Application of heuristics and metaheuristics in the desing of bridges in concrete
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".