RESUMEN DE TESIS DOCTORAL

Acta Científica Venezolana, 52: 226–233, 2001

UN ESQUEMA GENERAL PARA LA OPTIMIZACION

ESTRUCTURAL DE FORMAS MEDIANTE ALGORITMOS
GENETICOS Y ELEMENTOS DE DISEÑO GEOMETRICO 
William Annicchiarico
Instituto de Materiales y Modelos Estructurales, Facultad de Ingeniería,
Universidad Central de Venezuela. PO Box 50361 - Caracas 1050-A - Venezuela.
Email: annicchw@camelot.rect.ucv.ve

Recibido: 17/10/01; Aceptado: 23/10/01

RESUMEN: La optimización estructural es aquella rama de la ingeniería que pretende buscar nuevas soluciones e incluso mejorar las
existentes de manera que bajo ciertos criterios resulten ser las mejores. En este sentido la optimización de formas es un nuevo campo de
investigación y en la misma se busca integrar y desarrollar metodologías que permitan encontrar nuevos y mejores diseños estructurales
basados en la optimización de la forma como elemento resistente, es decir la obtención de diseños con menor concentración de esfuerzos
, entre otros criterios, y que a su vez se construyan con la menor cantidad de material. El propósito del presente trabajo doctoral es el
de desarrollar una metodología general para la optimización estructural de la forma de diversos sistemas resistentes, piezas mecánicas,
etc. Integrando, para ello las grandes ventajas de los motores de búsqueda de tipo evolutivo, como son los Algoritmos Genéticos, con las
facilidades que brindan las herramientas del diseño asistido por ordenador, usando para ello elementos de diseño geométrico tales como
las curvas y superficies tipo  -splines. Finalmente la gran versatilidad de la herramienta desarrollada es presentada y discutida a través
de un ejemplo de aplicación. Palabras clave: Optimización, Algoritmos Genéticos, Diseño Geométrico, Elementos finitos, Elementos de
Contorno, curvas y superficies  -spline.

