V14N1

11-22
23-35
Fuzzy Controller for

Automatic Steering in Heavy
Vehicle Semi-Trailers
Mtodo del elemento finito

estocstico en geotecnia.
Enfoque espectral
Bortoni-Anzures L.
Gmez-Melndez D.
Herrera-Ruz G.
Martnez-Madrid M.
Pineda-Contreras A.R.
Auvinet-Guichard G.
Optimizacin de forma de un
cuerpo suspendido basada en
reglas evolutivas y modelado
paramtrico: la forma de un
fruto
PP. 1- 138
Velzquez-Villegas F.
Santilln- Gutirrez S.D.
37-42
43-51
53-63
Reaching High Interactive

Levels with Situated Agents
Minimizacin del makespan

en mquinas paralelas
idnticas con tiempos de
preparacin dependientes de
la secuencia utilizando un
algoritmo gentico
Estudio de validacin de un
mtodo para seleccionar
tcnicas de pronstico de
series de tiempo mediante
redes neuronales artificiales
Acosta-Cervantes M.C.
Villarreal-Marroqun M.G.
Cabrera-Ros M.
89-98
Investigacin numrica de las
condiciones de lubricacin en
chumaceras hidrodinmicas
con el efecto del
desalineamiento del eje
Velasco-Ramrez E.
ngeles-Camacho C.
Garca-Martnez M.
Osornio-Correa C.
Villarreal-Calva R.C.
Molina-Cristbal A.
Estavillo-Galsworthy J.
Santilln-Gutirrez S.D.
Antonio Garca A.
Linares-Flores J.
Arias-Montiel M.
99-111
113-123
125-138
Aproximacin de perfiles
discretos en elementos de
contacto de ensambles
mecnicos
Contraste de la distribucin
Logstica Generalizada en 31
registros histricos de eventos
mximos anuales
Modelado de filtros IIR

usando un algoritmo
inspirado en el
electromagnetismo
Bedolla-Hernndez J.
Szwedowicz-Wasik D.
Cortes-Garca C.
Majewski-Szymiec T.
Martnez-Rayn E.
Gutirrez-Wing E.S.
Campos-Aranda D.F.
Cuevas E.
Oliva D.
www.ingenieria.unam.mx/~revistafi
H, Z
X
x
e0
Z
Z
Ingeniera, Investigacin y Tecnologa
81-88
Redes de transmisin
inteligente. Beneficios y
riesgos
Universidad Nacional Autnoma de Mxico w Facultad de Ingeniera w Mxico 2013
65-80
Optimization of Power Train
and Control Strategy of a
Hybrid Electric Vehicle for
Maximum Energy Economy
Investigacin y Tecnologa
Vol. XIV
Salazar-Hornig E.
Medina-S. J.C.
Ingeniera
Nm. 1
Ibarra-Martnez S.
Castn-Rocha J.A.
Laria-Menchaca J.
Guzmn-Obando J.
Castn-Rocha E.
enero - marzo 2013
1-9
ISSN 1405-7743
Vol. XIV Nm. 1, enero - marzo 2013
Universidad Nacional Autnoma de Mxico

Dr. Jos Narro Robles
Rector
Dr. Eduardo Brzana Garca

Secretario General
Lic. Enrique del Val Blanco
Dr. Francisco Jos Trigo Tavera
M.C. Miguel Robles Brcena
Lic. Luis Ral Gonzlez Prez
Secretario Administrativo
Secretario de Desarrollo Institucional
Secretario de Servicios a la Comunidad Universitaria
Abogado General
Mtro. Jos Gonzalo Guerrero Zepeda

Director de la Facultad de Ingeniera, UNAM
Comit Editorial
lvaro Aldama Rodrguez
Dante Jaime Morn Zenteno
Consultor
Instituto de Geologa, UNAM
Ricardo Chicurel Uziel
Felipe Ochoa Rosso
Instituto de Ingeniera, UNAM
Felipe Ochoa y Asociados Consultores
Guillermo Cisneros Prez
Octavio Rascn Chvez
Universidad Politcnica de Madrid
Consultor
Jos Luis Fernndez Zayas
Hugh Rudnick
Instituto de Ingeniera, UNAM
Pontificia Universidad Catlica de Chile
Dante Fratta
Jorge Humberto Sierra Carmona
School Civil Environmental Engineering,

Louisiana State University
Facultad de Ingeniera,
Universidad de Antioquia Colombia
Roberto Meli Piralla
Carlos L.V. Aiken
Investigador Emrito, UNAM
University of Texas at Dallas
Federico Mndez Lavielle
Jaime Urrutia Fucugauchi
Sanjit K. Mitra
Jacinto Viqueira Landa
Facultad de Ingeniera, UNAM
Instituto de Geofsica, UNAM
Electrical and Computer Engineering,

University of California Sta. Barbara
Profesor Emrito, UNAM
Revista Ingeniera Investigacin y Tecnologa

Marcia Aida Gonzlez Osuna
Directora Tcnica y Editora
Eva Myriam Soroa Zaragoza

Coordinacin Editorial
Cuitlhuac Ernesto Snchez Basilio
Israel Laguna Martnez
Coordinacin de Arbitraje
Servicio social en Ingeniera Elctrica-Electrnica
Yuritzi Rene Olvera Rangel
Coordinacin de Diseo y Edicin
Paulina Rodrguez Caiceros
Servicio social en Diseo y Comunicacin Visual
Contenido

1-9 Fuzzy Controller for Automatic Steering in Heavy Vehicle Semi-Trailers

Controlador difuso para conduccin automtica de vehculos pesados tipo semi-trailer
Bortoni-Anzures L., Gmez-Melndez D., Herrera-Ruz G. and Martnez-Madrid M.
11-22 Mtodo del elemento finito estocstico en geotecnia. Enfoque espectral

Stochastic Finite Element Method in Geotechnical Engineering. Spectral Approach
Pineda-Contreras A.R. y Auvinet-Guichard G.
23-35 Optimizacin de forma de un cuerpo suspendido basada en reglas evolutivas y

modelado paramtrico: la forma de un fruto
Shape Optimization of a Hanging Body Based on Evolutive Rules and Parametric Modeling:
The Shape of a Fruit
Velzquez-Villegas F. y Santilln-Gutirrez S.D.
37-42 Reaching High Interactive Levels with Situated Agents

Alcanzando altos niveles de interaccin con agentes situados
Ibarra-Martnez S., Castn-Rocha J.A., Laria-Menchaca J., Guzmn-Obando J. y
Castn-Rocha E.
43-51 Minimizacin del makespan en mquinas paralelas idnticas con tiempos de

preparacin dependientes de la secuencia utilizando un algoritmo gentico
Makespan Minimization for The Identical Machine Parallel Shop with Sequence Dependent
Setup Times Using a Genetic Algorithm
Salazar-Hornig E. y Medina-S.J.C.
53-63 Estudio de validacin de un mtodo para seleccionar tcnicas de pronstico de series

de tiempo mediante redes neuronales artificiales
Validation Study on Artificial Neural Network-Based Selection of Time Series Forecasting
Techniques
Acosta-Cervantes M.C., Villarreal-Marroqun M.G. y Cabrera-Ros M.
65-80 Optimization of Power Train and Control Strategy of a Hybrid Electric Vehicle for
Optimizacin del tren de potencia y la estrategia de control de un vehculo elctrico hbrido
para mxima economa de energa
Osornio-Correa C., Villarreal-Calva R.C., Molina-Cristbal A., Estavillo-Galsworthy J.
and Santilln-Gutirrez S.D.
81-88 Redes de transmisin inteligente. Beneficios y riesgos

Smart Transmission Grids - Benefits and Risks
Velasco-Ramrez E., ngeles-Camacho C. y Garca-Martnez M.
89-98 Investigacin numrica de las condiciones de lubricacin en chumaceras

hidrodinmicas con el efecto del desalineamiento del eje
Numerical Investigations of the Lubrication Conditions in Hydrodynamic Bearings with
Shaft Misalignment Effect
Antonio-Garca A., Linares-Flores J. y Arias-Montiel M.
99-111 Aproximacin de perfiles discretos en elementos de contacto de ensambles

mecnicos
Discrete Profile Approximation in Contact Elements of Mechanical Assemblies
Bedolla-Hernndez J., Szwedowicz-Wasik D., Corts-Garca C., Majewski-Szymiec T.,
Martnez-Rayn E. y Gutirrez-Wing E.S.
113-123 Contraste de la distribucin Logstica Generalizada en 31 registros histricos de

eventos mximos anuales
Contrast of Generalized Logistic Distribution in 31 Historical Records of Annual Extreme
Events
Campos-Aranda D.F.
125-138 Modelado de filtros IIR usando un algoritmo inspirado en el electromagnetismo

IIR Filter Modeling Using an Algorithm Inspired on Electromagnetism
Cuevas-Jimnez E., Oliva-Navarro D.A.
Portada/Cover
Off-tracking and swept path width during a stationary
turn
Vista en 3D de una chumacera desalineada
Transient turn with fixed semi-trailer axle
Vista frontal de una chumacera desalineada
Ingeniera. Investigacin y Tecnologa es una publicacin trimestral de la Facultad de Ingeniera de la

Universidad Nacional Autnoma de Mxico.
Ingeniera. Investigacin y Tecnologa is a magazine published quarterly by the Facultad de Ingeniera,
UNAM.
Publicacin indizada en Peridica, Latindex, ndice de Revistas Mexicanas de Investigacin Cientfica y
Tecnolgica del CONACYT, ndice de Revistas del CREDI, ndice Internacional de Revistas Actualidad
Iberoamericana de Chile, as como en los ndices Electrnicos: E-Journal, RedALyC, SciELO Mxico,
Directory of Open Access Journals DOAJ e ndice e-Revistas.
Certificado de Reserva al Uso Exclusivo del Ttulo No. 04-1998-060218085600-102, expedido por el
Instituto Nacional del Derecho de Autor el 2 de junio de 1998.
Certificado de Licitud de Ttulo No. 10273 y de Contenido No. 7202, expedidos por la Comisin
Calificadora de Publicaciones y Revistas Ilustradas el 7 de enero de 1998.
Registro Postal para Publicaciones Peridicas emitido por SEPOMEX: PP09-0786.
Distribucin: Direccin General de Publicaciones y Fomento Editorial, UNAM. Avenida del Imn No. 5,
Ciudad Universitaria, Coyoacn 04510, Mxico, D.F. Tel. y fax (0155) 56 22 65 82.
Oficinas: Revista Ingeniera. Investigacin y Tecnologa: Edificio Principal de la Facultad de Ingeniera,
UNAM. Biblioteca Antonio Doval J. Circuito Interior, Ciudad Universitaria, CP. 04510, Delegacin
Coyoacn, Mxico DF o Apartado Postal 70-440, Administracin de Correos Ciudad Universitaria. Tel.
5622 0876, Fax. 5616 1899. Lada Nacional (0155), Lada Internacional (5255).
Sitio Web: www.ingenieria.unam.mx/~revistafi
E-mail: iit.revista@gmail.com
ISSN 1405-7743
Derechos Reservados (All rights reserved).
Universidad Nacional Autnoma de Mxico, 2013.
Los artculos firmados son responsabilidad de los autores.
Nmero suelto en Mxico: $40 pesos; en otros pases, $6.50 USD.
Single issue in Mexico: $40 pesos; other countries, $6.50 USD.
Suscripcin anual (cuatro nmeros) en Mxico: $120 pesos; en otros pases, $20 USD.
Annual subscription rate (four issues) in Mexico: $120 pesos; other countries, $20 USD.
50% de descuento a estudiantes que presenten su credencial UNAM.
Vol. XVI - Nm.1 - enero - marzo 2013
Ingeniera Investigacin y Tecnologa, volumen XIV (nmero1), enero-marzo 2013: 1-9

ISSN 1405-7743 FI-UNAM
(artculo arbitrado)
Fuzzy Controller for Automatic Steering in

Heavy Vehicle Semi-Trailers
Controlador difuso para conduccin automtica de
vehculos pesados tipo semi-trailer
Bortoni-Anzures L.
Herrera-Ruz G.
Universidad Autnoma de Quertaro

Facultad de Ingeniera
E-mail: bortoni@nzures.com

E-mail: gherrera@uaq.mx
Gmez-Melndez D.
Martnez-Madrid M.

E-mail: domag5@hotmail.com
Instituto Mexicano del Transporte

Tamaulipas, Mxico
E-mail: Martinez@imt.mx
Information on the article: received: November 2007, reevaluated: April 2008, accepted: February 2012
Abstract
Trucks with semi-trailers are widely used for transportation of goods due
their low operation cost, but inherent to these vehicles are some problems
such as a poor maneuverability. To minimize the effects of this disadvantage, among other solutions, the incorporation of steerable axles in the semitrailers has been proposed. This paper presents a steering equation, and a
fuzzy-logic controller for a semi-trailer automatic forced-steering system to
minimize the off-tracking and the total swept path width, resulting in an
improvement of vehicles maneuverability at low speeds. To accomplish
this, the suggested control algorithm considers the articulation angle and
parameters such as vehicle speed and direction. The system was tested on an
instrumented experimental semi-trailer during various predetermined test
maneuvers.
Keywords:

Semi-trailer
automatic steering
fuzzy control
maneuverability
Fuzzy Controller for Automatic Steering in Heavy Vehicle Semi-Trailers
Resumen
Los vehculos tractor-semirremolque se usan ampliamente para el transporte de mercancas debido su bajo costo de operacin, pero hay algunos problemas inherentes a
estos vehculos, como una pobre maniobrabilidad. Para minimizar los efectos de esta
desventaja, entre otras soluciones, se ha propuesto la incorporacin de ejes direccionales en los semirremolques. En este trabajo se presenta una ecuacin de direccin y
un control mediante lgica difusa para un sistema automtico de direccin forzada
para semirremolque para minimizar el despiste y el ancho de va, mejorando la maniobrabilidad del vehculo a velocidades bajas. El algoritmo de control sugerido considera el ngulo de la articulacin y parmetros como velocidad del vehculo y su
direccin. El sistema se prob en un semirremolque experimental instrumentado
durante varias maniobras experimentales predeterminadas.
Introduction
Articulated vehicles have proven their economic profitability, but as the number of these vehicles grows, it
becomes evident that there is a substantial need to improve their handling control performance.
Different approaches have been taken into consideration; one important and promising is related to trajectory matching and lateral control of these heavy
vehicles. In this line of work the objective is, in general,
to make the articulated vehicles able to follow a secure
and efficient path (Bolzern and Locatelli, 2001; El-Gindy, 1978; Hingwe et al., 2000; Sampei et al., 1995 and
Tsao et al., 2006), are a few of researchers who specialize
in trajectory matching.
The biggest project in this area is the California Partners for Advanced Transit and Highways (California
Paths) (Hingwe et al., 2000) where numerous groups of
government, public and private institutions are involved in the development of automated highway systems
(AHS).
A different approach is to propose design modifications or the implementation of mechanical components
that improve overall vehicular maneuverability performance. Steerable axles on semi-trailers are an option to,
not only improve maneuverability, but also reduce risk
of accidents and decrease fuel consumption and tire
wear. Further, it may also minimize hazards and damage to roadway infrastructures. Several mechanical configurations have been tested via computer simulation
(Sankar et al., 1991), yet few of them are already used as
prototypes or are in early commercial stages.
Those mechanisms represent significant benefits for
vehicles, but they still need to be improved since some
stability problems have been raised. Inside the group of
steering axles of a semitrailer, the command-steer system is the most efficient option (Jujnovich and Cebon,
2002).
Descriptores:
semirremolque
direccin automtica
control difuso
maniobrabilidad
In 2000 an Australian company, Gayat Pty. Ltd.

(Prem and Ramsay, 2001) and in 2005 the Cambridge
Vehicle Dynamics Consortium (Cambridge University)
(Neads, 2006) presented full scale prototypes of semitrailers with command steer axles systems, each of
them is part of the evolution of this technology.
Moreover, results from the tests carried out for this
paper present work on an actual experimental semitrailer. These results also show a control equation with a
proposed method of employment for a system of control based on fuzzy-logic that could further advance in
command steering technology.
Materials and methods

An experimental semi-trailer was made in order to obtain a better understanding of the articulated vehicles
maneuverability performance and the most significant
characteristics affecting it.
Figure 1. Experimental vehicle
Ingeniera Investigacin y Tecnologa, volumen XIV (nmero1), enero-marzo 2013: 1-9 ISSN 1405-7743 FI-UNAM
Pulled by a pickup truck, this semi-trailer which is

shown in Figure 1 incorporates several configurable
characteristics such as the location on the fifth wheel
(G) in front, on top or in the back from the traction axle.
The length of the semi-trailer (H) and an axle in the semi-trailer that is configurable as fixed or steerable,
allowing the testing of different control schemes.
Instrumentation
To track the geometric behavior of the vehicle, a GPS
receiver was installed on top of the fifth wheel, and angular transducers in the steering wheels of the truck, in
the hitch and in the steering wheels of the semi-trailer.
This procedure is clearly explained in (Bortoni et al.,
2007).
Also accurate yaw rate sensors and lateral accelerometers were placed in the chassis of the truck and the
semi-trailer. Finally a mini camera was installed in the
front of the truck pointed toward the ground to guide
the driver during specific maneuvers (Figure 2).
The signals were monitored by two portable computers. The sample rate was established in 50 samples
per second per channel. This sampling frequency was
considered high enough to have a detailed time history
of the measurements.
Handling performance
Handling performance is the result of a vehicles steering inputs determined by the vehicle weights, dimensions, and mechanical properties of the tires, suspension,
vehicle frames, and weight distribution among the
axles (Sampson, 2000).
Consequently, a number of performance measures
can be compiled to assess the maneuverability performance of the vehicles, particularly with regard to articulated trucks. This study considers the performance
measures related to geometrical requirements, as:
Off-tracking
Whenever a vehicle with more than one axle turns, rear
wheels fail to follow the path of front wheels precisely.
Off tracking measures the maximum distance between
the paths of the steering axle and the axle of the most
rearward wheels (Battelle Team, 1995).
Swept path width

Jujnovich and Cebon (2002) describe the swept path
width as the maximum width of the swept trajectory
in a small radius turn. Figure 3 shows both, the off-trac-
Figure 2. Video camera and video camera

view at marks at the front of the truck
Figure 3. Off-tracking and swept path

width during a stationary turn
king and swept path width measurements during circular constant radius turns, also called stationary turns.
Test maneuvers
For testing, three different maneuvers were considered:
two related to a predetermined defined following path
and one slalom type. The first two consisted of a stationary turn and a 90 transient turn, performed at a very
low velocity.
Circular and transient curve paths were traced on
the pavement surfaces which were to be followed by
the truck to facilitate the path following an 8, 9.5 and
11.25 m. radius, the stationary turn like the illustration
in Figure 3 and transient turn in Figures 4 and 5.
Figure 4 shows the typical maneuverability performance of an articulated vehicle. f stands for the angle of
the front axle, the steering axle on the truck, and a for
the articulation angle.
In the case when the 9.5 m maneuver was made, the
results observed demonstrated that the angle of the articulation reached 40 which means an off-tracking of
2.95 m and a swept path width of 4.6 m.
When the semi-trailer axle is set to command steer
as seen in Figure 5, it was found that the maneuver
results in a maximum articulation angle of barely

22, which is an improvement of approximately 50%,
therefore resulting in a negative off-tracking and a
swept path width that equals that of the width of the
vehicle.
The line r represents the angle of the semi-trailer
axle, and as Figure 5 shows, the driver in the semi-trailer performs a momentary opposite turn to get better
alignment with the truck. When it leaves the transient
part of the maneuver, in this case a 20 turn, the semitrailer axle was applied.
Besides the different radius, these maneuvers were
performed from the left and from the right, under different vehicular configurations as the longitude of the
semi-trailer and the fifth wheel location.
The slalom type maneuver consists of a series of directional changes around vial cones that were placed 10
meters apart on a street that was 7 m wide while maintaining a constant speed of 8 km/h. Figure 1 shows the
vehicle during the slalom maneuver.
In these maneuvers there is not a defined trajectory,
so the driver relies on his perception and expertise to
deal with the obstacles. In this case the way to evaluate
the maneuver is directly related to the lateral speed of
the truck in contrast with the one on the semi-trailer.
10
0
35
55
75
[]
-10
-20
-30
f
a
r=0
-40
Figure 4. Transient turn with fixed semitrailer axle
t [s]
10
[]
0
-10
25
45
65
f
a
r
-20
-30
-40
t [s]
Figure 5. Transient turn with command

steering semi-trailer axle
Test results using an experimental vehicle confirm

this, but it also extends the scope of testing beyond
most simulation results and illustrates some aspects of
the drivers perception on the experimental assessments which in turn affects the maneuver performance.
Control equation
30
0,15
30
0,15
20
0,10
20
0,10
10
0,05
10
0,05
0,00
10
20
30
40
50
-10
[/s]
-0,05
r
f
ay
-20
r=0
-30
-0,10
20
30
40
50
-0,05
r
f
ay
-20
-0,15
0,00
10
-10
-30
t [s]
a)
ay [g's]
During previous tests on full scale vehicles (Figure 7)

and from the Ackerman equations, the angle in the semi-trailer axle that would minimize the off-tracking for
each radios turn were geometrically calculated This defines the general behavior required for the specific semi-trailer dimensional configuration.
The same dimensional characteristics were considered in the construction of the experimental semi-trailer,
in order to fine tune the control equation and to later
experiment with the width the parameters in the algorithm of control.
After this, by combining the dimensional characteristics of the semi-trailer with the Ackerman equations,
an evaluation computer program was set up to track
the off-tracking results during the test maneuvers pe-
ay [g's]
[/s]
In Figure 6A, the lateral speed of the truck is almost

twice that of the semi-trailer. This means that the truck
is under high demand for the vehicle to avoid obstacles.
On the other hand, in Figure 6B when the command
steering was activated the speed of the truck and the
semi-trailer, is almost the same, requiring less lateral
space.
The difference in magnitude in the left verses the
right turn corresponds to the perception of the driver.
Note: It is easier to follow the obstacle and the edge on
the drivers side. Also, in the pictures can be noticed de
difference in road space demand, with the fixed axle
semi-trailer, the vehicle use the full wide of the road,
and even then it fails to deal with all of the obstacles.
While the command steer semi-trailer succeed all obstacles occupying less space.
There is a significant amount of literature regarding
studies comparing the behavior between fixed axles
and steering command ones using simulation models.
In most cases it was concluded that by incorporating
steering axles important benefits can be obtained such
as improving handling capabilities of the vehicle and
reduction of tire friction demand (Jujnovich and Cebon, 2002; Billing and Patten, 2003).
-0,10
-0,15
t [s]
b)
Figure 6. Shows yaw rates and semi-trailers axle lateral acceleration history, a) is the fixed semi-trailer axle, while b) is the steerable
semi-trailers axle
riod and by using interpolation regression techniques,

a control equation was defined (Eq. 1 and 2, Figure 8).
Figure 8 shows the final curve of response in the
command steering axle of the semi-trailer in relation to
the articulation angle. The resulting equation of control
was defined as:
J = spacing between trailer axles
X = exp(1.370004G + 0.099728H + 0.833331J 1.102983)

(1)
where
where
G = 5th wheel to rear tractor axle distance

H = 5th wheel pin to last trailer axle distance
Factor X in equation 1 refers to the dimensional specification of the semi-trailer G, H, L and Y are all illustrated
in Figure 1. In equation 2, L is the articulation on the
fifth wheel measured in degrees and Y corresponds to
the angle required by the steering axle of the semi-trailer to minimize off-tracking.
Note: G, H and L are illustrated in figure 1.

Y = 3.36E-07LX5 + 9.3698E-06LX4 + 1.4672E-03LX3 7.2697E-02
LX2 + 1.5551LX 1.9183
(2)
L = articulation angle
Fuzzy-logic control
Figure 7. Test vehicles used in the definition of the control

equation
Figure 8. Articulation angle vs. steering angle on semi-trailer axle

to minimize off-tracking (values in degrees)
As well as prior prototypes developed in Australia and

England, endow of steering control in the semi-trailer
improves maneuverability, but also increases the risk of
vehicular instability.
During the testing, there was some experimentation
with certain parameters that could minimize potential
stability loss, for example, consider vehicles speed.
These defined behaviors would apply during maneuvers at lower vehicular speeds and, as speed is increased, the systems angle of the steering axle of the
semi-trailer should decrease proportionally, to the
point were the system will be set to null response at
speeds higher than 60 Km/h (Figure 9).
Also the vehicles speed has an impact on the response speed of the system which means that at very
low vehicular speeds, the system will promptly execute
angular adjustments, but as vehicle speed increases,
these adjustments to the steering wheels will be performed more slowly.
Figure 9. Response in the system based in vehicular velocity
Another parameter to be considered is the marginal

angular changes. This consists of a time delay in the response of the system to changes in the articulation angle
in order to prevent undesired oscillations that could occur during fast angle variations for example when the
vehicle encounters a road or speed bump. If the angle
variation doesnt remain for at least two seconds, the
system should ignore it.
Finally, all this considerations will be affected by the
weight carried in the semitrailer, due this and the multivariable and non-linear nature of the system, an intelligent control technique was required, taking into consideration fuzzy logic which is part of artificial intelligence techniques and is an attractive and well-established approach to solving control problems (Lee, 1990).
Fuzzy logic provides a methodology to represent,
manipulate and implement expert heuristic knowledge
for controlling a system. Also, with a fuzzy controller,
robustness and low cost are inherent to each development (Passino, 1998).
The set of fuzzy rules to develop the control system
for each variable was obtained and fine tuned during
the test rides of the experimental semi-trailer.
Figure 10 shows the example of two membership
groups: a) articulation angle, with six linguistic varia-
bles to represent all the angle values: Zero, 4 to 20, 20 to

50, 50 to 74, 74 to 82 and 82 to 90; as an example 4 to 20
means that the value is between 4 and 20 degrees, considering zero degrees when the tractor and the semitrailer are aligned or in angles between 0 and 4, and b)
vehicular speed, with four linguistic variables: low,
middle, middle-high, and high, both articulation angle
and vehicular speed will be used to feed the fuzzy angle estimator in order to calculate the angle of the steering axles.
This calculated angle is then compared with the current steering wheels angle to determine the corrections
that should be applied to the steering mechanism (block
diagram illustrated in Figure 11).
The corrections made by the fuzzy mechanical control are then compared cyclically retro-feeding the system to avoid over-steer. Figure 12 shows the membership functions group belonging to the error variable
of the fuzzy control module, with low, ok and
high as linguistic variables, to deal with the vehicular
specific characteristics, such as: deformations caused
by the lateral forces, deformations caused by the longitudinal forces, deformations caused by the auto-alignment forces, semi-trailer length, rigidity of the steering
mechanism and drift rigidity of the tires.
Articulation angle domain
Vehicular speed domain
Figure 10. Membership functions:

a) articulation angle and b) vehicle speed
Fuzzy control represents a useful tool in dealing

with non-linear systems. The controller approach presented in this paper is an alternative to solve some of
the problems related to command steering in semi-trailers without detriment to the improved maneuverability provided from this type of systems.
The growing demand in freight transportation systems will soon require more efficient vehicles that are
more secure and intelligent, as well as environmentally
friendly. IE: Will not cause damage to the road infrastructures. In the years to come these varied demands
will lead to the implementation of new technologies
and designs.
Acknowledgments
Figure 11. Fuzzy-controller block diagram
This research was sponsored by Consejo Nacional de

Ciencia, Tecnologa, Universidad Autnoma de Quertaro and Instituto Mexicano del Transporte.
References
Figure 12. Error membership function
Conclusion
Heavy articulated vehicles are used world-wide, as one
of the most feasible solutions for freight. Due to the
length dimensions and weight they encounter poor maneuverability.
The handling of this kind of such vehicles can be
greatly improved by using steering axles in the semitrailer to reduce the required road surface necessary to
perform a turn maneuver placing less demand on lateral tire efforts and consequently decreasing the risk of
loosing vehicular directional control, not to mention
the reduction of tire wear and scrub. Likewise, by reducing lateral tire friction, the damage to road infrastructures will be minimized.
Battelle Team. Comprehensive Truck Size and Weight Study, Federal

Highway Administration, US Department of Transportation,
1995.
Billing J. and Patten J. Performance of Infrastructure-Friendly Vehicles, Center for Surface Transportation Technology, National Research Council of Canada, Technical Report CSTTHVC-TR-058. Canad, 2003.
Bolzern P. and Locatelli A. A Comparative Study of Different Solutions to the Path-tracking Problem of an Articulated Vehicle,
Politecnico di Milano, on: IEEE International Conference on
Control Applications, UK, 2002.
Bortoni L., Martnez M., Herrera G., Castaeda R. On-Board Instrumentation to Assess Articulated Vehicle Maneuverability, included in Commercial Vehicle Advancements in Braking,
Steering Systems and Vehicle Stability Control Affects, USA,
2007.
El-Gindy. A Comparison of Various Computer Simulation Models for
Predicting the Directional Responses of Articulated Vehicles, Vehicle System Dynamics, Canada 1987, pp. 249-268.
Hingwe P., Wang J., Tai M., Tomizuka M. Lateral Control of Heavy
Duty Vehicles for Automated Highway System: Experimental Study
on a Tractor Semi-Trailer, University of California, Berkeley,
2000.
Jujnovich B. and Cebon D. Comparative Performance of SemiTrailer Steering Systems, on: 7th International Symposium on
Heavy Vehicle Weights and Dimensions, University of Cambridge, UK [on line], 2002. Available: www.cvdc.org
Lee C.C. Fuzzy Logic in Control Systems: Fuzzy Logic Controller,
parts I and II. Transactions on Systems, Man, and Cybernetics,
volume 20, 1990: 404-432.
Neads S. Path Following in Articulated Vehicle, Antony Best Dynamics, UK, 2006.
Passino M. Fuzzy Control. Department of Electrical Engineering,
Addison-Wesley, Longman Inc, California, USA, 1998.
Prem H. and Ramsay E. Performance Evaluation of the Trackaxle SelfSteering System, RTDynamics, Australia, 2001.
Sampei M., Tamura T., Kobayashi T., Shibui N. Arbitrary Path
Tracking Control of Articulte Vehicules Using Nonlinear Control Theory. IEEE Transactions on Control Systems Technology,
volume 3 (issue 1), 1995.
Sampson D. Active Roll Control of Articulated Heavy Vehicles, Churchill College, University of Cambridge, UK, 2000.
Sankar S., Rakheja S., Piche A. Directional Dynamics of a TractorSemitrailer with Self- and Forced-Steering Axles, Concave Research Centre, Concordia University, Canada, 1991.
Tsao J., Dessouky Y., Rangavajhula K., Zeta J., Zhou L. Automatic
Steering For Conventional Truck Trailers, San Jose State University, California PATH Research Report, USA, 2006.
Citation for this article:

Chicago citation style
Bortoni-Anzures, Liborio, Domingo Gmez-Melndez, Gilberto
Herrera-Ruz, Miguel Martnez-Madrid. Fuzzy Controller for Automatic Steering in Heavy Vehicle Semi-Trailers. Ingeniera Investigacin y Tecnologa XIV, 01 (2013): 1-9.
ISO 690 citation style
Bortoni-Anzures L., Gmez-Melndez D., Herrera-Ruz G., Martnez-Madrid M. Fuzzy Controller for Automatic Steering in Heavy
Vehicle Semi-Trailers. Ingeniera Investigacin y Tecnologa, volume
XIV (issue 1), January-March 2013: 1-9.
About the authors

Liborio Bortoni-Anzures. Bsc in Industrial Engineer, Instituto Tecnologico de Cd. Victoria, Mexico; Masters degree in Mechanical Engineering, Universidad Politecnica
de Madrid, Spain; Doctor in Engineering, University of Queretaro, Mxico. Member of research group of Mexico Institute of Transportation; lecturer on Physics and
Electrocnics in different universities of Mexico. Project development leader on systems and production control, as well as research on intelligent vehicles at Chrysler
de Mexico.
Domingo Gmez-Melndez. Mechanical Enegineer, Universidad de Santander, Spain;
Masters on Engineering and Control and Doctor in Engineering from University of
Queretaro, Mexico. Currently working on fussy control for irrigation and climate
control in green house of University of Queretaro.
Gilberto Herrera-Ruz. Electronic systems Engineer and Masters degree in Electronics
Engineering, Institute of Technology of Monterrey, Mexico. Doctor in Automation
Systems, Technology University of Budapest, Hungary. Post Doc in Industrial Automation and Modern Manufacturing Techniques, Institute of Mechanical Engineering, Tsukuba, Japan. Currenty director of the University of Queretaro.
Miguel Martnez-Madrid. BsC in Metallurgy Engineer, National University of Mexico.
PhD in Metallurgy and Materials Science, University of Cambridge, UK. Member
of the national researchers system of Mexico, Number Member of Mexican Academy of Engineering; Technical consultant of different high technology companies
in Mexico and USA; currently head of research group named Structural Integrity
and Vehicle Dynamics at Mexicos Institute of Transportation.

