Previsió del web crippling i optimització d'estructures amb intel·ligència artificial

Treball de Fi de Grau Grau en Enginyeria en Tecnologies Industrials PREVISIÓ DEL WEB CRIPPLING I OPTIMITZACIÓ D’ESTRUCTURES AMB INTEL·LIGÈNCIA ARTIFICIAL MEMÒRIA Autor/a: Jaume Martí Poblet Director/a: Xavier Centelles Soler Convocatòria: Gener 2023 Escola Tècnica Superior d’Enginyeria Industrial de Barcelona Pàg. 2Memòria Web Crippling i Optimització d’estructures amb IA Pàg. 3 Resum L'ús de la intel·ligència artificial (IA) en la societat actual ha augmentat significativament en els últims anys, amb un profund impacte no sols en la nostra vida diària sinó també en altres àmbits que poden semblar més llunyans a nosaltres, com l'enginyeria civil. Aquest treball investiga l'aplicació d'aquesta nova intel·ligència al càlcul, disseny i optimització de seccions d’estructures. L'objectiu bàsic és entendre com funciona i com es pot entrenar un algoritme d’IA per tal de poder predir el comportament d’una estructura, fent èmfasi, sobretot, al fenomen del Web Crippling i a la previsió del vinclament. L'estudi es basa en una revisió exhaustiva de la literatura actual en aquest camp. S’estudien experiments de la vida real utilitzant algoritmes d'aprenentatge automàtic i xarxes neuronals per a calcular i optimitzar les estructures, i, a més, s'explora la possibilitat de crear models algoritmics que accelerin processos repetitius i optimitzin el sector. Els resultats de la recerca indiquen que la IA redueix significativament el temps necessari per a trobar solucions òptimes en el disseny estructural, amb un èxit notable a l'hora de minimitzar recursos. Tot i això, es reconeix que és impossible crear un model exacte i veraç sense una quantitat enorme de dades i dispositius amb una potència molt elevada. Finalment, s'ha d'emfatitzar que, malgrat els beneficis clars, s'identifiquen desafiaments ètics i de seguretat que han d'abordar-se a mesura que la tecnologia de IA es consolida en el camp. Pàg. 4Memòria Resumen El uso de la inteligencia artificial (IA) en la sociedad actual ha aumentado significativamente en los últimos años, con un profundo impacto no solo en nuestra vida diaria sino también en otros ámbitos que pueden parecer más lejanos a nosotros, como la ingeniería civil. Este trabajo investiga la aplicación de esta nueva inteligencia al cálculo, diseño y optimización de secciones de estructuras. El objetivo básico es entender cómo funciona y cómo se puede entrenar un algoritmo de IA para poder predecir el comportamiento de una estructura, haciendo énfasis, sobre todo, al fenómeno del Web Crippling y a la previsión del pandeo. El estudio se basa en una revisión exhaustiva de la literatura actual en este campo. Se estudian experimentos de la vida real utilizando algoritmos de aprendizaje automático y redes neuronales para calcular y optimizar las estructuras, y, además, se explora la posibilidad de crear modelos algorítmicos que aceleren procesos repetitivos y optimicen el sector. Los resultados de la investigación indican que la IA reduce significativamente el tiempo necesario para encontrar soluciones óptimas en el diseño estructural, con un éxito notable a la hora de minimizar recursos. Aun así, se reconoce que es imposible crear un modelo exacto y veraz sin una cantidad enorme de datos y dispositivos con una potencia muy elevada. Finalmente, se tiene que enfatizar que, a pesar de los beneficios claros, se identifican desafíos éticos y de seguridad que tienen que abordarse a medida que la tecnología de IA se consolida en el campo. Web Crippling i Optimització d’estructures amb IA Pàg. 5 Abstract The use of artificial intelligence (AI) in today’s society has increased significantly in recent years, with a profound impact not only on our daily lives but also in other areas that may seem farther away from us, such as civil engineering. This work investigates the application of this new intelligence to the calculation, design and optimization of structural sections. The basic objective is to understand how an AI algorithm works and how it can be trained to predict the behavior of a structure, emphasizing, above all, the phenomenon of the Web Crippling and the forecast of buckling. The study is based on an exhaustive review of the current literature in this field. It studies real-life experiments using machine learning algorithms and neural networks to calculate and optimize structures, and also explores the possibility of creating algorithmic models that accelerate repetitive processes and optimize the sector. Research results indicate that AI significantly reduces the time needed to find optimal solutions in structural design, with notable success in minimizing resources. Even so, it is recognized that it is impossible to create an accurate and truthful model without a huge amount of data and devices with very high power. Finally, it must be emphasized that, despite the clear benefits, ethical and security challenges are identified that need to be addressed as AI technology is consolidated in the field. Pàg. 6Memòria Web Crippling i Optimització d’estructures amb IA Pàg. 7 Contingut Resum 3 Resumen 4 Abstract 5 Contingut 7 Glossari i Nomenclatura 9 Llistat de figures 11 Llistat de taules 13 1. Prefaci 15 2. Introducció 16 2.1. Motivació 16 2.2. Abast del treball 16 2.3. Requeriments previs 17 2.4. Objectius del treball 17 3. Part teòrica 18 3.1. Fonaments teòrics de la IA en l’enginyeria estructural 18 3.1.1. Tècniques d'IA en enginyeria estructural 20 3.1.1.1. Algoritmes d’aprenentatge automàtic 20 3.1.1.1.1 Support Vector Machines (SVM) 22 3.1.1.1.2 Random Forests 23 3.1.1.2. Xarxes neuronals 25 3.1.1.3. Algoritmes genètics (AG) 27 3.1.2. Beneficis de l’aplicació de la IA 29 3.1.2.1. Anàlisi estructural intel·ligent 30 3.1.2.2. Optimització del disseny estructural 31 3.1.2.3. Altres beneficis 32 3.1.3. Desafiaments i limitacions de la IA en estructures 33 3.1.3.1. Qualitat i quantitat de dades 33 3.1.3.2. Interpretabilitat i explicabilitat 34 3.1.3.3. Consideracions ètiques 36 3.1.3.4. Complexitat dels projectes estructurals 37 3.1.4. Tendències i oportunitats futures 38 3.1.4.1. Integració amb altres tecnologies 39 3.1.4.2. Realitat augmentada i virtual 39 3.1.4.3. Robòtica avançada 41 3.1.5. Casos reals 41 3.2. Fonaments teòrics del Web Crippling: 42 3.2.1. Investigació del comportament del Web Crippling 44 3.2.2. Normativa vigent 49 3.2.2.1. Normativa per a seccions amb una sola ànima 50 3.2.2.2. Normativa per a seccions amb dues o més ànimes 54 3.2.2.3. Normativa a estudiar 58 4. Metodologia 59 Pàg. 8Memòria 4.1. Recopilació de dades i selecció de paràmetres 60 4.2. Preprocessament de dades 65 4.3. Desenvolupament del model 67 4.3.1. Funcionament de la generació de dades mitjançant Excel 71 4.3.2. Entrenament i selecció del model 74 5. Discussió del model 79 5.1. Validació i optimització del model 81 5.2. Interpretació del model 84 6. Planificació 87 7. Estudi econòmic 88 8. Estudi ambiental, social, i d’igualtat de gènere 89 9. Conclusions 91 10. Agraïments 92 11. Bibliografia 93 Web Crippling i Optimització d’estructures amb IA Pàg. 9 Glossari i Nomenclatura - Conceptes: AIA: American Institute of Architects IA: Intel·ligència Artificial AR: Realitat Augmentada BIM: Modelatge d’Informació de Construcció CFS: Acer Conformat en Fred DNN: Xarxes Neuronals Profundes Enrigidir: Fer esdevenir rigid FEM: Mètode Elements Finits IOT: Internet de les coses MSE: Error Quadràtic Mig RF: Random Forest Sheeting: Element estructural amb una profunditat molt menor que la seva amplària i longitud, típicament utilitzat com a revestiment o coberta. SVM: Support Vector Machines VR: Realitat Virtual Web Crippling: Abonyegament localitzat de l'ànima XXNN: Xarxes Neuronals - Símbols: E: Mòdul elàstic fyb:Resistència bàsica al límit elàstic FEd: Valor de disseny de la força transversal Pàg. 16 Memòria 2. Introducció Un món tecnològic en constant canvi obre perspectives apassionants i plenes d'oportunitats per a la indústria de la construcció. Amb aquestes evolucions continues, sorgeix una pregunta evident: continuaran sent els enginyers els creadors primaris del nostre entorn, o, en canvi, passarà a dominar la IA? Segons AIA [1], “el noranta per cent de les empreses de construcció anticipen que utilitzaran o augmentaran l'ús de IA en els pròxims tres anys." 2.1. Motivació A nivell industrial, s'espera que la introducció de sistemes d'intel·ligència artificial en aquest camp revolucioni el procés de fabricació. L'ús d'intel·ligència artificial pot millorar les operacions, millorar els càlculs i dissenys i optimitzar els resultats. Aquests canvis també poden reduir les hores de treball, millorar l'eficiència general i permetre operacions més ràpides i rendibles. Això significa que les empreses que utilitzen aquestes tecnologies poden tenir un avantatge competitiu en el mercat de la construcció, aportant als clients serveis ràpids, eficients i d'alta qualitat a preus estables. Això obrirà la porta a un gran mercat de possibilitats sense la necessitat de redissenyar els sistemes cada vegada, augmentant així els interessos de l'empresa i donant suport al desenvolupament de la intel·ligència artificial en aquest camp. Des d'una perspectiva personal, el treball suposa combinar els coneixements adquirits durant els estudis de grau i gestionar un projecte d'aquesta magnitud. Això afecta tots els aspectes del projecte des dels seus inicis fins als resultats final. En el procés, es treballa amb programes i softwares utilitzats durant el transcurs del grau que m’han despertat una motivació extra, com Matlab o Python. 2.2. Abast del treball L'abast del projecte se centra en avaluar el potencial de la intel·ligència artificial en el càlcul, el disseny i l'optimització d'edificis. Aquest enfocament implica una àrea geogràfica i temporal àmplia, ja que l'aplicació de la intel·ligència artificial en aquest camp és global i està en constant canvi en termes de tecnologia. El treball es limita a l'estudi i anàlisi de com la intel·ligència artificial pot canviar el càlcul, disseny i optimització de processos operatius, amb un enfocament en l'eficiència i la sostenibilitat. No es crearan prototips físics ni s'abordaran aspectes econòmics específics, sinó que l'objectiu és avaluar com es pot utilitzar la tecnologia i el seu impacte en la construcció i la fabricació. Web Crippling i Optimització d’estructures amb IA Pàg. 17 2.3. Requeriments previs Els requisits previs per a la realització d’aquest treball inclouen l'accés a les eines i tecnologies necessàries esmentades anteriorment com Matlab o Python. La recopilació d'informació i la recerca bibliogràfica també requereixen accés a bases de dades i recursos científics rellevants. Des d'una perspectiva econòmica, realitzar aquesta recerca requereix únicament la compra de llicències de programari gestionats en la seva totalitat per la universitat, mentres que des d'una perspectiva legal, es tenen en compte les normes i reglaments pertinents relacionats amb l'ús de dades i algoritmes de IA i els aspectes ètics relacionats. 2.4. Objectius del treball L'objectiu general d'aquest treball de final de grau consisteix en entendre com funciona i com es pot entrenar un algoritme d’IA per tal de poder predir el comportament d’una estructura, fent èmfasi, sobretot, en el fenomen del Web Crippling i a la previsió del vinclament. Aquest objectiu es justifica per la creixent importància de la IA en la industria de la construcció i la seva capacitat per a accelerar els càlculs i els processos constructius i proporcionar solucions innovadores. Això inclou també diversos objectius específics: - Realitzar una revisió bibliogràfica exhaustiva per a comprendre les aplicacions de la IA en el càlcul i disseny d'estructures, així com identificar desafiaments i oportunitats en aquesta àrea. - Descobrir les tècniques i algoritmes d’IA més rellevants per a l'optimització estructural, inclòs l'aprenentatge automàtic, la intel·ligència artificial profunda i les xarxes neuronals. - Desenvolupar models i mètodes d’IA per a simular i optimitzar el disseny de les seccions estructurals, inclosa la consideració de factors que afectin directament al fenomen del Web Crippling. - Considerar les implicacions ètiques i legals de l'ús de la IA per a calcular i dissenyar estructures d'edificis, inclosa la protecció de dades i la ciberseguretat. Pàg. 18 Memòria 3. Part teòrica La fusió d'intel·ligència artificial i enginyeria estructural planteja dubtes importants sobre la metodologia d’assignació d’objectius a aquestes màquines intel·ligents. Existeix una gran diferència entre demanar-li a un humà que completi una tasca i proporcionar-li a un sistema d'intel·ligència artificial un objectiu fix per a que realitzi la mateixa. Quan li demanes a qualsevol persona que porti una tassa de cafè, aquesta no passa a ser la missió de la seva vida i està disposat a fer el necessari per a aconseguir-ho, mentre que si li demanes el mateix a una IA, això passaria a ser el seu únic objectiu i actuaria de forma lleugerament diferent. El problema és com definir aquests objectius per a l'algoritme, ja que actualment estan fixos i ajustats i no es poden adaptar a esdeveniments inesperats. Aquesta limitació pot tenir conseqüències no desitjades i perilloses, i s’il·lustra la necessitat d'actuar amb cautela en establir els reptes per a evitar conseqüències negatives. Per exemple, si s'aborda el dilema de com solucionar el problema d’acidificació dels oceans, les màquines poden aconseguir una reacció catalítica que solucioni el problema eficientment, però, pel seu desconeixement del món, aquesta reacció pot provocar danys irreversibles com consumir un quart de l’oxigen de l’atmosfera o contaminar la totalitat dels oceans. Conciliar objectius contradictoris, com protegir la vida marina i reduir la contaminació, requereix un enfocament acurat, ja que, a diferència dels humans, les màquines d’IA no poden comprendre ni organitzar una missió sense directrius clares. Tornant a l’exemple del cafè, si la tassa de cafè costa 13 euros, és completament raonable que la persona torni i et pregunti si la segueixes volent o si prefereixes que vagi a un altre establiment. Això que sembla tant obvi, és impossible d’assimilar per un sistema d’IA, i és d’una sofisticació extrema. Quan es construeixen màquines que creuen amb certesa que compten amb l'objectiu, es pot acabar obtenint aquest comportament psicopata explicat anteriorment. És per això que, la creació d'una tecnologia eficient i segura requereix un abordatge meticulós i una comprensió profundament arrelada de les implicacions ètiques i pràctiques, i a diferència del que es creu, això pot requerir des d’un parell d’anys fins a un parell de centenars. 