A GENERAL APPROACH TO THE STRUCTURAL SHAPE OPTIMIZATION USING GENETIC ALGORITHMS

AND GEOMETRIC DESIGN ELEMENTS
ABSTRACT: Structural optimization is an engineering field which deal with the improvement of existing solutions or even more find new
solutions that are better than the previous ones under some selected criterion. Shape optimization is a research area in this field and it is
involved in developing new methodologies to find better structural design based on the shape as resistant element, as for example solutions
with the less stress concentration zones and made with the minimum amount of material. The goal of this doctoral dissertation is to present
and discuss a general structural shape optimization methodology able to optimize several structural systems or mechanical devices. The
approach presented herein is based on global search optimization tools such as Genetic Algorithms and geometric design elements by
means of  -splines curves and surfaces representation. Finally the great versatility of the developed tool is presented and discussed with
an application example. Key Words: Optimization, Genetic Algorithms , Geometrical Design, Finite elements, Contour elements, curves
and  -spline surfaces.
INTRODUCCION
En el pasado, muchos de los procesos de diseño fueron
realizados por la experiencia e intuición del diseñador en
vez de una aplicación intensiva de la teoría de optimiza-
ción. Recientemente esta forma de pensar ha cambiado
debido a la importancia que ha tomado el campo de la
optimización estructural en el diseño, ya que mediante su
aplicación se logran reducir costos, materiales y tiempo en
los procesos de diseño realizados por los ingenieros.
El propósito de aplicar los conceptos de diseño óptimo
a la ingeniería estructural es el de obtener una solución a
un problema de ingeniería que cumpla con todas las limi-
taciones y restricciones impuestas, y que a la vez resulte
ser la mejor en cuanto a uno o varios criterios de diseño
previamente establecidos. El logro de estos objetivos ha
sido posible gracias al desarrollo de nuevos métodos nu-
méricos, tales como el método de los Elementos Finitos
*Tesis Doctoral defendida en forma pública el día 14 de diciembre de
2000, ante el Postgrado en Ciencias de la Ingeniería Estructural, de la
Universidad Central de Venezuela, Caracas.
Tutor: Dr. Miguel Cerrolaza
(MEF), el método de los Elementos de Contorno (MEC),
al uso de nuevas y poderosas técnicas de optimización,
y finalmente al desarrollo de computadoras cada vez más
potentes y veloces.
Los problemas de optimización de formas consisten en
variar algunos contornos del modelo a ser diseñado a fin
de mejorar su comportamiento mecánico como por ejem-
plo, reducir altas concentraciones de esfuerzos que nor-
malmente aparecen en las esquinas de las piezas o en
aquellas zonas donde ocurren cambios bruscos en la for-
ma de la sección.
A fin de resolver el problema de optimización de formas,
éste puede ser dividido en tres etapas principalmente. En
primer lugar, es necesario definir los modelos geométri-
co y analítico de la pieza a estudiar. En segundo lugar,
se encuentra el estudio de sensibilidades para obtener la
solución al problema planteado, y finalmente, la solución
óptima del problema se obtiene a través de la selección
de la técnica de optimización que permita hacerlo de la
forma más efectiva posible.
El propósito del presente trabajo doctoral es el estudio
y desarrollo de algoritmos matemáticos que permitan la
Optimización estructural de formas
optimización bi y tridimensional de la forma de diversos
elementos estructurales, para lo cual se utilizaran los con-
ceptos de las técnicas de parametrización de sólidos, in-
troduciendo como elementos de diseño geométrico curvas
227
ambiente, mientras que el genotipo de una estructura es
la codificación de cada característica ai en un código en
particular (binario en este caso).
La transformación del fenotipo de una estructura a una
y superficies  -spline y como algoritmo de optimización se cadena de dígitos binarios produce los llamados cromo-
usará los Algoritmos Genéticos, debido a su gran robustez somas, y representan, como en los sistemas naturales, la
para resolver problemas complejos como el de optimiza- prescripción genética para la construcción y operación de
ción de formas y su capacidad para encontrar la solución algún organismo vivo:
casi - óptima u óptima del problema de optimización a re-
solver. c
Y c
Y
A fin de estudiar el problema planteado, el mismo se A= ai = (e : ai ! f0; 1g) (2)
ha desarrollado de la siguiente manera: primeramente se i=1 i=1
hará una breve descripción del Método de los Algoritmos
En el caso de la optimización de formas, los vectores de
Genéticos y la forma de implementarlo para resolver el
diseño y su representación genética tendrán la siguiente
problema de optimización de formas. Después se descri-
forma:
birá la representación geométrica basada en la formula-
ción mediante curvas y superficies de tipo  -spline. A con-
tinuación se explicará el esquema de modelado geométri-
co implementado y su interrelación con las herramientas
de análisis y optimización. Usando un ejemplo de aplica-
ción se mostrará la versatilidad, eficacia y eficiencia de la
técnica matemática desarrollada y su herramienta compu-
tacional asociada. Finalmente se presentarán las conclu-
siones.
APLICACIÓN DE LOS ALGORITMOS GENETICOS EN
LA OPTIMIZACIÓN DE FORMAS
Los algoritmos genéticos son algoritmos de búsqueda
basados en los mecanismos de la selección natural y la
genética12;14;17 . Estos algoritmos convergen rápidamente
a la estructura óptima con un esfuerzo mínimo, probando
solo una pequeña fracción del espacio de diseño.
El primer paso en el diseño óptimo consiste en definir
aquellas características básicas del producto a ser optimi-
zado(ai), las cuales podrían ser las siguientes: el tamaño,
el espesor, la forma o la configuración topológica de los
miembros de una estructura. En este trabajo se usan las
siguientes variables de diseño para modificar la forma de
las estructuras a optimizar1;2;3 :
La posición de los vértices de control de las curvas o
Diseño = h1 2 Vp1


