos que mejoran el diseño y obtienen

El objetivo de esta investigación es analizar diferentes situaciones donde el

1.2 ORGANIZACIÓN DE LA MEMORIA-TESIS

En el capítulo 2 se realiza una exposición de tres situaciones diferentes en las

El capítulo 3 se dedica al estudio de estructuras en régimen probabilista y su

estructural, estado límite o probabilidad de fallo, entre otros. Después se hace un

En el capítulo 4 se presenta la situación en la que una vez concluida la etapa de

El capítulo 5 aborda el problema de obtención de estructuras óptimas teniendo

solución óptima teniendo en cuenta colapsos parciales. Se plantean diferentes formas de

En el capítulo 6 se recogen las conclusiones de esta tesis y se indican futuras

Los condicionantes existentes a la hora de diseñar una estructura son muchos y

parte al gran desarrollo experimentado por los equipos informáticos, permitiendo

Como se ha comentado, el aspecto económico es uno de los más importantes a

En cuanto al otro aspecto fundamental, la seguridad, también se han realizado

Últimamente, se ha venido forjando la idea de considerar ambos aspectos

En este capítulo se expondrán diferentes situaciones donde el proceso habitual

2.2 DETERMINISMO, INCERTIDUMBRE Y VARIABILIDAD

El ingeniero desde el primer momento en el que empieza a diseñar una

Esta situación ha hecho que el ingeniero busque un margen de seguridad que

Posteriormente, las normativas técnicas han tomado el papel desempeñado por

Por tanto la idea de incertidumbre siempre ha estado presente en el proyectista y

Se define incertidumbre como la imposibilidad de conocer con total exactitud un

De forma general, se puede clasificar la incertidumbre en dos tipos básicos que

Una clasificación muy extendida de la incertidumbre en el campo del diseño

Figura 2.1 Incertidumbre física. Ejemplo: anemómetro y registro de datos.

La incertidumbre estadística es aquella que se debe a la falta de datos para

Figura 2.2 Incertidumbre estadística. Ejemplo: resultados de un experimento en

Por último la incertidumbre del modelo, surge de las hipótesis simplificativas

Existen otras situaciones en las que el diseño se ve afectado por la variabilidad

2.3 ANÁLISIS DETERMINISTA Y PROBABILISTA DE

En general, el análisis de estructuras se realiza considerando que las

Tradicionalmente, el análisis de estructuras se ha interesado por el desarrollo de

El análisis probabilista de estructuras trata de dar respuesta a esta cuestión dando

siendo imposible reducir algunas de ellas. Por tanto, el hecho de reducir la

- Acciones permanentes: se puede emplear la distribución normal de forma

Para el caso de variables que resulten de la suma de otras, es posible concluir, a

Definida así la entrada de datos para el análisis de la estructura, la consecuencia

Datos: P=10 kN; L=5 m

Figura 2.4 Análisis determinista de viga en voladizo.

El análisis proporciona los valores de cortante y flector máximo: V=P=10 kN y

Si se considera que la carga P no es un valor determinista y se define como una

Datos: P=N(10, 2); L=5 m

Figura 2.5 Análisis probabilista de viga en voladizo.

estructura, pues basta con obtener la probabilidad de que la variable aleatoria de

Pf = P[M>Mu]= P[M>70]=0.0228 (2.1)

En este ejemplo en concreto el resultado del análisis probabilista ha

Generalmente, no se conocerá la solución analítica de la respuesta estructural y

Entrada de datos determinista Entrada de datos probabilista

3.5.3.3 Variables aleatorias: xV y las 6 funciones de flameo A, H o P* ..... 111