3.1. Fonaments teòrics de la IA en l’enginyeria estructural L'ús de la intel·ligència artificial ha aconseguit grans avenços en diverses indústries, inclosa l'enginyeria civil. Aquesta tecnologia està revolucionant el disseny i l’anàlisi estructural, millorant exponencialment la presa de decisions dels enginyers. Un sector com aquest, que implica el disseny i la construcció d’infraestructures, tradicionalment s'ha basat en càlculs manuals i en experiència, i la seva arribada ha obert una nova Web Crippling i Optimització d’estructures amb IA Pàg. 19 era de possibilitats. Les principals tècniques d’IA utilitzades en el disseny d'enginyeria civil impliquen la integració d'aprenentatge automàtic, xarxes neuronals i algoritmes d'optimització. Aquestes tècniques permeten optimitzar dissenys, analitzar sistemes estructurals complexos i prendre decisions basades en dades, i se’n farà una anàlisis extensa en els següents apartats. Respecte els beneficis de la IA, inclouen sobretot una major precisió i eficiència. Com ja s’ha comentat anteriorment els algoritmes poden processar grans quantitats de dades i realitzar càlculs complexos més ràpid que els humans, la qual cosa permet als enginyers analitzar i optimitzar dissenys en una fracció del temps en comparació amb els mètodes tradicionals. També s’automatitzen tasques com el processament i l’anàlisi de dades, la qual cosa allibera els enginyers per a centrar-se en la presa de decisions de nivell superior, generant importants estalvis de temps i costos. Per últim, el més destacable és que la intel·ligència artificial permet el descobriment de patrons ocults entre experiments, proporcionant una comprensió més completa de l'acompliment estructural i ajudant a identificar problemes potencials. El manteniment predictiu i la detecció de fallades prematures (reduint el temps d'inactivitat i estenent la vida útil de l'estructura), o l’avaluació automàtica de nombroses alternatives de disseny en funció de criteris específics, són altres avantatges dels que també es parlarà més endavant. Si bé l'ús de la IA en el disseny estructural ofereix molts beneficis ja presentats, també existeixen algunes limitacions a considerar. El gran desafiament és la qualitat i quantitat de dades necessàries. Entrenar algoritmes de IA requereix conjunts de dades gegants i de molt alta qualitat, i obtenir aquestes dades pot resultar complex, especialment per a projectes de construcció específics o únics. Altres desafiaments importants per a aquesta tecnologia en el mon de l’enginyeria civil són la interpretabilitat i l’explicabilitat. Encara que alguns algoritmes com les xarxes neuronals produeixen resultats precisos, a vegades també generen "caixes negres" degut a que aquests manquen de transparència per a explicar com s’han aconseguit. Aquesta falta de interpretabilitat pot resultar problemàtica a l'hora de prendre decisions importants basades en resultats generats per la IA. Finalment, un últim concepte que no es pot obviar, és el de les consideracions ètiques. A mesura que la tecnologia continua desenvolupant-se, sorgeixen preguntes sobre la responsabilitat dels sistemes, i prevenir biaixos algorítmics i mantenir el control humà són aspectes indispensables a tenir en compte. La integració de la IA amb altres tecnologies emergents com l’Internet de les coses (IOT) o l'anàlisi de big data són tendències i oportunitats futures que s’han de destacar. En combinar intel·ligència artificial amb dades de sensors d'estructures, els enginyers poden obtenir informació en temps real sobre el rendiment de les estructures i prendre decisions al moment. Les aplicacions de realitat augmentada, la realitat virtual o els avenços en robòtica, son algunes altres combinaciones interessants en les que es Pàg. 20 Memòria posarà l’accent i s’explicarà el seu potencial més endavant. 3.1.1. Tècniques d'IA en enginyeria estructural Conèixer les diferents tècniques d’IA emprades en cada àmbit és primordial per poder entendre qualsevol concepte que després derivi mínimament d’aquestes. Com ja s’ha fet menció, les més utilitzades, i les tres que s’estudiaran en aquest projecte, són: els algoritmes d’integració d'aprenentatge automàtic, les xarxes neuronals i els algoritmes genètics d'optimització [2]. 3.1.1.1. Algoritmes d’aprenentatge automàtic Els algoritmes d'aprenentatge automàtic són eines essencials en el camp de la intel·ligència artificial. Permeten als ordinadors aprendre patrons i prendre decisions sense necessitat de programació explícita, gràcies a un concepte bàsic conegut com conjunt de dades d'entrenament. Es tracta d'una recopilació de dades que s'utilitza per a ensenyar a un algoritme a fer una tasca específica. Aquests conjunts de dades poden contenir mostres que el sistema pot utilitzar per a aprendre i millorar el rendiment amb el temps. Son algoritmes formats per diferents categories, cadascun amb les seves característiques úniques que es poden observar a la següent Figura: Figura 1. Definició esquemàtica de l’algoritme d’aprenentatge automàtic [3] - Aprenentatge supervisat (Supervised Learning): Aquells amb un enfocament comú que utilitzen dades etiquetades amb respostes conegudes, permetent als algoritmes predir i classificar noves dades entrants. Hi destaquen els anomenats SVM (Support Vector Machines), què són tots els que utilitzen el Web Crippling i Optimització d’estructures amb IA Pàg. 21 conjunt de dades d'entrenament comentat anteriorment. Hi ha dos conceptes importants en aquest tipus d'aprenentatge: regressió i classificació. La regressió s'utilitza quan l'objectiu és predir números, com predir el preu d'una casa en funció de característiques com la grandària o la ubicació. La classificació, d'altra banda, s'utilitza per a assignar dades a categories o classes. Per exemple, pot determinar si un correu electrònic és spam o no. - Aprenentatge no supervisat (Unsupervised Learning): Aquests utilitzen dades sense etiquetar per a identificar patrons ocults i relacions sense comentaris futurs com a guia. Aquests destaquen sovint en operacions d'agrupació, per a realitzar seccions transversals de dades similars i reduir la grandària de les dades. La seva capacitat per a reconèixer patrons específics de signes anteriors és un tret clau. - Aprenentatge per reforç (Reinforcement Learning): Es basen en la interacció amb l'entorn, on el client aprèn decidint què fer, rebent recompenses o càstigs en funció de la seva conducta. Aquest tipus d'aprenentatge s'utilitza àmpliament en àrees com els jocs, la robòtica i el control de moviment, on l'aprenentatge es produeix mitjançant prova i error. - Aprenentatge profund (Deep Learning): Utilitzen xarxes neuronals profundes per a aprendre representacions jeràrquiques de dades i manejar tasques complexes com el processament d’imatges, àudio i text. - Aprenentatge conjunt (Ensemble Learning): Combinen resultats de múltiples models per a millorar la predicció general. Aquest enfocament utilitza tècniques com Random Forest, el qual es comenta més endavant, i redueix la possibilitat de sobreajustament millorant la generalització. Sovint s'utilitza en competicions de ciència de dades i problemes complexos. És necessari considerar conceptes que han aparegut a les anteriors definicions com son el sobreajustament i el subajustament. Una descripció visual com la de la Figura 2 ajuda a entendre de forma clara aquest fenòmens. El primer ocorre quan un model s'aproxima massa als detalls de les dades d'entrenament, mentre que el segon, s’observa quan un model és massa simple per a capturar patrons rellevants: Figura 2. Descripció gràfica dels fenòmens de Subajustament i Sobreajustament Pàg. 22 Memòria Sabent ja com funcionen els algoritmes d'aprenentatge automàtic, i havent vist breument algunes de les categories que els componen, es destaquen dues tècniques específiques que es troben dins d’aquestes categories i que s’usen sovint en el mon de l’enginyeria d'estructures: Els SVM i els Random Forest. 3.1.1.1.1 Support Vector Machines (SVM) Les Màquines de Vectors de Suport (SVM en anglès) destaquen com a potents algoritmes especialment en tasques de classificació i regressió. L'objectiu principal d'aquesta metodologia és dividir les dades en diferents categories en el cas de la classificació o predir valors numèrics en el cas de la regressió. Un concepte clau en el funcionament de les SVM és l’Hiperplà [4]. Aquest és un pla que s'utilitza per a dividir dades de diferents classes en un espai de dues o més dimensions. En l'espai bidimensional, un hiperplà es converteix en una línia, i en l'espai tridimensional, en un pla. Els vectors de suport, les mostres de dades més pròximes a l’hiperplà, tenen una influència important en la determinació de la seva posició, ja que, idealment, aquest s’ha d’ubicar a una mateixa distància de tots ells. Com s’observa a la Figura 3, la distància entre l’hiperplà i el vector de suport més pròxim es diu marge òptim. Les SVM cerquen un hiperplà que maximitzi aquest marge, d’aquesta manera asseguren una millor generalització de noves dades. Per a processar conjunts de dades no lineals, els SVM utilitzen el "Kernel Trick", una tècnica que transforma l'espai de característiques original en un espai de major dimensió. Figura 3. Definició esquemàtica de l’Hiperplà i el funcionament de les SVM [5] L'optimització per a trobar l’hiperplà òptim en SVM és convexa. Això significa que sempre convergeix a una única solució òptima i evita l'optimització local. Aquestes màquines també funcionen de manera eficient en conjunts de dades d'altes dimensions amb moltes característiques. No obstant això, les SVM poden ser Web Crippling i Optimització d’estructures amb IA Pàg. 23 sensibles a valors atípics, ja que afecten significativament la ubicació de l’hiperplà. La metodologia facilita la interpretació visual en espais de baixes dimensions i facilita representacions gràfiques de fins a tres dimensions. En el camp de l'aprenentatge automàtic, les SVM s'han aplicat en diverses àrees, com la classificació d'imatges, el processament del llenguatge natural o la predicció de recursos. Un exemple a la vida real podria ser la identificació de defectes i anomalies en les mostres de materials de construcció com el formigó. Amb dades que descriuen característiques específiques del material, com la resistència, la porositat i altres propietats, es poden entrenar models SVM per a classificar les mostres com a "lliures de defectes" o "amb defectes". Això optimitzaria el control de qualitat del material i ajudaria a garantir la integritat estructural de la construcció. La versatilitat d’aquest tipus d’algoritme per treballar amb dades no lineals i altres propietats el converteix en un recurs valuós en una varietat de situacions en aquest camp en constant evolució. 