(artculo arbitrado)
Mtodo del elemento finito estocstico en geotecnia.

Enfoque espectral
Stochastic Finite Element Method in Geotechnical Engineering. Spectral Approach
Auvinet-Guichard G.
Instituto de Ingeniera
Correo: apinedac@iingen.unam.mx
Correo: gauvinetg@iingen.unam.mx
Informacin del artculo: recibido: abril de 2009, reevaluado: febrero de 2012, aceptado: julio de 2012
Resumen
En este artculo se exponen las herramientas matemticas que constituyen la
base de la formulacin del mtodo del elemento finito estocstico espectral para
problemas de elasticidad lineal. Se ilustra el potencial que presenta este mtodo para modelar la variacin espacial de las propiedades de materiales
heterogneos y en particular de los suelos, mediante un ejemplo sencillo en
el que se analiza cmo se propaga la incertidumbre del mdulo de deformacin de un material al campo de desplazamientos calculados. Se muestra en
particular la influencia de la distancia de correlacin sobre la distribucin de
la incertidumbre. Finalmente, se evala la utilidad del mtodo para las aplicaciones en geotecnia y se presentan conclusiones.
Descriptores:

mdulo de deformacin
incertidumbre
variacin espacial
campo aleatorio
expansin de KarhunenLove
expansin en caos polinomial
elemento finito
Abstract
This paper presents the mathematical tools in which the formulation of Spectral
Stochastic Finite Element Method is based. The usefulness of this method to model
the spatial variability of heterogeneous materials, and in particular of soils, is illustrated by a practical example in which the propagation of the uncertainty on the
deformation modulus to the computed displacement field is assessed. The influence
of the correlation length on the distribution of uncertainty is set forth. Finally, the
advantages of the method in geotechnical engineering are evaluated and some conclusions are presented.
Keywords:
deformation modulus
uncertainty
spatial variability
random field
Karhunen-Love expansion
chaos polynomial expansion
finite element
Mtodo del elemento finito estocstico en geotecnia. Enfoque espectral
Introduccin
Generalmente, los resultados de los anlisis geotcnicos se encuentran afectados por una incertidumbre importante, debido a que los geomateriales son
heterogneos y complejos. Estos resultados dependen
de numerosos factores aleatorios (realizacin de pruebas de laboratorio, remoldeo de muestras, etctera) que
influyen directamente en la determinacin de los parmetros de los materiales. Estimar la incertidumbre que
afecta dichos resultados ha sido una tarea que ha interesado a los ingenieros geotecnistas desde tiempo atrs.
Casagrande (1965) enfatiza, por ejemplo, la importancia de evaluar no slo los riesgos calculados, inherentes
a las obras geotcnicas, sino tambin los relacionados
con las fallas humanas. En los ltimos decenios, se ha
recurrido a las tcnicas probabilistas y estadsticas para
modelar la incertidumbre dentro de un marco racional
para diversos problemas en el campo de la geotecnia
(Auvinet, 2002).
Un mtodo que permite modelar y cuantificar la incertidumbre que induce la dispersin de los parmetros de los materiales en los resultados de los anlisis,
es el mtodo del elemento finito estocstico (MEFE), el cual
es una combinacin del mtodo del elemento finito (MEF)
con la teora de la probabilidad (Cambou, 1974; Vanmarcke, 1983), donde los parmetros afectados por incertidumbre se representan por medio de variables
aleatorias o campos aleatorios. Las principales tcnicas
usadas en geotecnia hasta el momento, las cuales permiten aplicar el MEFE son los mtodos de perturbaciones (variables aleatorias) y de simulacin (Monte Carlo:
variables y campos aleatorios) (Auvinet, 2002).
Los anlisis con el MEFE han permitido ilustrar la
influencia de la incertidumbre en los parmetros constitutivos en los desplazamientos, esfuerzos y deformaciones de estructuras trreas (Orlandi, 1996; Bouayed,
1997; Mellah, 1999; Auvinet et al., 2000; Vzquez, 2005)
y han resultado ser un camino apropiado para decidir
cules parmetros deben definirse con especial cuidado
en la etapa de diseo. Por ejemplo, con el mtodo de
perturbaciones y mediante un anlisis elstico lineal, en
el que el material se puede caracterizar por dos parmetros: mdulo de deformacin (E) y relacin de Poisson (n), se ha podido poner en evidencia que la relacin
de Poisson desempea un papel predominante en la
posicin y extensin de zonas de tensin en la cortina
de presas de tierra y enrocamiento (Louault, 1997; Prez, 2000). Por otro lado, respecto a los anlisis de flujo
de agua, se han podido definir tcnicas basadas en el
MEFE para tomar en cuenta la considerable incertidumbre asociada con la conductividad hidrulica (L-
12
pez, 2010). La importancia de estos resultados para la

geotecnia ha alentado la bsqueda de nuevas herramientas numricas que permitan incorporar otras variantes (como la variacin espacial, debida a las
condiciones de depsito del suelo) en los anlisis estocsticos con el MEF.
Recientemente, los avances computacionales aunados a los mtodos numricos, han permitido el desarrollo de nuevas tcnicas matemticas que hacen posible
modelar e integrar cada vez mejor las incertidumbres
en los anlisis mecnicos con elementos finitos. Tal es el
caso del enfoque espectral (Ghanem y Spanos, 1991),
cuyas bases matemticas se fincan en los mtodos del
anlisis funcional y, de manera ms especfica, en el espacio de funciones de Hilbert. La estrategia consiste en
representar el campo aleatorio del parmetro de inters
(por ejemplo, el mdulo de deformacin), por un conjunto de variables aleatorias y funciones ortogonales, lo
que permite tratar la variabilidad espacial de las propiedades del material analticamente. La formulacin
aleatoria de los desplazamientos se realiza entonces en
trminos de una nueva dimensin que permite una mejor representacin matemtica del sistema. Por tal motivo, el MEFE enfoque espectral (MEFEE) resulta ser una
tcnica numrica atractiva para modelar en geotecnia la
incertidumbre de los parmetros constitutivos provocada por la variacin espacial, y a su vez, mostrar cmo
sta influye en los resultados de los anlisis con el MEF.
En este trabajo se muestra la utilidad de esta tcnica
para modelar la variabilidad espacial de las propiedades de los geomateriales mediante campos aleatorios.
Asimismo, se expone cmo es posible analizar la propagacin de la incertidumbre existente en el mdulo de
deformacin de un material en el campo de desplazamientos calculados mediante el mtodo del elemento finito
estocstico (MEFE), utilizando el enfoque espectral, mtodo que hasta el momento se ha utilizado poco en geotecnia (Pineda, 2007).
Se sealan las fuentes de incertidumbre ms importantes que afectan parmetros como el mdulo de deformacin y se resumen brevemente los conceptos
probabilista que permiten la representacin de la incertidumbre. Adems, se presentan brevemente los conceptos matemticos bsicos del mtodo del elemento finito
estocstico espectral (MEFEE) los cuales se reducen a dos
expansiones: Karhunen-Love y caos polinomial. Se presenta la formulacin del enfoque espectral tal como la
desarrollaron Ghanem y Spanos (1991). La utilidad de
esta tcnica se ilustra con el anlisis de un slido cbico
de dimensiones unitarias sujeto a carga axial. Tomando
en cuenta las limitaciones prcticas actuales de esta tcnica, en este trabajo se limitan los anlisis presentados
al caso en que el material se puede considerar en primera aproximacin como elstico lineal (mdulo de deformacin y relacin de Poisson). La validez de la hiptesis
de un comportamiento aproximadamente elstico lineal de los materiales constitutivos en los anlisis de
esfuerzo-deformacin con el MEF de estructuras trreas ha sido confirmada con mediciones de campo (Alberro et al., 1998) a la condicin de tomar en cuenta la
no-linealidad geomtrica (construccin por capas).
Fuentes de incertidumbre en los anlisis

realizados por el MEF
En los anlisis con MEF en geotecnia, los resultados se ven
afectados por la incertidumbre asociada a parmetros
como el mdulo de deformacin. Las principales fuentes
que dificultan la determinacin de este parmetro son:
a) La variabilidad espacial de las propiedades del suelo que depende principalmente de la historia geolgica de formacin del suelo y, en su caso, del procedimiento constructivo. La evaluacin de esta variabilidad est condicionada por la cantidad de informacin obtenida en la exploracin geotcnica.
b) Errores aleatorios y sistemticos, los primeros se cometen durante la realizacin de las pruebas de laboratorio; los segundos se deben a un sesgo en la
medicin, producido por ejemplo, por el remoldeo
de muestras o por el uso de correlaciones aproximadas entre propiedades fsicas y mecnicas.
Representacin de incertidumbre en geotecnia

La teora ms aceptada hasta el momento para representar la incertidumbre en ingeniera es la de la probabilidad (Benjamin y Cornell, 1970). A travs de ella, es
posible modelar la incertidumbre de los parmetros de
los materiales que intervienen en los anlisis con elementos finitos por medio de variables o campos aleatorios.
a) Variables aleatorias

Se recurre al concepto de variable aleatoria (funcin

del resultado q de un experimento) cuando se requiere modelar la incertidumbre asociada a escasa
informacin respecto al parmetro mecnico de inters V para el medio estudiado. La estimacin de
las caractersticas generales de una poblacin (esperanza E{V} y varianza Var[V]) se realiza mediante
estimaciones puntuales o intervalos de confianza.
La representacin de la variacin espacial mediante
variables aleatorias no toma en cuenta la posicin

especfica de las muestras ni la dependencia existente entre ellas.
b) Campos aleatorios

Dentro de la teora de probabilidad, un concepto

adecuado para representar la variabilidad espacial,
en un dominio dado, de las propiedades del medio
analizado es el de campo aleatorio V(X, q). La propiedad de inters en cada punto X del medio se considera entonces una variable aleatoria (funcin del
resultado del experimento, q). Por medio de la funcin de autocovarianza CV(X1, X2), se describe la correlacin espacial entre las distintas variables,
quedando el campo definido por esta funcin, su
valor esperado E{V(X,q)} y su varianza Var[V(X,q)].
Cuando no existe confusin posible en el contexto,
el campo se escribe simplemente V(X). Los parmetros y funciones que describen un campo son entonces (Auvinet, 2002):
Valor esperado: mV(X)=E{V(X)}

Varianza: s2V(X) = Var[V(X)]. La raz cuadrada sV(X)
de la varianza se llama desviacin estndar
Coeficiente de variacin: CVV(X) = sV(X)/E{V(X)}
Funcin de autocovarianza: CV(X1, X2) = Cov[V(X1),
V(X2)]=E{[V(X1)-mV(X1)][V(X2) - mV(X2)]}
Autocovarianza normalizada (tambin llamada coeficiente de autocorrelacin): V (X1, X2) = CV (X1, X2)/
V (X1) V (X2).
Auvinet (2002) ha clasificado los campos como: estimativos o descriptivos.
Estimativos
Cuando no se cuenta con muestreo ni mediciones de
campo, se realiza un anlisis de incertidumbre a priori.
La variacin espacial de los parmetros de los materiales es entonces definida generalmente mediante una
variable aleatoria para cada subdominio que rene ciertas condiciones de homogeneidad. El grado de correlacin entre diferentes variables estimativas es siempre
difcil de estimar. Conviene considerar que existe correlacin entre las propiedades de materiales diferentes
cuando se tiene el mismo tipo de dudas respecto a su
valor, o cuando han sido determinadas experimental-
13
mente por el mismo procedimiento (Auvinet, 2002). Es

tambin posible definir a priori uno o varios campos
aleatorios representativos de las variaciones de las propiedades, con una funcin de autocovarianza estimada
a partir de la experiencia obtenida en sitios con caractersticas semejantes.
Descriptivos
El campo de tipo descriptivo corresponde a una situacin en la que se tiene un nmero significativo de mediciones en distintos puntos de la masa del suelo, el
anlisis de incertidumbre es entonces a posteriori. Los
parmetros del campo se obtienen directamente a partir de las mediciones o modificando los parmetros de
un campo estimativo definido a priori usando un enfoque Bayesiano. El campo aleatorio descriptivo resultante es entonces de tipo condicional con respecto a las
mediciones.
Enfoque espectral
Los anlisis estocsticos que se realizan con el MEF en
geotecnia, mediante el mtodo de perturbaciones, representan generalmente la incertidumbre de los parmetros constitutivos a travs de variables aleatorias. El
enfoque espectral tiene la ventaja de permitir representar la variabilidad espacial por medio de campos aleatorios Gaussianos1. En esta seccin se describen las
herramientas matemticas que permiten la formulacin del MEFEE tal como la desarrollaron Ghanem y
Spanos (1991).
Este mtodo se puede utilizar en geotecnia para realizar anlisis de incertidumbre en donde la variabilidad
espacial de las propiedades de los materiales (por ejemplo el mdulo de deformacin) se modela como un
campo aleatorio Gaussiano, eventualmente despus de
una transformacin del campo real. Posteriormente, las
caractersticas (esperanza, desviacin estndar) del
campo aleatorio de la respuesta (desplazamientos, deformaciones, etctera) son determinadas a travs de un
anlisis de segundos momentos (Sudret y Der Kiureghian, 2000).
Un campo aleatorio es Gaussiano si las variables que constituyen el

campo tienen una densidad de probabilidad conjunta Gaussiana.
2
Un campo es estacionario en el sentido amplio si el valor esperado

de la variable de inters es constante en todo el dominio y si la funcin de autocovarianza depende solamente de la distancia entre dos
puntos X1 y X2.
14
En el caso de la elasticidad lineal, el enfoque espectral consiste en utilizar la funcin de autocovarianza

para representar el campo aleatorio del mdulo de deformacin, a travs de una expansin en serie llamada
de Karhunen-Love (Papoulis, 1991) que utiliza un nmero finito de variables aleatorias; las cuales posteriormente se emplean para representar la respuesta del
sistema mediante una expansin en caos polinomial
(Wiener, 1938). Se trata de un artificio matemtico que
permite finalmente, formular el mtodo de elementos
finitos estocsticos.
a) Representacin de la incertidumbre
En el enfoque espectral el campo aleatorio V(X) del mdulo de deformacin se representa mediante la expansin en serie de Karhunen-Love. Esta expansin,
considera que el campo es estacionario en el sentido
amplio2; se basa en la descomposicin espectral de la
funcin de autocovarianza y permite reducir la dimensin del campo aleatorio de forma abstracta a travs de
un conjunto finito M de variables aleatorias y funciones
deterministas ortogonales. Tal serie se expresa de la siguiente manera
M
=
V ( X
) E{V ( X )} + li x i (q )ji ( X )
i =1
(1)
donde E{V(X)} representa la esperanza matemtica del

campo aleatorio; xi(q ) son las coordenadas de realizacin del campo aleatorio con respecto a un conjunto de
funciones deterministas ji y forman un conjunto de variables aleatorias no correlacionadas con media cero y
varianza unitaria; li y ji son los valores y funciones caractersticos de la funcin de autocovarianza, definidas
a su vez, por la solucin de la ecuacin integral, cuya
forma es

liji ( X 1 )
C
(2)
V ( X 1 , X 2 )j i ( X 2 ) d W X =
W
donde W es el dominio espacial en el cual se define el

campo aleatorio.
La ecuacin (2) se conoce como ecuacin integral de
Fredholm homognea de segundo gnero, en la cual el
ncleo CV (X1,X2), est definido por la funcin de autocovarianza, que es real, simtrica y positiva; X1 y X2 son
las coordenadas espaciales. La solucin de la ecuacin
integral puede ser obtenida analtica y numricamente;
ambas soluciones fueron propuestas por Ghanem y
Spanos (1991) para el caso de campos aleatorios Gaussianos.
El objetivo de la serie de Karhunen-Love es discretizar, de forma abstracta, el campo aleatorio en el espacio
de funciones de Hilbert. La variabilidad de la propieM

=
Y a
ai 0
H a (x i ),
dad (mdulo de deformacin) se representa como
una
(4)
i =1 i
suma de proyecciones ortogonales (funciones caractersticas) a travs de los valores caractersticos, los cuales
donde: H a es el polinomio de Hermite unidimensioi
expresan la cantidad de varianza que las funciones canal asociado a la secuencia a, cuyo grado es menor o
ractersticas llevan a ese espacio (Matthies et al., 2005).
igual que p.
El nmero P de coeficientes que conforman el caos
polinomial y que contiene toda la estructura probabilista
b) Representacin de la respuesta
de cada desplazamiento nodal aleatorio, se obtiene mediante una combinacin binomial (Benjamin y Cornell,
Como la respuesta del sistema es una funcin de la va1970)
riabilidad del mdulo de deformacin, queda expresada en trminos de funcionales no lineales, representados
p M + k -1
a travs de un conjunto de polinomios ortogonales de
(5)
P=

variables aleatorias Gaussianas llamado caos polinomial.
k
k =0
La respuesta se expande por medio de estos polinomios
Los valores usuales utilizados en las aplicaciones son
sobre el espacio de Hilbert, debido a que la funcin de
M = 4 y p = 2,3.
autocovarianza no es conocida a priori como en el caso
As, cada desplazamiento expresado en la ecuacin
del campo aleatorio del mdulo de deformacin.
(3)
se
puede escribir en trminos de estos coeficientes,
La formulacin del caos polinomial est basada en el
como
concepto de caos homogneo que fue introducido por
Wiener, cuyos fundamentos fueron el resultado de inP -1
vestigaciones de funcionales no lineales del movimienu=
(q ) ai Y i [{x k }]
(6)
to Browniano (Wiener, 1938). Se puede decir que el
i =0
concepto de caos polinomial es una generalizacin de las
donde ai y Yi[{xk}] corresponden a ui y
series de Taylor a funcionales no lineales (Cameron y
p
Martin, 1947).
p (x i (q ), ..., x i (q )) , respectivamente.
1
p
Para representar cada desplazamiento nodal aleatorio dentro de una estructura que capture la variabilidad
c) Formulacin del MEFEE
posible de estos, se requiere crear una base estocstica a
travs de expansiones no lineales. As, cada variable
En el anlisis lineal por el mtodo del elemento finito
aleatoria se puede expandir mediante un caos polinomial
clsico se establece un sistema de ecuaciones de equilide la siguiente manera:
brio
i1
u (q ) = u0 0 + ui11 (xi (q )) + ui1i2 2 (xi (q ),xi (q )) + ...

1
1
2
=
i1 1 i2 =1
i1 1 =
(3)
donde:
p (x i (q ), ..., x i (q )) denota el caos homogneo de
1
p
orden p y ui son las coordenadas de la variable u(q)
p
asociadas a este orden (cero, primero, segundo, etctera). Se define como caos polinomial al conjunto de polinomios multidimensionales y al espacio que ocupan
tales polinomios se le llama caos homogneo.
La construccin del caos polinomial de dimensin finita es a partir de un nmero M de variables aleatorias
Gaussianas ortonormales, xi (q ) que provienen de la
expansin en serie de Karhunen-Love.
El caos polinomial de dimensin M y orden p se obtiene a partir de polinomios multidimensionales Gaussianos. Cada uno de estos polinomios se define como una
secuencia de M enteros no negativos {a1 , , aM} de la
siguiente manera
K U = F
(7)
F es un vector de fuerzas nodales y volumtricas; U es

un vector de desplazamientos nodales y K corresponde
a la matriz de rigidez total, con forma
K = W BT DBd W
(8)
donde
W es el dominio de estudio,
B es la matriz de forma y
D es la matriz de elasticidad.
La formulacin de la ecuacin de equilibrio estocstica
del MEFEE se basa en representar la variabilidad espacial de la propiedad del material (mdulo de deformacin) como un campo aleatorio VE(X) mediante la
expansin de Karhunen-Love, quedando la matriz de
elasticidad D expresada como
15
D(X) = VE (X) D0
(9)
donde D0 es una matriz de elasticidad calculada con un

mdulo de deformacin unitario. Si la expresin 9 se
sustituye en la matriz de rigidez (8), sta queda expresada por una parte determinista K y una parte estocstica como
M
= K +
i =1
li
We
ji ( X ) BT D0 Bd W e (10)
De acuerdo con Ghanem y Spanos (1991) la ecuacin de

equilibrio estocstica se obtiene al sustituir en la ecuacin de equilibrio (7) la matriz de rigidez estocstica
(10) y los desplazamientos estocsticos representados
en trminos del caos polinomial (6), finalmente la ecuacin se expresa como
P -1
con
Kjk
cijk K i
(15)
i =0
La ecuacin (14) establece un sistema de ecuaciones lineales con dimensiones N.P N.P, donde N est determinado por el nmero fsico de grados de libertad en el
modelo de elemento finito y P por el nmero de coeficientes que se utilizan en la expansin en caos polinomial, dicho sistema se expresa como:
K 00 K 0, P U o F0
K

10 K1, P U1 =
0

(16)

K P ,0 K P , P U P 0
F
(11)
K + Kixi (q ) U j Y j (q ) =
i =1
j =0
d) Clculo de la incertidumbre sobre los

desplazamientos
siendo F un vector de cargas deterministas.

El punto principal en la formulacin del MEFEE es
minimizar el error M,P , resultante del truncamiento de
las series, mediante el mtodo de Galerkin (Zienkiewicz y Taylor, 1995) con el fin de obtener la mejor aproximacin de los desplazamientos.
Se requiere, entonces, que el residuo M,P sea cero, es
decir, ortogonal al espacio que ocupa el caos polinomial
{Yk }kP=-01 , quedando

E{M , P Y k=
} 0 =
k 0,..., P - 1
(12)
Cov (U=
,U )
donde E{} denota la esperanza matemtica.

Para minimizar el error, ambos lados de la ecuacin
(11) se multiplican por Yk, y se toman esperanzas, obteniendo
La expresin (17) representa la esperanza matemtica

de los desplazamientos U y la expresin (18) define la
matriz de covarianza (incertidumbre) sobre los despla2
zamientos en trminos de la norma al cuadro ( E{Y i } ).
M P -1
E=
{M , P , Y k } kiU j E{x i Y j Y k } - E{F Y k }
=i 1 =j 0
(13)
La ecuacin (13), que representa la ecuacin de equilibrio estocstica global, es una funcin de la base polinomial sobre el espacio de funciones de Hilbert; donde
Fk= E{FYk} es cero si k > 0 para cargas deterministas y
E{x i Y j Y k } es la esperanza del producto de dos polinomios y una variable aleatoria (Sudret y Der, 2000;
Dumitriu et al., 2007), denotada por cijk . Agrupando
trminos en la ecuacin (13), se tiene finalmente que la
ecuacin de equilibrio estocstica es
P -1
K jkU j = Fk
j =0
16
(14)
Para conocer las caractersticas (esperanza y matriz de

covarianza) del campo aleatorio de la respuesta, se recurre a un anlisis de segundos momentos (Sudret y
Der, 2000), ya que los coeficientes de la ecuacin (14)
por s solos no dan una idea clara de la incertidumbre
sobre los desplazamientos, as se tiene
E{U } = U 0
P -1
E{Y i }U iU i
i =0
(17)
(18)
Aplicacin
Para ilustrar la utilidad del mtodo espectral en la modelacin de la variabilidad espacial de las propiedades
del suelo, se expone un ejemplo sencillo de inters prctico para la ingeniera y la geotecnia. Este anlisis permite observar la propagacin de la incertidumbre del
mdulo de deformacin en los desplazamientos horizontales y verticales en un slido cbico. Para la realizacin del ejemplo, se adapt una subrutina del
programa FERUM versin 3 (finite element reliability
using matlab), llamada FERUMssfem (Sudret y Der,
2000) que permite realizar anlisis de incertidumbre
con el MEFEE en dos dimensiones.
Planteamiento
Se considera un slido cbico de dimensiones unitarias
(111 m), constituido de un solo material con mdulo
de deformacin aleatorio, sometido a presin vertical
de 100kPa. Los apoyos en el extremo inferior restringen
el movimiento verticalmente; el central, lo restringe
tambin horizontalmente. En la figura 1 se observan estas condiciones. El anlisis se realiza suponiendo en
primera aproximacin que prevalece un estado de esfuerzos planos. Se evaluar la incertidumbre en los desplazamientos horizontales y verticales con el MEFEE.
Para realizar el anlisis, el cubo se discretiz con una
malla de 100 elementos, la presin se represent como
cargas puntuales aplicadas en los puntos nodales superiores de la malla, como se muestra en la figura 2.
100 kPa
1x1x1
X
Figura 1. Representacin isomtrica del slido cbico
Se acepta que el mdulo de deformacin vara en dos

dimensiones de acuerdo con un campo aleatorio estacionario. Se ignora la variacin en la direccin perpendicular al plano de anlisis, lo que equivale a suponer
correlacin perfecta en esta direccin, es decir, que no
existen variaciones del mdulo de deformacin de un
punto a otro en esta direccin. Las caractersticas supuestas del campo aleatorio bidimensional del mdulo
de deformacin E son: E{E}=100kPa; CV(E)=0.1; la relacin de Poisson (n) se considera determinista con:
E{n}=0.3; CV(n)=0. Se acepta que la funcin de autocovarianza normalizada del mdulo de deformacin es de
tipo exponencial:
E ( X1, X 2 ) = e
2 X1 - X 2
L
(19)
donde L se define en forma convencional como distancia de correlacin, y corresponde a la distancia a partir
de la cual la correlacin se considera despreciable.
Figura 2. Malla de elementos finitos
Resultados
A travs del coeficiente de variacin, CV, es posible evaluar la influencia de la incertidumbre del mdulo de
deformacin sobre los desplazamientos horizontales y
verticales en todo el cuerpo del slido. En las curvas de
isovalores de las siguientes grficas se aprecia con claridad tal variacin, establecida para distintas distancias
de correlacin.
En este primer anlisis, el campo aleatorio es del
tipo ruido blanco (sin autocorrelacin). Las figuras 3b
y 4b muestran que la incertidumbre en los desplazamientos verticales y horizontales es nula, debido a un
efecto de promedio espacial o compensacin estadstica
que anula la desviacin estndar y, por consecuencia, el
CV es igual a cero en todo el cuerpo del slido. Un material cuyo mdulo presenta una variacin aleatoria espacial que puede representarse con un campo de ruido
blanco se comporta, por tanto, como un material homogneo no aleatorio.
En este segundo anlisis, la distancia de correlacin
(0.64m) es ligeramente inferior al ancho del slido (1m).
La figura 5b muestra que, como deba esperarse, la incertidumbre sobre los desplazamientos verticales es
nula en la parte inferior del slido, donde el movimiento fue restringido. En el resto del slido se observa que
la incertidumbre no es uniforme debido al efecto de
promedio espacial o compensacin estadstica. Por ejemplo, la incertidumbre en el punto superior central es
menor que en el punto superior de la esquina del slido
debido a que el nmero de materiales puntuales con
baja correlacin que interactan es mayor en el punto
central que en el de la esquina. Por otra parte, en la figura 6b se observa cmo el CV de los desplazamientos horizontales tiende a infinito sobre el eje de simetra; en
este caso, el comportamiento del material es fuertemente heterogneo lo que da lugar a que se presenten variaciones aleatorias alrededor de su valor esperado (que es
nulo), originando una incertidumbre relativa infinita
sobre tal eje.
17
Distancia de correlacin L= 0
1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
0.9
0.9
0.9
0.8
0.8
0.8
0.8
0.7
0.7
0.7
0.7
0.6
0.6
0.6
0.6
0.5
0.5
0.5
0.5
0.4
0.4
0.4
0.4
0.3
0.3
0.3
0.3
0.2
0.2
0.2
0.2
0.1
0.1
0.1
0.1
0.1
0.2
0.3
0.4
a) Esperanza
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
b) Coeficiente de variacin
Figura 3. Esperanza y coeficiente de variacin de los desplazamientos verticales
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
0.9
0.9
0.9
0.8
0.8
0.8
0.8
0.7
0.7
0.7
0.7
0.6
0.6
0.6
0.6
0.5
0.5
0.5
0.5
0.4
0.4
0.4
0.4
0.3
0.3
0.3
0.3
0.2
0.2
0.2
0.2
0.1
0.1
0.1
0.1
0.1
0.2
0.3
0.4
a) Esperanza
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.7
0.8
0.9
Figura 4. Esperanza y coeficiente de variacin de los desplazamientos horizontales
Distancia de correlacin L= 0.64m

1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.9
0.9
0.9
0.8
0.8
0.8
0.8
0.7
0.7
0.7
0.7
0.6
0.6
0.6
0.6
0.5
0.5
0.5
0.5
0.4
0.4
0.4
0.4
0.3
0.3
0.3
0.3
0.2
0.2
0.2
0.2
0.1
0.1
0.1
0.1
0.1
0.2
a) Esperanza
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
18
0.9
0.8
0.9
Distancia de correlacin infinita