Vpn Dm1 Dm2


Dmni
(3)
Cromosoma = h1 0 0 1 1 1 0 0 1 0 1 0 0 0 1 1 1 0i
La población inicial se formará por la variación aleatoria,
dentro del espacio de diseño, de cada una de las variables
de optimización, de manera de generar los n primeros in-
dividuos con los que se iniciará el proceso de optimización
genética.
Una vez formada la población inicial, los algoritmos ge-
néticos operarán sobre los individuos de esta población
(cadenas de caracteres o estructuras) y progresivamente
(t= 0, 1, 2,...) modificarán sus genotipos para mejorar la
actuación de las estructuras que la componen en el medio
ambiente en que se desenvuelven (e). En cada genera-
ción, un nuevo conjunto de criaturas artificiales (cadenas
de dígitos binarios, estructuras) es generado usando pe-
dazos y piezas de las mejores generaciones previas. Ex-
plotando en forma eficiente la información contenida en la
historia de la evolución de esas estructuras para especular
sobre nuevos puntos de búsqueda con una sorprendente
habilidad.
Otro aspecto fundamental en el uso de los algoritmos
genéticos es la definición de una función objetivo o función
salud, que mide el nivel de adaptación de cada individuo
dentro de su ambiente. Esta función será la responsable
superficies  -spline (Vp ), de dar una indicación directa de la actuación de cada indi-
Los parámetros que definen la forma del spline 1 y viduo, con el fin resolver el problema de optimización pro-
2 , y puesto sujeto a las restricciones impuestas por el medio
ambiente.
Las dimensiones del modelo de optimización usadas Una vez que la población es ordenada de acuerdo a su
en forma paramétrica (Dm ). función salud es necesario poder seleccionarlos para que
sean utilizados en las siguientes transformaciones genéti-
En algoritmos genéticos, un diseño A es representado
cas.
por medio de un conjunto de estas características ai , el
En la literatura se describen varias metodologías pa-
cual recibe el nombre de fenotipo y se define por medio
ra seleccionar padres. En este trabajo se usaran las
siguientes7 : muestreo estocástico con reemplazo, mues-
de números reales:
c
Y
A = a1  a2  a3 


 ac = ai ; ai 2 R
treo estocástico remanente sin reemplazo y selección por
(1)
torneo
i=1
Una vez escogidos los padres, el proceso de reproduc-
El fenotipo de una estructura es formado por la interac- ción comienza con la aplicación de los operadores de cru-
ción del paquete genético completo de la misma con su ce y mutación.
228 Annicchiarico

La operación de cruce consiste en tomar dos cromo- Lagrange, en las curvas de Bezier, curvas y superficies B-
somas seleccionados como padres y después cruzarlos splines o  -splines, en los parches de Coons, etc., (ver por
bajo cierta probabilidad para generar dos nuevos cromo- ejemplo los trabajos de Schramm y Pilkey18,). Entre toda
somas (hijos) o incluirlos directamente en la próxima ge- esta gran variedad de entidades geométricas las propie-
neración si la probabilidad de que se crucen es excedi- dades de las curvas y superficies  -splines resultan muy
da. En Davis10 , se describen los principales esquemas de atractivas para desarrollar el modelado geométrico de los
cruce empleados en la operación de los AGs. Entre la gran sistemas estructurales a optimizar.
cantidad de modelos de cruzamiento, se escogieron los si- Las técnicas  -splines4;5 son esencialmente una gene-
guientes para ser desarrollados en este trabajo: cruce sim- ralización de las conocidas  -splines, siendo una formu-
ple, cruce doble, cruce uniforme, cruce por multipadres. lación relativamente nueva, es decir, no ha sido usada en
El operador de mutación da a cada bit dentro de un cro- forma intensiva en el área del diseño de formas. Introduce
mosoma la oportunidad de cambiar, de cero a uno o vice- dos nuevos parámetros para controlar la tendencia (1 ) y
versa, si una cierta probabilidad de mutación es excedida la tensión (2 ) de cada segmento de curva. Aunque mu-
o no. chas de las ventajas de esta nueva formulación pueden
La selección de acuerdo a la salud de cada individuo, obtenerse con la representación NURB (Non Uniform Ra-
combinado con la operación de cruce, otorga a los al- tional  -splines) variando la separación y la secuencia de
goritmos genéticos su gran poder de procesamiento. La los vértices de control, su manipulación muchas veces no
mutación juega un rol secundario en la operación de los corresponde con la intuición de un efecto físico deseado,
algoritmos genéticos y es necesaria debido a que a pe-
sar de que la selección y el cruce buscan y recombinan
nuevas nociones, ocasionalmente su aplicación puede ha-
cer que se pierda algún material genético potencialmente
útil (unos o ceros en ubicaciones muy particulares: véase
Goldberg12 ). Entonces, el operador de mutación protege
contra esta perdida prematura de material importante pa-
ra la búsqueda de nuevos caminos de solución. Sin em-
en cambio los parámetros 1 y 2 pueden ser asociados a
una representación física intuitiva.
A manera de resumen se presentan las ecuaciones pa-
ramétricas que describen las curvas o superficies splines
usadas en este trabajo.
Las coordenadas de un punto sobre el ith segmento de
()
curva (Qi u ) vienen dadas por:
1
X
bargo, debido a su importancia secundaria, se específica Qi (u) = br (1 ; 2 ; u)Vi+r
usualmente una baja probabilidad de mutación. r= 2
El esquema de optimización se puede resumir de la si- (4)
guiente manera:
0  u < 1; i = 0