3.1.1.1.2 Random Forests Random Forest és un algoritme d'aprenentatge automàtic que es troba dins de la categoria d’Ensemble Learning o Aprenentatge Conjunt [6]. Aquest model es basa en la creació de diversos arbres de decisió durant el procés d'entrenament, utilitzant les seves prediccions combinades per millorar la precisió i la generalització global del model. A continuació, es descriuen les principals característiques d'aquesta metodologia, incloent una Figura descriptiva per poder adquirir-ne una idea general: Cada arbre es crea de forma autònoma amb un subconjunt totalment aleatori de dades i característiques, i el resultat final del model s'obté mitjançant votació entre totes les prediccions individuals dels arbres en cas que es tracti d’una tasca de classificació, o a través de la mitjana de totes elles, en tasques de regressió: Figura 4. Explicació gràfica de l’algoritme Random Forest [7] Pàg. 24 Memòria En aquest algoritme s’incorpora la selecció imprevisible de propietats en totes les divisions de nodes, optant per un subconjunt final aleatori de propietats. Aquesta elecció augmenta la diversitat entre els arbres i evita que un conjunt de característiques domini la construcció de tota l’estructura. Els Random Forest proporcionen una mesura de la importància de cada característica en la presa de decisions del model, la qual cosa facilita la interpretació i comprensió de quines característiques tenen el major impacte en les prediccions. Així com tots els models, un arbre de decisió també pateix de problemes de biaix i variància. Aquest primer representa com de diferents son en promig els valors predits dels valors reals, mentre que la variància indica com de diferents seran les prediccions d'un model en un mateix punt si es prenen mostres diferents de la mateixa població [8]. La següent Figura és necessària per a entendre clarament les dues idees: Figura 5. Representació gràfica dels fenòmens de Biaix i de Variança [9] Aquests conceptes són clarament contraposats, i trobar un model òptim que mantingui un equilibri (anomenat “trade-off”) entre els dos és un problema molt complex. Models que resolguin molt bé el problema, amb un arbre molt sofisticat, tindran un error de biaix zero, però seran molt sensibles al conjunt d’entrenament i això comportarà un error de variància bastant elevat. En construir un arbre petit i simple, en canvi, s'obtindrà un model amb baixa variància però molt alt biaix. Normalment, en augmentar la complexitat del model, es comença a reduir l'error de predicció a causa del biaix, fins que s’arriba a un punt on es produeix el famós sobreajustament del model, i la variància es dispara. Per aconseguir arribar al "trade-off" sense patir sobreajustament s’utilitzen ensambladors com el Bagging. Aquest és un procés que implica que cada arbre es trenqui amb una mostra aleatòria de dades d'un conjunt d'entrenament amb Web Crippling i Optimització d’estructures amb IA Pàg. 25 reemplaçament, la qual cosa significa que els punts de dades individuals es poden seleccionar més d'una vegada. Aquesta praxi augmenta la robustesa del model i redueix notòriament la variància, introduint multiplicitat i diversitat entre els arbres. Random Forest és, per tant, un model versàtil que pot manejar tasques de classificació i regressió i gràcies a la seva versatilitat i bon rendiment general pot manejar conjunts de dades grans i complexos i té aplicacions en diversos camps, des de classificació d'imatges fins a anàlisis financeres i diagnòstics mèdics. En termes d’enginyeria d’estructura és àmpliament utilitzat en construccions i monitoratge de ponts. Amb un conjunt de dades que continguin paràmetres com vibració, temperatura i càrregues, es poden predir tant possibles falles com manteniments requerits. Es preveuen amb molta precisió els punts crítics on els ponts poden desgastar-se o danyar-se, i a més, es requereix molt menys temps per fer-ho. Això permet una gestió proactiva del manteniment i prolonga la vida útil del pont. 3.1.1.2. Xarxes neuronals Les xarxes neuronals són una part fonamental de moltes aplicacions d'intel·ligència artificial i inclouen una àmplia gamma de models i estructures inspirades en la funcionalitat del cervell humà. Aquestes xarxes estan compostes per un conjunt d'algoritmes i models matemàtics dissenyats per a aprendre i processar dades de manera similar al cervell humà i poden usar-se per a tasques com a reconeixement de patrons, classificació d'imatges i processament del llenguatge natural. L'element bàsic d'aquestes estructures és la neurona artificial, que és la unitat bàsica d'una xarxa neuronal [4]. Es pot entendre com funciona aquesta neurona a l’esquema de la Figura 6, la qual rep entrades, realitza càlculs aplicant pesos a les entrades i sumant-les, i finalment, genera una sortida aplicant una funció d'activació. Per a poder realitzar aquesta funcionalitat bàsica, una xarxa neuronal inclou múltiples capes de processament que processen dades d'entrada i produeixen resultats. A continuació s'explica com funcionen aquestes capes: - Capa d'entrada: Aquesta capa rep dades d'entrada i els transmet dins de la xarxa. Per exemple, quan s'entrena una xarxa neuronal per al reconeixement d'imatges, la capa d'entrada rep dades de píxels d'una imatge. - Capa oculta: aquesta capa és la part més complexa de la xarxa neuronal i pot contenir múltiples subcapacitats. Les xarxes neuronals connectades profundament (DNN) tenen múltiples capes ocultes que processen dades pas a pas. Cada neurona de la capa oculta rep dades de la neurona anterior i aplica una transformació utilitzant pesos i funcions d'activació. Aquestes transformacions ajuden la xarxa a identificar patrons i característiques en les dades. Pàg. 32 Memòria 3.1.2.3. Altres beneficis A més dels principals beneficis de la IA en la generació d’estructures que s’acaben d’explicar, es poden entreveure molts altres avantatges que han marcat una revolució significativa en l’àmbit de l’enginyeria civil. La simulació avançada, l’anàlisi predictiva, o, a diferència del que es fa creure, la creació d'oportunitats professionals, són alguns dels conceptes que milloren l’eficiència dels projectes i redefineixen la manera com s'aborden els nous processos d'infraestructures. A continuació, es detallen uns quants beneficis de manera resumida: - Simulació i visualització avançades: Permet una simulació precisa de projectes arquitectònics, la qual cosa ajuda a comprendre com funcionarà el seu disseny en el món real abans de la construcció física, reduint errors i costos. - Adaptabilitat i flexibilitat: la IA pot adaptar-se ràpida i eficientment als requisits canviants del projecte, brindant la flexibilitat d'evolucionar el seu disseny a mesura que es realitzen ajustos i millores. - Exploració creativa: Facilita l'exploració de solucions creatives i dissenys innovadors mitjançant l'anàlisi integral de dades i el suggeriment d'alternatives no considerades mitjançant mètodes tradicionals. - Anàlisi Predictiva: Anticipa problemes potencials durant la construcció i estima costos i terminis amb major precisió, la qual cosa permet prendre decisions informades des del principi. - Sostenibilitat Intel·ligent: L’enginyeria del futur és sostenible. La IA analitza materials, processos i dissenys per a optimitzar l'eficiència energètica i reduir l'impacte ambiental. - Automatització amb drons: Els drons equipats amb IA es poden utilitzar per a inspeccionar llocs de construcció, la qual cosa redueix la necessitat que els humans facin tasques perilloses. - Interacció de l'usuari: Incorporar les preferències i comentaris de l'usuari en el procés de disseny, permetent que els projectes es personalitzin segons les necessitats i expectatives específiques del client. - Oportunitats professionals: Existeix una demanda creixent de professionals que comprenen tant els principis d’estructures com les aplicacions del món real de la IA. Els professionals experimentats poden liderar equips de disseny innovadors, implementar solucions tecnològiques d'avantguarda i col·laborar en projectes que fusionen arquitectura i tecnologia, creant un camp laboral i un espai nou apassionant. Web Crippling i Optimització d’estructures amb IA Pàg. 33 3.1.3. Desafiaments i limitacions de la IA en estructures La integració de la intel·ligència artificial obre la porta a infinites noves possibilitats, no obstant això, no està exempta d'importants limitacions que han d'abordar-se per a utilitzar de manera eficaç i responsable les seves tecnologies en aquest camp. Un dels primers desafiaments és la necessitat de conjunts de dades grans i d'alta qualitat, però la interpretació i explicabilitat dels resultats de la IA o les consideracions ètiques que hi deriven també s'han convertit en qüestions importants a mesura que aquest camp es desenvolupa, Els desafiaments esmentats anteriorment són desafiadors, la qual cosa ressalta la necessitat d’estudiar-ne alguns d’ells amb deteniment. 3.1.3.1. Qualitat i quantitat de dades Un dels grans desafiaments de la IA en general és la qualitat i quantitat de dades [16]. Els algoritmes requereixen conjunts de dades grans i d'alta qualitat per a aprendre de manera eficaç, i la limitació d’aquestes pot afectar el rendiment dels sistemes. No obstant això, obtenir aquest tipus de conjunts de dades pot resultar difícil, especialment per a projectes de construcció petits o únics, doncs les dades han de ser representatives i cobrir una àmplia gamma de condicions i escenaris. La quantitat de valors és primordial perquè els algoritmes de IA funcionin correctament, és necessari contar amb un gran nombre d’aquests, però encara ho és més per a garantir que l'algoritme pugui aprendre i evolucionar. Per altra banda, el concepte de la qualitat és indispensable, les dades inexactes, incompletes o distorsionades poden afectar negativament la precisió dels models de IA, i la confiabilitat de les dades és fonamental en projectes de construcció d'edificis on la seguretat és primordial. A més, mantenir la integritat de les dades al llarg del temps és difícil si les dades no són precises, els requisits del projecte poden canviar i els models de IA han d'actualitzar-se per a reflectir aquests canvis. Tot això obre el debat de la importància de la qualitat versus la quantitat en l’àmbit de les dades, i com trobar l'equilibri adequat per obtenir resultats òptims. La idea de “com més dades, millor” està àmpliament acceptada en la comunitat de la IA. Això es basa en la creença que els models de IA es tornen més sòlids i precisos a mesura que augmenta la quantitat de dades. Això sol ser cert. Com ja s’ha comentat, els grans conjunts de dades ajuden als algoritmes de IA a reconèixer patrons, generalitzar informació i prendre decisions més informades. No obstant això, centrar-se en el volum de dades planteja una sèrie de desafiaments, com ara: el cost de recopilació (s’ha d’invertir en recopilació, emmagatzematge i processament), la privacitat i les preocupacions ètiques, o el soroll i la irrellevància de les dades (que sovint porten a conclusion incorrectes). S’observa, per tant, que la relació entre qualitat i quantitat de dades no és binària, i Pàg. 34 Memòria que, més aviat, són factors interrelacionats que poden millorar o dificultar el rendiment d'un sistema de IA depenent de les seves funcions. Si la qualitat supera a la quantitat, les dades fan que els algoritmes siguin més eficients i els permeten extreure informació valuosa de conjunts de dades més petites. La qualitat en aquests casos actua com a multiplicador, fent que cada dada sigui més útil. En canvi, si la quantitat supera la qualitat, grans conjunts de dades ajuden a validar la precisió i solidesa dels models de IA. Proporcionen una gamma més àmplia d'escenaris de prova i permeten una avaluació del rendiment més sòlida. Aconseguir l'equilibri adequat sovint requereix un procés iteratiu. Els experts poden començar amb conjunts de dades petites i d'alta qualitat per al desenvolupament de models, incorporant gradualment més dades i monitoritzant la degradació de la qualitat. El nivell d’aquesta degradació pot augmentar o disminuir depenent de la importància del cas que s'estigui tractant, tal i com es mostra a la següent Figura: Figura 9. Efecte de millora en la qualitat de les dades d’un sistema d’IA creat amb Python [16] 3.1.3.2. Interpretabilitat i explicabilitat La interpretabilitat i la explicabilitat són desafiaments addicionals quan s'utilitza intel·ligència artificial. Encara que els algoritmes de IA, com les xarxes neuronals, produeixin resultats precisos, ja s’ha explicat que a vegades també generen "caixes negres" perquè manquen de transparència per a explicar com s'aconsegueixen aquests resultats. La complexitat dels algoritmes, especialment en aquest tipus de xarxes, fa que el procés d’obtenció de la solució sigui difícil d'entendre per als humans. Això pot ser un problema quan és necessari comprendre com es prenen unes certes decisions o quan és necessari explicar el raonament darrere de les recomanacions o els resultats generats per la IA. Quan es tracta de tècniques d’intel·ligència artificial, els termes interpretabilitat i Web Crippling i Optimització d’estructures amb IA Pàg. 35 explicabilitat solen usar-se indistintament com s’observa a la Figura 10. Perquè els projectes trobin l'enfocament adequat per als seus casos d'ús, és important distingir entre aquests dos conceptes [17]: - Interpretabilitat: quan els projectes necessiten una major transparència en els seus models i es vol entendre exactament per què i com un model produeix prediccions, és necessari centrar-se en el funcionament intern dels seus mètodes. Això inclou la interpretació dels pesos i propietats del model per a determinar els resultats proporcionats. Això és la interpretabilitat. S’ha de tenir en compte, però, que una alta interpretabilitat sovint redueix el rendiment, i quan és indispensable un rendiment elevat, la explicabilitat del model juga un paper cada vegada més important. - Explicabilitat: és com prendre un model d'aprenentatge automàtic i explicar el seu comportament en termes humans. Els models complexos no permeten comprendre completament com i per què els seus mecanismes interns influeixen en les seves prediccions, tot i així, es poden utilitzar tècniques independents del model per a descobrir relacions entre els atributs de les dades d'entrada i els resultats del model, explicant així la naturalesa i el comportament del model de IA. Aquesta relació entrada-resultat podria considerar-se l’explicabilitat. Figura 10. Relació Rendiment-Interpretabilitat per les diferents tècniques d’IA [18] La interpretabilitat no és un problema en escenaris de baix risc. Si un model està recomanant pel·lícules per veure, no és necessari entendre el seu funcionament. Quan el projecte comença a comportar un risc més elevat, com tots aquells en els que hi ha Pàg. 36 Memòria vides en joc, el concepte passa a ser primordial i si no s’aconsegueix entendre d’on provenen els resultats aquell model passa a no ser operatiu. 