Cuando la distancia de correlacin es infinita, el material se comporta como un slido homogneo pero aleatorio. En la figura 7b, se observa que, nuevamente, en
los nodos donde el movimiento se restringi no existe
incertidumbre.
En el resto del espcimen, la misma magnitud de la
incertidumbre en el mdulo de deformacin se refleja
directamente en los desplazamientos verticales. Por
otro lado, tomando en cuenta que se conserva en este
caso la simetra de los desplazamientos horizontales, la
incertidumbre sobre el eje del slido, donde el desplazamiento es necesariamente nulo, es tambin nula,
como se muestra en la figura 8b. En el resto del espcimen, la misma magnitud de la incertidumbre en el m-
0.1
0.2
0.3
0.4
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
0.9
0.9
0.9
0.8
0.8
0.8
0.8
0.7
0.7
0.7
0.7
0.6
0.6
0.6
0.6
0.5
0.5
0.5
0.5
0.4
0.4
0.4
0.4
0.3
0.3
0.3
0.3
0.2
0.2
0.2
0.2
0.1
0.1
0.1
0.1
0.1
0.2
0.3
0.4
a) Esperanza
0.5
dulo de deformacin se refleja en los desplazamientos

horizontales.
La variabilidad del desplazamiento vertical para el
centro superior del cubo (punto A) en funcin de la
distancia de correlacin se muestra en la figura 9. Para
distancias de correlacin pequeas, la incertidumbre
(desviacin estndar) sobre este desplazamiento es
nula; tal resultado se debe al efecto de compensacin estadstica ya mencionado, debido a que el material es
fuertemente heterogneo (ruido blanco) pero estadsticamente homogneo. Conforme la distancia de correlacin aumenta, la incertidumbre crece y se presenta una
incertidumbre mayor para el punto A que para el B,
hasta alcanzar la magnitud de la incertidumbre impuesta en el mdulo de deformacin, cuando el material se vuelve estrictamente homogneo.
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.9
0.9
0.9
0.9
0.9
0.8
0.8
0.8
0.8
0.7
0.7
0.7
0.7
0.6
0.6
0.6
0.6
0.5
0.5
0.5
0.5
0.4
0.4
0.4
0.4
0.3
0.3
0.3
0.2
0.2
0.2
0.2
0.1
0.1
0.1
0.1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.1
0.1
a) Esperanza
0.2
0.3
0.4
0.5
0.3
0.6
0.7
0.8
0.9
19
0.1
0.2
0.3
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9
0.9
0.9
0.9
0.8
0.8
0.8
0.8
0.7
0.7
0.7
0.7
0.6
0.6
0.6
0.6
0.5
0.5
0.5
0.4
0.4
0.4
0.3
0.3
0.3
0.3
0.2
0.2
0.2
0.2
0.1
0.1
0.1
0.1
0.1
0.2
0.3
a) Esperanza
0.4
0.4
0.5
0.6
0.7
0.8
0.9
0.1
0.1
0.2
0.5
0.1
0.3
0.4
0.5
0.6
0.7
0.4
0.8
0.9
Material estrictamente homogneo
1.0E-02
8.0E-03
6.0E-03
Punto de la esquina
superior
Un material
4.0E-03
2.0E-03
Punto central superior

Material fuertemente
heterogneo
0.0E+00
1.E-08 1.E-06 1.E-04 1.E-02 1.E+00 1.E+02 1.E+04 1.E+06 1.E+08
Un material
Distancia de correlacin, m
6.0E-03
5.0E-03
horizontales, m
1.2E-02
Desviacin estndar de los desplazamientos
Desviacin estndar de los desplazamientos

verticales, m
7.0E-03
Punto central
superior (A)
Un material
Punto de la esquina
superior (B)
4.0E-03
3.0E-03
2.0E-03
Material fuertemente
heterogneo
Material estrictamente
homogneo
1.0E-03
0.0E+00
1.E-08
Un material
1.E-05
1.E-02
1.E+01
1.E+04
Distancia de correlacin, m
1.E+07
Figura 9. Influencia de la distancia de correlacin sobre la

incertidumbre en los desplazamientos verticales
Figura 10. Influencia de la distancia de correlacin sobre la

incertidumbre en los desplazamientos horizontales
La incertidumbre (desviacin estndar) sobre el desplazamiento horizontal en funcin de la distancia de correlacin para el punto central superior (punto A) se observa
en la figura 10. Nuevamente, para distancias de correlacin pequeas, la incertidumbre de tal desplazamiento
es nula, existiendo tambin un efecto de compensacin
estadstica. Posteriormente, la incertidumbre se incrementa y alcanza su mximo valor para una distancia de
correlacin del mismo orden que la dimensin horizontal del dominio en estudio; conforme la distancia de correlacin se sigue incrementando, el material comienza a
estabilizarse estadsticamente y la desviacin estndar
de los desplazamientos comienza a disminuir, hasta alcanzar nuevamente un valor nulo, lo cual representa la
homogeneidad estricta del material con rigurosa simetra axial. El comportamiento estadstico del material
para el punto superior de la esquina del slido es similar
al del punto superior central del espcimen, a excepcin

de que para este punto el menor valor alcanzado no es
nulo y est condicionado por la incertidumbre impuesta
en el mdulo de deformacin.
Este sencillo ejemplo muestra que la distancia de correlacin constituye un parmetro importante que representa la heterogeneidad local que puede presentar un
material estadsticamente homogneo y condiciona la
incertidumbre que se puede esperar en el comportamiento del mismo. Mayor atencin debera prestarse a este
parmetro, especialmente en los anlisis geotcnicos.
20
Ventajas y limitaciones del mtodo

Una de las ventajas del enfoque espectral en comparacin con otras tcnicas probabilistas comnmente empleadas (mtodos de perturbaciones) es que permite
realizar anlisis de incertidumbre que toman en cuenta la variabilidad espacial de las propiedades del suelo
mediante campos aleatorios. Tal como se plante en
este trabajo, en su estado actual, el mtodo solamente
se aplica a problemas de elasticidad lineal y permite
representar la variabilidad espacial de un solo campo
aleatorio (mdulo de elasticidad, E), cuyas variables
aleatorias tienen una distribucin Gaussiana. Sin embargo, la formulacin del MEFEE se puede extender al
caso en el que se considere la relacin de Poisson, n,
tambin aleatoria (debido al intervalo de valores que n
puede tomar, este parmetro se considera como un
campo aleatorio tipo Beta), an cuando esto ocasiona
un mayor esfuerzo de clculo. Este es el tema de una
investigacin que estn realizando actualmente los
autores del presente trabajo. Ghanem (1999) extendi
la formulacin del MEFEE a problemas de conduccin
de calor con campos aleatorios lognormales. Por su
parte, Matthies y Keese (2005) han planteado la ecuacin de equilibrio estocstica del MEFEE para campos
no Gaussianos. Recientemente Sett et al. (2011) propusieron una formulacin del MEFEE que permitira
abordar el caso elasto-plstico, lo que aumentara su
inters en Geotecnia.
El enfoque espectral presenta, por tanto, un potencial importante. Su mayor inconveniente es probablemente que la representacin matemtica de los campos
aleatorios a la que recurre se aleja del concepto fsico, y
puede parecer muy abstracta a los ingenieros geotcnicos prcticos.
Conclusiones
Se presentaron brevemente los conceptos probabilistas
que permiten modelar la incertidumbre (variacin espacial) en los parmetros de materiales y evaluar su influencia sobre los resultados de los anlisis con elemento finito (MEF). Asimismo, se presentaron las herramientas matemticas de una nueva tcnica: el enfoque espectral, donde se evalu su utilidad a travs del
anlisis de un slido cbico. Los resultados del ejemplo
analizado son de gran utilidad para ilustrar cualitativamente cmo la variabilidad espacial puede afectar los
resultados de los anlisis con el MEF. Ponen en particular evidencia el fenmeno de compensacin estadstica y
la importancia de la distancia de correlacin. Un anlisis de incertidumbre que tome en cuenta la variabilidad
espacial de las propiedades de los materiales puede resultar particularmente til en el caso de estructuras trreas, obras que se construyen con materiales, cuyas
propiedades tienen un grado alto de incertidumbre debido a su heterogeneidad inherente.
Los comentarios presentados en este trabajo marcan

las ventajas y limitaciones del mtodo espectral y deberan ser tiles para el ingeniero deseoso de utilizar este
tipo de tcnicas.
Referencias
Alberro A.J. et al. Deformabilidad in situ de los materiales constitutivos
de varias presas de tierra y enrocamiento, Publicacion (604) del
Instituto de Ingeniera, UNAM, Mxico, 1998, 88 p.
Auvinet G. Incertidumbre en geotecnia, en: Decimosexta Conferencia Nabor Carrillo, Quertaro, Mxico, Sociedad Mexicana
de Mecnica de Suelos, 2002, pp. 34-36, 59-76.
Auvinet G., Mellah R. Masrouri F., Rodrguez J.F. La mthode des
lments finis en Gotechnique. Revue Francaise de Gotechnique, volumen 93 (nmero 4), 2000.
Benjamin R.J. y Cornell A.C. Probability, Statistics and Decision for
Civil Engineers, New York, McGraw Hill, 1970, pp. 223-232.
Bouayed A. Modlisation stochastique par lments finis en gomcanique, tesis (Thse de Doctorat), Nancy, France, ENSG, INPL,
1997, 157 pp.
Cambou B. Mtodo del elemento finito. Anlisis de incertidumbre de
primer orden, Publicacion (339) del Instituto de Ingeniera,
UNAM, Mxico, 1974, 88 p.
Cameron R.H. y Martin W.T. The Orthogonal Development of
Nonlinear Functionals in Series of Fourier-Hermite Functionals. Annuary of Mathematics, volumen 48 (nmero 2), 1947:
385-392.
Casagrande B. Role of the Calculated Risk in Earthwork and
Foundation Engineering. Journal of Soil Mechanics and Foundations. Proceedings of the American Society of Civil Engineers,
ASCE, volumen 19 (nmero SM4), 1965: 4390-4429.
Dumitriu I., Edelman A., Shuman G. MOPS: Multivariate Orthogonal Polynomial (Symbolicaly). Journal of Symbolic Computation, volumen 42, 2007: 587-620.
FERUM Finite Element Reliability Using Matlab [en lnea] [fecha
de consulta: noviembre de 2005]. Disponible en: http://www.
ce.berkeley.edu/~haukaas
Ghanem R.G. y Spanos P.D. Stochastic Finite Elements. A Spectral
Aproach, New York, Springer Verlag, 1991, pp. 15-50, 85-90.
Ghanem R.G. Stochastic Finite Elements with Multiple Random
Non-Gaussian Properties. Journal of Engineering Mechanics
ASCE, volumen 125 (nmero 1), enero 1999: 26-40.
Lpez-Acosta N.P. Incertidumbre en el anlisis de flujo de agua en
suelos, tesis (doctorado en ingeniera), Mxico, DF, Programa
de maestra y doctorado en ingeniera, UNAM, 2010, 311 p.
Louault B. Approche probabiliste de lvaluation des zones de
tension dans les barrages en terre et en enrochement, Mmoire de fin dtudes, CUST, Clermont Ferrand, France, estudio
realizado en el Instituto de Ingeniera, UNAM, 1997.
Matthies H.G. y Keese A. Galerkin Methods for Linear and NonLinear Elliptic Stochastic Partial Differential Equations. Com-
21
puter Methods in Applied Mechanics and Engineering, volumen

194, 2005: 1295-1331.
sity of California, Berkeley, 2000, Nm. UCB/SEMM2000/08.
Mellah R. Modlisation stochastique par lments finis en lastoplasticit applique la gomcanique, tesis (Thse de Doctorat), Nancy, France, ENSG, INPL, 1999, 160 p.
Vanmarcke E.H. Random fields: Analysis and Synthesis, MIT

Press, Cambridge, Ma., 1983.
Orlandi S. Mtodo del elemento finito estocstico en geotecnia. Anlisis no lineal, tesis (Maestra en ingeniera), Mxico, DF,
Divisin de Estudios de Posgrado de la Facultad de ingeniera, UNAM, 2007, 73 p.
Papoulis A. Probability, Random Variables and Stochastic Processes, McGraw Hill, 1965.
Prez-Duarte A. Modlisation stochastique de la construction
des barrages en terre en anisotropie, Mmoire de fin
dtudes, Ecole Polytechnique, Paris, France, estudio realizado en el Instituto de Ingeniera, UNAM, 2000.
Pineda-Contreras A.R. Mtodo del elemento finito estocstico en
geotcnia. Enfoque espectral, tesis (Maestra en ingeniera),
Mxico, DF, Programa de maestra y doctorado en ingeniera, UNAM, 2007, 73 p.
Sett K., Jeremic B., Kavvas M. Stochastic Elastic-Plastic Finite
Elements. Computer Methods in Applied Mechanics and Engineering, volumen 200, 2011: 997-1007.
Sudret B. y Der Kiureghian A. Stochastic Finite Element
Methods and Reliability. A Sate-of-the-Art Report. Department of Civil & Environmental Engineering, Univer-
Vzquez-Guillen F. Incertidumbre en el modelado de la construccin de presas de tierra mediante elementos finitos, tesis (Maestra en ingeniera), Mxico, DF, Programa de maestra y
doctorado en ingeniera, UNAM, 2005, 132 p.
Wiener N. The Homogeneous Chao. American Journal of
Mathematics, volumen 60, 1938: 897-936.
Zienkiewicz O.C. y Taylor R.L. El mtodo de los elementos finitos,
Vol. 1, 4a ed., Madrid, Mac Graw Hill, 1994, pp. 223-232.
Este artculo se cita:

Citacin Chicago
Pineda-Contreras, Alma Rosa, Gabriel Auvinet-Guichard. Mtodo
del elemento finito estocstico en geotecnia. Enfoque espectral.
Ingeniera Investigacin y Tecnologa XIV, 01 (2013): 11-22.
Citacin ISO 690
Pineda-Contreras A.R., Auvinet-Guichard G. Mtodo del elemento finito estocstico en geotecnia. Enfoque espectral. Ingeniera
Investigacin y Tecnologa, volumen XIV (nmero 1), enero-marzo
2013: 11-22.
Semblanza de los autores

Alma Rosa Pineda-Contreras. Ingeniera civil graduada por la Facultad de Ingeniera de la Universidad Nacional Autnoma de Mxico. En 2007, obtuvo el grado de maestra en ingeniera en el rea de mecnica de
suelos en el programa de posgrado en ingeniera de la Universidad Nacional Autnoma de Mxico. Actualmente es estudiante de doctorado en ingeniera (geotecnia) y becaria del Instituto de Ingeniera.
Gabriel Auvinet-Guichard. Se gradu como ingeniero civil en la Ecole Spciale des Travaux Publics de Paris en
1964. Obtuvo el grado de doctor en ingeniera por la Divisin de Estudios de Posgrado de la Facultad de
Ingeniera de la Universidad Nacional Autnoma de Mxico en 1986. Es profesor en la misma Divisin
de Estudios de Posgrado desde 1968. Ha sido profesor invitado en las Universidades francesas de Grenoble (1986), Nancy (1993-1994) y de Clermont (2003-2004). Ha dirigido 35 tesis de licenciatura, 48 de
maestra y 9 de doctorado. Ha ocupado el puesto de subdirector del Instituto de Ingeniera de la UNAM.
Ha sido presidente de la Sociedad Mexicana de Mecnica de Suelos y ha recibido distintos premios y
reconocimientos, incluyendo el premio Larivire del CNAM de Paris, Francia, el premio Javier Barrios Sierra del Colegio de Ingenieros Civiles de Mxico y el premio Liebermann de Ingeniera de la
Ciudad de Mxico. Es profesor honorario de las universidades Ricardo Palma y Antenor Orrego, Per.
Es miembro de la Academia de Ciencias y de la Academia Nacional de Ingeniera de Mxico. Ha dedicado su trabajo de investigacin a problemas de mecnica de suelos con nfasis en la ingeniera de cimentaciones en suelos blandos en zonas ssmicas y en presencia de hundimiento regional. Actualmente
dirige el laboratorio de Geoinformtica del Instituto de Ingeniera de la UNAM y es vice-presidente por
Norte Amrica de la Sociedad Internacional de Mecnica de Suelos e Ingeniera Geotcnica.
22

(artculo arbitrado)
Optimizacin de forma de un cuerpo suspendido basada en reglas

evolutivas y modelado paramtrico: la forma de un fruto
Shape Optimization of a Hanging Body Based on Evolutive Rules and
Parametric Modeling: The Shape of a Fruit
Centro de Diseo Mecnico e Innovacin Tecnolgica

Correo: fernvel@unam.mx
Centro de Alta Tecnologa

Correo: saulsan@unam.mx
Informacin del artculo: recibido: junio de 2009, aceptado: junio de 2012.
Resumen
En este trabajo se desarrolla la optimizacin de forma de un cuerpo suspendido y sometido a fuerzas de cuerpo. La geometra del cuerpo es modelada
con curvas paramtricas B-Spline. Dicha optimizacin se logra por medio de
la modificacin del contorno de la geometra con base en el nivel de esfuerzo
calculado usando Anlisis por Elementos Finitos. Reglas evolutivas clsicas
son empleadas en el proceso de optimizacin; sin embargo, el mtodo para
realizar la modificacin del contorno de la geometra no es ni clsico ni trivial. A diferencia de la mayora de los mtodos de optimizacin de forma,
que utilizan slo la informacin de los puntos del contorno aisladamente, en
este trabajo se aplica un mtodo que toma en cuenta la informacin de los
puntos del contorno y su vecindad.
Descriptores:

diseo ptimo
optimizacin de forma
optimizacin estructural
anlisis por elementos finitos
Abstract
This paper develops the shape optimization of a body, which is hanged and subjected
to body forces. The geometry of the body is modeled using parametric curves BSpline. The shape optimization is carried out modifying the boundary of the body
based on the stress level calculated via Finite Element Analysis (FEA). Traditional
evolutive rules are used for the optimization process; however, the method of boundary modification in the optimization process is neither traditional nor trivial. Unlike
most shape optimization methods, which only use the information of boundary
points in a isolated way, in this approach the geometry boundary is modified considering both points and neighborhood information.
Keywords:

optimal design
shape optimization
structural optimization
finite element analysis
Optimizacin de forma de un cuerpo suspendido basada en reglas evolutivas y modelado paramtrico: la forma de un fruto
Introduccin
Los mtodos de optimizacin pueden agruparse en
dos tipos: mtodos basados en el gradiente y mtodos
heursticos. Los primeros implican que los problemas
a resolver estn representados por funciones continuas de las que es necesario calcular sus derivadas
para obtener sus mnimos (mximos). Por otra parte,
los mtodos heursticos no requieren derivadas ni funciones continuas, en lugar de ello, aplican iterativamente bsquedas seudoaleatorias, regidas por algunas
reglas para obtener soluciones cercanas a la ptima.
Gracias al impresionante desarrollo de los equipos
de cmputo, ahora es posible utilizar poderosos mtodos numricos, como el mtodo de los elementos finitos
(FEM) y el mtodo de los elementos frontera (BEM), en la
creacin de algoritmos eficientes aplicados a la optimizacin estructural, cuya meta es obtener las mejores soluciones para problemas estructurales.
Uno de los problemas ms interesantes en la optimizacin estructural es la optimizacin de forma. La pregunta fundamental en estos problemas es cul es la
forma que debe tener una estructura bajo ciertas condiciones de operacin para considerarse ptima? Para
responder esta pregunta lo primero que se debe contestar es: cules son las variables de diseo de las que depende la geometra de una estructura?
Pueden identificarse dos tipos de mtodos en este
sentido. En primer lugar aquellos que utilizan los elementos de una malla de elementos finitos como parte del
conjunto de variables de diseo y en segundo lugar, los
mtodos que toman a los nodos en una malla (ya sea de
elementos finitos o elementos frontera) como parte de las
variables de diseo. Al primer conjunto pertenecen los
mtodos como ESO (Evolutionary Structural Optimization,
Xie y Steven, 1997) en el que la optimizacin de la forma
de una estructura se genera quitando material, es decir,
quitando elementos en la periferia de la malla.
Por otra parte, mtodos como los propuestos por
Mattheck (1990, 1998, 2006), Ramm et al. (1998), Maute
and Ramm (1995), Sethian y Wiegmann (2000), Cerrolaza et al. (2000), Annicchiarico y Cerrolaza (2001), Cervera y Trevelyan (2005a y 2005b), entre otros, pertenecen
al segundo grupo en los que la frontera se modifica a
partir de las caractersticas de los nodos en el contorno
de la estructura. Una caracterstica de este tipo es el resultado de aplicar una accin externa (sistema de fuerzas) sobre la estructura, es decir, esfuerzos, deformaciones, energa interna, etctera.
La esencia que distingue a cada uno de los mtodos
no se encuentra en las reglas que siguen para evaluar la
geometra de una estructura, sino en la forma en que la
24
modifican. Aunque en apariencia todos actan de la

misma manera, es decir, aplicando gradual e iterativamente pequeos cambios en el contorno de la estructura, en realidad no son iguales.
El mtodo de optimizacin utilizado en este trabajo
para optimizar la forma del cuerpo suspendido (Velzquez, 2009; Velzquez y Santilln, 2012) acta de manera
similar a como lo hacen Mattheck, Cervera, Annicchiarico, entre otros. La frontera se desplaza en cada iteracin
con base en el nivel de esfuerzos existente en los nodos
sobre ella. Guarda una similitud importante con lo propuesto por Cervera, en cuanto a que emplea las propiedades del modelado paramtrico para generar contornos suaves y evitar la aparicin de concentradores de
esfuerzo.
La diferencia fundamental se encuentra en el clculo de los desplazamientos necesarios para cambiar el
contorno de una estructura. La direccin de los desplazamientos de cada nodo sobre la frontera se calcula con
base en la informacin de toda la vecindad en lugar de
hacerlo con la informacin particular de cada uno de
ellos. La informacin de la vecindad est dada por los
valores de las funciones de interpolacin con las que se
modela la frontera; dichos valores son una medida de la
influencia de los puntos de control en la posicin de los
nodos. El resultado es que, en lugar de generar desplazamientos perpendiculares al contorno, se producen
desplazamientos cuya direccin considera la informacin de la vecindad en lugar de slo la de un nodo en
particular. En el siguiente apartado se describe el mtodo propuesto por Velzquez.
Modelado paramtrico: curvas B-Spline

El cambio de posicin de los nodos en una curva paramtrica B-Spline se realiza de manera indirecta al mover los puntos de control que definen dicha curva
(figura 1). Lo anterior se hace patente si revisamos la
definicin de las curvas B-Spline.
Sean P1, P2, ... , Pm puntos de control de un polgono
y u1, u2, ... , um valores de un parmetro u, con los cuales
se pueden definir los m - 1 segmentos [ui, ui+1], donde
i = 1, 2, ... , m - 1. Entonces, la curva B-Spline contenida
por el polgono de los puntos de control y constituida
por m - 1 polinomios de grado p se define como:
C(u) = i=1 Ni, p(u)Pi (1)
m
De esta definicin se observa que realizar un cambio en

los puntos de control genera que toda una regin de la
curva sufra modificaciones. Ahora bien, si dichas modificaciones estn regidas por alguna caracterstica medi-
Figura 1. Cambio de forma al desplazar

un punto de control en una curva
B-Spline. Imagen tomada de Shene
(1998)
da sobre los nodos de la curva, entonces los cambios en

los puntos de control deben tomar en cuenta los cambios necesarios en cada uno de los nodos que estn bajo
su influencia.
Mtodo
El mtodo de optimizacin de forma utilizado en este
trabajo suspendido (Velzquez, 2009; Velzquez y Santilln, 2012), se agrupa en el conjunto de mtodos basados en estrategias evolutivas, debido a que emplea
reglas basadas en parmetros que cambian gradual y
lentamente (evolucionan) (Querin, 1997; Steven y Xie,
1993). La manera como cambian dichos parmetros
permite que la geometra de una estructura se adapte
satisfactoriamente a los requerimientos que imponen
las condiciones de carga y restricciones aplicadas dentro de un proceso que se hace ms exigente con el paso
del tiempo. De esta manera, el proceso de optimizacin
genera geometras que se adecuan paulatinamente a las
condiciones, hasta el punto en que no hay cambio posible que genere un mejor resultado. El modelado con
curvas paramtricas produce contornos suaves a la geometra de los modelos, lo cual se traduce en evitar, en la
medida de lo posible, la aparicin de aristas con cambios bruscos de direccin que puedan actuar como concentradores de esfuerzo o aristas rugosas no deseables.
A continuacin se describe el algoritmo desarrollado
para el mtodo propuesto.
1. La geometra del modelo se define con curvas BSpline y se indican las restricciones y los casos de
carga aplicados al modelo.
2. Se calcula el esfuerzo de von Mises en los nodos por
medio de FEA.
3. Se modifica la frontera de la geometra con base en
un proceso de remocin o adicin de material basada en el nivel de esfuerzo de los nodos en la frontera. La remocin se lleva a cabo en los nodos de bajo
nivel de esfuerzo, aplicando vectores de desplazamiento en direccin interior sobre los puntos de
control asociados a dichos nodos. Por otra parte, la
adicin de material se aplica a aquellos nodos cuyo
nivel de esfuerzo sea alto o el esfuerzo de von Mises
sea mayor al esfuerzo de cedencia del material. En
este caso, la direccin del desplazamiento de los
puntos de control es exterior.
4. Los pasos 2 y 3 se repiten hasta que no sea posible
mejorar el modelo.
Los pasos en la descripcin del algoritmo son sencillos
de entender; sin embargo, la forma como se modifica la
frontera, es decir el paso 3, requiere de especial atencin, debido a que el clculo de los vectores de desplazamiento generados para dicha modificacin no es
trivial.
Modificacin de la frontera
La optimizacin de la geometra del cuerpo se realiza a
travs de cambios graduales en la frontera del mismo.
Los cambios en la geometra emulan un proceso de remocin o adicin de material en la frontera del modelo.
Mientras que en mtodos como ESO, esta remocin o
adicin de material se lleva a cabo agregando o retirando fragmentos de la geometra, lo que genera fronteras
escalonadas y rugosas.
El mtodo propuesto por el autor se realiza aplicando desplazamientos pequeos sobre los nodos que definen la frontera y que muestran un nivel de esfuerzo
identificado como bajo o alto.
Regiones modificables
Para modelos sometidos a un solo caso de carga, una
regin modificable (o ineficiente) ser aquella que est
compuesta por nodos que cumplan con alguna de las
siguientes inecuaciones:
25
i TR * r
(2)
i TA * r
(3)
i y
donde
i es el esfuerzo de von Mises del i-simo nodo,
r es un esfuerzo de referencia, por ejemplo el esfuerzo
mximo de la estructura,
y es el esfuerzo de cedencia del material,
TR y TA son las tasas de remocin y adicin de material, respectivamente, tambin se conocen como parmetros de evolucin.
As, aquellos nodos que satisfagan la inecuacin (2) son
candidatos a ser modificados emulando remocin de
material, mientras que los que cumplan la desigualdad
(3) emulan adicin. Dicho de otra forma, (2) identifica
regiones sub-esforzadas de la frontera y (3) identifica
regiones sobre-esforzadas.
Los valores de TR y TA pertenecen al intervalo de
0.0 a 1.0, donde TR < TA, cuya funcin es definir lmites
temporales en el nivel de esfuerzo para cada iteracin
en el proceso de optimizacin. Estos valores se actualizan cada vez que se alcanza un estado permanente en el
proceso, es decir, aquel para el cual no es posible mejorar el modelo (remover o adicionar material) empleando los valores actuales de TR y TA. As, la actualizacin
de los parmetros se lleva a cabo de acuerdo con:
TRj+1 = TRj + TER
(4)
TAj+1 = TAj - TEA (5)

donde TER y TEA son las tasas evolutivas de remocin
y adicin, respectivamente y j indica el j-simo estado
permanente.
En este trabajo, despus de hacer pruebas con diferentes valores de los parmetros se establecieron los siguientes valores: TR 0.01 0.1, TA 0.9 0.99,
TER 0.01, TEA 0.0 0.001.
Para problemas en los que existen mltiples casos
de carga, las regiones ineficientes deben determinarse
comparando el efecto de cada uno de los niveles de esfuerzos obtenidos para cada caso de carga. De esta forma, un nodo ser candidato a remocin si lo es para
todos los casos de carga, mientras que ser candidato a
adicin si lo es al menos para uno de los casos. A esta
manera de considerar los nodos de remocin y adicin
se le puede englobar en un algoritmo de lgica AND/
OR (Li et al., 1999)
Tomando en cuenta lo anterior, las inecuaciones (2)
y (3) cambian de la siguiente forma: si N es el nmero
de casos de carga aplicados en el modelo, para cada
26
nodo i se verifican las siguientes expresiones, donde j

representa al caso de carga j-simo:
i,j TR * r,j j [1, N]
(6)

j ( i,j TA * r,j) (7)
Si para el nodo i se cumple (6), dicho nodo se somete a

remocin (lgica AND); si se satisface (7) entonces el
nodo sufrir adicin de material (lgica OR).
Modificacin de los puntos en la frontera

La optimizacin del modelo o estructura se lleva a cabo
por medio de la modificacin de su contorno. sta se
realiza cambiando indirectamente la posicin de los
nodos de las curvas B-Spline desplazando los puntos
de control Pi que las definen.
En general, los diferentes mtodos de optimizacin
estructural que trabajan con base en movimientos de la
frontera, lo hacen aplicando desplazamientos en direccin perpendicular a la frontera sobre los nodos de la
misma (Annicchiarico y Cerrolaza, 2001; Cerrolaza et
al., 2000; Mattheck, 1998 y 2006; Cervera, 2005a y 2005b).
El problema comn de estos es que al tomar en cuenta
slo la direccin perpendicular a la frontera en el nodo
a desplazar, no se considera que puedan existir nodos
vecinos tambin susceptibles de modificacin. En este
sentido, la informacin importante de la geometra y el
estado de esfuerzos en la vecindad del nodo no se toman en cuenta.
En este trabajo se propone utilizar la informacin de
la vecindad de los nodos a modificar aprovechando las
propiedades de las curvas B-Spline. En primer lugar, la
posicin de un nodo C (ui) en una curva B-Spline de
grado p es dependiente de la posicin de los puntos de
control de acuerdo con (1); sin embargo, en realidad lo
es slo de p +1 puntos de control (Shene, 1998).
Por otra parte, las B-Spline son curvas paramtricas
definidas por segmentos. Si m es el nmero de nodos que
definen la curva, entonces existen m - 1 segmentos, cada
uno en el intervalo [ui, ui+1] y m puntos de control. Adems, si cada nodo C (ui) de la curva coincide con el inicio
de un intervalo, entonces los p + 1 puntos de control de
los cuales depende la posicin del punto son:
Pi - 1 , Pi , Pi + 1 , Pi + 2 , ... Pi + p - 1. Dado que, en este trabajo se
utiliza el valor p = 3, los puntos de control que determinan la posicin de C (ui) son: Pi - 1 , Pi , Pi + 1 , Pi + 2 (figura 2).
Lo anterior tambin se puede apreciar si se estudia
el siguiente sistema (8) en el que se muestra la relacin
entre nodos de la curva, puntos de control y funciones
de interpolacin correspondientes a una curva B-Spline
de 3er grado.
Figura 2. Curva B-Spline de 3er grado. La

posicin del nodo depende de los puntos
de control
Figura 3. Curva B-Spline de 3er grado. El

punto de control Pi ejerce influencia slo
sobre los nodos C(ui-p+1), C(ui-p+2), ... ,
C(ui), C(ui +1) de la curva
o, matricialmente:
C=
N P