m 1
1. Seleccionar padres. Mientras que, un punto sobre el parche de superficie  -
2. Aplicar operadores genéticos para crear la próxima splines (i, j)tavo es el promedio ponderado de 16 vértices
generación. Vi+r;j +s ; r= 2 101
; ; ; ys = 2 101
; ; ; de control y su
expresión matemática viene dada por:
3. Evaluar la función objetivo y las restricciones de dise- 1 X
X 1
ño. Qij (u; v) = br (1 ; 2 ; u)Vi+r;j+s bs (1 ; 2 ; v)
4. Si el óptimo no se ha alcanzado todavía, repetir los r= 2 s= 2
pasos 1 al 4 hasta que se encuentre el óptimo o se (5)
finalice el proceso por medio de algún criterio de pa- para 0u<1y0v<1
rada.
donde:

MODELADO GEOMETRICO CON CURVAS Y SUPERFI- br (1 ; 2 ; u); bs (1 ; 2 ; v): funciones de base.

CIES  -SPLINES 1 ,2 : parámetros de forma.
u; v: coordenadas adimen-
La representación geométrica del sistema a optimizar sionales, definidas so-
juega un papel primordial a la hora de desarrollar una bre la curva o parche
herramienta capaz de integrarse con los sistemas de di- spline.
seño asistido por computadora. Entre las diferentes meto- Vi+r : coordenadas de los
dologías existentes para atacar este problema6;8;916;19 en vértices del polígono
este trabajo se desarrolló una técnica híbrida basada en de control.
la parametrización de la malla del modelo a optimizar, pe-
ro usando las ventajas del modelado sólido en cuanto a la METODOLOGIA INTEGRADA DE OPTIMIZACION DE
definición, manipulación y modificación de los elementos FORMAS
de diseño geométrico que lo componen.
Los elementos de diseño geométrico más empleados Entre las principales dificultades que se presentan al re-
por los sistemas tipo C.A.D. se basan en los polinomios de solver problemas de optimización de formas13 se encuen-
Optimización estructural de formas
tra los continuos cambios que ocurren en el modelo, lo
cual hace difícil asegurar la certeza de los análisis reali-
zados en el transcurso del proceso de optimización, así
como el gran costo computacional involucrado en la ob-
tención de las derivadas con respecto a las variables de
forma que con respecto a otras variables, como lo pue-
den ser las relacionadas con las secciones de diversos
elementos estructurales. Es en estos casos, donde priva
la escogencia de un modelo que se adecue con facilidad
a los cambios propuestos en la etapa de optimización y
donde la geometría del mismo pueda evolucionar desde
un estado inicial a uno optimizado, el cual permita asociar
en forma dinámica las variables de diseño con los datos
de la malla a generar (modelo analítico).
En este trabajo la representación geométrica del mode-
lo a optimizar está basada en el concepto de elementos
de diseño15 y en las técnicas de parametrización del mo-
delado sólido.
En el método de modelado sólido basado en elementos
de diseño geométrico, la estructura a optimizar se divide
en pocas regiones. Estas regiones, o elementos de dise-
ño sólido, son descritos por un conjunto de nodos maes-
tros que definen las entidades geométricas que forman la
malla (de elementos finitos o de contorno), por ejemplo
líneas, superficies, volúmenes las cuales controlan su for-
ma. Entonces, usando un generador automático de mallas
y un mapeo paramétrico de estas entidades se obtiene la
malla final de elementos finitos o elementos de contorno,
la cual es usada posteriormente por las herramientas de
análisis. A fin de evitar los problemas de degradación de la
malla se imponen restricciones a los cambios que puede
sufrir la topología de la misma durante el proceso de opti-
mización. Por otro lado se definen restricciones de diseño,
las cuales impiden la generación de soluciones que sean
imprácticas o que no puedan construirse.
Un aspecto importante en la metodología planteada es
el hecho de que las variables de diseño de formas repre-
sentan el conjunto de parámetros que se usaron para de-
finir la posición de los nodos maestros. Por otro lado las
dimensiones del modelo sólido, que fueron usadas para
definir los elementos de diseño, también pueden mane-