3.1.3.3. Consideracions ètiques A mesura que la intel·ligència artificial es torna més sofisticada, sorgeixen preguntes sobre la responsabilitat i la rendició de comptes dels sistemes d’IA. Garantir un ús ètic [19], prevenir biaixos algorítmics i mantenir el control humà són aspectes importants a considerar. Poden ocórrer errors involuntaris si els models no es monitoritzen adequadament i no es tenen en compte les consideracions ètiques prèviament esmentades. Per exemple, es poden prendre decisions basades en dades històriques que reflecteixin biaixos existents, com la falta d'inversió en determinades regions a l’hora d’avaluar la seguretat d’infraestructures. Les decisions preses pels sistemes de IA perpetuarien, en aquest cas, les desigualtats existents, o discriminarien encara més certes comunitats. Establir consideracions ètiques és obligatori per a garantir que els sistemes de IA funcionen de manera justa i equitativa tenint en compte l'impacte social, alguns protocols a seguir podrien ser els que es veuen a continuació. Donat el creixent poder de la IA en la presa de decisions, existeix una necessitat urgent d'establir una responsabilitat clara sobre el funcionament dels sistemes. Determinar la responsabilitat quan ocorren errors o resultats indesitjables es converteix en una qüestió ètica important. Això inclou establir línies de responsabilitat entre enginyers, desenvolupadors, gerents de projectes i altres parts interessades. Un altre aspecte central del camí cap a una IA responsable és evitar els prejudicis i promoure la justícia. Com s’ha vist a l’exemple, les dades utilitzades per a entrenar models poden contenir biaixos inherents que reflecteixen les desigualtats que existeixen en la societat. Per tant, és important abordar aquest biaix perquè el sistema no perpetuï ni reforci la discriminació. Això significa que en dissenyar algoritmes i models s'han de tenir en compte aspectes d'equitat i les diferències culturals i socials. La protecció i la seguretat de dades també són aspectes claus dels projectes de IA. La recopilació i l'ús de dades plantegen preocupacions sobre la privacitat individual. És important garantir que les dades es tractin amb respecte i que s'apliquin les mesures de seguretat necessàries per a evitar possibles violacions de dades. Els enginyers han de pensar en com es gestionen, emmagatzemen i protegeixen les dades durant tot el cicle de vida del projecte. La transparència i la explicabilitat també són aspectes importants de la confiança en els sistemes de IA. La falta de transparència pot generar desconfiança, per la qual cosa és important assegurar-se que el model sigui completament explicable. Això permet als usuaris i parts interessades comprendre com es prenen les decisions, augmentant la confiança i facilitant la identificació i correcció d'errors. Per a projectes Web Crippling i Optimització d’estructures amb IA Pàg. 37 amb un impacte social significatiu, la participació pública i la consulta de les parts interessades són les millors pràctiques. La transparència en la presa de decisions, combinada amb processos inclusius, redueix les preocupacions ètiques i garanteix que els beneficis es comparteixin equitativament. Malgrat l'automatització de la IA, la supervisió humana continua sent essencial. En àrees que afecten la seguretat pública i el benestar humà, les decisions importants han de sotmetre's a revisió i aprovació humana. La cerca d'una IA que no sols sigui poderosa sinó també ètica requereix veure les màquines com a eines que complementen les habilitats i responsabilitats humanes. Per últim, és conegut per la gran majoria que els algoritmes de IA s’utilitzen indegudament per a difondre “fake news”, manipulant l'opinió pública i augmentant la divisió social i la desinformació. Un exemple d’això és dedueix del gràfic de la Figura 11. A més, també se sap del potencial d’aquests algoritmes per desplaçar ocupacions humanes, sobretot laborals, i provocar un augment de la desocupació i un empitjorament de la desigualtat econòmica. És un altre objectiu ètic el d’evitar que aquests dos fets ocurreixin en un futur, incloent programes i polítiques de reentrenament que evitin la desinformació de la població i proporcionin una reassignació justa per als treballadors afectats per la IA tant social com econòmicament. Figura 11. Fake News majoritàriament creades per IA durant les últimes eleccions d’EEUU [20] 3.1.3.4. Complexitat dels projectes estructurals Alguns projectes de construcció poden ser tan complexos que pot resultar difícil per a la IA tenir en compte amb precisió totes les variables i condicions involucrades. La complexitat dels projectes estructurals pot plantejar desafiaments per a la Pàg. 38 Memòria implementació efectiva de la intel·ligència artificial, ressaltant així algunes de les limitacions actuals en aquest camp en particular. Les variacions extremes en la geometria i els materials utilitzats en projectes estructurals han demostrat ser un obstacle important per a la IA. La capacitat de predir amb precisió el comportament estructural de diferents geometries i materials es veu qüestionada perquè els algoritmes requereixen accés a conjunts de dades homogènies, la qual cosa pot ser difícil de garantir en aquest camp tan divers. El mateix passa quan es tracta de projectes de construcció arquitectònica innovadors o no convencionals, la IA pot resultar completament desorientadora. Si les seves dades d'entrenament no tenen precedents, poden afectar la seva capacitat per a reconèixer patrons i generar solucions òptimes, especialment en entorns que evolucionen ràpidament. A més, les interaccions entre les estructures i el seu entorn plantegen desafiaments addicionals, i la complexitat de les influències ambientals com el vent, les fluctuacions de temperatura i els fenòmens sísmics poden ser difícils de modelar i predir amb precisió. Per exemple, en considerar la construcció d'un gran pont penjant, la IA ha de considerar factors com la topografia del terreny, la resistència dels materials utilitzats, les càrregues esperades i altres condicions ambientals. La complexa interacció d'aquestes variables pot ser un desafiament, ja que, com hem comentat anteriorment, la IA necessita processar i analitzar grans quantitats de dades amb alta precisió. Aquests desafiaments ressalten la necessitat de continuar investigant i desenvolupant noves solucions per a millorar l'efectivitat de la IA en aquesta àrea complexa. 3.1.4. Tendències i oportunitats futures El mon de l’enginyeria estructural es troba en una innovació constant. El BIM, o modelatge d'informació de construcció, és una de les principals tendències, una poderosa eina àmpliament utilitzada en tota la indústria que ajuda a representar digitalment les característiques de l'edifici i contribueix a la presa de decisions informades durant tot el cicle de vida del projecte. També són una novetat alguns materials d’última generació, com el formigó autorreparable, que redueixen els residus de la construcció, milloren l'eficiència energètica i minimitzen l'impacte ambiental gràcies a que el ciment cura les esquerdes per si sol i augmenta la durabilitat de les seves estructures de forma automàtica. A mesura que avança la IA, els enginyers descobreixen noves maneres d'utilitzar-la, i utilitzar algoritmes per integrar les noves tendències amb la tecnologia és el seu principal objectiu. A continuació, s'estudien breument les tendències que es preveu que més protagonisme tindran en els pròxims anys. Web Crippling i Optimització d’estructures amb IA Pàg. 39 3.1.4.1. Integració amb altres tecnologies La integració de la IA amb altres tecnologies com la IOT, el BIM o el Big Data representa una poderosa convergència que pot transformar fonamentalment el mon de la construcció [21]. El primer terme es refereix a una tecnologia basada en una xarxa col·lectiva de dispositius interconnectats que permet la comunicació entre tots ells i el núvol, així com entre els propis dispositius. Gràcies a l'arribada de xips informàtics de baix cost i comunicacions de banda ampla, ara tenim milions de dispositius connectats a Internet, el que significa que objectes quotidians com a raspalls de dents, aspiradores, o automòbils poden utilitzar sensors per a recopilar dades i respondre de manera intel·ligent als usuaris. La IOT integra processadors a accessoris del dia a dia des de la dècada de 1990, però a mesura que els dispositius informàtics s'han tornat més petits, aquests xips també s'han tornat més petits, més ràpids i més intel·ligents amb el temps. Un exemple d’això és el poder introduir-ne dins l'interruptor de la llum, i poder connectar aquest a la funcionalitat del servei de veu de Alexa. Els dispositius de IOT, per tant, proporcionen dades que els sistemes d'intel·ligència artificial poden analitzar, aprendre i automatitzar. Mentre que la IOT se centra en la connectivitat i l'automatització, la IA se centra en l'anàlisi, la interpretació i la presa de decisions. Si es combinen aquests sensors en estructures, els enginyers poden obtenir informació en temps real sobre el rendiment de la construcció i prendre decisions basades en dades al núvol. Amb aquesta integració es poden implementar sistemes de manteniment predictiu que s'anticipin a les necessitats i previnguin possibles problemes. El modelatge BIM ja s’ha explicat anteriorment. En l’actualitat ja està revolucionant la forma en què es dissenyen, planifiquen i executen els projectes de construcció, proporcionant una plataforma col·laborativa perquè les parts interessades comparteixin i col·laborin en temps real. No obstant això, aquesta tecnologia té limitacions com la impossibilitat d'automatitzar-se o optimitzar-se. La integració de la IA amb aquesta eina permetria analitzar grans quantitats de dades i identificar patrons per poder optimitzar plans i cronogrames. A més, es podria aprendre de projectes anteriors per a suggerir millores per a projectes futurs, aconseguint una major eficiència, precisió, gestió de recursos, sostenibilitat, i el més important, col·laboració. BIM ja permet la col·laboració entre les parts interessades, però la IA faria que els equips puguin col·laborar de manera més efectiva en brindar comentaris i informació en temps real. 3.1.4.2. Realitat augmentada i virtual Les aplicacions AR, de realitat augmentada, i VR, de realitat virtual, aporten possibilitats interessants al camp de la intel·ligència artificial en l'enginyeria d’estructures. Els enginyers poden utilitzar-les per a visualitzar i simular dissenys Pàg. 40 Memòria estructurals en un entorn virtual. Aquesta tecnologia millora la col·laboració entre els membres de l'equip i millora la validació del disseny abans que comenci la construcció. Les capacitats d'anàlisis de dades de la IA milloren l'experiència de l'usuari tant en AR com en VR, avançant-se al comportament d’aquest i optimitzant el contingut que hi trobaran. El processament del llenguatge natural també permet interaccions més intuïtives, la qual cosa facilita les converses amb entitats controlades per IA en mons virtuals. De fet, en AR, la IA pot arribar a millorar la detecció i el seguiment d'objectes i integrar perfectament les superposicions digitals en el món real, cosa que seria molt més difícil en la seva absència. Aquesta integració és en la que ha fet especial èmfasi la empresa Euler VR, aconseguint resultats sorprenents com els que es poden observar a la seva pàgina web [22] o en la següent Figura: Figura 12. Imatge extreta de la demostració de Realitat Virtual de l’empresa Euler VR [22] Com s’observa, els enginyers poden experimentar amb els seus dissenys en representacions virtuals tridimensionals utilitzant dispositius com a cascos de realitat virtual i dispositius mòbils habilitats per a AR. Això proporciona una visió més realista i detallada dels elements estructurals, la qual cosa permet als experts identificar possibles problemes i millores abans de la seva implementació. La combinació de IA amb aquestes tècniques pot millorar significativament la fase de disseny i validació, contribuint a una construcció més eficient i precisa. Web Crippling i Optimització d’estructures amb IA Pàg. 41 3.1.4.3. Robòtica avançada Els robots equipats amb algoritmes de IA poden col·laborar en tasques de construcció complexes, com acoblar components estructurals perillosos o realitzar inspeccions de qualitat. Aquesta integració de IA i robòtica simplifica i millora l'eficiència en el procés de construcció, permetent als robots prendre decisions basades en dades i fer tasques amb la màxima precisió i velocitat possible. Un exemple específic de la integració de la intel·ligència artificial i la robòtica en la construcció d’estructures és l'ús de robots equipats amb algoritmes de IA en la construcció de gratacels. Aquests robots es poden programar per a fer tasques específiques com colocar materials estructurals, garantir la precisió de les connexions i també realitzar inspeccions de qualitat en temps real. Aquesta combinació de tecnologies permet accelerar el procés constructiu, millorar la precisió i garantir un alt nivell de qualitat de les estructures construïdes. 