(9)
Una propiedad importante de las funciones de interpolacin es que para todo punto de la curva se cumple
(10):
Ni-1+Ni+ Ni+1+ Ni+2+ ... + Ni + p -1 = 1
(10)
Esta propiedad tambin puede entenderse como que

los puntos de control Pi-1 , Pi , Pi + 1 , Pi + 2 , ... , Pi + p - 1 contribuyen con porcentajes Ni-1 , Ni , Ni +1 , Ni +2 , ... , Ni + p -1,
respectivamente, en la posicin del nodo C(ui) de la curva. De esta manera, un punto de control Pi afecta en
porcentajes Ni(ui p + 1), Ni(ui p + 2), ..., Ni(ui), Ni(ui + 1), la
posicin de los nodos C(ui p + 1), C(ui p + 2), ... ,C(ui),
C(ui + 1) respectivamente (figura 3). Observe que, en general:
Ni(ui p + 1)+Ni (ui p + 2) + Ni(ui) + Ni (ui + 1) 1
(11)
Si se desea modificar la posicin del nodo

C(ui) de una
curva B-Spline con un desplazamiento Di , los puntos de
(8)
afectarse por
control Pi 1 , Pi , Pi + 1 , Pi + 2 , ... , Pi+p 1 deben
los desplazamientos di -1 , di , di +1 , di + 2 ,... , di + p -1 , respectivamente. An ms, si se debe cambiar la posicin de los

nodos
C(ui) y C(ui+1) con desplazamientos independientes

D
y
D

respectivamente,
los desplazamientos
i
i +1
entonces
a calcular sern

di -1, i , di , i , di +1, i , di + 2 , i ,... , di + p -1, i y
di ,i +1 , di +1, i +1 , di + 2 , i +1 , di + 3, i +1 ,... , di + p -1, i +1 , di + p , i +1 , los cuales son

arbitrarios e independientes entre s.
Conjuntos similares de vectores de desplazamientos
se generan para cada uno de los nodos, donde el primer
subndice corresponde al punto de control sobre el cual
se deben aplicar y el segundo al nodo sobre la curva
para el cual fue generado. Si se aslan los vectores correspondientes
a un punto
de
control Pi se obtiene el
di , i - p +1 , di , i - p + 2 ,... , d i , i , di , i +1.
conjunto
Es evidente que el vector de desplazamiento equivalente necesario para llevar a cabo las modificaciones
correspondientes a cada uno de los nodos dependientes
de la posicin de Pi no es igual a la suma de los vectores
asociados, es decir:

d i d i , i - p +1 + d i , i - p + 2 + ... + d i , i + d i , i +1

(12)
27
Aparentemente, para determinar los desplazamientos

de cada punto de control bastara con resolver la ecuacin (13)

C= N P
(13)
Sin embargo, esta ecuacin no considera que modificar

arbitrariamente la posicin de los nodos, provoca que
los valores de los parmetros u sobre dichos nodos (y,
por lo tanto, los intervalos de definicin de los segmentos de la curva) cambien al mismo tiempo que los valores de las funciones de interpolacin. Hay que recordar
que los valores de los parmetros u son resultado de
una relacin geomtrica entre los nodos C(u). As, resolver la ecuacin (13), sin tomar en cuenta tales circunstancias, producira puntos de control que representaran
una curva B-Spline diferente a la original. Adicionalmente, si los cambios en los parmetros y los intervalos
son demasiado grandes es muy probable que la nueva
curva sufra distorsiones indeseables para la optimizacin del modelo (Cervera, 2005a; Yang, 2004).
En el mtodo de optimizacin empleado en este trabajo es regla general que en cada iteracin se modifique
la posicin de varios puntos de la frontera a la vez. El
cambio de posicin est directamente relacionado con el
nivel de esfuerzo de dichos puntos a travs de las ecuaciones (2) y (3), si se trata de un problema con un solo
caso de carga, o de las ecuaciones (6) y (7), si existen mltiples casos de carga. A su vez, los cambios deben llevarse a cabo desplazando los puntos de control de la curva,
cuyo clculo, como ya fue descrito, no es trivial. Los vectores de desplazamiento de los puntos de control se calculan de forma que, por una parte, se asegure que la
magnitud de los desplazamientos no genere distorsiones
indeseables y, por la otra, la direccin de los mismos considere la informacin de la vecindad de cada punto.
Clculo de la magnitud y la direccin de los desplazamientos

Para asegurar que no se generen distorsiones en la frontera de la estructura y obtener una velocidad moderada
en el proceso de optimizacin, la magnitud de los desplazamientos de todos los puntos de control se restringe, de modo que
di [0, esize * f ]
(14)
donde esize es el tamao promedio de los elementos finitos en la frontera, y f es un factor de modificacin que
permite controlar la velocidad con la que cambia la geometra, cuyo valor es menor o igual a la unidad.
28
Slo los nodos C(u) que satisfagan las ecuaciones (2)

y (3) o (6) y (7) deben considerarse para el clculo de los
desplazamientos de los puntos de control. Para cada
nodo C(ui) se calcula un vector de desplazamiento Di de

acuerdo con las siguientes reglas:
Si C(u) satisface (2) o (3), entonces la magnitud Di

es respectivamente:
- TR * r

Di = i
TR * r
(15)
- TA * r
Di = i

TA * r
(16)
Si C(u) satisface (6) o (7), entonces la magnitud Di

es respectivamente:
i , j - TR * r , j
(17)
Di = Max
TR * r , j
o
i , j - TA * r , j
Di = Max

TA * r , j
(18)
donde j = 1, 2, ... , N, indica cada uno de los casos de

carga.
Por otro lado, si n i es el vector unitario normal
exterior
a la frontera en el nodo C(ui), la direccin de Di es:
= -n , (19)
Si (2) o (6) se satisfacen D
i
i
= n
o si (3) o (7) se satisfacen
(20)
D
i
i
Esto implica que en regiones de bajo nivel de esfuerzo
se remueva material, mientras que en las de alto nivel
de
se ejecute
esfuerzo
adicin de material. Los vectores

Di - p +1 , Di - p + 2 ,... , Di , Di +1 son la base para el clculo del
vector di de cada punto de control Pi. Para desplazar a Pi
deben tomarse en cuenta los desplazamientos de los
nodos
C(u
i - p + 1), C(u
i - p + 2), ... , C(ui), C(ui + 1) es decir,

Di - p +1 , Di - p + 2 ,... , Di , Di +1 . A su vez, a estos nodos les corresponden, por la influencia de Pi , respectivamente,
los valores de las funciones de interpolacin Ni(ui - p + 1),
Ni (ui- p + 2), ... , Ni (ui), Ni(ui+1). Estos ltimos representan
el porcentaje de participacin del punto de control Pi en
la posicin de cada uno de los nodos mencionados. Dicho de otra forma,
si el punto de control Pi debe desplazarse, el vector di debe tomar en cuenta la participacin
del punto de control sobre los nodos correspondientes
de la curva.
El
procedimiento propuesto para el clculo del vector di emplea los valores Ni (ui- p + 1), Ni (ui - p + 2), ... , Ni(ui),
Ni(ui+1) como factores de ponderacin para combinar los

vectores D

, Di - p + 2 ,... , Di , Di +1 de acuerdo con:
i - p +1
d
'i = 1k =- p +1[ N i (ui + k ) * Di + k ]
(21)
d'
= i
d
i
(22)
d 'i
donde d 'i es la suma vectorial ponderada de los desplazamientos de los nodos que estn asociados al punto de
control Pi. El clculo de d 'i es necesario para determinar
la direccin del desplazamiento di del punto de control
Pi , de forma que tome en cuenta, en su justa medida, la
direccin de desplazamiento de los nodos sobre la frontera (figura 4).
Por otra parte, si m es el nmero de nodos en la frontera
y q es el subndice del parmetro u de la funcin de interpolacin
que cumple con (23), entonces el valor de
ser
el
dado
por (24).
di
Max[Ni(ui - p + 1), Ni(ui - p + 2), ... , Ni(ui), Ni (ui + 1)]
Dq

di =
a)
(24)
* esize * f
Max( D1 , D2 ,... , Dm )
(23)
En otras palabras, la magnitud del desplazamiento del

punto de control Pi es igual al valor normalizado del
desplazamiento del nodo sobre el cual Pi tiene mayor
efecto (es decir, C(uq)), multiplicado por el tamao promedio de la malla (esize) y por el factor de modificacin
(f). La
idea principal de esta forma de calcular el vector di es que, por una parte, en el clculo de la direccin
se utiliza la informacin de la vecindad de los nodos en
la frontera y no slo la de un nodo aislado; por la otra,
en el clculo de la magnitud se favorece el desplazamiento de los nodos ms influenciados por el punto de
control.
Criterio de paro
En los mtodos de optimizacin existen diferentes criterios de paro, los cuales dependen de las variables de
diseo y las caractersticas que se estn considerando.
Una caracterstica deseable de un diseo es la homogeneidad del nivel de esfuerzos. El nivel de esfuerzos
mide qu tan alejado del valor de referencia (esfuerzos
mximo, promedio, de fluencia, etctera) est el esfuerzo de cada uno de los elementos finitos que componen
al cuerpo. El homogeneizarlo significa que durante la
optimizacin su valor converge. En el caso ideal el nivel
de esfuerzos convergera a cero, lo cual significa que
b)
Figura 4. Segmento de curva B-Spline de 3er grado

para
el
clculo de la direccin del desplazamiento de los puntos de control.
di
, Di , Di +1
a) la direccin depende
de los vectores Di - 2 , Di
-1
di obtiene con la suma vectorial ponderada d 'i = 1k =- p +1[ N i (ui + k ) * Di + k ]

b) la direccin se
29
todo el modelo experimenta el esfuerzo de referencia.

Cuando el esfuerzo es homogneo se dice que se tiene
un diseo completamente esforzado. En la realidad
esto es casi imposible debido a las condiciones de frontera, teniendo as niveles homogneos de esfuerzo mayores a cero.
El nivel de esfuerzos Ns de todo el modelo se calcula como

=
N
eNE=1 ( e - r )
(25)
La convergencia del nivel de esfuerzos se da cuando

(26) se satisface para n iteraciones consecutivas.
N t +1 - N t
Absoluto
tol
N t
(26)
Los valores de n y tol deben fijarse de forma que se superen los ptimos locales en los casos en que el r , debido a que la magnitud de las fuerzas aplicadas, no alcance
un valor lmite, por ejemplo, el esfuerzo de fluencia del
material empleado para diseo en el rango elstico. Para
el problema del cuerpo suspendido abordado en este trabajo, se definieron n =5 y tol = 10 -4, donde el segundo es
el recomendado por Cervera en 2005a y 2005b. El uso de
valores de tol menores, provocara que la homogeneidad
del nivel de esfuerzos fuera menor, mientras que valores
mayores implicaran una mejor homogeneidad; sin embargo, el tiempo de cmputo se incrementara considerablemente.
30
El procedimiento de clculo del ndice de desempeo

usado en este trabajo es una adaptacin del procedimiento desarrollado por Querin (1977). Las dos caractersticas principales del PI son: que es un nmero que
engloba las caractersticas completas de la solucin y
que es adimensional. Dado que el mtodo propuesto se
basa en el nivel de esfuerzos, el PI se calcula como una
medida del efecto sufrido por el modelo o estructura y
la causa que lo provoca. Dicho de otra manera, PI es
una relacin del estado de esfuerzos de la estructura
entre el sistema de cargas aplicado, esto es
1
F*L
La pregunta inherente a cualquier mtodo de optimizacin empleado en el diseo ptimo de estructuras es: la
geometra generada por el mtodo, realmente es la ptima para las condiciones de cargas y las restricciones dadas? Aunque existen algunas soluciones estndar para
algunos problemas especficos (como las desarrolladas
por Michell (1904), Hemp (1973), Rozvany (1995), entre
Clculo del ndice de desempeo
PI = e =1 e * Ve
ndice de desempeo
a)
otros), el espectro de problemas que pueden plantearse

es ilimitado, por lo que resulta imposible encontrar una
solucin estndar para cada uno de ellos. Ms an, si las
soluciones estndar de un problema particular son comparadas entre s, se llega a la conclusin de que son similares ms no iguales, ya que cada una de ellas tiene una
fuerte dependencia con los planteamientos, suposiciones, consideraciones y objetivos empleados en la formulacin de los mtodos que las produjeron (figura 5).
Por estas razones, es necesaria una medida que
cuantifique qu tan bueno y qu tan cercano a un resultado ptimo est la estructura generada, independientemente del mtodo utilizado para ello. A esta medida
se le llama ndice de desempeo.
b)
c)
NE
(27)
donde
e y Ve son el esfuerzo de von Mises y el volumen del
e-simo elemento finito,
NE es el nmero de elementos finitos en la malla,
F es la resultante del sistema de fuerzas aplicado y
L es una longitud nominal de la geometra.
Figura 5. a), b) y c) muestran la solucin

ptima para una viga corta obtenida por
los mtodos de Rozvany, Chu, y Xie,
respectivamente. Aunque corresponden
al mismo problema las soluciones no
son iguales, sin embargo, guardan entre
ellas una gran similitud (figura tomada de
Cervera, 2005b)
Si el problema de optimizacin implica la aplicacin de

varios casos de carga, entonces (27) debe adaptarse
1
1
* LC
PI =
NE * V
=
j 1=
LC
Fj * L e 1 e e
(28)
donde LC es el nmero de casos de carga aplicados y, Fj

es la fuerza resultante del j-simo caso de carga.
Interpretacin de PI
Querin (1997), seala que el mejor modelo o estructura
optimizado es fcilmente identificado si se monitorea el
valor de PI durante el proceso de optimizacin y se elige aquella con el menor valor de PI. Una caracterstica
fundamental de PI es que, durante el proceso de optimizacin, mientras una estructura evoluciona hacia la
estructura ptima constituida por una geometra continua, el valor de PI se decrementa.
Geometra continua debe entenderse como aquella
que no presenta huecos, cavidades o concavidades importantes.
En general, cuando la geometra deja de ser continua,
por ejemplo, cuando se crean huecos, el valor de PI se eleva
abruptamente. Dado que en este trabajo slo se optimiza la
estructura modificando su frontera, este efecto ocurrir durante el proceso de optimizacin, cuando la frontera presente concavidades de consideracin o regiones de
curvatura elevada. Lo anterior es de esperarse, pues los
huecos, concavidades, etctera actan como concentradores de esfuerzo, por lo que (27) y (28) en sus numeradores
contendrn valores que se incrementan respecto a los correspondientes de una geometra continua.
Se pueden hacer algunas observaciones en cuanto al

significado de PI. Si bien el ptimo global es la estructura
que muestre el menor valor de PI, los resultados obtenidos por Querin (1997) muestran que pueden obtenerse
varios ptimos locales durante el proceso de optimizacin. El ptimo global, en general, es una estructura con
geometra continua; sin embargo, si el proceso de optimizacin se lleva a cabo ms all del ptimo global, la
geometra evoluciona a una que deja de ser continua,
pero el PI contina cambiando y mostrando mnimos
locales que corresponden a resultados ptimos que tambin pueden llamarse locales. En este sentido, PI permite identificar ms de un ptimo durante el proceso, es
decir, un ptimo global y un conjunto de ptimos locales, cada uno para las caractersticas geomtricas del modelo en las iteraciones identificadas.
La figura 6 corresponde al diseo de un caso de las
estructuras de Michell. De a) se identifica como ptimo
global la estructura obtenida en la iteracin 21. Al continuar con el proceso de optimizacin aparecen ptimos
locales para las iteraciones 28 y 55, los cuales se identifican
en a) como los puntos que corresponden a mnimos locales. Como se explic, estos ptimos locales estn caracterizados por la aparicin de cavidades en la estructura.
A diferencia de lo realizado por Querin, el mtodo y
el algoritmo empleados en este trabajo, nicamente trabajan sobre el contorno de los modelos a optimizar. Por
lo tanto, los ptimos tanto global como locales se caracterizan por la aparicin de concavidades de curvatura
elevada que actan como concentradores de esfuerzos.
A pesar de esta diferencia, la informacin arrojada por
el historial del ndice de desempeo permite identificar
b)
a)
Iteracin 21
Iteracin 28
Iteracin 55
c)
d)
Figura 6. En a) se muestra el historial del ndice de desempeo del proceso de optimizacin. b), c) y d) los modelos obtenidos en las
iteraciones 21, 28 y 55, respectivamente (figura tomada de Querin, 1997)
31
los ptimos del proceso. Hay que mencionar que la

eleccin del ptimo ms til entre el global y los locales
depende de varios factores, tales como facilidad de fabricacin, material de fabricacin, peso, esttica, entre
otros.
Diseo de la geometra de un fruto

Las formas que la naturaleza ha dado a los frutos son
bien conocidas por todo mundo, aunque no todos saben el por qu de stas. Querin (1997), por medio del
mtodo ESO, demostr que la forma de algunos frutos,
como la cereza o la manzana, surge de un proceso de
optimizacin natural que depende fundamentalmente
del nivel de esfuerzo superficial experimentado por el
fruto, debido a fuerzas de cuerpo. En este apartado se
corrobora lo comprobado por Querin, aplicando la metodologa de optimizacin descrita.
El dominio de diseo representa un cuerpo suspendido sujeto a la accin de fuerzas de cuerpo debidas a la
gravedad (densidad de 2700 kg/m3 y g = 9.81 m/s2 en
direccin vertical negativa), con mdulo de Young de
70 GPa y coeficiente de Poisson de 0.33, el cual est contenido en un cuadrado de 100 mm por lado, (figura 7a).
Es importante sealar que las propiedades del material
empleado para la optimizacin no corresponden a las
de los frutos en la naturaleza. Sin embargo, no es necesario que correspondan debido a que, como es sabido,
la distribucin de esfuerzos en un cuerpo homogneo
es funcin slo de la geometra y las condiciones de
frontera (fuerzas y restricciones) aplicadas, de tal suerte
que la forma ptima obtenida es vlida para el material
propio de los frutos.
En la figura 7b se observa la distribucin de esfuerzos de von Mises inicial en el dominio de diseo, obtenida usando un tamao promedio de elemento de 2
a)
32
b)
mm, resultando en una malla de 5050 elementos finitos, donde los esfuerzos mximo y promedio son: 65.87
kPa y 2.99 kPa, respectivamente. Debe apuntarse que el
tamao de malla elegido genera una distribucin de esfuerzos sin cambios abruptos, como se observa en las
figuras 7b y 10. Tamaos de malla ms pequeos no
aportaran mayor calidad en la distribucin de esfuerzos y s requeriran mucho mayor tiempo de clculo.
Se utilizaron los siguientes valores iniciales para los
parmetros de optimizacin: TR = 0.5, TA = 0.9, TRE =
0.015, TAE = 0.001. Durante el proceso se consideraron
las lneas L1, L2 y L4 como fijas, evolucionando nicamente la L3, la cual modela el cuerpo del fruto. Los
cambios en el rea y los esfuerzos mximo y promedio
de von Mises generados durante la optimizacin se
pueden apreciar en los grficos de la figura 8.
En la figura 9 se muestran el comportamiento del
nivel de esfuerzos y del ndice de desempeo. En el primer caso, se observa que el nivel de esfuerzos tiene una
tendencia a disminuir, presentando incrementos repentinos, pero que cada vez son de menor magnitud. La
convergencia del nivel de esfuerzos se alcanza despus
de las 90 iteraciones, como lo indica la figura, donde en
la iteracin 97 se alcanza el criterio de paro.
Segn el grfico del ndice de desempeo, se alcanza una geometra ptima en la iteracin 39. Sin embargo, el ndice contina disminuyendo paulatinamente
con la cualidad de que las geometras correspondientes
son similares entre s cambiando prcticamente slo en
su tamao.
En la iteracin 61 se presenta otro cambio en la tendencia del ndice de desempeo, as como en la forma
de las geometras resultantes.
Observando los grficos de la figura 10 se pueden
identificar formas bien conocidas de frutos. Estos resultados, igual que el de Querin (figura 11), indican
Figura 7. a) dominio de diseo,

b) distribucin de esfuerzos de von Mises
Figura 8. Grficos del comportamiento de rea y esfuerzos de von Mises mximo y promedio en la optimizacin
de la geometra del fruto
Figura 9. Grficos del nivel de esfuerzos e ndice de desempeo en la optimizacin del fruto
Figura 10. Grficos de las geometras obtenidas en iteraciones clave durante la

optimizacin del fruto
Figura 11. Geometra generada por

Querin, 1997 para el problema de
optimizacin de forma de un fruto
33
que la forma que la naturaleza ha dado a muchos de

los frutos que se conocen se define con base en el nivel
de esfuerzos de las mismas. Cabe sealar que, aunque
las geometras producidas por ambos mtodos son
muy similares, el mtodo propuesto por el autor requiere mucho menos recursos de cmputo. Mientras
que Querin utiliz una malla de 100100 elementos finitos, los resultados mostrados en la figura 10 requirieron nicamente una malla de 5050, una cuarta
parte de la cantidad de elementos finitos usada por el
primero. Lo anterior es una de las virtudes intrnsecas
al modelado paramtrico de la geometra. Hablando
de la similitud de los resultados de uno y otro mtodo,
hay que resaltar que, tal como fue mostrado en la comparacin entre mtodos de la figura 5, las diferencias
entre la forma de tratar a las geometras provocan que
los resultados no sean exactamente iguales; sin embargo, ambos resultados son vlidos en el contexto de las
caractersticas propias de los mtodos.
En el caso de ESO se trata a la geometra como formada por pequeos bloques, los cuales son eliminados o
aadidos, mientras que en el mtodo utilizado en este
trabajo la geometra se concibe como un contorno formado por curvas paramtricas. Por lo anterior, difcilmente
los resultados de los diferentes mtodos sern idnticos,
pero tendrn enormes similitudes entre s.
Conclusiones
Con los resultados descritos en el apartado anterior se
corrobora que la forma de un fruto es el resultado de un
proceso de optimizacin de forma, en el cual el nivel de
esfuerzos superficiales es homogneo. Tanto los resultados obtenidos por Querin (1997) como los mostrados en
este trabajo lo demuestran. No obstante, el mtodo descrito en este trabajo no requiere una malla de elementos
finitos tan fina, lo cual es una ventaja sobre el mtodo
ESO en cuanto a recursos de cmputo se refiere. La modificacin de la frontera basada en la informacin de los
puntos en la frontera, as como de su vecindad produce
resultados adecuados, lo cual demuestra su funcionalidad y factibilidad.
Referencias
Annicchiarico W., Cerrolaza M. Structural Shape Optimization 3D
Finite-Element Models Based on Genetic Algorithms and
Geometric Modeling. Finite Elements in Analysis and Design,
volumen 37 (nmero 5), 2001: 403-415.
Cerrolaza M., Annicchiarico W. et al. Optimization of 2D Boundary Element Models Using B-Splines and Genetic Algorithms. Engineering Analysis with Boundary Elements, volumen
24 (nmero 5), 2000: 427-440.
34
Cervera E., Trevelyan J. Evolutionary Structural Optimisation Based on Boundary Representation of NURBS: Part I: 2D Algorithms. Computers & Structures, volumen 83 (nmeros 23-24),
2005a: 1902-1916.
Cervera E., Trevelyan J. Evolutionary Structural Optimisation Based on Boundary Representation of NURBS: Part II: 3D Algorithms. Computers & Structures, volumen 83 (nmeros 23-24),
2005b: 1917-1929.
Hemp W.S. Optimum Structures, Claredon Press, Oxford, 1973.
Li Q., Steven G.P., Xie Y.M. On Equivalence between Stress Criterion and Stiffness Criterion in Evolutionary Structural Optimization. Structural Multidisciplinary Optimisation, volumen
18 (nmero 1), 1999: 67-73.
Liang Q.Q., Xie Y.M. Optimal Selection of Topologies for the Minimum-Weight Design of Continuum Structures with Stress Constraints. Proc. Inst. of Mech. Engrs., volumen 213, Part C, 1998.
Mattheck C., Burkhardt S. A New Method of Structural Shape Optimization Based on Biological Growth. International Journal of
Fatigue, volumen 12 (nmero 3), 1990: 185-90.
Mattheck C. Design in Nature- Learning from Trees, 1a ed., Alemania, Springer Verlag, 1998.
Mattheck C. Teacher Tree: The Evolution of Notch Shape Optimization from Complex to Simple. Enginering Fracture Mechanics, volumen 73 (nmero 12), 2006:1732-1742.
Maute K., Ramm E. Adaptative Topology Optimization. Structural and Multidisciplinary Optimizaction, volumen 10 (nmero2), 1995: 100-112.
Michell A.G.M. The Limits of Economy of Material in Frame
Structures. Philosophical Magazine, volumen 8, 1904: 589-597.
Querin O. Evolutionary Structural Optimisation: Stress Based Formulation and Implementation, tesis (Ph.D Dissertation), Australia,
Department of Aeronautical Engineering, University of Sydney, Abril 1997.
Ramm E. et al. Adaptative Topology and Shape Optimization, Computational MechanicsNew Trends and Applications, CIMNE,
Barcelona, Spain, 1998.
Rozvany G.I. et al. Layout Optimization of Structures. Appl. Mech.
Rev., volumen 48 (nmero 2), 1995: 41-119.
Shene C. Introduction to Computing with Geometry [en lnea] [fecha de consulta: julio 1 de 1998], Course Notes. Disponible en:
http://www.cs.mtu.edu/~shene/COURSES/cs3621/NOTES/
Sethian J.A., Wiegmann A. Structural Boundary Design via Level
Set and Immersed Interface Methods. J. Comp. Phys., volumen
163 (nmero 2), septiembre 2000: 489-528.
Steven G.P., Xie Y.M. Evolutionary Structural Optimization with
FEA. Computational Mechanics, volumen 1, 1993: 27-34.
Velzquez-Villegas F. Optimizacin estructural evolutiva: Optimizacin
de forma basada en modelado paramtrico y reglas evolutivas, tesis
(doctorado en ingeniera), Mxico DF, Facultad de Ingeniera,
Universidad Nacional Autnoma de Mxico, Octubre 2009.
Velzquez-Villegas F., Santilln-Gutirrez S.D. Optimizacin de
forma de modelos paramtricos bidimensionales basada en
ponderacin geomtrica y reglas evolutivas. Rev. internacional

de mtodos numricos para clculo y diseo en ingeniera, volumen
28 (nmero 3), 2012: 135-141.
Xie Y.M., Steven G.P. Evolutionary Structural Optimization (ESO),
1a ed., Londres, Springer, 1997.
Yang H. et al. Control Point Adjustment for B-Spline Curve Approximation. CumputerAided Design, volumen 36 (nmero 7),
2004: 639-652.

Citacin Chicago
Velzquez-Villegas, Fernando, Sal Daniel Santilln-Gutirrez.
Optimizacin de forma de un cuerpo suspendido basada en reglas
evolutivas y modelado paramtrico: la forma de un fruto. Ingeniera Investigacin y Tecnologa XIV, 01 (2014): 23-35.
Citacin ISO 690
Velzquez-Villegas F., Santilln-Gutirrez S.D. Optimizacin de
forma de un cuerpo suspendido basada en reglas evolutivas y modelado paramtrico: la forma de un fruto. Ingeniera Investigacin
y Tecnologa, volumen XIV (nmero 1), enero-marzo 2014: 23-35.