jarse como variables de diseño paramétricas de manera
de permitir al algoritmo de optimización una manipulación
más versátil de la geometría cambiante del modelo a op-
timizar. Así mismo esta idea permite crear familias de di-
seños que pueden ser fácilmente optimizadas mediante la
evolución genética.
Los contornos movibles de los elementos de diseño es-
229
mentos finitos (en dos y tres dimensiones) especialmente
adaptados a los análisis elásticos lineales que se preten-
dían resolver al optimizar la forma de los sistemas estruc-
turales estudiados. Sin embargo, durante el final de esta
investigación, se introdujo la formulación de elementos de
contorno en dos dimensiones, debido a las ventajas inhe-
rentes de este método de análisis con respecto al primero,
en cuanto al problema de optimización de formas.
Finalmente, la escogencia de los Algoritmos Genéticos
como metodología de optimización permitió obviar el cál-
culo de sensibilidades de las variables de diseño, factor
crítico en los métodos de optimización tradicionales. Más
aún, sus ventajas de búsqueda global, facilidad de imple-
mentación y robustez confieren a la propuesta integrada
de optimización de formas presentada en esta tesis una
gran versatilidad, eficacia y eficiencia en el problema de
optimización de formas.
PROBLEMA DE OPTIMIZACIÓN DE FORMAS
El problema de optimización de formas consiste en en-
contrar la forma del modelo o sistema estructural que te-
niendo el mínimo peso (también se puede usar el volumen
o el área del sistema en estudio) y las mínimas concentra-
ciones de esfuerzos cumpla con los criterios y restriccio-
nes de diseño impuestos. Por lo que la función objetivo o
de evaluación será la siguiente:
(
A
mn(W ) = V (6)
V
donde A y V representan el área o el volumen del sistema
estructural en estudio y  es la densidad del material. Se
deben cumplir las siguientes restricciones de diseño:
a. Restricciones sobre los esfuerzos: los esfuerzos
de Von-Mises, calculados en los puntos de Gauss de
la malla de elementos finitos o sobre una malla de
puntos internos convenientemente escogidos sobre el
dominio del sistema estructural en estudio, para los
problemas analizados por elementos de contorno, no
deben exceder un esfuerzo máximo admisible (adm ):
von adm  0 (7)
Los esfuerzos de Von-Mises para problemas planos
se calculan mediante la siguiente expresión:
2 1=2
h i
von = (x y )2 + 3xy (8)
tán definidos por medio de curvas o superficies  -splines.
Este esquema de representación geométrica introduce mientras que para el caso tridimensional tenemos:
h
von = (x y )2 + (y z )2 +
dos nuevos parámetros de forma, los cuales controlan la
predisposición (1 ) y la tensión (2 ) de cada segmento de
2 +  2 +  2
1=2
curva o parche de superficie que definen el contorno o i
la superficie modelada. Además, estos parámetros están (z x )2 + 3 xy yz zx (9)
asociados con una clara representación física del movi-
miento deseado. b. Restricciones sobre las coordenadas nodales de
En cuanto a las herramientas de análisis empleadas en los vértices de control (Vp ): las coordenadas de al-
este trabajo, primeramente se partió de códigos de ele- gunos nodos del polígono de control o del grafo de
230 Annicchiarico

control, sobre las cuales están definidas las curvas o

superficies  -splines, no deberían moverse más allá
de ciertos valores límites en las direcciones X, Y o Z
a fin de evitar distorsiones geométricas.

c. Restricciones sobre la forma de los elementos

ubicados sobre los contornos o superficies movi-
bles: para evitar la formación de elementos con Jaco-
bianos singulares o negativos que degeneran la malla
de E.F.

d. Restricciones de diseño: este tipo de restricciones

depende de cada problema a optimizar y se refieren
a las consideraciones geométricas que se deben res-
petar entre los diferentes componentes de un sistema
estructural, para evitar que se produzcan cambios en
su configuración topológica que generen geometrías
inaceptables (imposibles de realizar).