3.1.5. Casos reals Zaha Hadid Architects és l’empresa més coneguda arreu del mon que combini algoritmes d'intel·ligència artificial i arquitectura o disseny d’edificis [23]. Un dels dissenys més famosos ha sigut el de l'Aeroport Internacional Daxing de Pequín que s’observa a la Figura 13. L'algoritme va analitzar diversos factors, com el flux de passatgers, el moviment dels vols i l'eficiència energètica, per a produir un disseny optimitzat i visualment atractiu. Això mostra com la IA pot ajudar els arquitectes a desenvolupar estructures úniques i funcionals a la vida real. Figura 13. Aeroport Internacional Daxing de Pequín dissenyat amb IA [24] Figura 14. Planta d'incineració de residus Amager Bakke a Copenhaguen [25] Pàg. 48 Memòria predir la resistència al Web Crippling de les seccions amb múltiples ànimes, sotmeses aquesta vegada als quatre tipus diferents de condicions de càrrega. La recerca es va dur a terme experimentalment i els resultats es van comparar amb l'edició de 1986 de l'especificació AISI i el codi canadenc, finalment l’experiment va servir per a donar-se compte de les variacions d’influència dels paràmetres més importants de la fórmula vigent en aquell moment. La càrrega per als assajos es va determinar com la càrrega més gran que la mostra era capaç de sostenir sense vinclar, o com la càrrega que provoqués una deformació residual de 1 mm, la que fos menor. D’aquests experiments (Figura 18) es van extreure diferents conclusions. Per als de condicions de suport interiors (IOF i ITF) es va concloure que: les càrregues dels assajos no variaven depenent de l'orientació de la secció i eren les mateixes si realitzaves l’experiment de forma inversa; els resultats de la prova variaven de forma gairebé lineal en funció de l’amplada del paràmetre n. Per als tests amb condicions de suport exteriors (EOF i ETF) es van realitzar els mateixos comentaris, però, a més, es va afegir que: la influència de la distància men els resultats és gairebé inexistent; quan s'augmenta la distància k, la càrrega de prova també augmenta. Figura 18. Metodologia seguida pels experiments amb condicions a) IOF i b) EOF [26] Prabakaran i Schuster van desenvolupar una nova expressió de disseny per a la resistència al Web Crippling per a seccions CFS el 1998, basada en l'anàlisi estadística de dades experimentals publicades en diversos països. Es van considerar les quatre condicions de càrrega explicades anteriorment, per a les seccions de tipus I compostes de dues seccions tipus C, seccions Z, i seccions amb més d’una ànima. Es va fer una comparació amb les expressions presentades en la Norma Canadenca i les especificacions AISI, i considerant els paràmetres més importants, es va desenvolupar una nova expressió no dimensional, on qualsevol unitat de mesura consistent pot ser utilitzada com a empírica o Sl. També es van eliminar unes certes complexitats innecessàries per a simplificar les expressions paralitzants de la web. A partir d’aquí, i fins a l’actualitat, pocs experiments van causar grans modificacions a l’equació. Es podria destacar una recerca experimental realitzada per Holesapple i LaBoube el 2003 per a esbrinar els efectes de la longitud de volada o longitud de ràfec (concepte descrit a la Figura 19, un exemple de ràfec és la part d'una teulada que sobresurt respecte de la façana) en la capacitat de resistència al Web Crippling de les Web Crippling i Optimització d’estructures amb IA Pàg. 49 seccions de CFS. En aquest experiment es va trobar que les especificacions actuals de disseny de AISI eren molt conservadores amb el terme de longitud del ràfec, i es va obtenir una equació final modificada analitzant els resultats de la prova per a la condició de càrrega de EOF. Figura 19. Descripció gràfica d’un ràfec o volada [30] Les màximes variacions sobre l’equació de Web Crippling que s’han realitzat en els últims anys s’observen a la normativa més recent relativa al fenomen, una revisió de l’any 2022 de l’Eurocodi 3 part 1-3. En realitat, es tracta d'un projecte de norma, és a dir, encara no s'ha formalitzat com a norma, però consta de la mateixa formulació que la normativa vigent. Realitzada l’anterior cerca bibliogràfica i estudiada l’investigació experimental i numèrica relacionada, es conclou que a dia d’avui, al 2024, encara no hi ha equacions totalment fiables o models que siguin capaços de predir en exactitud aquest concepte, essent necessària una optimització o una major investigació. 3.2.2. Normativa vigent Atès que la redacció de la normativa vigent és notablement similar al projecte de norma de l’Eurocodi 3 part 1-3 de l’any 2022 [31], i que aquest conté la formulació més recent possible en aquest àmbit, es considera de més coherència proposar millores en relació amb la informació que apareix en aquesta proposició, la qual tot apunta serà aprovada pròximament. La normativa assegura que, per a evitar l’aixafament o el vinclament de l’ànima exposada a una força transversal, és a dir, per a evitar el Web Crippling, el valor de disseny de la força transversal FEd haurà de complir el criteri de la equació (Eq. 2): (Eq. 2) Pàg. 50 Memòria on Rw,Rd és el valor de disseny de la resistència al Web Crippling. Aquest valor Rw,Rd ha d'obtenir-se de diferents maneres segons si s’estudia el fenomen per seccions amb una sola ànima (veure apartat 3.2.2.1) o si es tracta de seccions amb dues o més animes (veure apartat 3.2.2.2). La normativa també inclou la metodologia per estudiar l'efecte del Web Crippling en altres casos, com les seccions amb rigidització afegida, però aquestes s’allunyen de l’abast d’estudi d’aquest projecte. Els rigiditzadors s'utilitzen precisament per limitar el fenomen d'abonyegament local de l'ànima, i aquest efecte complica de manera exponencial l’estudi del vinclament. 3.2.2.1. Normativa per a seccions amb una sola ànima En el cas d'una secció amb una sola ànima no enrigidira, com es mostra en els exemples de la Figura 20, el valor de disseny de la resistència al Web Crippling pot determinar-se com s'especifica a la equació Eq.3, sempre que la secció compleixi els criteris de la Taula 1. Figura 20. Possibles seccions amb una sola ànima. D’esquerra a dreta: Secció C sense rigiditzar, C amb rigidització, Z amb rigidització, Seccions I combinades (x2), Z encaixada [31] Taula 1. Disseny de seccions amb una sola ànima - rang d’aplicació Secció C sense rigiditzar Fixació t [mm] fyb [N/mm2] r/t lsb/t h/t fixada 0,6–6,0 250–600 ≤4 ≤100 ≤200 lliure 1,0–6,0 250–600 ≤4 ≤100 ≤200 Secció C amb rigidització Fixació t [mm] fyb [N/mm2] r/t lsb/t h/t fixada 0,6–3,1 160-600 ≤10 ≤170 ≤270 lliure 0,6–3,1 160-600 ≤5 ≤170 ≤270 Secció Z amb rigidització Fixació t [mm] fyb [N/mm2] r/t lsb/t h/t fixada 1,0-3,0 320-500 ≤10 ≤100 ≤200 Web Crippling i Optimització d’estructures amb IA Pàg. 51 lliure 1,5-3,0 320-500 ≤5 ≤100 ≤200 Seccions I combinades Fixació t [mm] fyb [N/mm2] r/t lsb/t h/t fixada 1,0-4,0 200-450 ≤5 ≤100 ≤270 lliure 1,0-4,0 200-450 ≤5 ≤100 ≤270 Secció Z encaixada Fixació t [mm] fyb [N/mm2] r/t lsb/t h/t fixada 1,0-3,0 320-500 ≤10 ≤100 ≤200 lliure 1,0-3,0 320-500 ≤10 ≤100 ≤200 A aquesta taula és necessari realitzar-li un seguit d’aclaracions. La majoria d’elles estan relacionades amb la rigidització i el valor lsb, que com s’indica al glossari correspon a la longitud nominal de de l’àrea de suport enrigidit, conceptes que s’allunyen de l’objectiu d’aquest projecte i en els quals no es farà èmfasi. Una aclaració que si que cal comentar és que, per a valors majors de tofyb, es pot fer una excepció i es pot seguir aplicant el mètode, sempre que els valors es redueixin als valors màxims indicats a la Taula 1. També s’ha de tenir en compte que en els elements amb seccions I combinades, les unions o elements de connexió han de situar-se tan a prop de les ‘ales’ de l’ànima com sigui factible. Tenint tot això en compte, s’assegura que per a les seccions amb una sola ànima que compleixen els criteris especificats a la Taula 1, el valor de càlcul de la resistència al Web Crippling, Rw,Rd, es determina a partir de la següent equació: (Eq. 3) on k0,sb, kr,sb, kl,sb, kh,sb:Coeficients pel càlcul de la resistència d’una ànima a les forces transversals, especificats a la Taula 2, depenen de les condicions de càrrega de la Taula 3; t: Gruix de disseny del material d'acer; E: Mòdul elàstic; fyb:Resistència bàsica al límit elàstic; h: Profunditat total de la secció; Pàg. 52 Memòria r: Radi intern de l’element; lsb:Longitud nominal de l’àrea de suport enrigidit. Si dues forces transversals d'igual magnitud actuen en costats oposats de la paret lateral, però es distribueixen sobre longituds nominals diferents, s'hauria de fer servir el valor més petit de lsb. Taula 2. Coeficients ki,sb pel càlcul de la resistència a les forces transversals Secció C sense rigiditzar No Condicions de càrrega Fixació k0 kr kl kh 1 EOF fixada 0,157 0,074 0,231 0,024 lliure 0,085 0,188 0,64 0,044 2 IOF fixada 0,193 0,045 0,219 0 lliure 0,222 0,002 0,12 0 3 ETF fixada 0,075 0,092 0,278 0,026 lliure 0,075 0,092 0,278 0,026 4 ITF fixada 0,263 0,076 0,126 0,037 lliure 0,263 0,076 0,126 0,037 Secció C amb rigidització No Condicions de càrrega Fixació k0 kr kl kh 1 EOF fixada 0,266 0,165 0,155 0,032 lliure 0,251 0,211 0,148 0,039 2 IOF fixada 0,627 0,151 0,098 0,036 lliure 0,594 0,143 0,049 0,033 3 ETF fixada 0,2 0,109 0,142 0,046 lliure 0,291 0,383 0,095 0,041 4 ITF fixada 0,558 0,102 0,053 0,028 lliure 1,202 0,232 0 0,051 Secció Z amb rigidització No Condicions de càrrega Fixació k0 kr kl kh 1 EOF fixada 0,162 0,094 0,239 0,029 lliure 0,12 0 0,024 0,008 2 IOF fixada 0,324 0,094 0,239 0,029 lliure 0,24 0 0,024 0,008 Web Crippling i Optimització d’estructures amb IA Pàg. 53 3 ETF fixada 0,308 0 0,075 0,049 lliure – – – – 4 ITF fixada 0,606 0,061 0,082 0,035 lliure – – – – Seccions I combinades No Condicions de càrrega Fixació k0 kr kl kh 1 EOF fixada o lliure 0,179 0 0,225 0 2 IOF fixada o lliure 0,58 0,163 0,066 0 3 ETF fixada o lliure 0,439 0,292 0,0528 0,0344 4 ITF fixada o lliure 0,768 0,179 0,0699 0,0335 Secció Z encaixada No Condicions de càrrega Fixació k0 kr kl kh 1 IOF fixada o lliure 0,235 0,2 0,187 0 Taula 3. Condicions de càrrega especificades a la normativa vigent No Condicions de càrrega 1 EOF 𝑙𝑒𝑛𝑑≤1,5ℎ 2 IOF 𝑙𝑒𝑛𝑑>1,5ℎ 3 ETF 𝑙𝑒𝑛𝑑≤1,5ℎ 𝑙𝑠𝑝𝑎𝑐≤1,5ℎ 4 ITF 𝑙𝑒𝑛𝑑>1,5ℎ 𝑙𝑠𝑝𝑎𝑐≤1,5ℎ Cal destacar que en els esquemes d’aquesta taula, lsb representa, a més de la longitud del suport enrigidit, la longitud d’aplicació de la força transversal, ja que aquesta coincideix quan existeix rigidització. Pàg. 54 Memòria 3.2.2.2. Normativa per a seccions amb dues o més ànimes Abans d’entrar en matèria, en aquest apartat és necessari definir un concepte que en anglès es coneix com a “Sheeting”. Aquest és un element estructural amb una profunditat molt menor que la seva amplària i longitud, típicament utilitzat com a revestiment o coberta, que possibilita la unió de diferents ànimes. És de vital importància conèixer aquest concepte ja que, quan entren en joc, es creen noves seccions amb múltiples ànimes i s’han de considerar com a tal. Dit això, en el cas de seccions que continguin dues o més animes, i també per aquelles juntades amb sheetings o làmines (Figura 21), el valor de disseny de la resistència a les forces transversals per ànimes no enrigides es determina com s'especifica a l’equació Eq. 4, sempre que es compleixin totes les condicions següents: 1) la suma de la longitud de suport enrigidit lsb i la distància lliure que va des 𝑙𝑒𝑛𝑑 del final de lsb fins al primer extrem lliure ha de ser d'almenys 40mm, és a dir, . 𝑙𝑠𝑏+𝑙𝑒𝑛𝑑≥40𝑚𝑚 2) la distància lliure que va des del final de lsb fins al primer extrem lliure és 𝑙𝑒𝑛𝑑 d'almenys 40mm. 3) l’ànima compleix els següents criteris: 𝑟/𝑡≤10 ℎ/𝑡≤200𝑠𝑖𝑛ϕ 45𝑜≤ϕ≤90𝑜 on h: Profunditat total de la secció; r: Radi intern de l’element; Angle relatiu entre l’ànima i les seves ‘ales’ (en graus). ϕ: Tenint en compte les dues primeres condicions, es pot deduir que, si s’escau, la lsb pot ser perfectament nula. Aquests seran els casos que interessen en aquest projecte, ja que, com s’ha comentat, s’estudiaran els casos sense rigidització afegida a l’ànima. Web Crippling i Optimització d’estructures amb IA Pàg. 55 Figura 21. Exemples de possibles seccions amb dues o més ànimes [31] Si es compleixen les tres condicions anteriors, el valor de la resistència Rw,Rd de cada ànima de les seccions s’ha de determinar a partir de la formula Eq. 4: (Eq. 4) on lbl:longitud efectiva de l’àrea de suport, depèn directament del tipus de categoria de càrrega (s’explica a continuació); K1:Coeficient que depèn del tipus de categoria de càrrega corresponent. Per al càlcul de Rw,Rd en seccions amb dues o més ànimes és necessari establir una distinció entre dues categories de càrrega, la 1 i la 2, en funció de lspac ilend, tal i com es pot veure en la Taula 4. La categoria 1 engloba tots els casos en què la càrrega actua molt a prop d'un suport o d’un costat lliure, mentre que a la categoria 2 hi trobem tots els casos complementaris: Taula 4. Condicions de càrrega per múltiples ànimes - Tipus de categories de càrrega Categoria 1: - Càrrega aplicada amb fins al 𝑙𝑠𝑝𝑎𝑐≤1,5ℎ suport més proper Categoria 1: - Càrrega aplicada amb fins a 𝑙𝑒𝑛𝑑≤1,5ℎ un costat lliure Pàg. 56 Memòria Categoria 1: - Reacció de suport amb fins al 𝑙𝑒𝑛𝑑≤1,5ℎ suport més proper Categoria 2: - Càrrega aplicada amb fins al 𝑙𝑠𝑝𝑎𝑐>1,5ℎ suport més proper Categoria 2: - Càrrega aplicada amb fins a 𝑙𝑒𝑛𝑑>1,5ℎ un costat lliure Categoria 2: - Reacció de suport amb fins al 𝑙𝑒𝑛𝑑>1,5ℎ suport més proper Categoria 2: - Reacció de suport interna sense cap càrrega aplicada en un distància de 1,5ℎ Els càlculs dels valors de lbl iK1van, doncs, relacionats amb el tipus de categoria mostrats en la aquesta Taula. El valor de la longitud efectiva de l’àrea de suport lbl, per exemple, s’estudia de la manera següent: 1) per a la Categoria 1: - Si el suport està format per elements de CFS: 𝑙𝑏𝑙=10𝑚𝑚 - Si el suport està format per un altre tipus d’element: si 𝑙𝑏𝑙=10𝑚𝑚 𝑙𝑒𝑛𝑑+𝑙𝑠𝑏<ℎ si , però 𝑙𝑏𝑙=10+(𝑙𝑒𝑛𝑑 + 𝑙𝑠𝑏 − ℎ) (𝑙𝑠𝑏 − 10) ℎ/2 + 𝑙𝑠𝑏 [𝑚𝑚] 𝑙𝑒𝑛𝑑+𝑙𝑠𝑏≥ℎ 𝑙𝑒𝑛𝑑<1,5ℎ on Web Crippling i Optimització d’estructures amb IA Pàg. 57 lend:Distància des del final de lbl fins a un costat lliure [en mm]; lsb:Longitud nominal de l’àrea de suport enrigidit [en mm]; h: Profunditat total de la secció [en mm]. 2) per a la Categoria 2: - Si el suport és un únic element de CFS amb una secció d’una sola ànima: 𝑙𝑏𝑙=𝑚𝑖𝑛 {17,5𝑡𝑠𝑢𝑝𝑝−6 𝑚𝑚; 50 𝑚𝑚; 𝑙𝑠𝑏} on :Gruix de disseny de “l'aleta” de l’element de suport [en mm]. 𝑡𝑠𝑢𝑝𝑝 : Longitud nominal de l’àrea de suport enrigidit [en mm]. 𝑙𝑠𝑏 - Si el suport és un únic element de CFS amb una secció d’una sola ànima subjecta a torsió: 𝑙𝑏𝑙=10𝑚𝑚 - Si el suport és qualsevol altre tipus d’element: 𝑙𝑏𝑙= 𝑙𝑠𝑏 on : Longitud nominal de l’àrea de suport enrigidit [en mm]. 