Fernando Velzquez-Villegas. Es doctor en ingeniera y profesor de tiempo completo
de la carrera de ingeniera mecnica en la Facultad de Ingeniera de la UNAM.
Su lnea de investigacin est relacionada con tcnicas de optimizacin aplicadas al diseo mecnico y estructural. Ha dirigido tesis de licenciatura y posgrado en las mismas reas. Coordinador y colaborador en proyectos de
desarrollo tecnolgico en el Centro de Diseo Mecnico e Innovacin Tecnolgica (CDMIT) y en Centro de Alta Tecnologa (CAT). Lder del Grupo de Diseo Mecnico ptimo (GDMO) de la Facultad de Ingeniera.
Sal Daniel Santilln-Gutirrez. Es doctor en ingeniera de diseo por Loughborough University of Technology en Inglaterra. Ha dirigido tesis de licenciatura
en el rea de diseo mecnico, as como proyectos de investigacin y desarrollo tecnolgico. Es miembro de la Sociedad de Exalumnos de la Facultad de
Ingeniera de la UNAM (SEFI), de la American Society of Mechanical Engineers (ASME), de la Asociacin de Ingenieros Universitarios Mecnicos Electricistas (AIUME), as como miembro fundador de la Sociedad Mexicana de
Ingenieros Mecnicos. Imparte cursos a niveles licenciatura y maestra en el
rea de desarrollo de productos, inteligencia artificial y mtodos de diseo.
Actualmente es jefe de la Unidad de Desarrollo Tecnolgico Quertaro.
35

(artculo arbitrado)
Reaching High Interactive Levels with Situated Agents

Alcanzando altos niveles de interaccin con agentes situados
Laria-Menchaca J.
Ibarra-Martnez S.
Facultad de Ingeniera Arturo Narro Siller
Centro Universitario Tampico-Madero, Mexico
Universidad Autnoma de Tamaulipas
E-mail: sibarram@uat.edu.mx
Castn-Rocha J.A.
E-mail: jacastan@uat.edu.mx

E-mail: jlaria@uat.edu.mx
Guzmn-Obando J.
Departamento de Ingeniera Elctrica y Electrnica
Instituto Tecnolgico de Ciudad Madero
E-mail: jguzmano@uat.edu.mx
Castn-Rocha E.
Departamento de Ingeniera Elctrica y Electrnica
Instituto Tecnolgico de Ciudad Madero
E-mail: ecastanr@yahoo.com.mx
Information on the article: received: February 2010, reevaluated: April 2011, accepted: January 2012
Abstract
The paper presents a coordinated process through which the situated agents
are capable of working jointly using knowledge about their skills to interact
with other similar entities. A good coordination is reached because each situated agent is able to represent its suitability rates to perform any action in
an effective way. Besides using such rates, an agent can coordinate its actions with other agents. In this sense, each situated agent tries to select and
perform only the actions with the highest execution rates. Some experiments
in a real robotic soccer test-bed are designed to put in practice the proposed
coordinated approach. Final remarks conclude the effectiveness and advantages of the presented work in order to increase the performance of a team
composed by situated agents when they must solve complex tasks in a dynamical, competitive and unpredictable scenario.
Keywords:
situated agents
autonomous mobile robots
interaction
cooperative methods
robot soccer
complex tasks
Resumen
Este artculo presenta un proceso de coordinacin a travs del cual, los agentes
situados son capaces de trabajar conjuntamente utilizando conocimiento acerca de
sus capacidades para interactuar con otras entidades similares. Una buena coordinacin se puede lograr debido a que cada agente situado es capaz de representar, de
manera efectiva, sus rangos de efectividad para ejecutar cualquier accin. Adems,
usando la informacin puede coordinar su trabajo con otros agentes. En este sentido, cada agente situado trata de seleccionar y ejecutar nicamente las acciones
para las que tiene un alto nivel de efectividad. Algunos experimentos en el escenario de futbol robtico se desarrollaron para poner en prctica el mtodo de coordinacin aqu propuesto. Los comentarios finales concluyen la efectividad y
ventajas del trabajo presente para incrementar el rendimiento de un equipo de
agentes situados cuando ellos deben solucionar tareas complejas en escenarios
dinmicos, competitivos e impredecibles.
Introduction
Simply stated, decision-making structure is a process
where agents should be able to select a specific action
out of multiple alternatives. Such process occurs continuously in daily life. Human beings, for instance, usually must take decisions about what cloths to wear, what
food to eat, etc. Likewise, an agent is defined as anything that is situated in a specific environment and
acts based on its observation, interpretation and
knowledge about the situation of such environment, to
select a particular action. Therefore, to take decisions,
agents must obtain knowledge that allows them to be
aware of what actions can or cannot perform. Agents
who should work jointly must be able to converse with
other agents in order to communicate information related to the actions that each can do. Methods for cooperative multi-agent decisions are therefore, in most
cases, intensive software applications and highly sophisticated algorithms that use advanced design technologies. In particular, some research trends have led to
managing complex and cooperative problems using
agents. A situated agent is presented as a physical and
mobile entity capable of flexible and autonomous actions in dynamic, unpredictable and typically cooperative environments (Luck et al., 2005). In this sense,
several results to solve coordinated actions have been
obtained using agent technology (Bogdan et al., 2008;
Zhang and Parker, 2010; Barret et al., 2010). In particular, relevant knowledge is not appropriately reflected
and communicated by the agents. These deficiencies do
not allow agents to make reliable collective decisions
when these are requested (Ibarra, 2008). Obviously,
lack of the appropriate reasoning on these knowledge
results in a lower cooperative performance among
agents, where a proper managing of such knowledge is
38
Descriptores:
agentes situados
robots cooperativos mviles
interaccin
mtodos cooperativos
futbol robtico
tareas complejas
quite relevant to achieve sure and trustworthy commitments. Achieving cooperative agents is still a challenge, because many issues must be considered in
order to develop a working cooperative team, such as
task allocation, conflict of interest, communication, etc.
(Fang and Parker, 2007; Parker, 2008; Jeong et al., 2006;
Benson et al., 2007). In such a case, cooperative agent
systems often work in dynamic and unpredictable scenarios, for thus, the members of a team-agent must respond robustly and adaptively to unexpected environmental changes, such as unsuitable communication
among them or modification in the agent system configuration due to failures of performance. In particular,
cooperative systems of situated agents are characterized by distributed control of heterogeneous agents. A
number of interesting reasons exist to support the cooperation among these agents. In fact, the objective of
the cooperation is to maintain maximum utilization of
multi-agent resources while ensuring job performance
at the highest productive level.
How to reach interaction

High interactive levels are desired due to the fact that
the solution to a more complex problem could be more
successfully performed if multiples autonomous and
intelligent entities can work together with the same global objective in mind. To reach interaction, first, an
agent must be able to differentiate from each other in
order to perceive its situation. Such information allows
agents to know what action they can do by estimating
their operatively rates from all the possible alternatives.
Let us define a situated agent (SAj) as an intelligent
entity with a physical representation and through
which the system can perform physical changes on the
environment. These situated agents are embodied by
Ibarra-Martnez S., Castn-Rocha J.A., Laria-Menchaca J., Guzmn-Obando J. y Castn-Rocha E.
considering the knowledge involved in their capability

to execute an action within their knowledge base. Let
us suppose that a SAj is part of a cooperative group of
situated agents (GSA). A group of situated agents must
generally involve more than one situated agent for the
fulfillment of a particular task.
SAi , SAj GSA|SAi SAj
In particular, the influence degree refers to the relevance that decision axes have in the selection of a determined action in a particular scene. Such influence
aims to calculate critically the suitability of a situated
agent to execute any role R from all the roles R in a
successful and reliable way. In this sense, such influence degree is represented by (3).

= [ EC PK TV ]
R
R
where GSA = {SA1, SA2, SA3, ... , SAm}
where, ECR PKR TVR [0,1]
According to this, an agent uses the information provided by three (3) parameters, called decision axes, where
each axis provides situated agents with knowledge related to its capability to execute any determined action
with a particular kind of information in a determined
time (t) inside a specific spatial region, called scene (S).
Axis 1, environmental conditions (EC), is composed by
information related to the state of the environment directly involved in the performance of a particular action. Axis 2, physical knowledge (PK), is represented
by the specification, the structure and other relevant
details related to the agents physical skills and characteristics. Finally, axis 3, trust value (TV), is related to the
capability of an agent to communicate, to interact and
other relevant details to entrust in other agents. In this
light, the situated agents knowledge base KB(SAj) is
therefore based on the combination of the three axes
above (EC, PK and TV) directly implicated in the execution of any action, such as it is described by (1).
KB(SAj) = [EC (SAj) PK(SAj) TV(SAj)]
(1)
In particular the situated agents knowledge base for

the execution of a specific role (R) in a given time (t), in
a determined scene (Sa), is given by (2).
SAj GSA KB(SAj , R)t
[EC(SAj , R)t
TV(SAj , R) t ]
Sa
Sa
PK(SAj , R) t
Sa
(3)
Sa
(2)
In particular, this paper assumes that each situated

agent is capable to evaluate its range of aptitude to perform any action. Such evaluation is performed by a
match that includes two important aspects used to calculate their suitability rate to all the proposed action.
These aspects are:
The capacity of a situated agent taking into account
the information provided by the three axes.
The influence degree that each axis has over the execution of any determined action.
and
ECR is the relevance of the environmental conditions,
PKR is the relevance of the physical knowledge and
TV is the relevance of the trust value.
In particular the influence degree for the development

of any specific role in any determined scene is given
by (4).
R R (
(R
) tsa
) R (4)
( R ) = [ EC PK TV ]t
R
tsa
sa
Then, the suitability rate of any situated agent is obtained by a match between the requirement of the roles
( ( R ) ) and the capability of the situated agents
t
sa
( KB(SA j , R )t ). Let us suppose that a situated agent

Sa
SAj is capable of executing a role R with a suitability rate

in a time t, within a scene Sa as it is described in (5).
(SA ,R )
j
tS
a
kb(SA j , R ) * ( R )
= b=1
b=1
t
(5)
Sa
To the end, this match ensures that any situated agent is

capable of knowing which roles it can do in a suitable and
reliable way. This fact guarantees an increase in the performance of the team-agent because almost all the time
each role is performed by a trustworthy situated agent.
Some experiments and results

Experiments are devoted to prove the efficiency of the
proposed approach. Hence, some features have been
fixed to do an implementation in the real robotic soccer
test-bed. Particularly, each axis is implemented using
different information of the field, as it is described.
Environmental conditions (axis 1), considered here as a
parameter of proximity P, are related to the real distance between the current location of a situated agent and
39
(i.e., [0,0,0] where 0 means that the parameter is disable and [1, 1, 1] where 1 means that the parameter is
used). From this, we have obtained eight study cases. In
particular, each study case denotes the behavior of each
one of the team that we have used in the empirical experiments. It means that each team-agent uses one of
the binary combinations to allow agents self-calculate
their suitability rates. In particular, Figure 1 shows the
general scheme of the robot soccer test-bed used in this
experimental phase.
These experiments are related to eight different
teams of agents which use each one of the eight possible influence degree. These teams compete among
themselves in ten (10) episodes of only one game with a
predefined period of five (5) minutes. In particular, the
overall expected teams performance is related to reaching the greater number of achieved points and goals.
For example, Figure 2 illustrates the obtained results in
one of the episodes of the experiments. Here, the overall expected performance by each team is measured
using the total score of points to obtain a goal average
(GAVE). The goal average is calculated by the difference
between the obtained goals (G+) and the received goals
(G-).
the current location of the proposed role, and it is provided by (6).

d(SA j , R
P(SA j , R )tS= 1
a
d max
tSa
(6)
Where d max means the maximal distance of a situated

agent with the proposed roles in a scene S as it is described in (7)
d maxS = (d (SA1, R), ... , d (SAm, R)) tS
a
(7)
Physical knowledge (axis 2) refers to the cognitive ability of each situated agent to estimate the knowledge related to the capabilities of its body involved in the
execution of a proposed action, represented as a capability of introspection I. Introspection parameter is calculated implementing feed-forward back-propagation
neural networks.
I(SAj, R)tS = (maxValue (NNSAj ) R)
tS
a
(8)
Trust value (axis 3), here called trust T, refers to the social relationship among agents taking into account both
the amount of good actions which are actions executed in a suitable way and the amount of bad actions
which are actions that are executed in a negative way.
So that, the trust measure of a situated agent is provided by (9).
good( SAj , R )
T (SA j , R )tS =
a
good( SA , R ) + bad( SA , R )
j
tS
a
(9)
Once the implementation of each axis has been introduced, an agent is capable to define how the relevance of
the set of decision axes can influence in the calculus of
the situated agents suitability rates. We have designed
a classification of a binary combination of the three axes
40
a)
Figure 1. General scheme of the Robot Soccer Test-bed used in

the experiments
b)
Figure 2. Results of the first episode: a)

Scores obtained in each game, b) Ranking
of the teams
Ibarra-Martnez S., Castn-Rocha J.A., Laria-Menchaca J., Guzmn-Obando J. y Castn-Rocha E.
In addition, the Figure 3 illustrates the teams performance taking into account the successful number of
points obtained based on the won and tied games along
all the episodes. The performance does not improve
significantly somewhere beyond the 6 episodes of the
experiment. The number of trials (episodes) to initially
confirm the systems performance was fixed in 10.
Figure 3. Performance comparison between the agents-teams
As a conclusion, these statistical results confirm clearly

the idea that situated agents can make sure decisions,
and carry out a better performance when they use
knowledge related to their situation to perform any
proposed action. Due to the difficult, in the development of these experiments, the number of games is
small but not less important for the aims of this research.
So, the exposed results confirm clearly the difference between the system performances where it uses
coordinated task problem-solving strategy. In particular, there is an improvement rate of around an 63% in
this scenario between the best team (using the selection
of parameters [1,1,1]) and the worst team (using the
parameters [0,0,0]).
Final remarks
In this paper it is possible to argue how situated agents
that use information about their rates of actions are capable to reach better decisions out of all their possible
alternatives. In this light, the decision performance
(successful decisions) of the situated agents is better
when they are able to estimate their situation (i.e., their
knowledge base) related to the execution of any proposed actions, than when the agents do not use it. Successful decisions in the experiments are related to the
ratio between the number of successful tasks performed by the situated agent and the total number of actions performed by the same agent. According to this,
the situated agents increase significantly the number of
successful actions if they are able to base its decisions

on their situation considering the three proposed parameters over the environment.
The data from the experiments discloses that the implementation of the three parameters of the decision
axes combined within the agents decision-making
structure, produces best performance in all the experiments. But more importantly, the system performance
(successful performance) is significantly better when
the agents increase the information (i.e., when the
agents use grater amount of knowledge) involved in
their decision-making to perform any action. However,
the remaining cases show interesting results but not an
optimal strategy for the present domains at all. This fact
illustrates that the choice of a strategy that includes
knowledge in the agents decision-making structure is
far from trivial. In this case, the obtained results are significant and show the need for further investigation
about the agents situation and its effect in the performance of complex problems in dynamic and cooperative environments.
This is a complicated process because the number of
roles grows exponentially. Therefore, each agent is able
to perceive and interpret the information involved in
the proposed actions to generate its knowledge base. In
this sense; redundancy in the tasks execution is then
avoided. Finally, this new and effective approach contributes to enhance multi-agent efficiency and performance in dynamic and cooperative environments
because the agents are capable of knowing if they can
perform the proposed action.
Acknowledgments
This work is supported by the Facultad de Ingenieria
Arturo Narro Siller at the Universidad Autonoma de
Tamaulipas.
References
Barrett S., Taylor M.E., Stone P. Transfer Learning for Reinforcement Learning on a Physical Robot, on: Ninth International
Conference on Autonomous Agents and Multiagent Systems
- Adaptive Learning Agents Workshop (AAMAS-ALA), Toronto, Canada, May 2010.
Benson E., Berliner J., Brinn M. Framework for Multiresolutional
Knowledge Dissemination and Collection in Dynamic Agent
Societies, on: Proc. of the International Conference on Integration of Knowledge Intensive Multi-Agent Systems (KIMAS07), 2007, pp. 97-102.
Fang T., Parker L.E. A Complete Methodology for Generating
Multi-Robot Task Solutions using ASyMTRe-D and Market-
41
Based Task Allocation, on: Proc. of the IEEE International

Conference on Robotics and Automation, pp. 3351-3358, April
2007.
Ibarra M.S. A Formalization for Multi-agent Decision Support in Cooperative Environments. A Framework for Situated Agents, (Doctoral Thesis), Girona, Catalonia, Spain, 2008.
Jeong-Ki Y., Yong-Duk K., Bum-Joo L., In-Won P., Kuppuswamy
N.S., Jong-Hwan K. Hybrid Architecture for Kick Motion of
Small-sized Humanoid Robot, HanSaRam-VI, on: Proc. of the
International Joint Conference SICE-ICASE06, October 2006,
pp. 1174-1179.
Luck M., McBurne P., Shehory O., Willmott S. Agent Technology:
Computing as Interaction, In A Roadmap for Agent Based Computing, Compiled, written and edited by Luck M., McBurney P.,
Shehory O., Willmott S. and the AgentLink Community, pp.
11-12, 2005.
Parker L.E. Distributed Intelligence: Overview of the Field and its
Applications in Multi-Robot Systems. Journal of Physical
Agents, volume 2 (issue 1), 2008: 5-14.
Rusu R.B., Gerkey B., Beetz M. Robots in the Kitchen: Exploiting
Ubiquitous Sensing and Actuation. Robotics and Autonomous
Systems, volume 56 (issue 10), 2008: 844-855.
Zhang Y. and Parker L.E. A General Information Quality Based

Approach for Satisfying Sensor Constraints in Multirobot
Tasks, on: Proc. of IEEE International Conference on Robotics
and Automation, Anchorage, Alaska, 2010.

Ibarra-Martnez, Salvador, Jos A. Castn-Rocha, Julio Laria-Menchaca, Javier Guzmn-Obando, Emilio Castn-Rocha. Reaching
High Interactive Levels with Situated Agents. Ingeniera, Investigacin y Tecnologa XIV, 01 (2013): 37-42.
Ibarra-Martnez S., Castn-Rocha J.A., Laria-Menchaca J., Guzmn-Obando J., Castn-Rocha E. Reaching High Interactive Levels
with Situated Agents. Ingeniera, Investigacin y Tecnologa, volume XIV (issue 1), January-March 2013: 37-42.
About the authors

Salvador Ibarra-Martnez. He holds the doctor degree on computer science (focused on
cooperative robotics) from the University of Girona, Cataolina, Spain. He is a lecturer at the Universidad Autonoma de Tamaulipas, Mexico. He is member of the SNI.
His research interests include intelligent agent systems, coordination mechanisms
for autonomous mobile cooperative robots with application for both real and simulated robot soccer and rescue test beds.
Jos A. Castn-Rocha. Received the master degree in science by the Universidad Autonoma de Tamaulipas. He is, currently, PhD candidate in the program of organization
engineering, of the Escuela Superior de Ingenieros at the University of Sevilla,
Spain. He is a lecturer at the Universidad Autonoma de Tamaulipas. His research
interests are related to intelligent transit systems, models of vehicles flow and their
implementation with intelligent agents.
Julio Laria-Menchaca. He holds the doctor degree in physics by the CICATA-IPN, Mexico. He is a lecturer at the Universidad Autonoma de Tamaulipas. His research interests involve electronic designs, automation and intelligent control.
Javier Guzmn-Ovando. Received the doctor degree on computer science from the University of Girona, Catalonia, Spain. He is a lecturer at the Universidad Autonoma
de Tamaulipas, Mexico. His research interests include distributed artificial intelligence and recommender systems
Emilio Castn-Rocha. Received the master degree in ???. He is a lecturer at the Universidad Autonoma de Tamaulipas and at the Instituto Tecnologico de Ciudad Madero.
His research interests are related to control theory, electrical and engineering component systems.
42

(artculo arbitrado)
Minimizacin del makespan en mquinas paralelas idnticas con

tiempos de preparacin dependientes de
la secuencia utilizando un algoritmo gentico
Makespan Minimization for The Identical Machine Parallel Shop with Sequence
Dependent Setup Times Using a Genetic Algorithm
Salazar-Hornig E.
Medina-S.J.C.
Universidad de Concepcin, Concepcin, Chile
Correo: esalazar@udec.cl
Facultad de Administracin y Negocios

Universidad de las Amricas, Santiago, Chile
Correo: jmedinas@udla.cl
Informacin del artculo: recibido: mayo de 2010, aceptado: abril de 2012
Resumen
Se presenta un algoritmo gentico para la programacin de trabajos en un
sistema de mquinas paralelas idnticas, con tiempos de preparacin dependientes de la secuencia, con el objetivo de minimizar el makespan (Cmax). El
algoritmo gentico se compara con otros mtodos heursticos sobre un conjunto de problemas de prueba generados aleatoriamente. Posteriormente se
introduce un procedimiento de mejora en el proceso evolutivo del algoritmo
gentico que mejora significativamente su desempeo.
Descriptores:
mquinas paralelas idnticas
algoritmos genticos
heursticas
Abstract
A genetic algorithm for the parallel shop with identical machines scheduling problem with sequence dependent setup times and makespan (Cmax) minimization is presented. The genetic algorithm is compared with other heuristic methods using a
randomly generated test problem set. A local improvement procedure in the evolutionary process of the genetic algorithm is introduced, which significantly improves
its performance.
Keywords:
identical parallel machines
genetic algorithms
heuristics
Minimizacin del makespan en mquinas paralelas idnticas con tiempos de preparacin dependientes de la secuencia utilizando un algoritmo gentico
Introduccin
El taller de mquinas paralelas
En todo sistema de produccin las necesidades de los

clientes se traducen en rdenes de produccin que se
liberan y transforman en trabajos con fecha de entrega asociada. La programacin de produccin que asigna estos trabajos a recursos productivos limitados, debe
realizarse de manera detallada y eficiente para permitir
un mejor control de las operaciones dentro del sistema
productivo y constituir una ventaja competitiva difcil
de imitar.
Los diferentes productos requieren en su fabricacin distintas operaciones, las cuales se realizan en un
orden y configuracin productiva determinada, que
depende del tipo de producto, el volumen de produccin, la variedad de productos que se producen en el
sistema, etctera.
El taller de mquinas paralelas consiste en un sistema
de m mquinas dispuestas en paralelo (multicapacidad), que procesan trabajos que requieren una operacin, la cual puede realizarse en cualesquiera de las m
mquinas.
Para resolver la programacin de un taller de mquinas paralelas existen diferentes mtodos exactos y heursticos, constructivos o de mejora. La heurstica LPT
(Baker, 1974; Baker y Trietsch, 2009; Blazewicz et al.,
1996; Pinedo, 2008) es una de las heursticas clsicas de
buen desempeo que resuelve el problema sin tiempos
de preparacin dependientes de la secuencia y minimizacin de makespan.
Esta heurstica puede adaptarse para resolver el
caso de tiempos de preparacin dependientes de la secuencia (ver estudio experimental).
Se han tratado diferentes problemas de mquinas paralelas idnticas con setup aplicando diferentes metaheursticas y mtodos de bsqueda local. Mendes et al.
(2002) plantean un algoritmo que combina tabu search y
algoritmos memticos para minimizar Cmax. Radhakrishnan y Ventura (2000) tratan el problema de minimizar
la suma total de la prontitud y tardanza a travs de un
algoritmo simulated annealing que incorpora una heurstica de bsqueda local para construir la solucin inicial.
Lin y Liao (2004) tratan el problema de minimizar Cmax
sujeto al tiempo mnimo total de flujo basado en un mtodo de programacin matemtica.
Anglani et al. (2005) plantean un modelo fuzzy de
programacin matemtica que considera la imprecisin
en los tiempos de proceso, balanceando los costos de
setup con la satisfaccin de la demanda. Behnamian et
al. (2009) proponen un algoritmo hbrido para minimizar Cmax utilizando ant colony optimization, simulated annealing y variable neighborhood search.
En este trabajo se trata el problema del taller de mquinas

paralelas idnticas con tiempos de preparacin dependientes
de la secuencia, que consiste en resolver la programacin
de trabajos en un sistema de capacidad mltiple con m
mquinas que realizan operaciones iguales, dispuestas
en paralelo y n trabajos a procesar en una, y slo una,
de las mquinas. El concepto de mquinas idnticas
significa que cada trabajo puede ser procesado en cada
una de las mquinas con igual tiempo de proceso. El
tiempo de preparacin en el que se incurre al procesar
un trabajo en una mquina depende del trabajo previamente procesado en la misma. Este tipo de configuracin est presente en diferentes ambientes de manu-
factura como en la industria textil, industria de la madera, etctera.
El tiempo de proceso de cada trabajo est fijo y existen tiempos de preparacin de mquinas que dependen
del orden en el que se procesan los trabajos en cada
una. El objetivo considerado en este trabajo es minimizar el makespan (Cmax), que consiste en minimizar el intervalo de tiempo entre el inicio del procesamiento del
primer trabajo (tiempo de referencia 0) y el tiempo de
terminacin del procesamiento del ltimo trabajo, es
decir, el intervalo de tiempo en el que se procesa completamente la totalidad de los trabajos (rdenes de produccin). Se consideran los siguientes supuestos:
44
1. Cada trabajo debe ser procesado en una, y slo una,

mquina k, k = 1, 2,..., m.
2. El tiempo de proceso del trabajo i, independiente de
la mquina, est dado por pi (i = 1,..., n).
3. Los tiempos de preparacin (setup) para procesar el
trabajo j despus del trabajo i, independiente de la
mquina, est dado por sij (i = 1,..., n; j = 1,, n), donde sii representa la preparacin inicial cuando el trabajo i es el primer trabajo procesado en una mquina.
4. Cada mquina puede procesar slo un trabajo a la
vez.
5. El proceso de un trabajo en una mquina no se puede interrumpir (nonpreemption).
6. Todos los trabajos son independientes entre s y se
encuentran disponibles en el instante inicial.
7. Las mquinas operan sin fallas en el horizonte de
programacin.
8. El objetivo es minimizar Cmax.
Bajo la notacin introducida por Graham et al. (1979) el
problema de mquinas paralelas caracterizado por los
supuestos mencionados se denota por Pm / sij / Cmax, y
es un conocido problema NP-Hard (Blazewicz et al.,
1996; Pinedo, 2008), lo que hace impracticable la obtencin de la solucin ptima para problemas de mediano
a gran tamao.
En este trabajo se resuelve el problema Pm / sij / Cmax
mediante un algoritmo gentico, comparndolo con otras
heursticas. La relevancia de los problemas de programacin con tiempos y/o costos de preparacin dependientes de la secuencia, queda de manifiesto en una
amplia gama de configuraciones productivas (Allahverdi et al., 2008).
Un esquema simple para resolver la programacin
para este problema es definir un ordenamiento de los
trabajos de acuerdo a un criterio determinado, y luego
continuar de acuerdo al procedimiento de asignacin
de trabajos presentado en la figura 1.
procedure Asignacin de Tabajos
Definir ListaTrabajos ordenada por un criterio.
while (ListaTrabajos no vaca) do
Asignar primer trabajo de la lista a la mquina donde finaliza
antes.
Eliminar primer trabajo de ListaTrabajos.
endwhile
endprocedure
Figura 1. Pseudocdigo de procedimiento de asignacin de

trabajos a mquinas
A modo de ilustracin, consideremos un problema de 2

mquinas paralelas idnticas y 6 trabajos a programar,
cuyos parmetros se presentan en las tablas 1 y 2.
Tabla 1. Tiempos de proceso de los trabajos (pi)
Trabajo
pi
12
15
10
Tabla 2. Matriz de tiempos de setup (sij)

Trabajo
1
2
3
4
5
6
3
9
6
7
8
6
8
6
7
8
4
5
6
5
4
7
3
4
7
4
8
4
9
9
2
2
4
6
2
3
4
7
9
6
3
2
Utilizaremos la regla LPT (largest processing time) para

generar la ListaTrabajos inicial del procedimiento de
Asignacin de Trabajos de la figura 1. La lista obtenida
ordena los trabajos de mayor a menor tiempo de pro-
ceso, resultando: 4 2 5 1 6 3, para luego asignarlos a las mquinas de acuerdo al procedimiento de

la figura 1. Este procedimiento de asignacin genera la
programacin que se muestra en la carta Gantt de la
figura 2.
Para el trabajo 4, tanto en la mquina 1 (M1) como
en la mquina 2 (M2) el tiempo de terminacin es 0 (disponibilidad de mquina) + 4 (setup inicial) + 15 (tiempo
de proceso) = 19; se asigna a M1 utilizando el criterio de
desempate al asignar a la mquina de menor ndice.
Luego el trabajo 2 se asigna a M2 terminando en el
tiempo 0 + 6 + 12 = 18 (en M1 habra finalizado en el
tiempo 19 + 8 + 12 = 39). A continuacin, el trabajo 5 se
asigna a M2 con tiempo de terminacin 18 + 2 + 10 = 30
(en M1 habra finalizado en el tiempo 19 + 6 + 10 = 35) y
as hasta obtener una programacin con Cmax = 48 (el
trabajo 3, ltimo trabajo que se procesa, termina en el
tiempo 48).
Algoritmo gentico
Los algoritmos genticos fueron introducidos por Holland (1975), utilizan un lenguaje de gentica natural
modelando, en forma artificial, mecanismos de la evolucin natural aplicados a la optimizacin de problemas. Asocian el concepto de individuo a una solucin
factible del problema y el de poblacin a un conjunto de
individuos (soluciones factibles). Los individuos estn
formados por genes (elementos ordenados en una sucesin lineal), que se evalan a travs de una funcin de
aptitud denominada fitness, que corresponde a una medida de la calidad del individuo como solucin del problema (Goldberg, 1989; Davis, 1991 y Michalewicz,
1999). Otros enfoques evolutivos actuales e inspirados
en procesos de la naturaleza, extendidos tambin a ms
procedure Algoritmo Gentico
t0
inicializar Pt
evaluar Pt
while (t < Ng) do
t t+1
seleccionar padres de Pt-1
formar poblacin Pt
evaluar Pt
endwhile
endprocedure
Figura 3. Pseudocdigo de un algoritmo

gentico (Michalewicz, 1999)
Figura 2. Carta GanttProcedimiento de

asignacin
45
Salazar-Horning E. y Medina-S.J.C.
de un objetivo pueden revisarse en Coello et al. (2010).

La figura 3 muestra una estructura general de un algoritmo gentico.
La poblacin inicial de soluciones (P0) se determina
de manera aleatoria y el proceso de seleccin durante el
proceso evolutivo se realiza de acuerdo con una distribucin de probabilidades, que determina que un individuo tiene una probabilidad de ser seleccionado
proporcional a su fitness (Michalewicz, 1999). Esto significa que en el proceso de seleccin los individuos de
mejor fitness tienen mayor probabilidad de ser seleccionados.
La formacin de la poblacin de la generacin t (Pt),
a partir de la poblacin de la generacin t 1 (Pt-1), se
realiza de acuerdo con un proceso de cruzamiento de
dos individuos, sujeto a una probabilidad de cruzamiento (pc), generando descendencia (hijos). Sobre la
descendencia opera una mutacin de acuerdo con una
probabilidad de mutacin (Pm). La evaluacin de la poblacin Pt evala a cada individuo determinando su fitness. El proceso evolutivo utiliza un operador de
cruzamiento y un operador de mutacin, y se realiza
hasta que se evalan Ng generaciones.
El algoritmo gentico definido utiliza individuos con
estructura de cromosoma de n elementos, que representa
una lista ordenada de los trabajos a programar. El individuo es evaluado obteniendo el makespan de la asignacin de trabajos a las mquinas de acuerdo al proce-
dimiento indicado en la figura 1. Se utiliz esta estructura del cromosoma, dado que el algoritmo gentico se
compar con otras heursticas que generan la programacin basada en una secuencia de trabajos; el mismo
argumento anterior explica tambin el por qu tampoco se adopt incluir elitismo en el proceso de evolucin.
Para el problema de programar un conjunto de 6
trabajos, como en el ejemplo de la seccin 2, la secuencia: 4 2 5 1 6 3 representa un individuo, que
define una lista ordenada de trabajos asignados a las 2
mquinas del ejemplo, siguiendo el procedimiento de
la figura 1, lo que produce la programacin con Cmax =
48 presentada en la figura 2. El valor del makespan igual
a 48 que origina la mencionada secuencia corresponde
al valor del individuo. Como se trata de un problema
de minimizacin, un individuo representa una mejor
solucin mientras este valor sea menor (individuo de
mejor fitness).
Se utilizan los operadores genticos PMX propuestos por Goldberg y Lingle (1985) (Michalewicz, 1999)
como operador de cruzamiento y swap (o exchange)
como operador de mutacin. Estos operadores son clsicos y frecuentemente se utilizan en la literatura en
problemas de secuenciacin. El operador PMX seleccio-
46
na de manera aleatoria dos posiciones copiando la subsecuencia central de dos padres en dos descendientes
(hijos). Las posiciones restantes de los hijos se llenan
con los trabajos an no asignados en la misma posicin
del padre que no aport la subsecuencia central al hijo,
esto es, si el trabajo no se encuentra en la subsecuencia
central permanece en la misma posicin, en caso contrario, se reemplaza por el trabajo que est en la misma
posicin de la subsecuencia central traspasada al otro
hijo. El operador swap intercambia dos trabajos de un
individuo en forma aleatoria.
Padre 1 :
52|316|4
(58)
Padre 2 :
xx |152|4
Hijo 1 :
36|152|4
46|152|3
(45)
4x|316|x
(47)
Hijo 2 :
42|316|5
(47)
Figura 4. Operador de Cruzamiento PMX
Para el ejemplo de la seccin 2, la figura 4 muestra el

cruzamiento de dos individuos (padres) de una poblacin con makespan 58 y 45, respectivamente, aplicando
el operador de cruzamiento PMX seleccionando en forma aleatoria la subsecuencia que incluye las posiciones
3 a 5, proceso que genera dos hijos, ambos con makespan
de 47.
Para el mismo ejemplo, la figura 5 muestra la mutacin del hijo 1 intercambiando las posiciones 2 y 6, proceso que genera el mutante con makespan 46.