A fin de incorporar en el modelo de optimización las res-

tricciones antes mencionadas se utiliza el método de pe- Figura 1. Modelo geométrico de la placa en voladizo, dimensio-
nalización, el cual permite transformar el problema con nes, cargas y condiciones de contorno.
restricciones a uno sin restricciones.
En este método la función de evaluación de un diseño
en particular (individuo) se incrementa cuando las restric-
ciones son violadas. Entonces, la ecuación (6) puede es-
cribirse de la siguiente manera:

gi = W + j
j2 + j
V pj2 +

+H1(gc; 0) + H2(gx; 0) (10)

donde:

g: peso penalizado.

i: índice de la estructura.

j
j: esfuerzo permitido menos el esfuerzo actuante.

j
Vp j: valor permitido menos valor actual de la coordena- Figura 2. Modelo analítico de la placa en voladizo. Vista de la
da del punto de control. malla de elementos finitos tridimensionales.

H1 (gc ; 0): Función que mide la distorsión en la forma de

los elementos. Sí existe algún elemento con Jacobia- pequeña parte de lo que se puede hacer con la herramien-
no singular o negativo entonces gc = W , de otro ta desarrollada ya que con la misma se pueden optimizar
modo gc =0 . modelos en dos y tres dimensiones por elementos finitos
o elementos de contorno . Es de hacer notar que dada la
H2 (gs ; 0):Función que mide la violación de alguna restric- naturaleza estocástica del método de optimización utiliza-
ción de diseño. Si una o varias restricciones de diseño do, los resultados presentados son el promedio de por lo
=
son violadas gs W , de otro modo gs =0 . menos tres corridas diferentes.
En la figura 1 se muestra la representación tridimensio-
Los parámetros ; ; ; ; ; son ajustados por
nal de una placa en voladizo. La malla de elementos finitos
ensayo y error de tal manera de que por cada 10 % de vio-
empleada en el diseño inicial consistió de 448 hexaedros
lación en cada restricción la función de evaluación inicial
se incremente en un 5 %11 .
y 700 nodos (ver figura 2). La placa está sometida a una
carga total de 20.000,00 N sobre el extremo final de la
misma. Las propiedades del material que la componen es
EJEMPLOS DE APLICACION 10
de 10 6 Mpa para el módulo de Young y un coeficiente
de Poisson de 0,3. El esfuerzo efectivo permisible ha sido
A fin de demostrar la versatilidad y el poder de la técni- fijado en 3000 Mpa a lo largo de la misma.
ca de optimización propuesta, a continuación se presenta El objetivo del problema es minimizar el volumen de la
y discute un ejemplo numérico. El mismo representa una placa, sujeto a una restricción sobre los esfuerzos efecti-
Optimización estructural de formas 231
Tabla I: Operadores y parámetros genéticos usados para optimi-
zar la placa en voladizo.

Tamaño de la población 100

Número de generaciones 50
Esquema de selección RSSWRa
Esquema de cruce Cruce uniforme
Probabilidad de cruce 0,8
Probabilidad de mutación 0,005
1
Selección estocástica remanente sin reemplazo.

Figura 4. Esfuerzos iniciales de Von-Mises para la placa en vo-

ladizo.