𝑙𝑠𝑏 Tot i això, s’ha de tenir sempre present que el valor màxim de la longitud efectiva de suport lbl ha de ser de 200mm, i que, per tant, no pot superar aquesta longitud en cap cas. Per últim, és necessari aclarar com es calcula el coeficient K1,que també es relaciona amb els tipus de categoria mostrats a la Taula 4: 1) per a la Categoria 1: - Per sheetings o làmines amb càrregues oposades: 𝐾1=0,075 Pàg. 64 Memòria Aquest procés s’ha repetit diverses vegades per diversos estudis amb l’objectiu d’ampliar la quantitat de dades d’alta qualitat. El següent estudi a tenir en compte ha sigut el d’Islam i Young, ‘Ferritic stainless steel tubular members strengthened with high modulus CFRP plate subjected to web crippling’ [33]. En ell s’hi estudia el reforçament de polímers amb fibres d’acer inoxidable ferrític conformat en fred amb seccions de dues ànimes SHS i RHS. Les proves cobreixen les quatre condicions de càrrega codificades EOF, IOF, ETF i ITF i es consideren cinc seccions diferents amb altures nominals que oscil·len entre 50 i 120 mm i gruixos nominals entre 3 i 4 mm. D’aquest estudi s’extreuen una quarantena de dades més que s’afegeixen a la població de l’estudi inicial de L. Gardner. Encara dues publicacions més s’han tingut en compte. En els últims temps, els enginyers Li i Young han realitzat 44 assajos més en seccions d’acer inoxidable conformat en fred detallats a ‘Web crippling of cold-formed ferritic stainless steel square and rectangular hollow sections’ [34]. Aquests assajos s’han dut a terme en les quatre condicions de càrrega possibles i amb les mesures r/t i H/t oscil·lant entre 0.9 i 2.0, i entre 13.1 i 52.0, respectivament. Finalment, Cai i Young han experimentat amb una sèrie de proves en acer inoxidable en fred en el seu projecte ‘Web crippling of lean duplex stainless steel tubular sections under concentrated end bearing loads’ [35]. Fins a 50 resultats de mostres tubulars amb seccions de dues ànimes han sigut testejades, però sota condicions de càrrega de EOF, ETF i EL (End Loading). Aquesta última condició de càrrega fa que no es pugui tenir en compte el resultat obtingut a l’estudi, però les mides de la secció i els altres paràmetres s’han considerat igual i s’han afegit a la calculadora del full d’Excel. Les profunditats nominals i els gruixos de la secció de les mostres d'acer inoxidable a dues cares varien entre 20 i 150 mm, i entre 1,5 i 3,0 mm, respectivament. Per la seva banda, els valors mesurats del radi intern varien entre 0,8 i 6,5 mm, i les diverses longituds de suport entre 30 i 150 mm. Per agafar dades el màxim diverses possibles, també s’ha tingut present que els valors de r/t i H/t de les mostres de Cai i Young oscil·lessin entre valors lleugerament diferents, aquest són 0.5 i 2.1, i, 12.9 i 49.4, respectivament. Per tant, després d’una extensa recerca, i seleccionant només els quatre estudis anteriors, s’han recollit un centenar de dades d’assajos reals. A la taula 6 es presenta un breu resum de les dades d'assajos de Web Crippling sobre seccions amb dues ànimes. En total s’han recollit 147 dades experimentals, consistents en 29, 40, 39, 19 I 20 dades en condicions de càrrega d’EOF, IOF, ETF, ITF i EL, respectivament: Taula 6. Resum de dades d'assajos de Web Crippling recollides Estudi Grau del material Condicions de Carrega No mostres L. Gardner [32] EN 1.4318 IOF 16 Islam i Young [33] EN 1.4003 EOF 11 Web Crippling i Optimització d’estructures amb IA Pàg. 65 IOF 11 ETF 8 ITF 7 Li i Young [34] EN 1.4003 EOF 7 IOF 13 ETF 12 ITF 12 Cai i Young [35] EN 1.4062 EOF 11 ETF 19 EL 20 Donada la importància de conjunts de dades grans i diverses per al desenvolupament de models, s’ha iniciat un procés per a augmentar la grandària de la mostra inicial. Encara que comptem amb 147 mostres de molt alta qualitat, ja que es tracta d’experiments duts a terme recentment i en situacions de la vida real, s’ha de reconèixer que aquesta base s’ha de complementar amb tests addicionals per a representar de manera més completa les possibles condicions. Tenint en compte les pràctiques en l'ús d'intel·ligència artificial realitzades pels experts (on sovint comencen amb conjunts de dades petites i d'alta qualitat, per, a continuació, anar ampliant gradualment aquesta mostra), es decideix portar a terme el mètode de generació de dades sintètiques amb l'objectiu d'aconseguir aquest augment de població. Aquesta tècnica implica la creació de noves instàncies fent petits canvis en els casos existents, i proporciona la flexibilitat de generar diferents situacions a partir de la mostra original, agregant diversitat i solidesa al conjunt de dades. L’enfocament permet monitorar de prop el conjunt de dades per a detectar la degradació de la qualitat i garantir que les instàncies recentment generades mantinguin la coherència i representativitat desitjades. Aquest augment de població és part del preprocessament de dades. 4.2. Preprocessament de dades En el procés de construcció de models precisos de IA, el preprocessament de dades demostra ser una part fonamental per a garantir que les dades d'entrada per a entrenar el model siguin apropiades i consistents. Aquesta fase inclou diverses funcions importants, com la neteja, normalització i preparació de dades generals. La neteja de dades és un punt de partida clau en aquest procés, ja que aborda dades inexactes i incompletes, així com valors atípics que poden esbiaixar els resultats del model. L'eliminació d'aquestes anomalies garanteix que el conjunt de dades no estigui Pàg. 66 Memòria danyat i reflecteixi la realitat. A continuació, la normalització és essencial per a garantir que les dades siguin d'escala comparable, independentment de les unitats originals. Aquesta característica és important per als models que usen mètriques i pesos, assegurant que diferents característiques tinguin el mateix efecte durant l'entrenament. En el cas que ens ocupa, no serà necessari passar per aquesta etapa. L’última fase important és la preparació de dades generals. Això inclou convertir formats, manejar valors en blanc o nuls, fer que les dades siguin consistents i estructurades i realitzar altres personalitzacions que facin que el model sigui adequat per al seu ús. Abans de treballar en les tres etapes explicades, ha d’entrar en joc la calculadora d’Excel prèviament esmentada, que s’ha codificat per poder gestionar la generació de dades sintètiques. Aprofitant la facilitat que aporta aquesta eina es pot crear un gran nombre de mostres, i comparant-les amb les que es tenen fins ara, aquestes poden, a més, ser de qualitat. Es generen múltiples dades variant, bàsicament, els següents 10 paràmetres dins dels següents rangs: t(mm): [1.54 - 5.73] E(N/mm2): [190000 - 210000] fyb (Mpa): [401 - 707] r / t: [0.5 - 2.1] h / t: [19.5 - 60.5] (graus): [70 - 85] ϕ tsupp ilend (mm):[5 - 15] lsb ilspac (mm):[20 - 70] Aquests valors límit s’han escollit tenint en compte els marges de seguretat dels experiments relacionats en l’àmbit vistos durant la recerca de dades. Si es van modificant gradualment, juntament amb les variacions de les condicions de càrregues (que varien entre “Sheeting with opposite loading”, “Sheeting near a clear end” i “Liner trays and hat sections”), s’aconsegueixen milers de dades. Seguint la metodologia explicada s’han obtingut un total de 17429 dades considerades de qualitat. Es podria haver assolit un nombre més elevat que aquest si s’hagués desitjat, de fet, s’aconseguirà més endavant en cas que sigui convenient, però en la situació actual, s’ha cregut que era més que suficient. Una vegada arribats a aquest punt, és necessari realitzar la fase de normalització i eliminar dades inexactes i incompletes, així com valors atípics que puguin esbiaixar els resultats. Web Crippling i Optimització d’estructures amb IA Pàg. 67 Del conjunt original, s’han trobat fins a 984 dades que contenien errors o anomalies a l’hora de ser calculades. Això és degut al fet que la calculadora que s’ha programat retorna un error quan hi ha paràmetres que no coincideixen amb les condicions donades. Per exemple, si existeixen “sheetings” i el tipus de categoria de càrrega és 2, s’ha explicat que el coeficient K1sempre hauria de ser igual a 0.015, si sota aquestes condicions el valor és diferent d’aquest, la calculadora sempre retornarà error. Per a garantir la integritat i precisió de les dades, aquests elements problemàtics s’han eliminat durant el procés de neteja de dades. A continuació, s’ha realitzat una altra acció important. S’han detectat duplicats en el conjunt original i s’han eliminat un total de 186 files duplicades. Aquesta acció és molt important per a evitar redundàncies i garantir que cada entrada en el conjunt de dades sigui única, evitant així biaixos i malentesos que puguin ocórrer en l'anàlisi i entrenament del model. Per últim, s’han realitzat processos de normalització (s’ha assegurat que totes les dades del conjunt tinguessin una escala comparable i mateixes unitats) i de revisió general (per a identificar i abordar tendències en les dades que representin valors extremadament grans o petits). Aquestes inspeccions no han trobat dades que necessitin ser eliminades i afectin la qualitat i confiança del conjunt. Per tant, finalment es tenen 16259 mostres que asseguren la robustesa del conjunt i proporcionen una base fiable per a l'entrenament i l'avaluació del model. Com s’ha comentat anteriorment, aquestes dades no s’utilitzaran en la seva totalitat per a entrenar el model, sinó que es dividiran en una proporció 80/20, i aquest 20% restant s’utilitzarà per validar l’algoritme una vegada estigui entrenat. 4.3. Desenvolupament del model La selecció del tipus de model és un pas crític en el desenvolupament de sistemes de IA perquè determina quin algoritme o mètode utilitzar per a predir o comprendre un comportament en particular. En aquest estudi, la idea seria veure com es pot entrenar el model per tal de predir el comportament d’una secció davant el fenomen de Web Crippling, o, per inclús, dimensionar-la en previsió a aquest vinclament. Com s’ha explicat a la part teòrica, hi ha una àmplia gamma de models disponibles, que inclouen des d’algoritmes d'aprenentatge automàtic com els SVM o els Random Forest, fins a Xarxes Neuronals simples o profundes, passant per algorismes genètics i totes les possibilitats que es troben dins d’aquest grup. És important identificar el model que millor s'adapta als objectius del treball, perquè com ja s’haurà intuït, no tots descriuen i solucionen tots els problemes amb la mateixa eficàcia. Els Random Forests podrien ser una opció viable per diverses raons: poden gestionar múltiples paràmetres i relacions no lineals entre característiques; són coneguts per ser Pàg. 68 Memòria flexibles i resisteixen bé el sobreajustament; solen ser efectius en problemes de regressió on és important la predicció de valors numèrics. Per la seva part, els SVM són molt efectius quan es tracta amb dades complexes, especialment quan hi ha múltiples dimensions i interaccions entre paràmetres. Si el projecte implica la classificació de casos (per exemple, classificar estructures com a "vulnerables" o "segures"), poden ser una molt bona opció. Les xarxes neuronals, especialment les profundes, són útils si les dades tenen relacions molt complexes, i poden capturar patrons molt subtils, tot i que requereixen generalment més dades i temps de computació. Per últim, els algoritmes genètics inclouen l'optimització de paràmetres específics i poden ser útils per trobar les millors configuracions possibles. Un dels mètodes per avaluar quin algoritme pot funcionar millor que un altre és el MSE, que són les sigles de Mean Squared Error. Aquesta mètrica, que representa l’error quadràtic mig, s’utilitza comunment per avaluar la precisió dels models de regressió. Mesura la diferència mitjana entre els valors predits per un model i els valors reals del conjunt de dades, i es calcula com la mitjana de les diferències quadrades entre les prediccions i els valors reals. La fórmula és la següent: (Eq. 5) on nés el nombre total de mostres; Yiés el valor real de la mostra; iés el valor predit per el mateix exemple; 𝑌 Com és lògic, un MSE més baix indica un millor ajustament del model a les dades, ja que significa que les prediccions es desvien menys dels valors reals, mentre que un MSE elevat acostuma a intentar evitar-se i descriu un pitjor rendiment. És important, per tant, minimitzar aquesta diferència per a obtenir models precisos i de confiança. Per a comparar models, cal utilitzar-lo com a indicador, i implica entrenar els múltiples models utilitzant les mateixes dades d'entrada, avaluant el MSE de cada model i considerant el més efectiu per a la tasca aquell que mostri un valor més baix. Tenint això en compte, s’han utilitzat les llibreries “Pandas” (per a la manipulació de les 16000 dades en format Excel) i “Scikit-learn” (per a la creació de models de regressió i avaluació) del programari Python per a poder generar un codi que calcules el MSE resultant de cadascun dels diferents tipus d’algoritme. Aquesta metodologia s’ha seguit per a cada un d’ells. A continuació s’adjunta l’exemple del codi que s’ha utilitzat en el Python Web Crippling i Optimització d’estructures amb IA Pàg. 69 cas de les Xarxes Neuronals: import pandas as pd from sklearn.model_selection import train_test_split from sklearn.neural_network import MLPRegressor from sklearn.metrics import mean_squared_error import joblib # Carrega les dades des de l'arxiu Excel excel_path = 'C:\TFG\DadesFinalsTFGWC.xlsx' df = pd.read_excel(excel_path) # Elimina files amb NaN a la variable objectiu df = df.dropna(subset=['target']) # Selecciona només les característiques numèriques features_numeric = df.iloc[:, 1:].copy() # Codificació de les columnes categòriques features_numeric_encoded = pd.get_dummies(features_numeric, columns=features_numeric.select_dtypes(include=['object']).columns) # Columna 