Individuo : 3 6 1 5 2 4
(47)
Mutante : 3 4 1 5 2 6
(46)
Figura 5. Operador de mutacin swap
Posteriormente, se introduce un algoritmo de mejora

que optimiza la asignacin de los trabajos en cada mquina. El algoritmo de mejora que se introduce en la
evaluacin de cada individuo busca reducir los tiempos
de terminacin de cada mquina del sistema, para lograr una disminucin del makespan. La reduccin del
tiempo de terminacin en cada mquina se trata resolviendo problemas independientes de secuenciamiento
de trabajos en una mquina con tiempos de preparacin dependientes de la secuencia.
Este problema tiene estructura similar a una variante
del problema del vendedor viajero asimtrico ATSP (asymmetric traveling salesman problem), en el que un vendedor que debe visitar n ciudades con distancias asimtricas
entre ellas (esto es dij dji), minimizando el total de la distancia recorrida sin retornar a la ciudad de origen.
Los trabajos se asocian a las ciudades y los tiempos
de setup sij se asocian a las distancias dij (note que dij dji
procedure Heurstica del Mejor Vecino

Definir ListaTrabajos
while (ListaTrabajos no vaca) do
Asignar primer trabajo de ListaTrabajos como primer trabajo de Secuencia
Definir ListaSecuencia (todos los trabajos salvo primer trabajo de la Secuencia).
while (ListaSecuencia no vaca) do
Asignar trabajo de ListaSecuncia que genere menor setup a continuacin.
Eliminar trabajo asignado de ListaSecuencia.
endwhile
Evaluar Secuencia.
Eliminar primer trabajo de ListaTrabajos.
endwhile
endprocedure
dado que se tienen tiempos de preparacin dependientes de la secuencia sij sji), as, minimizar la distancia
total recorrida por el vendedor se asocia con minimizar
la suma total de setups, que es equivalente a minimizar
Cmax.
Por lo anterior, se aplica para su resolucin una
adaptacin de una heurstica greedy clsica aplicada al
problema del vendedor viajero, denominada heurstica
del mejor vecino (nearest neighbor heuristic), que construye
una secuencia de ciudades a visitar, de manera que estando en una ciudad, el vendedor escoge la ciudad ms
cercana an no visitada. El procedimiento aplicado en
este trabajo se indica en la figura 6.
Para el ejemplo de la seccin 2, el individuo 4 2 5
1 6 3 fue asignado mediante el procedimiento de
asignacin de la figura 1, obtenindose una programacin con Cmax = 48 (figura 2). A M1 se asigna la secuencia
de trabajos 4 1 3, mientras que a M2 se asigna la secuencia de trabajos 2 5 6, lo que produce tiempos de
terminacin de 48 y 41 en M1 y M2, respectivamente.
As, para completar la evaluacin del individuo 4
2 5 1 6 3 se resuelven dos problemas de secuenciamiento de una mquina, uno (en M1) que considera
slo los trabajos 1, 3 y 4, y otro (en M2) que considera
slo los trabajos 2, 5 y 6. Resolviendo estos problemas
mediante la heurstica del mejor vecino se obtienen
nuevos ordenamientos de trabajos en M1 y M2, como se
ilustra en la figura 7.
La secuencia de trabajos 3 1 4 en M1, finaliza en
M1 con tiempo 44, mientras que la secuencia de trabajos 6 5 2, finaliza en M2 con tiempo 39, por lo que el
makespan resultante es 44, mejorando en este caso el
makespan obtenido por el procedimiento de asignacin.
Figura 6. Pseudocdigo Procedimiento

Heurstica del Mejor Vecino (MV)
Estudio experimental
Los mtodos evaluados fueron los algoritmos genticos
AG (estndar con operador de cruzamiento PMX y
operador de mutacin swap) y AG+MV (AG incorporando la heurstica del mejor vecino como algoritmo de
mejora) presentados en la seccin 3, LPT* (extensin de
la Heurstica LPT al problema de mquinas paralelas
idnticas con setup) y SMC (simulacin Montecarlo).
Los parmetros de probabilidad de cruzamiento (pc)
y mutacin (pm), y el tamao de poblacin (Np) del algoritmo gentico se calibraron mediante experimentacin. En un estudio preliminar se analizaron 5 instancias
del problema (distintas a las consideradas en el trabajo)
con valores pc = 0.5, 0.6 y 0.8; pm = 0.10, 0.20 y 0.50; Np =
50, 100 y 200 procesando 10 rplicas de 200 generaciones por instancia. Se observ el makespan promedio
para cada combinacin de valores en cada instancia,
obtenindose con mayor frecuencia el menor promedio
para los valores pc = 0.8, pm = 0.5 y Np = 200. Finalmente,
el nmero de generaciones para la experimentacin se
estableci en 500 para posibilitar una bsqueda exhaustiva y se procesaron 10 rplicas para cada instancia entregando como resultado del mtodo la secuencia con
menor makespan. Estos parmetros se utilizaron tanto
para el algoritmo gentico bsico AG, como para la versin del algoritmo gentico con mejora AG+MV.
Heurstica LPT*
La heurstica LPT, aplicada con buenos resultados al
problema de mquinas paralelas sin setup (Baker, 1974;
Baker y Trietsch, 2009), se extiende en este trabajo al
Figura 7. Carta Ganttasignacin con

mejoramiento del mejor vecino
47
caso de mquinas paralelas idnticas con setup, denominndola heurstica LPT*. La heurstica LPT* redefine
los tiempos de proceso de cada trabajo i estimando su
tiempo de ocupacin de mquina (pei) como la suma de
su tiempo de proceso y el promedio de los tiempos de
setup que puede tener cada trabajo, esto es:
n
pe=
pi + s ji n
i
j= 1
En lugar de ordenar los trabajos de mayor a menor

tiempo de proceso pi como lo hace la heurstica LPT, los
trabajos se ordenan de mayor a menor tiempo estimado
de ocupacin de mquina pei, formando as la ListaTrabajos inicial para el procedimiento de Asignacin de Trabajos de la figura 1.
Simulacin Montecarlo
El mtodo de simulacin Montecarlo genera en forma
(pseudo) aleatoria una muestra de tamao N de secuencias de n trabajos; cada una de las N secuencias de
la muestra se construye seleccionando con igual probabilidad el siguiente trabajo de entre los trabajos an no
seleccionados mediante un procedimiento de muestreo
(pseudo) aleatorio. Cada secuencia de la muestra se
evala mediante el procedimiento de asignacin de trabajos de la figura 1, entregando como resultado del procedimiento de muestreo la secuencia de la muestra con
menor makespan. En este trabajo se consideraron 10 rplicas (muestras) de tamao N = 50.000 secuencias, cada
una de n = 50 trabajos, entregando como solucin la secuencia de menor makespan entre las 10 secuencias entregada por cada rplica.
La evaluacin de los algoritmos se realiz utilizando instancias generadas en forma aleatoria de acuerdo
a distribuciones de tiempos de proceso y de setup utili-
zadas en la literatura. Los tiempos de proceso de los

trabajos se generaron de la distribucin uniforme discreta entre 1 y 100 (pi ~ UD[1,100]). Los tiempos de preparacin dependientes de la secuencia de los trabajos se
generaron de la distribucin uniforme discreta entre 1 y
30 (sij ~ UD[1,30]). Se considera, por lo tanto, un entorno
productivo donde los tiempos de preparacin son esencialmente menores a los tiempos de proceso.
Se generaron 30 instancias de problemas de 5 mquinas (m = 5) y 50 trabajos (n = 50), esperando en promedio la asignacin de 10 trabajos por mquina.
La evaluacin de la heurstica se realiz por medio
de rutinas adaptadas del software SPS_Optimizer (Salazar, 2010), herramienta diseada para la programacin de operaciones.
Para evaluar el desempeo se utiliz el makespan
(Cmax) como medida de desempeo. El makespan entregado por el mtodo se compara contra la mejor solucin conocida (MSC), correspondiente a la mejor so-
lucin obtenida entre todos los mtodos. Para determinar el porcentaje de incremento sobre el mejor makespan
conocido (%MSC), se utiliza la medida:
% MSC =
Sol Mtodo MSC

* 100
MSC
SolMtodo es el valor del makespan obtenido con el mtodo en estudio y MSC es la mejor solucin conocida de la
respectiva instancia.
Los resultados del makespan obtenidos por cada algoritmo en cada instancia se muestran en la tabla 4
(columnas GA, LPT*, SMC y AG+MV). En la figura 8
se grafican estos resultados, en el eje horizontal se tienen las 30 instancias y en el eje vertical el valor del
makespan.
En ste se aprecia que el algoritmo LPT* presenta
el desempeo ms bajo (prcticamente en todos los
Figura 8. Comparacin de mtodos
48
problemas su grfica est por sobre la de todos los

otros mtodos), mientras que los algoritmos AG y
SMC presentan un rendimiento muy similar (las soluciones de estos mtodos prcticamente se superponen). De la tabla 4 se obtiene que GA es mejor en el
63.33% (19 sobre 30) y LPT* en 50% (15 sobre 30) de las
instancias, existiendo 4 instancias en las cuales estos
algoritmos obtienen igual resultado.
Lo que se destaca en la figura 8 es el buen rendimiento que logra AG+MV, mejorando significativamente su desempeo respecto de AG, obteniendo la
mejor solucin en 100% de las instancias evaluadas.
Por este motivo se realiza la comparacin de todos los
algoritmos con respecto a las soluciones obtenidas por
AG+MV, detallando en la tabla 4 las diferencias porcentuales %MSC por instancia para cada mtodo (columnas %AG, %LPT* y %SMC).
La tabla 3 resume las diferencias porcentuales promedio de los algoritmos AG, LPT* y SMC con respecto
a AG+MV, lo que se interpreta de la siguiente forma: en
promedio las soluciones del algoritmo AG+MV son,
respectivamente, 8.18%, 14.41% y 8.39% mejores soluciones que los algoritmos AG, LPT* y SMC.
Instancia
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
AG
661
642
567
525
568
531
582
603
620
573
651
646
654
600
515
576
556
617
594
586
578
612
589
572
568
557
581
580
558
598
LPT*
693
671
603
551
580
557
624
622
651
611
689
653
675
620
535
602
583
646
615
599
605
647
642
595
596
591
607
601
612
634
SMC
667
639
566
528
567
532
584
604
620
579
648
646
652
604
514
571
556
609
599
584
585
611
595
574
570
562
584
588
556
598
AG+MV
617
593
523
486
522
486
539
561
578
534
605
597
606
558
470
530
516
571
552
531
537
565
549
527
522
513
534
538
513
555
Promedio
%AG
7,13
8,26
8,41
8,02
8,81
9,26
7,98
7,49
7,27
7,30
7,60
8,21
7,92
7,53
9,57
8,68
7,75
8,06
7,61
10,36
7,64
8,32
7,29
8,54
8,81
8,58
8,80
7,81
8,77
7,75
8,18
%LPT*
12,32
13,15
15,30
13,37
11,11
14,61
15,77
10,87
12,63
14,42
13,88
9,38
11,39
11,11
13,83
13,58
12,98
13,13
11,41
12,81
12,66
14,51
16,94
12,90
14,18
15,20
13,67
11,71
19,30
14,23
13,41
Tabla 3. Comparacin de algoritmos

Algoritmo
AG
LPT*
SMC
%MSC promedio
8.18
13.41
8.39
Tambin en la tabla 3 se verifica el similar comportamiento promedio entre los algoritmos AG y SMC con
una leve ventaja de AG sobre SMC, presentando tambin poca variabilidad. La ltima columna de la tabla 4
(columna %AG/SMC) muestra la desviacin porcentual
de la diferencia absoluta entre AG y SMC por instancia,
la que en promedio indica una desviacin de 0.55% con
una mxima diferencia de 1.49% en una instancia.
El procesamiento se realiz en un computador Intel
Core 2 Duo T7500 de 2.2 GHz de 2 GB de RAM. El orden de magnitud del tiempo CPU para la ejecucin de
los algoritmos se presenta en la tabla 5. Los resultados
presentados se obtuvieron con base en la ejecucin de
10 rplicas para los algoritmos AG (15 s/rplica), SMC
(3 s/rplica) y AG+MV (60 s/rplica).
Tabla 5. Tiempo CPU de algoritmos
%SMC
8,10
7,76
8,22
8,64
8,62
9,47
8,35
7,66
7,27
8,43
7,11
8,21
7,59
8,24
9,36
7,74
7,75
6,65
8,51
9,98
8,94
8,14
8,38
8,92
9,20
9,55
9,36
9,29
8,38
7,75
8,39
Algoritmo
AG
LPT*
SMC
GA+MV
CPU [s]
150
0,00
30
600
%AG/SMC
0,97
0,51
0,19
0,62
0,19
0,21
0,37
0,18
0,00
1,12
0,50
0,00
0,33
0,72
0,21
0,94
0,00
1,40
0,91
0,38
1,30
0,18
1,09
0,38
0,38
0,97
0,56
1,49
0,39
0,00
0,55
Tabla 4. Resultados de algoritmos por

instancia
49
La incorporacin del algoritmo de mejora en el algoritmo gentico estndar, mejora en torno a 8% la calidad
de las soluciones obtenidas, cuadruplicando el costo en
tiempo CPU. Los algoritmos AG y SMC obtienen similares resultados, pero este ltimo lo hace en un quinto
del tiempo del primero. Por otro lado, el tiempo computacional del algoritmo LPT* es prcticamente despreciable obteniendo soluciones que son slo alrededor de
5% peor que los algoritmos AG y SMC, y se alejan en
promedio aproximadamente un 13.5% del algoritmo
AG+MV.
Conclusiones
Se utiliz un algoritmo gentico estndar para resolver
el problema de programacin de trabajos en el sistema
de mquinas paralelas idnticas con tiempos de preparacin dependientes de la secuencia, al que se le introdujo la heurstica del mejor vecino como algoritmo de
mejora, que optimiza la asignacin de los trabajos resolviendo un problema independiente de minimizacin
de makespan en cada mquina.
Al introducir el algoritmo de mejora, el aumento en
el desempeo del algoritmo gentico es significativo,
mejorando en promedio las soluciones obtenidas con el
algoritmo gentico estndar en cerca de un 8%, superando a todos los otros algoritmos en todas las instancias; sin embargo, su tiempo computacional es 4 veces
mayor.
El algoritmo gentico estndar y la simulacin Montecarlo presentan un rendimiento similar, pero no una
ventaja significativa por parte del algoritmo gentico,
ya que este ltimo utiliza 5 veces ms de tiempo computacional que la simulacin Montecarlo.
El algoritmo LPT* es el algoritmo que presenta el
rendimiento ms bajo entre los algoritmos considerados, siendo el que obtiene la peor solucin en todas las
instancias evaluadas, sin embargo, su tiempo computacional es prcticamente despreciable, alejndose slo
alrededor de 5% del algoritmo gentico estndar y simulacin Montecarlo, y cerca de 13.5% del algoritmo
gentico con la mejora.
Para un trabajo futuro, el enfoque del procedimiento AG+MV puede mejorarse en varios aspectos, por un
lado, respecto a la composicin del algoritmo gentico
50
es posible explorar el efecto que tendra que considerar

cromosomas de diferente estructura, como tambin la
inclusin del concepto de elitismo; por otro lado, tanto
para el procedimiento de bsqueda (AG) como para el
procedimiento de mejora (MV) utilizados en este trabajo, es posible considerar otras metaheursticas, pudiendo ser extendido tambin al caso de mquinas paralelas
no idnticas.
Referencias
Allahverdi A., Ng C.T., Cheng T.C.E., Kovalyov M. A Survey of
Scheduling Problems with Setup Times or Costs. European
Journal of Operational Research, volumen 187 (nmero 3), 2008:
985-1032.
Anglani A., Grieco A., Gerriero E., Musmanno R. Robust Scheduling of Parallel Machines with Sequence-Dependent Set-up
Costs. European Journal of Operational Research, volumen 161
(nmero 3), 2005: 704-720.
Baker K.R., Trietsch D. Principles of Sequencing and Scheduling,
New York, John Wiley and Sons, 2009.
Baker K.R. Introduction to Sequencing and Scheduling, New York,
John Wiley and Sons, 1974.
Blazewicz J., Ecker K., Pesch E. Schmidt G., Weglarz J. Scheduling
Computer and Manufacturing Processes, Springer, 1996.
Coello C., Dhaenens C., Jourdan L. Advances in Multi-Objective Nature Inspired Computing, Springer, Berln/Heidelberg, 2010.
Davis L. Handbook of Genetic Algorithms, New York, Van Nostrand
Reinhold, 1991.
Behnamian J., Zandieh M., Fatemi-Ghomi S.M.T. Parallel-Machine
Scheduling Problems with Sequence-Dependent Setup Times
Using an ACO, SA and VNS Hybrid Algorithm. Expert Systems
with Applications, volumen 36 (nmero 6), 2009: 9637-9644.
Goldberg D.E. Genetic Algorithms in Search, Optimization and Machine Learning, Massaschussets, Addison Wesley, Reading,
1989.
Graham R.L., Lawler E.L., Lenstra J.K., Rinnooy-Kan A.H.G. Optimization and Approximation in Deterministic Sequencing
and Scheduling: a Survey. Annals of Discrete Mathematics,
volumen 5, 1979: 287-326.
Holland J.H. Adaptation in Natural and Artificial Systems, Michigan,
University of Michigan Press, Ann Arbor, 1975.
Lin C.H. y Liao C.J. Makespan Minimization Subject to Flowtime
Optimality on Identical Parallel Machines. Computers & Operations Research, volumen 31 (nmero 10), 2004: 1655-1666.
Mendes A., Mller F., Franca P., Moscato P. Comparing MetaHeurstic Approaches for Parallel Machine Scheduling Problems with Sequence Dependent Setup Times. Production
Planning and Control, volumen 13 (nmero 2), 2002: 143-154.
Michalewicz Z. Genetic Algorithms+Data Structures=Evolution Programs, 3th ed., Springer, 1999.
Pinedo M. SchedulingTheory, Algorithms and Systems, 3th ed.,
Springer, 2008.
Radhakrishnan S., Ventura J. Simulated Annealing for Parallel
Machine Scheduling with Earliness-Tardiness Penalties and
Sequence-Dependent Set-Up Times. International Journal of
Production Research, volumen 38 (nmero 10), 2000: 2233-2252.
Salazar E. Programacin de sistemas de produccin con SPS_Optimizer. Revista ICHIO, volumen 1 (nmero 2), 2010: 33-46.

Citacin Chicago
Salazar-Hornig Eduardo, Juan Carlo Medina-S. Minimizacin del
makespan en mquinas paralelas idnticas con tiempos de preparacin dependientes de la secuencia utilizando un algoritmo gentico. Ingeniera Investigacin y Tecnologa XIV, 01 (2013): 43-51.
Citacin ISO 690
Salazar-Hornig E., Medina S.J.C. Minimizacin del makespan en
mquinas paralelas idnticas con tiempos de preparacin dependientes de la secuencia utilizando un algoritmo gentico. Ingeniera Investigacin y Tecnologa, volumen XIV (nmero 1),
enero-marzo 2013: 43-51.

Eduardo Salazar-Hornig. Es ingeniero matemtico por la Universidad de Concepcin (1984), obtuvo el grado de magster en investigacin de operaciones en la
RWTH University of Aachen, Alemania en 1992. Su lnea de investigacin incluye sistemas de produccin, planificacin y programacin de produccin y
simulacin. Es profesor de tiempo completo en el Departamento de Ingeniera
Industrial y Programa de Magster en Ingeniera Industrial de la Universidad
de Concepcin, Chile.
Juan Carlo Medina-S. Es ingeniero civil industrial por la Universidad Catlica de la
Santsima Concepcin (2006) y candidato a magster del programa de magster
en ingeniera industrial de la Universidad de Concepcin. Actualmente se desempea como profesor de la Universidad de las Amricas en Santiago de Chile.
51

(artculo arbitrado)
Estudio de validacin de un mtodo para seleccionar tcnicas de

pronstico de series de tiempo mediante redes neuronales artificiales
Validation Study on Artificial Neural Network-Based Selection of
Time Series Forecasting Techniques
Divisin de Posgrado en Ingeniera de Sistemas
Facultad de Ingeniera Mecnica y Elctrica
Universidad Autnoma de Nuevo Len
Industrial Engineering Department
University of Puerto Rico at Mayagez
Correo: mcarmen8070@gmail.com
Integrated Systems Engineering Department

The Ohio State University
Correo: villarreal-marroquin.1@osu.edu
Cabrera-Ros M.
Industrial Engineering Department
University of Puerto Rico at Mayagez
Correo: mauricio.cabrera1@upr.edu
Informacin del artculo: recibido: julio de 2010, reevaluado: octubre de 2011, aceptado: marzo de 2012
Resumen
En este trabajo se presenta un estudio de validacin de un mtodo para seleccionar tcnicas de pronstico de series de tiempo. En el mtodo propuesto se
utilizan Redes Neuronales Artificiales para predecir el desempeo de varios
mtodos estadsticos tradicionales de pronstico para as seleccionar el de mejor potencial. Para llevar a cabo la validacin, se emplearon dieciocho series de
tiempo reales, correspondientes a actividades econmicas del estado de Tamaulipas. Los resultados apuntan a que el mtodo de seleccin propuesto es
suficientemente confiable para devenir un recurso de fcil aplicacin para personas con poco conocimiento estadstico. Tablas con los resultados del mtodo
se incluyen en este trabajo para hacer ms conveniente la identificacin del
mtodo estadstico tradicional de pronstico sugerido.
Descriptores:
(RNA)
mtodos de pronstico
series de tiempo
Abstract
In this paper, a validation study for a method geared towards the selection of forecasting techniques for time series is presented. The proposed method makes use of
artificial neural networks to predict the performance of several statistics-based forecasting techniques to help select the potential best one. Eighteen time series with real
data related to economic activities in the state of Tamaulipas were used for validation
purposes. The results indicate that the proposed method is sufficiently reliable to
become a useful resource for people with modest level of training in statistics. It is
also proposed that the method be tabulated for convenient access.
Keywords:
Artificial Neural Network
(ANN)
forecasting methods
time series
Estudio de validacin de un mtodo para seleccionar tcnicas de pronstico de series de tiempo mediante redes neuronales artificiales
Introduccin
Con el fin de mantener su viabilidad y supervivencia,
toda empresa requiere tomar decisiones con anticipacin a los posibles cambiosen su mercado. Estas decisiones se toman en tiempo presente con informacin
histrica, as como con inferencias acerca del futuro, esto es, con pronsticos.
Existen muchas tcnicas estadsticas de pronsticos
en la literatura; sin embargo, en el grueso de las compaas medianas y pequeas de Mxico, es comn que
no se usen estas tcnicas. Algunas veces se prescinde de
su uso por desconocimiento de las mismas, otras por no
conocer su aplicacin correcta y en algunas otras, porque resulta difcil seleccionar la tcnica ms adecuada
para cada caso. Esta situacin se agrava cuando no se
cuenta con paquetera computacional especializada
para realizar pronsticos, y cuando no se tiene el tiempo suficiente para aprender cmo utilizar varias tcnicas de pronstico para seleccionar una con buen
desempeo. Tener la capacidad de seleccionar un mtodo adecuado de pronstico podra entonces ayudar, en
general, a mejorar la utilizacin de estas tcnicas en el
pas y, en particular, resolver problemas fcilmente (Villareal, 2006).
Este trabajo resume la aplicacin en dieciocho series
de tiempo reales del mtodo desarrollado en Villareal
(2006) para seleccionar la mejor tcnica de pronstico
entre ocho tcnicas estadsticas. El mtodo est basado
en redes neuronales artificiales (RNA) para predecir el
desempeo de cada tcnica de pronstico cuantificado
por el error cuadrado medio (MSE por sus siglas en ingls). La capacidad predictiva de las RNA ha sido estudiada y matemticamente demostrada para funciones
analticas en Hornik et al. (1989) y Salazar (2005), por
ejemplo, se utilizaron redes neuronales artificiales para
pronosticar la demanda en una compaa de telecomunicaciones.
Las series de tiempo utilizadas en este trabajo fueron obtenidas del sitio de internet del Instituto Nacional de Estadstica y Geografa e Informtica (INEGI,
2007) en la seccin del Banco de Informacin Econmica (BIE). Adems, se obtuvieron datos de la pgina de
internet de la Secretara de Agricultura, Ganadera, Desarrollo Rural, Pesca y Alimentacin (SAGARPA, 2007).
Todas las series de tiempo se relacionan con actividades econmicas del estado de Tamaulipas para establecer la pertinencia del estudio a un nivel regional.
Los ocho mtodos de pronstico de series de tiempo
(datos disponibles por los autores) utilzados en este trabajo son: (T1) mtodo ingenuo, (T2) promedio, (T3) promedio mvil, (T4) promedio mvil autorregresivo integrado
54
o ARIMA (0, 1, 1) acrnimo del ingls Autoregressive Integrated Moving Average, (T5) suavizado exponencial simple, (T6) regresin lineal, (T7) ARIMA (0, 2, 2) y (T8)
suavizado exponencial doble. El mtodo ingenuo (T1),
promedio (T2), promedio mvil (T3) y suavizado exponencial (T5) se utilizan comnmente cuando los datos histricos son relativamente constantes en el tiempo. Si los
datos presentan una tendencia lineal, creciente o decreciente, el mtodo de regresin lineal (T6) y el mtodo de
suavizado exponencial doble (T8) son los ms recomendados. Los mtodos ARIMA (0, 1, 1) (T4) y ARIMA (0, 2,
2) (T7) son equivalentes al suavizado exponencial simple
y doble, respectivamente, con la diferencia de que pueden
aplicarse a series de tiempo constantes y de tendencia con
estacionalidades, esto es, a series de tiempo donde los datos presentan un patrn repetitivo cada k unidades de
tiempo. Detalles de cada mtodo pueden consultarse en
Hillier y Lieberman (2001) y Makridakis et al. (1998).
Todos los mtodos de pronstico, a excepcin de los
ARIMA y el de regresin lineal, se codificaron en MS
Excel para medir su desempeo de prediccin por medio del MSE. Para los mtodos ARIMA y regresin lineal se utiliz el paquete computacional estadstico
MINITAB.
Mtodo para predecir la mejor tcnica

de pronstico
En Villarreal (2006), se desarrollaron varias RNA para
estimar el desempeo de prediccin de los ocho mtodos de pronstico mencionados. El objetivo es seleccionar el mtodo de pronstico ms competitivo dadas
dos caractersticas de la serie de tiempo bajo anlisis: el
nmero de datos histricos disponibles (t) y el orden
mximo de un polinomio (n) ajustado a la serie de tiempo con un nivel de aproximacin de ms de 80%. El presente trabajo aplica este mtodo a series de tiempo
reales.
El mtodo propuesto por Villarreal et al. (2009) se
apoya en la capacidad de aproximacin de las RNA
para predecir el desempeo de varias tcnicas de pronstico. Los pasos del mtodo, partiendo de que se tiene una serie de tiempo con ms de doce datos, son
como sigue:
1. Escalar los datos al intervalo [-1, 1]. Los datos de la
serie de tiempo se normalizan para que caigan en
un rango de [-1, 1] con el objetivo de eliminar efectos de dimensionalidad.
2. Caracterizar la serie de tiempo. Se determinan dos parmetros que caracterizan la serie: el nmero de perodos de la serie de tiempo (t) y el grado del primer
polinomio (n) que se ajuste a los datos de la serie con

un coeficiente de determinacin, R2 >80%.
Los dos parmetros que se necesitan para esta caracterizacin se pueden obtener fcilmente. El parmetro t
resulta de un conteo directo de datos y el parmetro n
de una prueba secuencial de aproximacin ejecutable
en MS Excel. Ambos se pueden obtener a partir de una
grfica de dispersin de Datos vs. Periodo. Para encontrar n, basta usar la opcin de ajustar una lnea de tendencia de tipo polinomial a los datos y presentar en
pantalla tanto el valor de R2 como la expresin polinomial. El objetivo es determinar el orden del polinomio
de manera creciente a fin de detectar el primero con el
que se obtenga un R2 >80%. Para los casos donde las
series necesitaban un valor de n ms grande que el obtenido por la opcin de Excel, se realiz un ajuste de
curvas por medio de mnimos cuadrados y as se obtuvo el valor de R2 deseado.
3. Someter a la red neuronal artificial. Se utiliza una red
neuronal artificial previamente entrenada, donde se
usan como entradas t y n y como salida la prediccin del error cuadrado medio para cada uno de los
mtodos de pronstico.
Una RNA, en el contexto del mtodo propuesto, es en
esencia un modelo matemtico no lineal que contiene
parmetros conocidos como pesos. Cuntos ms pesos tenga una RNA, mayor no linealidad se podr representar con ella. Para encontrar estos pesos se utilizan
algoritmos de optimizacin que minimizan una funcin de errores cuadrados de aproximacin. En el rea
de redes neuronales, varios de estos algoritmos de optimizacin se clasifican bajo el nombre de algoritmos de
retropropagacin. Por otro lado, encontrar un conjunto de pesos que permitan una aproximacin adecuada a
datos conocidos se le denomina entrenamiento.
La RNA que se propone en esta etapa se representa
como se muestra en la figura 1. Esta RNA cuenta con 3
capas: una capa de entrada que recoge los valores de t y
n, una capa oculta que procesa esta informacin, y una
capa de salida por la que se obtiene el MSE predicho
para un mtodo de pronstico en particular.
En la Figura 1, vij es un peso de la conexin que llega
a la j-sima neurona de la capa oculta procedente de la
i-sima neurona de la capa de entrada y wj es el peso de
la conexin que llega a la neurona de salida procedente
de la j-sima neurona de la capa oculta. Estos pesos se
usan para ponderar las salidas generadas por las neuronas de la RNA. Los pesos que se aplican a las conexiones provenientes de neuronas que vemos con valor
constante de uno se denominan sesgos. Informacin

ms detallada sobre las RNA puede consultarse en Hagan y Demut (1995) y en Zhang et al. (1998).
4. Establecer un orden entre los mtodos y escoger los tres
mejores. Por ltimo, se ordenan los mtodos de acuerdo
a su MSE predicho y se escogen los tres mejores, stos
sern los que tengan el MSE ms pequeo. Los mtodos
resultantes son los que se deben utilizar para generar
los pronsticos.
Capa de entrada
vij
Capa oculta
wj
1
Capa de salida
MSE
Figura 1. RNA con tres capas, entrenada por retropropagacin

del error
Series de prueba
El mtodo descrito se aplic a dieciocho series correspondientes al sector econmico del estado de Tamaulipas. Como se detall antes, las series fueron obtenidas
de los sitios de internet oficiales del Instituto Nacional
de Estadstica y Geografa e Informtica (INEGI, 2007),
en la seccin del Banco de Informacin Econmica (BIE)
y de la Secretara de Agricultura, Ganadera, Desarrollo
Rural, Pesca y Alimentacin (SAGARPA, 2007). Las series representan lo siguiente:
SERIE 1. Consumo privado por finalidad en el sector turismo, cuenta satlite de turismo (1993-2004). Valor de todas las compras, bienes o servicios realizados por
individuos, empresas o instituciones privadas sin intencin
de lucro.
SERIE 2. Nmero de establecimientos (unidad de
medida: nmero de establecimientos en activo), principales caractersticas de la industria maquiladora de exportacin, estadsticas de la industria maquiladora de
exportacin (EIME), enero-diciembre de 2006. Nmero
de unidades activas en operacin con disposicin de un programa de maquila de exportacin.
55
SERIE 3.
Materias primas (unidad de medida:
miles de pesos), componentes de valor agregado de exportacin, estadsticas de la industria maquiladora de
exportacin (EIME), enero-diciembre de 2005. Valor de
la actividad de maquila de exportacin referente a la
materia prima por transformacin de bienes, ensambles o
servicios.
SERIE 11. Petroqumicos por producto total

