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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».