Figura 3. Forma final optimizada de la placa en voladizo someti-

da a una carga en su extremo libre.

vos alcanzados por la placa bajo esta condición de car-

ga. La forma óptima de la misma se obtendrá modificando
la forma de las superficies que conforman el tope (región
ABCD) y el fondo (región EFGH) de la placa, así como
modificando el tamaño del hueco.
El modelo geométrico se definió por medio de 5 varia- Figura 5. Esfuerzos finales de Von-Mises para la placa en vola-
bles de diseño, dos de las cuales correspondieron a las dizo.
dimensiones paramétricas de las superficies  -spline, las
otras dos permitían variar los parámetros de forma de las
mismas y la última se utilizó para modificar el tamaño del
hueco.
En la tabla I se presentan los parámetros y operadores
genéticos usados para la optimización de la placa:
El volumen inicial de la placa, como puede calcularse de
la figura 1, es de 18048,20 mm3 y como se puede apreciar
posteriormente la tensión de Von-Mises inicial cumple con
la restricción impuesta sobre las mismas.
La forma alcanzada por la placa al final del proceso de
optimización se representa en la figura 3. Apréciese co-
mo el volumen de la placa se redujo de acuerdo a la res-
tricción impuesta a los esfuerzos y a las consideraciones
geométricas debidas a la presencia del hueco.
El proceso de optimización convergió a un volumen de
9.314,35 mm3 en cincuenta iteraciones, lo que representa
una reducción cercana al 50 % del volumen inicial.
En las figuras 4 y 5 se presentan las distribuciones ini-
ciales y finales de esfuerzos de Von-Mises. Nótese como
el esfuerzo final está por debajo del esfuerzo permisible.
Además, se puede apreciar como las superficies del fondo
y tope de la placa variaron suavemente desde el extremo
fijo de la placa al libre y que su forma es el resultado de la
interacción entre el esfuerzo permitido y el alcanzado por
los elementos ubicados en las superficies que cambiaron
su forma.
Las historias de evolución de la función objetivo y de
las restricciones se pueden observar en la figura 6. En la
misma se representan los factores adimensionales de vo-
lumen (Volumen de cada iteración/ Volumen inicial) y de
esfuerzo (Máximo esfuerzo/ Esfuerzo permitido), aprécie-
se como el factor adimensional de volumen decrece hasta
alcanzar su óptimo valor y el factor adimensional de es-
fuerzo se mantiene debajo de uno.
En la figura 7 se puede apreciar los cambios sufridos en
la forma de la placa a través de varias generaciones hasta
llegar a la forma final optimizada.
Obsérvese como en la generación 25 la forma de la pla-
ca está determinada por el menor espesor posible para el
extremo libre, pero hacia la generación 40 se reduce aún
más el volumen de la misma y la forma queda determinada
por el espesor de placa en la zona del hueco y finalmente
232 Annicchiarico

Figura 7. Historia de la evolución genética de la forma de la placa en voladizo.

hacia la generación 50, el algoritmo consigue la concavi- los elementos de diseño están definidos mediante curvas
dad adecuada, para la superficie superior e inferior de la o superficies  -spline.
placa, que logra el menor volumen de la misma sin que se Por otro lado se tiene la obtención de los esfuerzos y
excedan los esfuerzos permisibles. las deformaciones del sistema en estudio, para lo cual se
utiliza el método de los elementos finitos en 2D y 3D o el
método de los elementos de contorno en 2D y finalmen-
CONCLUSIONES te el uso de algoritmos de optimización más robustos que
permitan obtener la solución óptima o casi-óptima del pro-
El presente estudio doctoral presentó y discutió el des- blema de optimización, empleándose para ello modelos
arrollo de algoritmos y su herramienta computacional aso- de tipo evolutivo basados en las técnicas de los Algorit-
ciada para la optimización bi y tridimensional de la forma mos Genéticos.
de diversos sistemas estructurales y piezas mecánicas.
La herramienta desarrollada se basó en la integración
de tres elementos fundamentales en todo sistema de op-
timización de formas, como lo son la escogencia de un
sistema de representación geométrica que permita definir
en forma sencilla el sistema o pieza mecánica a optimizar
y que a la vez permita actualizar el modelo de análisis de
la misma. Este sistema se desarrolló usando una técni-
ca híbrida basada en la parametrización de la malla, pero
usando las ventajas del modelado sólido. Para ello el mo-
delo geométrico se definió en base a elementos de dise-
ño geométrico, los cuales pueden manipularse por medio
de nodos maestros y sus dimensiones pueden manejarse
como variables paramétricas. De esta manera se pueden
crear familias de diseño que pueden ser fácilmente opti-
mizadas mediante la evolución genética. Más aún, esta
metodología disminuye el número de variables de diseño
a utilizar por lo que el costo computacional empleado pa- Figura 6. Evolución genética de los factores adimensionales de
ra resolver el problema de optimización se reduce y a la volumen y esfuerzo para la placa en voladizo con carga en su
vez se evita la generación de contornos dentados, ya que extremo.
Optimización estructural de formas 233
REFERENCES