(indicador anual, unidad de medida: miles de toneladas), subsector petrolero, produccin de petrleo y
elaboracin de productos petrolferos y petroqumicos, sector energtico (1980-2002). Miles de toneladas
producidas de productos petrolferos y petroqumicos en el
sector energtico.
SERIE 4.
Insumos importados (unidad de medida: miles de pesos corrientes), principales caractersticas
de la industria maquiladora de exportacin, estadsticas
de la industria maquiladora de exportacin (EIME), enero-diciembre de 2006. Valor de los materiales importados para
la transformacin de la industria maquiladora de exportacin.
SERIE 12. Carbn (indicadores anuales, unidad

de medida: petajoules), produccin de energa primaria, sector energtico (1970-2004). Petajoules de carbn
producidos del sector energtico.
SERIE 5.
Camarn (unidad de medida: kilogramos), produccin acucola en sistemas controlados,
pesca Tamaulipas (1990-2004). Kilogramos de camarn
producidos en sistemas acucolas controlados.
SERIE 6. ndice de productividad (indicadores
anuales, unidad de medida: ndice base 1993=100), Tamaulipas, divisin IX otras industrias manufactureras,
industria maquiladora de exportacin (1990-2004). ndice de productividad laboral en la industria manufacturera.
SERIE 7. ndice de productividad total (indicadores anuales, unidad de medida: ndice base 1993=100)
Tamaulipas, industria maquiladora de exportacin
(1990-2004). ndice de productividad total en la industria
maquiladora de exportacin produccin/consumo total.
SERIE 8. ndice de productividad (indicadores
anuales, unidad de medida: ndice base 1993=100). Tamaulipas, divisin V sustancias qumicas, derivados
del petrleo, productos de caucho y plstico, industria
maquiladora de exportacin (1990-2004). ndice de productividad para la industria maquiladora de exportacin, divisin V sustancias qumicas (produccin/consumo).
SERIE 9. Bagre (unidad de medida: kilogramos), produccin acucola en sistemas controlados,
pesca Tamaulipas (1990-2004). Kilogramos de Bagre producidos en sistemas acucolas controlados.
SERIE 10. Ingresos por remesas familiares por
entidad federativa (unidad de medida: millones de dlares), Tamaulipas, sector externo. Trimestres 1, 2, 3 y 4
de 2003, 2004, 2005 y 2006, trimestre 1 de 2007. Millones
de dlares recibidos por remesas familiares.
56
SERIE 13. Petrleo crudo (indicadores anuales,

unidad de medida: petajoules), produccin de energa
primaria, sector energtico (1970-2004). Petajoules de petrleo crudo producidos del sector energtico.
SERIE 14. Promedio diario del salario base de
cotizacin al Instituto Mexicano del Seguro Social (unidad de medida: pesos), Tamaulipas, empleo y desempleo. Doce periodos de 2002, 2003, 2004, 2005, 2006 y
seis periodos de 2007. Promedio diario del salario base de
cotizacin ante el IMSS.
SERIE 15. Ingresos del sector pblico total (unidad de medida: millones de pesos a precios corrientes),
finanzas pblicas e indicadores monetarios y burstiles, finanzas pblicas. Doce periodos de 1995 al 2006 y
tres periodos de 2007. Millones de pesos ingresados al sector pblico.
SERIE 16. Carbn mineral no coquizable (unidad de medida: toneladas), volumen de produccin minerometalrgica por principales productos, metales y
minerales siderrgicos, sector minero. Doce periodos
de 1990 hasta 2006 y cuatro periodos de 2007. Toneladas
producidas de Carbn mineral no coquizable.
SERIE 17. Petrleo crudo (unidad de medida: miles de barriles por da), volumen de produccin de petrleo crudo y gas natural, sector minero. Doce periodos de
1990 hasta 2006 y cinco periodos de 2007. Miles de barriles
de petrleo crudo producidos diariamente en el sector minero.
SERIE 18. Gas natural (unidad de medida: millones de pies cbicos por da), volumen de produccin
de petrleo crudo y gas natural, sector minero. Doce
periodos de 1990 hasta 2006 y cinco periodos de 2007.
Millones de pies cbicos de gas natural producidos diariamente en el sector minero.
Aplicacin del mtodo de seleccin a series de

prueba
Siguiendo los pasos del mtodo de seleccin de tcnicas
de pronstico descrito, todas las series de datos fueron
escaladas en el rango de [-1,1]. Posteriormente, se ajust un polinomio con coeficiente de determinacin mayor a 80%. Como ilustracin, la figura 2 muestra la
SERIE 7 escalada, el pronstico con el mtodo ARIMA
(0, 2, 2), el ajuste polinomial, la ecuacin representativa
del polinomio junto con el R2 asociado. De los datos anteriores se puede observar que la serie de tiempo 7 tiene
un valor t = 15 y n = 6.
Como tercer paso se predice el MSE de cada mtodo
de pronstico utilizando una RNA. Finalmente se hace
un ordenamiento de los MSE predichos para seleccionar el que tenga menor error. En la tabla 1 se indica que
el mtodo T7 (ARIMA (0, 2, 2)) se predice como el mejor
mtodo de pronstico para una serie de tiempo con caractersticas como la SERIE 7.
La tabla 1 muestra adems el lugar que ocup cada
mtodo de pronstico (del primero hasta el octavo lugar) de acuerdo con la comparacin del pronstico real
y el pronstico predicho por el mtodo de Villarreal et
al. (2009) descrito en Villarreal (2006) para las 18 series
de tiempo bajo estudio.
Tomando como ejemplo la SERIE 1 con t = 12 y n = 1,
los tres mejores mtodos de pronstico predichos son:
el T7 ARIMA (0, 2, 2), el T6 regresin lineal y el T8 suavizado exponencial doble, respectivamente. De acuerdo con el pronstico real, el mejor mtodo es el T7
ARIMA (0, 2, 2), el segundo es el T8 suavizado exponencial doble, el tercero es el T6, la regresin lineal.
En los casos donde se observan dos o ms etiquetas,
stas corresponden a empates de mtodos (mismo valor de MSE), por ejemplo, en la SERIE 16 con t = 208 y
n = 27; de acuerdo con el pronstico predicho, el T5 sua-
vizado exponencial simple ocupa el primer lugar, en

cambio con el pronstico real, el primer lugar est ocupado por tres mtodos tradicionales, el T4 ARIMA (0, 1,
1), T5 suavizado exponencial simple y T8 suavizado
exponencial doble. Las etiquetas T1 a T8 se definieron
en la seccin de introduccin.
De la tabla 1, se puede ver que en las 18 series, el
mtodo fue capaz de recomendar el mejor mtodo real
para pronosticarlo dentro de los 3 primeros lugares en
14 ocasiones. De las 4 series restantes, en dos de ellas se
recomienda el segundo mtodo y en las otras dos, el
tercero. Dado que los usuarios objetivo no tienen una
alta capacitacin estadstica, con estas instancias el mtodo habra permitido ahorrar tiempo y esfuerzo para
seleccionar una tcnica adecuada para cada serie. La
seleccin de tcnicas aqu presentada, aunque no es exhaustiva, es estndar y se considera confiable en la literatura de pronsticos.
Aplicacin del mtodo de seleccin por

medio de tablas
En esta seccin se presentan los resultados del mtodo
desarrollado por Villarreal et al. (2009) en forma tabulada, con el objetivo de hacer ms conveniente su uso. Las
tablas 2, 3 y 4 muestran el mejor mtodo, el segundo y
tercero respectivamente, para una serie de tiempo con
combinaciones de n (eje horizontal) y t (eje vertical) particulares. Por lo tanto, despus de haber determinado
los valores de t (nmero de datos) y n (orden polinomial) el usuario puede consultar las tablas 2, 3 y 4 para
seleccionar los mejores 3 mtodos de pronstico. Por
ejemplo, si tenemos una serie de tiempo de grado polinomial 5 y 36 perodos, basta identificar las intersecciones de la combinacin (n = 5, t = 36) en estas tablas para
identificar los tres mtodos de pronstico sugeridos. De
esta forma, siguiendo el ejemplo, se tiene que el primer
Figura 2. Serie de tiempo 7 vs.

Pronstico ARIMA (0, 2, 2).
57
Tabla 1. Mtodos de pronstico predichos por las RNA vs. Reales para cada serie de tiempo
Serie
12
12
12
12
15
15
15
15
15
10
17
11
23
12
35
13
35
14
66
15
55
147
16
27
208
17
209
18
209
58
MEJOR
MEJOR
MEJOR
MEJOR
MEJOR
MEJOR
MEJOR
MEJOR
Predicho
T7
T6
T8
T1
T5
T4
T3
T2
Real
T7
T8
T6
T4
T1, T5
T2
T3
Predicho
T7
T1
T8
T5
T6
T4
T2
T3
Real
T1
T5, T8
T2
T6
T7
T4
T3
Predicho
T7
T1
T8
T6
T5
T2
T3
T4
Real
T6
T7
T8
T4, T5
T1
T2
T3
Predicho
T6
T7
T8
T3
T5
T2
T4
T1
Real
T6
T4
T5, T8
T7
T1
T2
T3
Predicho
T7
T8
T1
T4
T5
T3
T6
T2
Real
T6
T7
T4
T5, T8
T1
T2
T3
Predicho
T7
T8
T3
T5
T6
T4
T1
T2
Real
T1, T5,
T8
T6
T4
T2
T7
T3
Predicho
T7
T3
T8
T6
T5
T4
T1
T2
Real
T6
T4
T1, T5, T8
T7
T2
T3
Predicho
T7
T6
T3
T8
T4
T2
T5
T1
Real
T6
T7
T4
T5, T8
T1
T2
T3
Predicho
T7
T6
T3
T2
T4
T8
T5
T1
Real
T6
T4
T7
T5, T8
T1
T2
T3
Predicho
T7
T6
T4
T8
T1
T5
T3
T2
Real
T6
T4
T8
T1, T5
T7
T2
T3
Predicho
T7
T4
T1
T8
T3
T6
T5
T2
Real
T7
T4
T8
T1, T5
T6
T2
T3
Predicho
T7
T6
T8
T3
T4
T5
T1
T2
Real
T7
T8
T1, T4, T5
T6
T3
T2
Predicho
T7
T3
T4
T8
T1
T6
T5
T2
Real
T7
T4
T8
T1, T5
T6
T2
T3
Predicho
T5
T3
T8
T4
T2
T7
T6
T1
Real
T6, T8
T1, T4, T5,

T7
T3
T2
Predicho
T5
T3
T4
T2
T8
T7
T6
T1
Real
T4
T1
T6
T7
T5
T2
T8
T3
Predicho
T5
T3
T4
T2
T8
T7
T6
T1
Real
T4, T5,
T8
T1
T7
T6
T3
T2
Predicho
T5
T3
T4
T8
T2
T7
T6
T1
Real
T4, T5,
T8
T1
T7
T6
T3
T2
Predicho
T5
T3
T4
T8
T2
T7
T6
T1
Real
T7, T8
T1, T4, T5
T3
T6
T2
mejor mtodo para pronosticar es el promedio, el se-
gundo es el promedio mvil y el tercero es el suavizado

exponencial doble.
PRIMEROS MEJORES MTODOS DE PRONSTICO

66
64
62
60
58
56
Suavizado
exponencial
simple
Promedio mvil
54
52
50
48
46
PERODOS ( t )
44
42
40
38
Regresin lineal
Promedio
36
34
32
30
28
26
24
22
20
ARIMA (0,2,2)
18
16
14
12
Regresin lineal
1
GRADO POLINOMIAL ( n )
Tabla 2. Primeros mejores mtodos de pronstico resultantes de acuerdo con el mtodo de Villarreal et al. (2009)
59
SEGUNDOS MEJORES MTODOS DE PRONSTICO

Suavizado
exponencial
simple
66
64
62
60
58
ARIMA (0,1,1)
Promedio mvil
56
54
52
50
48
Promedio
46
44
PERODOS ( t )
42
40
38
Suavizado
exponencial
simple
Regresin lineal
Promedio mvil
ARIMA (0,2,2)
Suavizado
exponencial doble
Promedio mvil
ARIMA (0,2,2)
36
34
32
30
Regresin lineal
ARIMA (0,2,2)
Promedio mvil
Suavizado
exponencial doble
Promedio
ARIMA (0,2,2)
28
Promedio
26
ARIMA (0,1,1)
24
22
Promedio mvil
20
Suavizado exponencial doble
18
16
14
Ingenuo
Regresin lineal
Regresin lineal
ARIMA (0,2,2)
12
1
GRADO POLINOMIAL (n )
MEJORES
MTODOSde
DE acuerdo
PRONSTICO
Tabla 3. Segundos mejores mtodosTERCEROS
de pronstico
resultantes
con el mtodo de Villarreal et al. (2009)
60
TERCEROS MEJORES MTODOS DE PRONSTICO
TERCEROS MEJORES MTODOS DE PRONSTICO
66
ARIMA (0,1,1)
64
Suavizado exponencial simple
62
Promedio
60
Suavizado E. S.
58
Promedio
56
54
52
Promedio
50
48
46
ARIMA (0,1,1)
ARIMA (0,2,2)
Suavizado E. D.
Regresin lineal
44
ARIMA (0,2,2)
Suavizado E. S.
PERODOS ( t )
42
Suavizado
exponencial doble
40
38
36
34
32
30
ARIMA (0,1,1)
ARIMA (0,2,2)
ARIMA (0,2,2)
Promedio
Suavizado
exponencial doble
ARIMA (0,2,2)
ARIMA (0,2,2)
Regresin lineal
ARIMA (0,2,2)
ARIMA (0,1,1)
ARIMA (0,1,1)
Promedio
28
Suavizado
26
exponencial doble
24
22
20
18
Regresin lineal
Ingenuo
Promedio mvil
Suavizado
exponencial doble
ARIMA (0,1,1)
16
14
12
ARIMA (0,1,1)
Suavizado
exponencial doble
1
Regresin L.
2
Ingenuo
Regresin L.
Promedio M.

5
GRADO POLINOMIAL (n )
Tabla 4. Terceros mejores mtodos de pronstico resultantes de acuerdo con el mtodo de Villarreal et al. (2009)
61
Conclusiones
En este trabajo se present la validacin del mtodo de
Villarreal et al. (2009) para la seleccin de tcnicas de
pronstico. Se pudo constatar, por medio de 18 series
de tiempo reales, que el mtodo trabaja competitivamente. Adicionalmente se propuso la utilizacin de tablas de fcil acceso para un usuario que busque aplicar
dicho mtodo. Se espera que los resultados aqu presentados y el formato descrito incidan en la adopcin
de este mtodo por personas con poco entrenamiento
estadstico que requieran seleccionar un mtodo de
pronstico. Los resultados alientan a buscar caracterizaciones prcticas que faciliten la utilizacin de mtodos cuantitativos para la toma de decisiones en las
compaas mexicanas.
Agradecimientos
Este trabajo fue elaborado parcialmente por el apoyo de
los programas de verano cientfico de la Academia
Mexicana de Ciencias, la Universidad Autnoma de
Nuevo Len y la Universidad Autnoma de Tamaulipas. Los autores agradecen tambin el apoyo del CONACYT por las becas otorgadas a los estudiantes
involucrados en este trabajo.
sitio web del BIE actualizado en marzo 1 de 2012. Disponible

en: http://www.inegi.org.mx/sistemas/bie/.
Makridakis S., Wheelwright S.C., Hyndman R.J. Forecasting
Methods and Applications, 3rd ed., John Wiley & Sons, Inc.,
1998.
Secretara de Agricultura, Ganadera, Desarrollo Rural, Pesca y
Alimentacin (SAGARPA). Produccin acucola en sistemas
controlados, pesca Tamaulipas [en lnea] [fecha de consulta
19 de octubre de 2007]. Series histricas de camarn y bagre,
consultadas en: http://www.tml.sagarpa.gob.mx/pesca/informacion.htm. Disponibles por parte de los autores.
Salazar M.A. Pronstico de demanda por medio de redes neuronales
artificiales (RNAs) en la industria de telecomunicaciones, tesis
(maestra), Mxico, Universidad Autnoma de Nuevo Len,
Nuevo Len, 2005.
Villarreal M.M. Estudios de pronsticos en series de tiempo: Evaluacin
de mtodos estadsticos y seleccin del mejor mtodo con redes neuronales, tesis (licenciatura), Mxico, Universidad Autnoma de
Nuevo Len, 2006.
Villarreal M.G., Acosta M., Martnez J.L., Cabrera-Ros M. Time Series: Empirical Characterization and Artificial Neural NetworkBased Selection of Forecasting Techniques. Intelligent Data
Analysis. An International Journal, volumen 13, 2009: 1-14.
Zhang G., Patuco E., Hu Y.M. Forecasting with Artificial Neural
Networks the State of the Art. International Journal of Forecasting, volumen 14 (nmero 1), 1998: 35-62.
Referencias
Hagan M.T. y Demut H.B. Neural Network Design, 1a ed., PWS Publishing Company, 1995.
Hillier y Lieberman. Investigacin de Operaciones, 7a ed., Mxico,
Mc GRAW-HILL, 2001.
Hornik K., Stinchcombe M., White H. Multilayer Feedforward
Networks are Universal Approximatiors. Neuronal Networks,
volumen 2 (nmero 5), 1989: 359-366.
Instituto Nacional de Estadstica y Geografa e Informtica (INEGI). Seccin del Banco de Informacin Econmica (BIE) [en
lnea] [fecha de consulta 19 de octubre de 2007]. Series histricas consultadas en: http://dgcnesyp.inegi.gob.mx/bdiesi/bdie.
html, Disponibles por parte de los autores. Nueva versin del
Citacin Chicago
62
Acosta-Cervantes, Mary Carmen, Mara Guadalupe Villarreal-Marroqun, Mauricio Cabrera-Ros. Estudio de validacin de un mtodo para seleccionar tcnicas de pronstico de series de tiempo
mediante redes neuronales artificiales. Ingeniera Investigacin y
Tecnologa XIV, 01 (2013): 53-63.
Citacin ISO 690
Acosta-Cervantes M.C., Villarreal-Marroqun M.G., Cabrera-Ros
M. Estudio de validacin de un mtodo para seleccionar tcnicas
de pronstico de series de tiempo mediante redes neuronales artificiales. Ingeniera Investigacin y Tecnologa, volumen XIV (nmero 1), enero-marzo 2013: 53-63.

Mary Carmen Acosta-Cervantes. Es ingeniera industrial por la Universidad Autnoma de Tamaulipas (2009). Realiz dos veranos de investigacin cientfica en la
UANL (2006 y 2007) promovida por la Academia Mexicana de Ciencias. Obtuvo la maestra en ciencias en ingeniera de sistemas en la Universidad Autnoma de Nuevo Len (UANL) en 2012. Actualmente es estudiante de la maestra
en ciencias en ingeniera industrial de la Universidad de Puerto Rico Mayagez. http://ininweb.uprm.edu/.
Mara Guadalupe Villarreal-Marroqun. Obtuvo la maestra en ciencias en ingeniera
de sistemas en la Universidad Autnoma de Nuevo Len (2007), as como la
licenciatura en matemticas en la misma universidad (2005). Actualmente es
estudiante doctoral en el programa de ingeniera industrial y de sistemas de la
Universidad Estatal de Ohio.
Mauricio Cabrera-Ros. Es doctor en ciencias (2002) y maestro en ciencias (1999) en
ingeniera industrial y de sistemas por la Universidad Estatal de Ohio. Obtuvo
el ttulo de ingeniero industrial y de sistemas por el ITESM Campus Monterrey (1996). Actualmente es profesor asistente en el Departamento de Ingeniera Industrial de la Universidad de Puerto RicoMayagez. http://ininweb.
uprm.edu/.
63

(artculo arbitrado)
Optimization of Power Train and Control Strategy of a Hybrid

Electric Vehicle for Maximum Energy Economy
Optimizacin del tren de potencia y la estrategia de control de un vehculo elctrico
hbrido para mxima economa de energa
Osornio-Correa C.
Departamento de Ingenieras
Divisin de Ciencia, Arte y Tecnologa
Universidad Iberoamericana
E-mail: cuitlahuac.osornio@uia.mx
E-mail: carlos.calva@gmail.com
Molina-Cristbal A.
Department of Engineering
Engineering Design Centre
University of Cambridge
E-mail:am664@cam.ac.uk
E-mail joshua.estavillo.galsworthy@gmail.com
Divisin de Ingeniera Mecnica e Industrial
Universidad Nacional Autnoma de Mexico
E-mail: saulsan@unam.mx
Information on the article: received: October 2010, reevaluated: February 2011, accepted: April 2012
Abstract
A solution to increase fuel economy in Hybrid Electric Vehicles derived from
physical characteristics of the vehicle, the powertrain and the control strategy is presented. A heuristic Control Map is created to analyze the restrictions and benefits of using either of the onboard power plants under different
driving conditions. The control strategy follows the Control Map with a logic that responds to the Battery State of Charge. Finally, a case study demonstrates the increase in fuel economy and charge sustainability; here, the
variables studied are submitted to a Multi-Objective Genetic Algorithm Optimization.
Keywords:

Hybrid Electric Vehicle

control strategy
multi-objective optimization
heuristic optimization
Optimization of Power Train and Control Strategy of a Hybrid Electric Vehicle for Maximum Energy Economy
Resumen
Se presenta una solucin para incrementar la economa de combustible en Vehculos
Elctricos Hbridos derivada de las caractersticas fsicas del vehculo, el tren de potencia y la estrategia de control. Se crea un mapa de control heurstico para analizar
los beneficios y restricciones al utilizar las plantas de potencia instaladas en diferentes condiciones de manejo. La estrategia de control utiliza el Mapa de Control asociado a una lgica que responde al estado de carga de las bateras. Finalmente, en un
estudio de caso se demuestra el incremento en la economa de combustible y la sustentabilidad en la carga de las bateras; aqu, las variables estudiadas se someten a un
algoritmo de optimizacin multi-objetivo.
Introduction
Hybrid Electric Vehicles (HEVs) have emerged as an alternative to reduce fuel consumption and pollutant
emissions while maintaining vehicle performance. The
first attempts to optimize HEVs performance focused
on proper selection of the Powertrain (PT) components,
such as the Internal Combustion Engine (ICE), Electric
Motor (EM), battery pack and transmission (Liang et al.,
2000). Recent work also improves the Control Strategy
which regulates the energy flow between prime movers, transmission, batteries and wheels to accomplish
driver demand (Morteza et al., 2006; Amr et al., 2006;
Kyoungcheol et al., 2007; Pezzini et al., 2000).
In this paper a Control Strategy for a parallel HEV is
proposed. This strategy uses a control map and a set of
conditions that respond to the Battery State of Charge
(SOC) to improve fuel efficiency. The main input control variables are power demanded, vehicles speed and
the battery SOC. The control map is based on the Basic
Engine Operating Line (BEOL) and transmission kinematics (Koichiro et al., 2004). The novelty of this control
map is that it clearly identifies important considerations, among others, in which cases the ICE must operate in low efficiency conditions without being substituted
by the EM or when the capacity to charge the battery is
restricted. All of these happen while fuel consumption
is minimized, vehicles performance is kept and charge
sustainability is guaranteed.
This work is composed of the following sections:
Descriptores:

Vehculo Elctrico Hbrido

estrategia de control
optimizacin heurstica
optimizacin multi-objetivo
coordinate axes. Each area of the Control Map corresponds to a specific HEV operating mode with its
own energy flow characteristics.
The section on the electric system presents its main
characteristics and introduces the strategies to
achieve charge sustainability, with battery life expectancy in mind.
The section on optimization is a case study, where
dynamic characteristics of a commercial vehicle are
used with the PT parameters and Control Strategy
variables submitted to a Multi-Objective Genetic Algorithm (MOGA).
Characterization of the flexible transmission

The PT of a HEV must be capable of managing energy
from two power sources and deliver it to the wheels;
the selected configuration analyzed in this study is
shown in Figure 1.
The section on the flexible transmission presents the

hardware configuration of the PT outlining the
transmission.
The section about control strategy describes the novel
Control Map developed with velocity and power as
66
Figure 1. Schematic diagram of the Powertrain

configuration selected for the HEV studied
Osornio-Correa C., Villarreal-Calva R.C., Molina-Cristbal A., Estavillo-Galsworthy J. and Santilln-Gutirrez S.D.
Operation modes of the flexible transmission

with the PT
This transmission is composed of a Planetary Gear Set
(PGS), a Continuous Variable Transmission (CVT) and a
Simple Train (ST). The ST has an idle gear to make the
ICE, the sun and the ring spin in the same direction.
This PT configuration was selected because it allows
each power source to work independently or together.
Additionally, this configuration also permits the recovery of energy from the wheels; therefore this HEV is
capable of operating in conventional, electric, series hybrid or parallel hybrid mode (Anderson, 1999).
Conventional: In conventional mode the EM is not
used. The ICE supplies all required power to accomplish the drive cycle demand and all excess energy
generated is sent to charge the batteries as defined
by the control strategy (Salmasi, 2007). The mechanical energy flow goes as follows: the ICE is engaged to the CVT, the energy passes to the ring of the
PGS through the ST and the ring of the PGS is connected to the differential which distributes the energy to the wheels.
Electric: In electric mode the power to move the vehicle is provided by the batteries through the EM.
The mechanical energy flow goes as follows: The
EM is engaged to the carrier with a mechanical reduction, its energy is split to the sun and the ring
gears of the PGS. The energy that goes to the sun is
also transmitted to the ring through the CVT and
the ST. The energy transmitted to the ring passes to
the wheels through the differential. While in regenerative breaking the energy flow inverts and the
Variable
Twheels , wheels
EM works as a generator sending back part of the

vehicles kinetic energy to the batteries.
Series hybrid: In series hybrid mode, the vehicle
works as in electric mode, but instead of using the
battery energy, the ICE, through the alternator, provides electrical energy to the EM and recharges the
batteries. This mode works when the rotational
speed of the ICE is below the adequate efficiency to
be connected to the wheels; hence it is used to increase the Battery State of Charge (SOC).
Parallel hybrid: In parallel hybrid mode, the ICE and
EM work together. The ICE is connected to the shaft
of the sun gear and defines the rotational speed of
the ring gear through the CVT and the ST. As the
ICE sets two degrees of freedom for the PGS, the
rotational speed of the arm is defined, and therefore, the angular velocity of the EM and the rotational
speed of the wheels. In this mode, the EM adds torque to accomplish the drive cycle demands.
Analysis of the PT parameters in energy

transformations
The mechanical energy transformation from the power
sources to the wheels is characterized by equations 1, 2,
3 and 4. These are derived from: equilibrium equations
of the PGS, the Willis equation (Santoro, 2000) and the
kinematic relationship between wcarrier and wsun through
the CVT and the ST which force the carrier and the sun
to spin in the same direction; see appendix 3 for a detailed explanation. Table 1 shows the definitions for each
of their variables.
Definition
Torque and angular velocities of traction wheels
Fbelt
CVT belt force
cvt
Torque ratio among CVTs pulleys (TCVT_output/TCVT_input)

Velocity ratio between the PGS ring and the output pulley of the
CVT
Torque ratio between the carrier of the PGSand the EM shaft
(Tcarrier/TEM)
Ratio Nring/Nsun of the PGS, where Nring is the number of teeth in the
ring gear and Nsunis the number of teeth in the sun gear
RST
CEM
n
Ccvt
Sum ofradii of pulleys in the CVT.
dif
TICE
TEM
wICE
wEM
Torque ratio of the differential

Torque of ICE
Torque of EM
Angular velocity of ICE
Angular velocity of EM
Table 1. Transmission parameters with

their definitions
67
1 + cvt
=
Fbelt TICE + TEM CEM
n
+
1
Ccvt
(1)
CEM ( RST n + cvt )
Twheels =
TICE cvt + TEM

RST
RST ( 1 + n ) dif
(2)
While ICE is coupled to the Wheels,
R -1
=
wwheels wICE ST dif
cvt
(3)
When the ICE is not coupled to the wheels,
RST ( 1 + n ) -1
dif
CEM ( RST n + cvt )
wwheels wEM
(4)
Due to the CVTs belt force limitations it is a design

priority to minimize the strength to which it is submitted (Gomez et al., 2004). Equation 1 shows an inverse
relationship among Fbelt , n and Ccvt alike. It can also be
observed that an increase in cvt, causes an increase in
Fbelt.
Therefore, to protect the belt it is necessary to select a CVT with high overdrive and limited underdrive (0.5 < cvt < 2.5). Concerning n, the highest possible
value must be selected. Finally, a CVT with the greatest Ccvt permitted by space and manufacturing must
be selected.
Equation 2 shows that it is not easy to evaluate the
influence of cvt, RST and n in torque transformation
from power sources to the wheels. As it has been established the n must be increased as much as possible. To
do this an algorithm in Matlab that evaluates the torque transformation from the power source to the
wheels in tentative range within values for cvt and RST
is used.
For the analysis, the following ranges of values are
used: TEM = 100Nm, TICE = 100Nm, dif = 3, CEM = 1, n=4,
0.7 < cvt < 4 and 0.7 < RST < 1.3. Figure 2 is obtained from
this analysis.
It can be observed that lower values of RST and higher values of cvt both increase Twheels and that the influence of cvt is higher than the influence of RST,
especially when operating in underdrive conditions.
Therefore it is recommended to set the value of RST < 1
and it is concluded that the main torque multiplier
available is cvt.
Equation 3 applies when the HEV works in conventional or hybrid parallel modes. It shows that the CVT
couples the rotational speed of the ICE and the wheels
because all other parameters are fixed once the transmission is built.
Equation 4 is valid when the vehicle works in electric or hybrid series mode. Once the ranges of values for
RST, n and cvt have been established, the CEM is left to be
defined. Variable CEM fixes the top angular velocity of
the EM with the vehicles top speed where the EM can
assist the ICE. This speed is defined in the following
section.
The previous analysis produces Table 2, defining
each transmission parameter and their proposed
ranges.
Table 2. Preliminary range values for the transmission

parameters
Variable
Range
RST
cvt
Figure 2. Analysis results of the influence of the parameters cvt

and RST on energy transformation from the power sources to the
wheels
68
CEM
Ccvt
Objective
To lower Fbelt. Top range value limited by
manufacturing
0.5-1 To increase Twheels

To not increase Fbelt and couple ICE with wheels
for different drive demands
To modify the HEVs top speed where the
...
EM can assist with power
To lower Fbelt and stay within manufacturing
0.5-0.6
and available space
0.5-2.5
Control strategy based on the PT parameters and

fuel economy
Construction of the Control Map
Vertical line Vmin represents the minimum required

velocity to connect the ICE to the wheels (Morteza et
al., 2006). It passes through the intersection of Pmin
and P2.
Curve VE represents the top speed selected for
which the EM can deliver power.
Figure 3. Control Map: Schematic representation

that shows the influence of the PT parameters in
the operating modes of the HEV and the limits of
the electric energy flow
Given the values of the PT parameters it is possible to

generate each curve of the graph Power (W) vs. Speed
(V) shown in Figure 3.
Curve Pmin corresponds to the minimum power to
start the ICE mechanically connected to the wheels.
This control parameter seeks to improve fuel economy by shutting down the ICE under low power
demand conditions.
Curve Pmax corresponds to the top power the ICE
can deliver (factory data).
Curve PEM represents the maximum power the EM
can deliver as a function of the vehicles speed (V).
Curve P1 is a function of V that gives the minimum
power that the ICE can deliver working on its Basic
Engine Operating Line (BEOL) (Koichiro et al.,
2004; Morteza et al., 2006), corresponding to the minimum cvt.
Curve P2 is a function of V that gives the maximum
power the ICE can deliver working on its BEOL, corresponding to the maximum cvt.
Curve P3 is the sum of curves P2 and the nominal
power of the EM, resulting in the total available
power at V.
Curves P1 and P2 are explained by the BEOL of the ICE,

which states that for each ICE there is one optimal , therefore there is one optimal power. From this, ICE(P)
gives the angular velocity of the ICE as a function of
power demanded which multiplied by Equation 3 and
the wheel radius (rwheel) creates a relationship among
power demanded, ICE and vehicle speed that depends
on the BEOL and the instantaneous cvt value. If we consider that once the HEV is built, the only variable not
fixed is cvt and that its value must fall between its two
limits (overdrive and underdrive) we get to the next
equations for P1 and P2 (Note: The independent variable
is power and the dependent variable is speed):
P1 ( P ) = wICE ( P )
RST
rwheel
(5)
cvt_ min dif
P2 ( P ) = wICE ( P )
RST
rwheel
(6)
cvt _ max dif
Where P1(P) and P2(P) are speed limits (maximum and

minimum) of the vehicle for each power delivered by
the ICE while it works on its BEOL.
The Control Map and the operation modes

The Control Map curves create areas that are closely related to the operation modes of the HEV.
Curves PEM, Vmin, VE and Pmin create area HS. In HS
the HEV operates in hybrid series or electric modes.
Once the PT is designed and build, the only parameter
left to be modified by the control strategy is Pmin. When
Pmin is increased it intersects P2 at a higher V, moving
curve Vmin to the right, therefore the HS area is increased as well as the hybridization grade.
Curves P1, P2, Pmin, VE and Pmax create areas C1 and
C2. In these areas the HEV works in conventional mode
and the ICE operates on its BEOL. C1 and C2 are areas
with minimum loss of energy. The difference between
C1 and C2 resides on the capacity of the EM to assist the
ICE. In C1 the EM is able to provide torque, but in C2
the EM is greater than the top angular velocity at which
the EM can provide torque, therefore, the ICE must ge-
69
nerate all power required to fulfill the drive cycle demand.

