Application of heuristics and metaheuristics in the desing of bridges in concrete
Notice bibliographique
Résumé
En la actualidad la evolución de la inteligencia artificial, ha ayudado a encontrar soluciones a problemas de optimización complejos. El diseño de cualquier estructura en ingeniería civil, y en especial en puentes, es un problema multivariable, en donde se requiere encontrar la solución más adecuada, con respecto a los pilares básicos del desarrollo sostenible (factores económicos, medioambientales, sociales y de seguridad). En la presente monografía se hace una revisión del estado del arte de la aplicación de los métodos/técnicas heurísticas y meheurísticas, en el diseño optimizado de puentes en concreto; encontrando lo siguiente: Entre 1190 y 2019, se dio un crecimiento exponencial en la investigación en este campo, liderada por universidades de España, Estados Unidos y China; la investigación en Latinoamérica y específicamente en Colombia es muy escasa en este campo; las fases o ciclos de vida más estudiados son el diseño (71%) y, el uso y mantenimiento (71%); las tipologías de puentes más estudiadas son la sección en cajón (40%), la sección en viga I (23%) y la sección en losa maciza (10%); los principales elementos estructurales estudiados son la viga en I (31%), la losa maciza (29%) y la sección cajón (10%); las funciones objetivo más utilizadas son el costo de construcción (59%) y el costo de mantenimiento (19%); Las principales variables a optimizar en el diseño de puentes son las geométricas, el refuerzo pasivo, el refuerzo activo (pretensado y postensado), los tipos de concreto y los tipos de aditivos; las técnicas metaheurísticas más utilizadas en el diseño de puentes son los algoritmos genéticos (26%) y el recocido simulado (25%); con los procesos de optimización se ha logrado reducir los costos de construcción en alrededor de un 15% al 30%, con respecto al diseño convencional.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».