'target' target = df.iloc[:, 0] # Divisió de les dades en entrenament i proves X_train, X_test, y_train, y_test = train_test_split(features_numeric_encoded, target, test_size=0.2, random_state=42) # Creació i entrenament del model (Xarxa Neuronal) model = MLPRegressor(hidden_layer_sizes=(13,8), learning_rate='constant', max_iter=1000, alpha=0.0001, random_state=42) model.fit(X_train, y_train) # Avaluació del model predictions = model.predict(X_test) Pàg. 70 Memòria mse = mean_squared_error(y_test, predictions) print(f'Mean Squared Error: {mse}') Figura 22. Codi Python utilitzat per aconseguir el MSE de les dades amb un model de XXNN. El codi comença carregant les dades de l’arxiu Excel amb la funció pd.read_excel i les emmagatzema en un DataFrame. A continuació, selecciona les característiques d'interès, creant un nou conjunt de dades que exclou la primera columna, la qual es considera la variable objectiu (o target). Com que els models d’intel·ligència artificial dels que disposa Python no admeten característiques que no siguin numèriques (i hi ha certes característiques com les condicions de càrrega que no són valors numèrics), es realitza una codificació One-Hot de totes les columnes categòriques, convertint les variables categòriques en una representació numèrica binària. Un cop es tenen totes les entrades, es divideixen les dades en conjunts d'entrenament i proves amb train_test_split, utilitzant el 80% per a l'entrenament i el 20% per a les proves. Finalment, es crea i s’entrena un model de Xarxa Neuronal amb dues capes ocultes, consistents en 13 neurones a la primera capa i 8 neurones a la segona capa, utilitzant les dades d'entrenament amb la funció MLPRegressor. Es pot ajustar la configuració de la xarxa neuronal, així com el nombre màxim d'iteracions (1000 en aquest cas), segons les necessitats específiques de les dades i del problema, però s’ha detectat que amb aquests paràmetres ja s’havia aconseguit convergència. Una vegada acabat tot el procés, el codi realitza prediccions sobre les dades de prova i utilitza l'Error Quadràtic Mitjà (mean_squared_error) per avaluar la precisió del model. La funció, en aquest cas, retorna: “Mean Squared Error: 117423177.09263211” El mateix s’ha fet, amb els seus codis respectius, per als Algoritmes Genètics, Random Forests i SVM. Cal aclarir que en l’últim d’aquests s’ha seleccionat com a tipus de Kernel (funció matemàtica necessària en els models SVM que s'utilitza per transformar les dades d'entrada en un espai de característiques de dimensió superior) el model radial o RFB, que és el que millor relaciona les característiques entre elles i el que minimitza el MSE. També és important comentar que en els algoritmes de tipus Random Forest s’han utilitzat 100 arbres o estimadors, ja que per aquest número el model ja havia convergit, i augmentar-lo no millorava el MSE. Les funcions han retornat el següent: Algoritmes Genètics: “Mean Squared Error: 38523601.51281088433” Random Forests: “Mean Squared Error: 25634.674109820848” Web Crippling i Optimització d’estructures amb IA Pàg. 71 SVM: “Mean Squared Error: 462267339.3806277” Es pot pensar, a primera vista, que l’error quadràtic és un número molt elevat per a tots ells, però, a diferència del que es pensa, acostuma a ser un valor semblant per als models simples d’intel·ligència artificial, i té tot el sentit del món si es té en compte que es conta amb milers de dades. Clarament, el model que millor s’adapta és el que integra l’algoritme de Random Forest. Tot i això, s’ha volgut estudiar quin valor retornaria el model si se li atorguen moltíssimes més dades de les que s’han introduït inicialment. Per això, tot mantenint la qualitat, s’ha passat del conjunt de 16000 mostres a un de més de 100000. L’augment del conjunt de dades inicials és un procés que s’acostuma a realitzar sempre durant el desenvolupament de l’algoritme. En aquest cas, s’ha tornat a utilitzar la calculadora d’Excel, i, a continuació, es creu convenient explicar el seu funcionament. 4.3.1. Funcionament de la generació de dades mitjançant Excel Per a generar dades a gran escala i poder entrenar el model de IA, s’ha creat una potent calculadora en un arxiu d'Excel amb 19 columnes indispensables. La primera d'aquestes columnes descriu la variable a estudiar, o variable “target”, i representa la resistència Rw,Rd que indica el valor a partir del qual la secció fallarà a causa del Web Crippling. Aquesta columna té una expressió complexa que es descriu a l’Eq.4 i que ve caracteritzada pels valors de totes les altres columnes. Les dues últimes columnes es configuren com a elements de control i validació. Representen r/t i h/t i actuen com a guàrdies de seguretat, monitoren els marges per a garantir que no s'excedeixin i verifiquen que es compleixen els supòsits per a aplicar l'equació. Aquest enfocament està dissenyat per a garantir la integritat del procés d’entrenament del model i identificar desviacions i inconsistències abans de començar a generar grans quantitats de dades. Finalment, de la columna 2 a la 18, es tenen les 16 columnes consecutives que descriuen els paràmetres importants que afecten la variable objectiu i representen les dimensions crítiques en les quals s'entrena el model de IA. Cada columna encapçala un factor determinant, incloses des de la geometria de les seccions fins a les propietats dels materials, creant així una àmplia varietat de situacions i escenaris possibles per assegurar una formació holística del model. El primer d’aquests paràmetres es troba a la columna 2, representa el coeficient K1i varia el seu valor en funció de les Condicions de Càrrega (columna 3) i la Categoria (columna 4). Degut a això, s’ha creat un codi que selecciona el valor corresponent de la Figura 23 en funció de quines condicions compleixen aquests dos paràmetres: Pàg. 72 Memòria Figura 23. Taula amb valors de K1que es determinen en funció de la Columna 3 i 4 del fitxer Tant la columna 3 (Condicions de Càrrega) com la columna 5 (Condicions de Suport) defineixen paràmetres categòrics, és a dir, no numèrics. A causa d'això, la seva crida ha estat simplement elegir quin tipus de condició cumplien, variant entre: “Sheeting with opposite loading”, “Sheeting near a clear end” i “Liner trays and hat sections” per la primera; i: “Single cold-formed steel member with a cross-section with one web”, “Single cold-formed steel member with a cross-section with one web subject to torsion” i “Other types of members” per la segona. Això s’ha fet amb un menú desplegable com el de la Figura 24: Figura 24. Menú desplegable amb valors possibles per a les columnes 3 i 5 del fitxer La columna 4, que indica la Categoria, depèn directament dels factors lend, lspac i h, ubicats a les columnes 14, 16, i 17, respectivament. En aquesta cel·la simplement s’ha afegit l’equació ‘=IF(AND(Col14<=1,5*Col17;Col16<=1,5*Col17);1;2)’ que indica que la cel·la retornarà 1 sempre que ambós lend ilspac siguin més petits que 1,5 vegades h. Retornarà 2 en cas contrari. Com s’observa, cap d’aquests paràmetres ha estat inclòs dins de cap rang de valors. Tampoc ho ha hagut d’estar la Longitud efectiva de l’àrea de suport lbl (columna 11) a la qual se li ha afegit una condició per a cumplir les especificacions marcades a la normativa (pàg.54 i pàg.55). En canvi, les altres columnes referents a paràmetres, de la 6 a la 17, sí que han hagut d’estar definides així: t(Columna 6): Valor aleatori entre 0,1 mm i 30 mm. E(Columna 7): Valor aleatori entre 100000 N/mm i 300000 N/mm. fyb (Columna 8):Valor aleatori entre 100 N/mm i 1500 N/mm. 𝛾M1 (Columna 9): Valor estable igual a 1. r(Columna 10): Valor aleatori entre 0,1 mm i 150 mm. Web Crippling i Optimització d’estructures amb IA Pàg. 73 (Columna 12): Valor aleatori entre 45º i 90º tal i com s’especifica a la normativa. ϕ(Columna 13): Valor aleatori entre 0,1 mm i 300 mm. 𝑡𝑠𝑢𝑝𝑝 lend (Columna 14): Valor aleatori entre 40 mm i 500 mm. lsb (Columna 15): Valor estable igual a 0 mm. lspac (Columna 16): Valor aleatori entre 0 mm i 500 mm. h(Columna 17): Valor aleatori entre 10 mm i 700 mm. És important remarcar que s’ha tingut en compte la condició necessària que assegura que , així com la condició afegida conforme . 𝑙𝑠𝑏+𝑙𝑒𝑛𝑑≥40𝑚𝑚 𝑙𝑠𝑏 = 0𝑚𝑚 Només queda definir les dues últimes variables, ubicades a les columnes 18 i 19. Com bé s’indica a la normativa, r/t ih/t han de tenir valors menors a 10 i 200*sin( ) ϕ respectivament. Aquestes són les condicions que se’ls hi ha afegit, tot cridant a les cel·les respectives, demanant que retornessin un OK en cas de cumplir l’especificació, i un NO en cas contrari. Una vegada tot això ha estat definit, només ha sigut necessari estirar les dades com s’observa a la Figura 25 per a que es creessin múltiples mostres per a entrenar el model. Seguint aquesta metodologia s’han creat un total de 200000 files, per, a continuació, estudiar les columnes de control r/t i h/t. La primera d’aquestes columnes ha indicat com a nul·les fins a 50000 dades, segurament degut a un valor exageradament gran de r, mentre que la segona ho ha fet amb 10000. Com que algunes de les mostres eren indicades com a nul·les per les dues variables a la vegada, la quantitat final de mostres a considerar ha estat de 142825. Una vegada les dades inconsistents han sigut eliminades, també s’han eliminat les dues columnes de control, ja que no aportaven cap tipus d’informació a l’algortime. A les dades resultants se'ls hi ha realitzat els mateixos processos de normalització i preparació explicats anteriorment, i s’han emmagatzemat a un fitxer amb nom DadesFinalsTFG.xlsx. Figura 25. Exemples de càlculs interactius a traves d’Excel per aconseguir valors de Rw,Rd Python Python Pàg. 80 Memòria l’equació Eq.4, es retornaria un valor truncat de 369139N. Avaluant amb les funcions creades corresponent als dos models d’intel·ligència artificial, en canvi, s’obtenen els següents resultats: predir_valor_rf('prova1.xlsx') Predicted Target with Random Forest: 374495.41764203575 Figura 30. Predicció de la resistència al Web Crippling utilitzant el model de RF predir_valor_xxnn('prova1.xlsx') Predicted Target with XXNN: 335523.6052593598 Figura 31. Predicció de la resistència al Web Crippling utilitzant el model de XXNN Aquests desajustos suggereixen algunes consideracions clau. En primer lloc, que malgrat la utilització d'algorismes sofisticats com Random Forest i Xarxes Neuronals, si la quantitat de dades no és suficient, aquests no podran funcionar amb precisió. De fet, l’error realitzat pel model de Random Forests no és ni molt menys elevat, és més, l’error relatiu és menor al 2%: 𝐸𝑅𝑅𝐹= 369139−374495 369139 ||||·100% = 1,44% Tot i això, en conceptes tan crítics com la fallada per vinclament, no es pot realitzar un error d’aquest tamany. Com ja s’havia avançat, el model de Xarxes Neuronals té associat un error bastant més elevat que l’altre model, degut a que necessita un major nombre de dades per a poder adquirir precisió i detectar patrons ocults, concretament un error relatiu d’un 9%. Les diferències en les seves prediccions també poden ressaltar la importància de seleccionar l'algoritme més adequat per a l'àmbit específic d'estudi, i per tant, la importància de la recerca bibliogràfica realitzada al principi d’aquest estudi. Si més no, aquest ha sigut el resultat d’una sola mostra, i l’interessant seria veure com actua el model davant un gran conjunt per poder extreure conclusions fomentades en una major quantitat de dades. Aquest procediment és el que realitza l’indicador MSE, el qual s’avaluarà després d’intentar buscar millores pel model i provar d’optimitzar-lo per a així aconseguir resultats més precisos. Python Web Crippling i Optimització d’estructures amb IA Pàg. 81 5.1. Validació i optimització del model Per millorar el rendiment de la funció s’han estudiat diferents alternatives. La primera que ha semblat evident ha sigut intentar optimitzar els hiperparàmetres del model. Els hiperparàmetres són aquells paràmetres que no s'aprenen durant l'entrenament d'un model, sinó que s'estableixen abans d’aquest procés i afecten directament al seu comportament. És a dir, s’intenten ajustar diversos paràmetres com ara el nombre d'estimadors (n_estimators) i la profunditat màxima (max_depth) en el cas dels Random Forests, o la longitud de les capes ocultes (hidden_layer_sizes) i el nombre màxim d’iteracions (max_iter) en el cas de les Xarxes Neuronals. Utilitzar tècniques com la validació creuada pot ajudar a trobar la combinació òptima d'hiperparàmetres que millora al màxim el rendiment del model. Amb aquest objectiu, s’han afegit noves línies de codi en els models i s’han tornat a entrenar novament: import pandas as pd from sklearn.model_selection import train_test_split, RandomizedSearchCV from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error # Carrega les dades excel_path = 'C:\TFG\DadesFinalsTFG.xlsx' df = pd.read_excel(excel_path) # Selecciona només les característiques numèriques features_numeric = df.iloc[:, 1:].copy() # Columna 'target' target = df.iloc[:, 0] # Divisió de les dades en entrenament i proves X_train, X_test, y_train, y_test = train_test_split(features_numeric_encoded, target, test_size=0.2, random_state=42) # Defineix el model de Random Forest model = RandomForestRegressor() # Defineix els hiperparàmetres que vols ajustar Pàg. 82 Memòria param_dist = {'n_estimators': [100,200,500], 'max_depth': [None,10,20, 30], 'min_samples_split': [2,5,10], 'min_samples_leaf': [1,2,4]} # Defineix la validació creuada amb RandomizedSearchCV random_search = RandomizedSearchCV(model, param_distributions=param_dist, n_iter=10, cv=5, scoring='neg_mean_squared_error', random_state=42) # Entrenament del model amb validació