1. Annicchiarico W., Cerrolaza M., A Structural Optimization
Approach and Software Based on Genetic Algorithms and
Finite Elements. Journal of Engineering Optimization, Vol.
32: 1-31, 1999.
2. Annicchiarico W., Cerrolaza M., Finite Elements, Gene-
10. Davis L., Handbook of Genetic Algorithms, Van Nostrand
Reinhold, NY. 1991.
11. Goldberg, D. E. and Samtani, M. P., Engineering Optimiza-
tion via Genetic Algorithms. Proceedings of the Ninth conf.
On Elect. Comp., ASCE, New York, pp. 471-482, 1986.
tic Algorithms and  -splines: a Powerful Combined Techni-
que for Shape Optimization". Journal of Finite Elements in
Analysis and Design, Vol. 33:125-141, 1999.
3. Annicchiarico W., Cerrolaza M., Structural Shape Optimi-
zation 3D Finite-Element Models Based on Genetic Algo-
rithms and Geometric Modeling. Journal of Finite Elements
in Analysis and Design. Vol. 37:403-415, 2000.
4. Barsky B. A., Computer Graphics and Geometric Modeling
Using *-Splines, Springer-Verlag, New York, 1988.
5. Bartels, R. H. ,Beatty, J. C. and Barsky B. A., An Introduc-
tion to Splines for Use in Computer Graphics & Geometry
Modeling, Morgan Kaufmann publishers Inc, Los Altos, CA,
1987.
6. Belegundu, A. D. and Rajan, S. D. , A Shape Optimiza-
tion Approach based on Natural design Variables and Sha-
pe Functions. Comp. Meth. Appl. Mech. Eng. 66, 87-106,
1988.
7. Brindle, A., Genetic Algorithms for Function Optimiza-
tion’. Doctoral dissertation, University of Alberta, Edmonton,
1981.
8. Chang, K. H. and Choi, K. K. , A Geometry-Based Pa-
rameterization Method for Shape Design of Elastic Solids.
Mech. Struct. & Mach. 20, 215-252, 1992.
9. Chen, S. and Tortorelli, D. A. , Three Dimensional Shape
optimization with Variational Geometry. Structural Optimiza-
tion 13, 81-94, 1997.
12. Goldberg D. E., Genetic Algorithms in Search, Optimization
and Machine Learning. Addison-Wesley Publishing Com-
pany Inc., NY. 1989.
13. Haftka R. T., Grandhi R. V., Structural Shape optimization
- A Survey. Computer Methods in Applied Mechanics and
Engineering, Vol. 57: 91-106, 1986.
14. Holland J. H., Adaptation in Natural and Artificial Systems.
University of Michigan Press and First MIT Press edn., chap.
7, pp. 121, 1975,1992.
15. Imam M. H., Three-dimensional Shape Optimization, Inter-
nat. J. Numer. Meths. Engrg., Vol. 18: 661-673, 1982.
16. Kodiyalam, S., Kumar, V. and Finnigan, P. M. , Constructi-
ve Solid Geometry Approach to Three dimensional structu-
ral Shape optimization. AIAA J. 30, 1408-1415, 1992.
17. Michell M., An Introduction to Genetic Algorithms. MIT
Press, 1998.
18. Schramm, U. and Pilkey, W. D. , Parameterization of Struc-
tural Shape Using Computer Aided Geometric Design Ele-
ments. Structural Optimization 93, Proceedings of the World
Congress on optimal design of Structural Systems, Río de
Janeiro (Brazil), Vol 1, 75-82, 1993.
19. Tortorelli, D. A. , A Geometric Representation Scheme Sui-
table for Shape Optimization. Mech. Struct. & Mach. 21: 95-
121, 1993.