creuada random_search.fit(X_train, y_train) # Millors hiperparàmetres best_params = random_search.best_params_ print(f"Millors hiperparàmetres: {best_params}") # Avalua el model amb els millors hiperparàmetres best_model = random_search.best_estimator_ predictions = best_model.predict(X_test) mse = mean_squared_error(y_test, predictions) print(f'Mean Squared Error amb els millors hiperparàmetres: {mse}') Figura 32. Codi per optimitzar els hiperparàmetres del model RF És necessari explicar el codi de la Figura 32 per a poder seguir amb l’anàlisis. Inicialment es carrega tot el conjunt de dades i es defineix el model de Random Forest amb els paràmetres per defecte. A continuació, es defineixen en forma de diccionari els hiperparàmetres que es volen ajustar (en aquest cas, 'n_estimators', 'max_depth', 'min_samples_split', i 'min_samples_leaf') i es realitza la cerca aleatòria utilitzant RandomizedSearchCV. En aquest moment s'avaluen, a través d’una validació creuada, diferents combinacions d'hiperparàmetres per trobar els més òptims i els que més redueixen el MSE. Finalment, s’imprimeixen i es mostren els millors valors trobats i s'entrena el millor model amb aquests hiperparàmetres utilitzant les dades d'entrenament inicials. En aquest cas el codi retorna el següent text: “Millors hiperparàmetres: 'n_estimators': 500, 'min_samples_split': 2, 'min_samples_leaf': 1, Web Crippling i Optimització d’estructures amb IA Pàg. 83 'max_depth': 30, “Mean Squared Error amb els millors hiperparàmetres: 2942309694.1885033” El text retornat indica que el nombre d’estimadors o arbres escollit optimitza el model com més gran és, no obstant, aquest canvi també ha augmentat moltíssim el temps de càlcul, arribant casi als deu minuts per aconseguir completar l’entrenament. Les característiques afegides corresponents als altres tres paràmetres també milloren lleugerament la funció. Els “samples_split” indiquen el nombre mínim de mostres requerides per dividir un node intern, un valor baix pot conduir a models més complets però també a un risc més alt d'ajustament excessiu. Els “samples_leaf”, per la seva banda, representen el nombre mínim de mostres requerides per node terminal i controlen la complexitat del model. “Max_depth”, com bé indica el seu nom, és la profunditat màxima de cada arbre. Augmentar aquest valor pot conduir a un model més complex, però, de nou, amb risc d'ajustament excessiu. El model amb Xarxes Neuronals també s’ha avaluat amb un codi molt semblant, però variant les característiques dels seus hiperparàmetres. En aquest cas s’ha obtingut: “Millors hiperparàmetres: 'max_iter': 1000, 'learning_rate': 'constant', 'hidden_layer_sizes': (13, 8), 'alpha': 0.0001, Mean Squared Error amb els millors hiperparàmetres: 49505995082.687515” El text retornat també indica una lleugera millora en el SME resultant, si més no, un valor final molt més elevat que el del model entrenat per Random Forests. El nombre d’iteracions funciona de forma similar al nombre d’estimadors de l’altre model, retornant 1000 com a valor més òptim, si l'algoritme no convergeix abans d'assolir aquest nombre d'iteracions l'entrenament es detindria. La taxa d'aprenentatge o “learnint_rate” és un factor que multiplica els gradients calculats, 'constant' indica que aquesta taxa d'aprenentatge serà constant durant l'entrenament. El nombre de capes ocultes finals ha convergit a dos, amb 13 neurones en la primera, i 8 en la segona. Per últim, “alpha” és un terme de regularització que afavoreix models més simples durant l'entrenament. Ajuda a prevenir el sobreajustament del model a les dades d'entrenament, i un valor de 0.0001 indica una regularització lleugera. Tenint en compte aquests canvis i aquests resultats, es deixarà d’optimitzar el model que utilitza algoritmes referents a Xarxes Neuronals a causa de la diferència de valors Python Pàg. 84 Memòria entre Errors Quadràtic Mig. En quant al model de Random Forests, es realitza un canvi en una fila del seu model per a realitzar la optimització d’hiperparàmetres. Es canvia: RandomForestRegressor(n_estimators=200, random_state=42) per, RandomForestRegressor(n_estimators=500, min_samples_split=2, min_samples_leaf=1, max_depth= 30, random_state=42) 5.2. Interpretació del model Per interpretar el nou model és interessant cridar la funció amb els mateixos paràmetres que en l’exemple anterior, per veure fins a quin punt ha millorat el sistema així com la seva precisió. El model optimitzat retorna: predir_valor_rf_act('prova1.xlsx') Predicted Target with Random Forest: 373600.9369398742 Figura 33. Predicció de la resistència al Web Crippling utilitzant el model optimitzat de RF És evident que el valor s’apropa una mica més a l’esperat, i que, en conseqüència, l’error relatiu també haurà disminuït: 𝐸𝑅𝑅𝐹= 369139−373600 369139 ||||·100% = 1,21% Realitzant el mateix procediment per diferents mostres i obtenint els mateixos resultats s’obté la conclusió que, si el número d’estimadors del model Random Forest tendís a infinit, així com el nombre de dades del fitxer Excel que s’utilitza per entrenar-lo, el model acabaria predint el resultat amb un error mínim i una exactitud gairebé precisa. L’únic impediment per aconseguir això és la potència dels dispositius que es tenen a l’abast. Per entrenar el model de 500 estimadors amb 150000 dades, el dispositiu ha estat treballant durant 15 minuts i s’ha quedat a prop del fallo. Si es duplica el nombre de dades, o, es fa el mateix amb el nombre d’estimadors, el sistema que s’està utilitzant retornaria error. En cas contrari, es podria arribar a crear un model d’una optimització bastant elevada. Una última estratègia que es pot considerar abans de donar per finalitzat l'anàlisis és avaluar la importància de les diferents característiques que influeixen en la predicció de la variable “target”. Per fer-ho, s’utilitzen les funcions “feature_importances_” per Python Python Web Crippling i Optimització d’estructures amb IA Pàg. 85 entendre quines característiques tenen més pes a l’hora d’executar el model i realitzar les prediccions. Si cridem el següent codi: joblib.load('ModelRandomForest.joblib').feature_importances_ Obtenim la següent resposta: array([2.07230878e-01, 7.49065792e-05, 9.11503590e-05, 2.64291467e-05, 5.69679020e-05, 1.70312891e-04, 1.05300195e-03, 1.64150152e-04, 5.54750475e-01, 4.78847303e-02, 1.58214052e-01, 0.00000000e+00, 1.03282037e-02, 4.54095224e-03, 1.09939634e-02, 1.12408475e-03, 1.07730524e-03, 0.00000000e+00, 1.11850855e-03, 1.09992845e-03] Figura 34. Importància normalitzada de les característiques del model Cada nombre d’aquesta llista representa la importància de la característica específica que ocupa aquella posició en les prediccions del model optimitzat. Aquestes importàncies són valors normalitzats, de manera que la suma de totes les importàncies serà igual a 1. Si es transformen a valors expressats en percentatges, dividint cada un d’ells per la suma de totes les importàncies, els resultats poden ser més visuals. Aquest resultats s’indiquen a continuació, cadascun al costat del paràmetre que representen: Taula 8. Importància percentual de cada característica en les prediccions del model Variable % d’Importància K1 20,7231% Sheeting with opposite... 0,0075% Sheeting near a clear end 0,0091% Liner trays and hat sections 0,0026% Category 0,0057% Single cold-formed steel... 0,0170% Pàg. 86 Memòria Single cold-formed steel... 0,1053% Other types of members 0,0164% t 55,4750% E 4,7885% fyb 15,8214% Ym1 0,0000% r 1,0328% lbl 0,4541% Φ 1,0994% tsupp 0,1124% lend 0,1077% lsb 0,0000% lspac 0,1119% h 0,1100% És important avaluar aquests resultats en deteniment per a poder treure’n conclusions. En primer lloc, s’ha de destacar que aquells valors que s’han mantingut sempre constants (Ym1=1 i lsb=0) presenten una irrellevància total, i es podria arribar a pensar en eliminar-los del model. No es realitza aquest canvi ja que en un futur si que pot resultar important variar els seus valors. També és important centrar-se en el cas contrari. Existeixen tres paràmetres amb una importància molt superior a la resta, de fet, entre ells sumen el 90% de la rellevància de la predicció. El gruix del disseny t, el coeficient K1, i la resistència bàsica al límit elàstic fyb,contribueixen amb un 55%, 21%, i 16% a les prediccions del model, respectivament. Aquestes dades denoten la importància d’entrenar el model centrant la modifiació de valors en aquests paràmetres esmentats. Podent entrenar el model de forma més òptima amb una quantitat menor de dades i amb un temps menor d’execució. Web Crippling i Optimització d’estructures amb IA Pàg. 87 6. Planificació La planificació és una etapa fonamental de qualsevol projecte i constitueix la base per a una execució eficient i un èxit durador. En aquesta secció es descriu una estratègia sistemàtica en un Diagrama de Gantt per a així poder implementar el projecte, detallant les fases, les tasques principals i els terminis que es van marcar des d’un primer dia i que s’han complert amb bastanta exactitud. El pla no sols serveix com a guia operativa, sinó que també facilita la identificació dels recursos necessaris i la mitigació de possibles obstacles. Com és evident, dins d’aquesta planificació s’han tingut en compte els marges marcats per la universitat. Figura 35. Diagrama de Gantt corresponent a la planificació d’aquest projecte Pàg. 88 Memòria 7. Estudi econòmic La planificació econòmica és un component crític per a assegurar la viabilitat financera del projecte i la utilització eficient dels recursos disponibles. En aquesta secció, es fa una estimació del preu d'aquest projecte. El pressupost es divideix en dos plans: - Els costos del programari i de l’equip que representen l’amortització de costos dels dispositius personal (com ordinador, monitor, etc) i els de les llicències necessàries (important destacar el cos nul del programari Python). - Els costos honoraris (s’ha establert un preu de 15€/hora ja que és el sou d’un enginyer Junior) de les diferents tasques que s’han anat realitzant durant el projecte referents als costos d’enginyeria, d’investigació i desenvolupament (I+D). A la Taula 9 s’hi poden observar els diferents costos del projecte desglossats i el cost total del projecte un cop aplicat l’IVA corresponent. Taula 9. Pressupost total del projecte Descripció Quantitat Cost unitari [€] Cost total [€] Costos d’equip i programari Dispositius i despeses 1 300 300 Llicència Office 1 50 50 Costos honoraris Investigació bibliogràfica 90 15 1350 Investigació pràctica 80 15 1200 Elaboració de la memòria 70 15 1050 Total sense IVA 3950 IVA (21%) 829,5 Total amb IVA 4779,5 Web Crippling i Optimització d’estructures amb IA Pàg. 89 8. Estudi ambiental, social, i d’igualtat de gènere Avui en dia és molt important minimitzar l'efecte de l'acció de l'ésser humà sobre el medi ambient. La creació i implementació d'un model d’intel·ligència artificial pot arribar a tenir un impacte ambiental positiu si es té en compte les accions que s’evitaran en un futur, com desplaçaments innecessaris a oficines o reducció d’utilització de diferents materials per realitzar els càlculs. De totes maneres, el concepte que realment esdevé important és la determinació de la petjada de carboni generada en la realització del projecte tenint en compte les activitats realitzades. El treball realitzat és bàsicament d'oficina, per la qual cosa les emissions són causades pel consum d'energia requerit per a l'utilització dels recursos electrònics, entre els quals s’ha de considerar la computadora personal de l'autor de la tesi. Aquesta, com la majoria de les computadores estàndard en el mercat, té un consum d'energia de 65 W/h. Per tant, els dispositius utilitzats engloben una computadora que consumeix 65 W/h. Quant a les hores invertides en el projecte, aquestes ascendeixen fins a les 240h, per tant, el consum d'energia que introduirà el nostre projecte és de 15,6 kW: 𝐸𝑛𝑒𝑟𝑔𝑖𝑎 𝐶𝑜𝑛𝑠𝑢𝑚𝑖𝑑𝑎 = 65𝑊/ℎ · 240ℎ · 1𝐾𝑊 1000𝑊 = 15,6 𝑘𝑊 Per a poder conèixer l'impacte de la petjada de carboni obtinguda, és necessari basar-se en l'estudi de Gencat.cat que aproxima l'emissió de 0,259 Kg de CO2per cada kW consumit. D’aquest manera, un total de 4 Kg de CO2han estat emesos a l'atmosfera durant el desenvolupament d'aquesta tesi. 𝑃𝑒𝑡𝑗𝑎𝑑𝑎 𝑑𝑒 𝐶𝑎𝑟𝑏𝑜𝑛𝑖 𝑑𝑒𝑙 𝑝𝑟𝑜𝑗𝑒𝑐𝑡𝑒 = 15,6𝑘𝑊 · 0,259 𝑘𝑔 𝐶𝑂2 1𝑘𝑊 = 4, 04 𝑘𝑔 𝑑𝑒 𝐶𝑂2 L'impacte generat cap al medi ambient mai és favorable quan s'emet CO₂, no obstant això, com es pot veure, en aquest cas no és de gran impacte. La realització de qualsevol tipus de projecte personal o laboral implica una cerca d'informació i anàlisi de dades, per la qual cosa es requereix treballar amb equips electrònics. Per tant, encara que qualsevol projecte podria tenir conseqüències ambientals desfavorables en termes dels recursos utilitzats, es conclou que les conseqüències derivats d’aquest són mínimes. Per altra banda, un objectiu fonamental en la construcció d'una societat justa i equitativa ha de ser que els nous projectes i les noves creacions impliquin la paritat en oportunitats i recursos, eliminant qualsevol tipus de discriminació als diferents col·lectius. La igualtat social i de gènere és un factor que s’ha de tenir en ment en qualsevol context, tot i que no tingui una relació directe amb el treball realitzat. Es considera que l’estudi i l’algoritme generat és útil i informatiu per al conjunt de la societat, i que no discrimina o dóna preferència a cap col·lectiu específic o a persones Pàg. 96 Memòria [35] Yancheng Cai, Ben Young. 2019, Web crippling of lean duplex stainless steel tubular sections under concentrated end bearing loads. [Online: https://www.sciencedirect.com/science/article/pii/S0263823118306360?ref=pdf_d ownload&fr=RR-2&rr=849925a02e7b6671]