Curves P1, Pmin and VE define area C3 and curves P1
and VE delimit area C4. In C3 and C4 the HEV operates in
conventional mode, but the ICE does not work on its
BEOL. In these zones the CVT does not have enough
overdrive and the ICE must deliver less torque than the
torque marked by the BEOL, therefore fuel consumption increases per work done. The difference between
C3 and C4 is marked by the capacity of the EM to provide torque.
Curves P2 , P3 , Vmin and Pmax are the limits of area HP.
In HP the HEV operates in hybrid parallel mode. In this
mode, the Control Map lets us know the top power that
the ICE can deliver and the power the EM must generate to accomplish the drive cycle. For example, using
Point I in Figure 3, if the vehicle speed is 60 km/hr and
the drive cycle requires 80 kW the map shows that the
ICE can deliver 60 kW and the EM must generate 20
kWmore to accomplish the 80 kW demanded.
Control Map modification

When RST is increased P1 and P2 slopes decreases in the
Control Map and the intersection between P2 and Pmin
move to a higher V, therefore Vmin is moved to the right,
increasing HS area.
From Equation 5 and Equation 6 the next equation
is obtained:
P1 ( P ) = P2 ( P )
cvt _ max
cvt _ min
(7)
Equation 7 demonstrates that with a larger CVT range,

the difference between the slopes of curves P1 and P2
increases, therefore areas C1 and C2 would be larger.
Under this condition the ICE would be able to operate
on its BEOL over a wider range of speed and power.
Curve VE establishes the limits at which the EM can
deliver torque. This situation is explained in Equation 4
by multiplying the wheel radius and solving for EM.
When CEM is changed, the curve VE moves horizontally
and modifies PEM curve and the EM efficiency as a
function of V.
The Control Map and fuel economy

Each operating mode has advantages and disadvantages. The conventional modes in areas C1 and C2 of the
Control Map are the best, but as seen before, the CVT
belts strength constrains them. On the other hand, the
EM allows for a reduction in the size of the ICE which
70
shuts it down under non-efficient conditions. Unfortunately, the EM usage has a high cost on efficiency, due
to several energy transformations required to convert
the fuels chemical energy into mechanical energy by
the EM (Freyermuth et al., 2008; Salmasi, 2007). The Pmin
value can be modified by the control strategy. This action considerably changes the area of HS. This parameter can be used to set the preference to either use the EM
or the ICE under low speed and low power demand
situations (Morteza et al., 2006) or when the HEV operates on C3 zone. For these reasons Pmin is a decision variable of the optimization.
The transmission design must find a balance between the areas HP and C 3 , because, while the HEV
works within HP the EM must be used (with a consequent lower efficiency), but if the RST value is modified
to cover those operating points within C1, then C3s area
must increase and the ICE will work mostly under conditions out of its BEOL increasing fuel consumption.
This situation must be balanced to find the best RST value. For this reason RST is another decision variable of
the optimization.
Another transmission parameter that must be defined and optimized on the design stage is the VE value.
If VE is low the EM may stop working before achieving
the speed required by the ICE to deliver its full power,
leaving the HEV with less power available on a range of
V. The inverse situation would happen if the VE value is
too high. About this, it should be noted that change in
the value of VE modifies the operative points of the EM,
which changes the efficiency of the EM. This contributes to change the fuel economy. For this reason VE is a
decision variable used for the optimization.
Control Map and electric energy flow

Points I, II and III shown in Figure 3 represent situations where the vehicle can use or store electric energy.
On point I the vehicle must use electric energy. On
Points II and III the ICE can produce additional energy
to charge the batteries (Morteza et al., 2006). In these situations the Control Map provides the information required to calculate how much energy can be used or
sent to the batteries.
Point I is in HP, therefore the EM must assist the ICE.
The power required from the EM can be calculated by:
PEM (t) = P(t) - P2 (t)
(8)
Point II could be either in C1 or C2. In these areas, the

maximum energy the ICE can provide to charge the batteries is given by the equation:
Where P(t) is the power required by the cycle at time (t),

P1(t) and P2(t) are the power values in which curves P1
and P2 of the Control Map are intersected by a vertical
line projected from the instantaneous velocity of the vehicle V(t). P1(t) and P2(t) represent the minimum and
maximum power the ICE can deliver at any given speed
on time (t), while working on its BEOL.
It has been proved that the Control Map provides
information required to know the ICEs limits to charge
the batteries, which is information that needs to be considered but that does not provide the optimum values.
For this reason the charge strategy, with its decision variables to be optimized, is presented in the next section.
The charge strategy uses three SOC values to decide

when to charge the battery. These SOC values are:
LIB1: This value is set to 55% of SOC, if this value is
reached the control system increases SOC to LIB2.
LIB2: This value is between 56% and 80% of SOC.
This limit is used when operating in C1, C2 or HS.
LIB3: This value is between LIB2 and 80% SOC. This
limit is used when operating in C3, C4 or when operating in regenerative breaking.
Variable PAlt defines how much power the ICE must
generate with the purpose to charge the battery when
the operation is in any Cx area of the Control Map. A
constraint of the charge strategy is that the electric
power used to charge the batteries should never exceed
4 times the nominal battery power (4C). The value 4C
seeks to avoid damage and is obtained from the average of two commercial HEV charge power related to
their nominal battery power (Kelly et al., 2002). A second constraint is given by Equation 9; LIB2, LIB3 and
PAlt are decision variables of the optimization.
Electric system
Optimization
The HEV must have an electric system that feeds the

EM. The main elements of this system are: the EM
which can work as generator, one alternator, a Power
Electronics Control Unit (PECU) and a battery pack.
The battery pack selected is Ni-Mh because of its successful use in commercial HEVs (Mihalic et al., 2002).
The battery pack and the alternator must be able to feed
the top EM demand of electricity.
Table 3 shows the charge strategy for each area of
the Control Map created by the conditions required to
charge the batteries, the amount of power used for this
purpose, the constraints that need to be considered and
the device to be used. The goals of the charge strategy
proposed are: to keep the SOC between the limits desired, to not exceed the peak battery charge power, to increase the useful battery life, to operate the ICE close to
its BEOL when charging batteries and to avoid starting
the ICE only to charge batteries. With regenerative
breaking it is expected to recover as much energy as
possible without overcharging the battery pack.
In this study, the optimization algorithm considered is

based on genetic algorithms, which are inspired in the
theory of Darwin, survival of the fittest. Due to the nature of the multi-objective problem, the multi-objective
genetic algorithm (MOGA), proposed in Fonseca and
Fleming, 1995, is employed. The MOGA explores the
relevant trade-offs between multiple objectives. This
formulation maintains the genuine multi-objective nature of the problem, in which no single solution exists.
Instead there is a set of equally valid solutions, known
as Pareto front solutions or non-dominated solutions.
MOGA use standard genetic algorithm operators (selection, crossover and mutation) and other operators to
manage the Pareto front, the ones incorporated in this
algorithm uses: Pareto ranking, fitness sharing and mating restriction. The design philosophy of MOGA is to
develop a population (potential solutions) of Pareto
front or near Pareto-optimal solutions whilst maintaining the independence of the objectives throughout the
optimization process. It is free-derivative and the mo-
PMaxChg (t) = P2 (t) - P(t)
(9)
For Point III, the excess energy the ICE needs to generate and still work on its BEOL is given by the equation:
PChg2BEOL (t) = P1 (t) - P(t)
Charge strategy
Charge while
Reg. breaking
HS
C1
C2
(10)
Charge power
Charge limit
Device
P(t) < 0 and SOC < LIB3
P(t)
4C
EM
SOC < LIB2

SOC < LIB2
SOC < LIB2
4C-P(t)
PAlt
PAlt
4C
Eq. 9 and 4C
Eq. 9 and 4C
Alternator
EM
Alternator
C3
SOC < LIB3
PAlt
4C
EM
C4
SOC < LIB3
PAlt
4C
Alternator
Table 3. Battery charge strategy
71
decision variables are shown in Table 5. The optimization parameters are conformed of 100 generations with
100 individuals each.
The multi-objective optimization problem is simultaneously
Minimize Function 1: Petrol [g] = F [VE, RST, Pmin1,Pmin2,
LIB2(SOC),LIB3(SOC), PAlt]and
Maximize Function 2: Bat [W-hr] = F [VE, RST,
Pmin1,Pmin2, LIB2(SOC),LIB3(SOC), PAlt].
Petrol [g] is total fuel consumption at the end of the
drive cycle and Bat [W-hr] represents the final SOC at
the end of the drive cycle.
The decision variables of the optimization with their
boundaries are shown in Table 4. A run of 100 generations, with a population of 100 individuals each, was
carried out as outlined. The number of generation was
decided based on observation that no improvement
was achieved after 100 of them. The optimal Pareto
front set found is plotted in Figure 4. There, each individual with final SOC below the initial SOC (1600 W-hr)
is charge decreasing, any above is charge increasing
and charge sustainable is when the final SOC equals the
initial one.
del used to evaluate fitness of the individuals is treated

as a black-box.
This section discusses the relevant findings derived
from the MOGA. All simulations done are under quasistatic conditions; the efficiencies of the ICE and EM
are considered from its efficiency charts; the efficiencies
of the PECU and the alternator are fixed to be 90 and 85
percent respectively; the battery pack efficiency is set to
64% (Panasonic, 2008) efficiencies of all other elements
are not considered. The driving cycle is constructed
adding 5 consecutive UDDS cycles with 3 consecutive
HWFET cycles (Sovran et al., 2006), see Appendix 2. All
efficiency charts and drive cycles were obtained from
the Advisor database. The vehicle chosen was a Dodge Ram Pick-up truck with 2800 kg of net mass and a
battery pack of 3 kW-hr of storage capacity. The ICE
selected is a Mercedes 1.7L Diesel and the EM is a Unique Mobility 32-kW continuous, 53-kW intermittent
permanent magnet motor. The sizes of the EM and ICE
are close to the best selection for the type of vehicle chosen (Cook et al., 2007). All simulations are done with
Matlab based software developed by the authors. The
optimization of the two objective functions with their
Decision Variable
VE (top speed selected for which the EM can deliver power)
RST (velocity ratio between the PGS ring and of the CVT)
Lower
bound
26
Upper
bound
45
Units
m/s
0.5
1.0
8200
20000
Pmin2 (minimum power to start the ICE above 36 km/hr)
25000
PAlt (power of the ICE to charge the batteries)
13000
LIB2 (value of SOC between 56% and 80%)
56
80
LIB3 (value of SOC between LIB2and 80%)
LIB2
80
Pmin1 (minimum power to start the ICE from 0 to 36 km/hr)
Table 4. Decision variables of the

optimization and their boundaries
Figure 4. From the optimization, the Pareto front set individuals

are shown with points, those individuals joined with lines form
a curve linearly extrapolated that is above all other individuals
(Individuals on Table 5). With Xs being the non-dominated
solutions of a subset of individuals with RST = 0.64 0.01 and
VE = 38.5 1.0 m/s. From them, those joined with dash line
are individuals shown on Table 7
72
The objective to analyze the information derived

from the non-dominated solutions is to evaluate the capacity of the control strategy to change the operation of
the vehicle from charge depleting to charge increasing,
while its efficiency is kept as close as possible to the Pareto curve (Fang et al., 2011). First of all, some of the Pareto
individuals are characterized, then the relative efficiency
of working at different points of the Pareto front set is
evaluated, later the influence of the decision variables
that cannot be changed once the transmission is build,
and lastly, the influence of the variables that the control
system is able to change (Xiaoling et al., 2004).
Values for some individuals of the Pareto front set

Table 5 shows the objective functions and decision variable values for individuals of the Pareto front set marked with numbers on Figure 4. Curve Pmin of the Control
Map is represented by two values that cover different
ranges of speed, Pmin1 from 0 to 36 km/hr and Pmin2 above
36 km/hr. This is done to create more flexibility to the
optimization algorithm.
Relative efficiency analysis

Since the energy requirement to fulfill the drive cycle is
the same for each simulation and each individual in Table 5 with final fuel consumption and a unique final
SOC, it is possible to create Table 6. The second and
third columns of Table 6 show the difference in fuel
consumption and the battery charge between successive individuals in Table 5. The fourth column is the ratio
between column 2 and column 3. It can be observed
Objective functions
Petrol
Bat
[g]
[W-hr]
Individual
1
4661.6
1702.9
2
4703.6
1888.2
3
4723.3
1960.4
4
4729.2
1982.1
5
4838.5
2329.4
6
4873.7
2405.3
7
4891.4
2437.3
Element
1
2
3
4
5
6
7
Petrol
[g]
-41.9
19.6
5.97
109.2
35.2
17.7
VE
[m/s]
26.0
39.1
37.5
37.5
26.0
39.0
30.6
RST
0.738
0.706
0.709
0.709
0.698
0.649
0.634
Bat. Energy
Petrol
[kW-hr]
Bat. Energy
--0.1852
226.4
0.0722
272.4
0.0215
276.2
0.3473
314.4
0.0758
463.9
0.0319
555.4
that the ratio ranges from 226.4 g/kW-hr to 555.4 g/kWhr. From the efficiency chart of the ICE, it is known that
at least 220g of fuel are required to generate 1 kW-hr of
work. This value is used to calculate the efficiency of
the transformation of that mechanical energy to energy
stored in the battery pack at the end of the simulation
(shown in column 5). Table 6 shows that as more charge
increasing the vehicle works, the fuel cost of the final
energy stored in the battery pack increases. As a result,
the control system should try to avoid keeping the vehicle working over a charge increasing condition.
Another aspect to consider is that a charge decreasing
strategy is more fuel efficient, but requires additional
hardware to convert the HEVs into a Plug-in HEV
(Xianjing et al., 2010).
Analysis of physically constrained variables

Even though the Pareto front set shows optimal solutions for the vehicle operation (ranging from charge depleting to charge increasing), in reality it is not possible
for the PT to operate along it. The reason is that RST and
VE will be fixed once the transmission is build and as
seen in Table 5 these variables values change. It is possible to modify the PT design to let these parameters
change with 2 more CVTs. Unfortunately this would
increase the complexity of the control system, manufacturing cost and maintenance, therefore this option is
discarded in this paper. Instead of trying to develop a
more complex PT, an intensive search among all individuals of the genetic optimization was done to find a
pair of values for RST and VE that produce a curve close
to the Pareto front set. The search allowed for variations
Decision variables
Pmin1
Pmin2
PAlt
[W]
[W]
[W]
8247
6574
739
8359
6320
738
8267
6119
758
8267
6103
758
8291
6011
1155
8227
6272
1155
8251
6359
1155
Efficiency
[%]
-97.11
80.74
79.55
69.96
47.42
39.61
LIB2
[%]
77.6
62.4
65.4
65.4
79.97
79.97
79.97
LIB3
[%]
79.7
67.6
78.2
77.5
79.99
79.97
79.98
Table 5. Objective functions and decision

variables values for some individuals of
the Pareto front set
Table 6. Relative change of efficiency in the accumulation of

energy in the battery pack at the end of the simulation
73
of 0.01 for RST and of 1 m/s for VE. The best pair of
values found was: RST = 0.64 0.01 and VE =38.5 1m/s.
A comparison between the Pareto front set and the best
sub-set with RST and VE fixed is shown in Figure 4.
Analysis of physically unconstrained variables

Once the values of RST and VE are fixed, the values of the
other variables can be modified by the control system.
Table 7 shows the values of the objective functions and
decision variables of the individuals marked by dashed
lines on Figure 4.
From Table 7 we can appreciate that decision variables which modify the areas of the Control Map do not
change significantly (VE, RST, Pmin1); instead, the conditions for charging the battery pack (PAlt, LIB2 and LIB3)
and Pmin2 are modified. Figure 5 shows the normalized
behavior of the variables of those individuals in Table 7
that changes more than 5 percent.
Figure 5 shows that for charge decreasing (individual 1), the values for PAlt, LIB2 and LIB3 are the lowest
and Pmin2 is the highest.
As the operation of the vehicle moves from charge
decreasing to charge increasing, the parameter PAlt in-
creases gradually and the conditions for charging the

battery pack become less restrictive. First of all, the value of LIB3 increases which means that more charge can
be accepted on C3 and C4, but still at a low rate. Second,
LIB2 increases resulting in more energy accepted in C1
and C2 by the battery.
One relevant observation is that the use of the EM
does not have significant changes (Pmin1 and Pmin2). This
means that to increase energy in the battery pack the
right strategy is to increase the electric energy generated by the ICE (PAlt), instead of restricting the use of the
EM. On the other hand, if more free electrical energy
is available (down hills, charge decreasing strategy as
with a Plug-in HEV) the first strategy would be to reduce the generation of electrical energy with the ICE to
charge the batteries (Xianjing et al., 2010). But, if the
SOC gets close to LIB 3 , then the EM needs to be used
more frequently under conditions of increase the Pmin
value (HS area increases).
It is clear that PAlt has a strong impact in moving
from charge depleting to charge sustainable and that
the restrictions to send energy to the battery become
gradually less restrictive to move from charge depleting to charge increasing.
Table 7.Values of decision variables that belong to the closest sub-set found to the Pareto front set
Individual
A
B
C
D
E
F
G
Objective functions
Petrol [g]
Bat [W-hr]
4687.3
1741.6
4714.5
1861.4
4731.8
1934.0
4762.7
2046.3
4786.9
2133.6
4873.7
2405.3
4895.2
2444.0
VE [m/s]
39.1
39.1
39.1
39.3
39.1
39.0
38.8
RST
0.634
0.634
0.646
0.647
0.649
0.649
0.640
Pmin1 [W-hr]
8402
8403
8355
8319
8342
8227
8319
Decision variables
Pmin2 [W-hr]
PAlt [W-hr]
6843
434
6636
480
6858
739
6307
683
6307
797
6272
1155
6264
1195
LIB2[%]
67.2
67.2
67.6
67.6
79.4
79.9
79.9
LIB3[%]
69.1
69.1
78.9
77.8
79.6
79.9
79.9
Figure 5. Normalized behavior of decision variables with more

than 5 percent of change of individuals in Table 7
74
Simulation results
In this section the results of one simulation done with
the values of individual A of Table 7 are presented.
This individual was selected because the values for RST
and VE are in the optimal range and the final SOC is
close to charge sustainable. Figure 6 is the real Control
Map used and populated by the individual simulated,
each point represent one state of the simulation.
From first heuristic optimization (Salmasi, 2007),
considering only the Control Map and the SOC, the C3
area is more populated than the HP area. The slope of
P2 increased enough to let C1cover almost all points of
high power demand at low speeds. This information
states that it is better to use the ICE outside its BEOL at
high speeds than use the energy from the battery pack
at low speeds with high power demand. The optimization demonstrates that it is more efficient to let the Pmin
curve of the control map to have a slight negative slope.
This might be explained by the fact that we are optimizing distance/fuel consumption and, despite that in C3
the ICE do not work on its BEOL, the ratio decrease in
efficiency of the ICE might be overcompensated by the
increase of speed. This means the faster the vehicle
goes, the further from the BEOL the ICE can operate
whilst still being more fuel efficient than using the EM.
In Figure 6 it can be observed that up to 15 kilowatts
are used by the regenerative breaking, which is more
than 4C (in this case 4C = 12 kW). This is due to the fact
the EM absorbs 15 kW of mechanical energy in its shaft.
Figure 6. Control Map populated with state points from

simulation of individual A of Table 7
However, considering its efficiency as a generator and

the efficiency of the PECU, the amount of electrical
power that actually charges the batteries is below 4C.
Conclusions
The implementation of the genetic algorithm is described for the optimization of the control strategy and the
transmission in HEV. The optimization problem was
formulated for a multi-objective environment in order
to minimize fuel consumption, maximize batteries state
of charge and maintain the vehicle performance in the
drive cycle used.
In this paper a transmission is proposed that allows
different operating modes of the vehicle. To understand the energy flow a new approach is employed: The
Control Map. This is a novel heuristic tool that organizes information about prime movers and the transmission. It is a powerful aid to understand the capacity and
limitations of the mechanical and electrical energy flow
on HEVs, according to the drivers demand and the
powertrain configuration. When properly tuned, it can
be used as a database by the control system of HEVs.
Finally, the optimization is performed in a compound
city-highway driving cycle and the effect of the control
map in the optimization is analyzed.
The MOGA optimization provides information required to understand the better strategy to use prime
movers and the battery pack. Despite the Pareto Front
Set found by MOGA required the modification of physical parameters of the transmission, it was possible to
find a subset of solutions with no physical changes that
let the control strategy operate close to the Pareto Front
Set. Moreover, the simulations results reveal that under
these conditions, the SOCs strategy increases the
power to charge the batteries gradually and sequentially increases the upper limits of the SOC to move from
charge depleting to charge increasing. It was proved
that fuel cost per unit of energy stored in the batteries at
the end of the cycle increases as more energy is stored.
From the characteristics of the Control Map obtained after the MOGA optimization (Figure 6) it is concluded that the gear ratios of the transmission should
benefit the use of the ICE outside its BEOL at high
speeds and low power demand, because it is more fuel
efficient than using the EM. When the operation is at
low speeds with high power demand the gear ratios
should let the ICE provide all the power required to
propel the vehicle, reducing as much as possible the use
of the EM once the ICE is started (C3 and C4 should
overcome HP). It was found that as faster the vehicle
moves, the minimum power to start the ICE decreases
75
and the use of the EM should be restricted to propel the

vehicle.
Future work will focus on the construction of a prototype to test the validity of the conclusions presented.
It will also focus on the reduction of C3, C4 and HP
areas of the Control Map, improve the computational
model from quasistatic to a dynamic approach and to
create a dynamic control strategy with the heuristic based on the Control Map.
Acknowledgments
Authors are grateful for financial support from Researching Direction and Engineering Department of Universidad Iberoamericana. The authors would also like
to mention Dr. Frederick Goldens valuable support.
His advice and guidance, whichhe providedin life, encouraged us to strive for new goals and accomplishments in the benefit of humankind. This article is
largely thanks to his input.
Appendix 1
List of acronyms
4C
Four times the battery nominal power
BEOL Basic Engine Operating Line
CVT Continuous Variable Transmission
Diff
Differential
EM
Electric Motor/Generator
HEV Hybrid Electric Vehicle
HWFET Highway Federal Emissions Test
ICE
Internal Combustion Engine
NiMh Nickel Metal Hydride battery type
PECU Power Electronics Control Unit
PGS
Planetary Gear Set
PT
Power Train
SOC
Battery State of Charge
ST
Simple Train
UDDS Urban Dynamometer Driving Schedule
V
Vehicle Speed
Appendix 2
Figure 7. Drive cycle and SOC
Figure 8. Efficiency and fuel consumption maps
76
Appendix 3
Drive cycle vehicle efficiency
Distance
109.9 km
Fuel consumed
4668 g
Fuel economy
23.5 km/kg
Percent in each operation mode
Stopped
5%
Reg. Breaking
31%
HS
20%
HP
< 1%
C1
22%
C2
0%
C3
22%
C4
0%
ICE operation
Stopped
55%
Propel vehicle
0%
Propel vehicle and charge battery
45%
EM operation
Stopped
5%
Propel vehicle
20%
Generator
75%
Appendix 4
TDIF
FG/DIF
FR/P
FP
TA
FG/A
Arm
(A)
Planet
(P)
FS/P
FG/S TS
Sun
(S)
FDIF/R
FA/P
FP/S
Differential
(DIF)
CVT input wheel
FR/DI
(1)
FP/R
FG/1
rR in
TR
rRo
Ri
TIC
FG/R
TS
FI/R
FR/I
FG/I
Idler
(I)F
Pi/I
FBelt/1
F1/Belt
CVT output wheel

(2)
PI/Pi
Belt
F2/Belt
FBand
FG/Pi
FT/2
Pinion
(Pi)
Figure 9. Free body diagram of PT
77
From the free body diagram (Figure 9) and under equilibrium conditions for the CVT input wheel, where Tx
represents the torque in element x,
TS + TICE -
FBelt /1
r1
=
0
(a)
where,
TS = FP/S rS
(b)
FP / S =
FA / P
(c)
2
FA / P =
TA
rA
(d)
From figure 1,
TA = TEM CEM (e)
From the planetary gear set,
rS
2
=
rA n + 1

(f)
For the CVT,

r2 = r1 cvt
(g)
Ccvt = r1 + r2 (h)
Solving for r1 from Equation g and Equation h,
Ccvt
r1 =
cvt + 1
(i)
Equation 1 is obtained solving for FBELT/1 from equations

a, b, c, d, e, f and i:
CEM 1 + cvt

F=
TICE + TEM
Belt /1
n + 1 Ccvt
(j)
Equations 2, 3 and 4 are obtained by combining the Willis equation for a planetary gear set and the dynamic
relationships among the sun and the ring by the CVT
and the simple train.
wring - warm
wsun - warm
78
= -
1
n
(k)
wring =
wsun
RST
(l)
References
ADVISOR (ADvanced VehIcle SimulatOR). US, Department of
Energys National Renewable Energy Laboratorys (NREL),
Center for Transportation Technologies and Systems, Version
2002.
Anderson J.A.Designing and Modeling a Torque and Speed Control
Transmission,(Thesis of Master of Science in Mechanical Engineering), USA, West Virginia University, Morgantown,
West Virginia, 1999, 77p.
Amr A. A., Ahmed F.Z., Greg J.N. Trends, Features and Recent
Research Efforts in the Field of Hybrid Electric Vehicles. Int. J.
Alternative Propulsion, volume 1 (issue 1), 2006.
Cook R., Molina-Cristobal A., Parkas G., Osornio C., Clarkson J.
Multi-Objective Optimisation of a Hybrid Electric Vehicle:
Drive Train and Driving Strategy, on: Proceedings of the 4th
International Conference on Evolutionary Multi-Criterion
Optimization, Matsushima, Japon, SECTION: Applications,
pp. 330-345, 2007.
Fang L.C., Xu G., Li T.L., Zhu K.M. Concurrent Optimization for
Parameters of Hybrid Electric Vehicle Based on Non-Dominated Sorting Genetic Algorithms, on: Advanced Control of Industrial Processes (ADCONIP) International Symposium, pp.
472-476, 23-26, May 2011.
Fonseca and Fleming. Multiobjective Genetic Algorithms Made
Easy: Selection, Sharing and Mating Restriction, on: IEE/IEEE
International Conference on Genetic Algorithms in Engineering Systems: Innovations and Applications (1st, 1995, Sheffield, UK), The Institution of Electrical Engineers, 1995,
pp.45-52.
Freyermuth V., Fallas E., Rousseau A. Comparison of Powertrain
Configuration for Plug-in HEVs from a Fuel Economy Perspective, on: SAE World Congress, Session: Advance Hybrid
Vehicle Powertrain, 2008, MI, USA, SAE International, April
2008, pp. 165-171.
Gmez M., Mucino V., Clark N., Smith J. A Configuration for a
Continuously Variable Power-Split Transmission in HybridElectric Vehicle Application, on: SAE World Congress (2004,
Detroit, MI, USA) Advanced Hybrid Vehicle Powertrains, Warrendale, PA, USA, SAE, 2004, pp.137-144.
Mihalic-Zolot K. Battery Usage and Thermal Performance of the
Toyota Prius and Honda Insight for Various Chassis Dynamometer Test Procedures, on: Annual Battery Conference on
Applications and Advances (17th, 2002, Long Beach, California, USA).
Koichiro M., Makoto Y., Junji T. Development of New-Generation
Hybrid System THS II -Drastic Improvement of Power Perfomance, on: SAE World Congress & Exhibition Session: Ad-
vanced Hybrid Vehicle Powertrains, (March 2004, MI, USA).

Hybrid Gasoline-Electric Vehicle Development, 2005, SAE
International.
Kyoungcheol O., Junhong M., Donghoon C., Hyungsoo K. Optimization of Control Strategy for a Single-Shaft Parallel Hybrid Electric Vehicle. Proceedings of the Institution of
Mechanical Engineers, Part D, on: Journal of Automobile Engineering [Print], volume 221 (issue 5), 2007: 554-565 [on line].
Abailable on:

http://journals.pepublishing.com/content/b35v3w8808576564/
Liang C. Youde L., Qingnian W. Study on the Parametric Optimization for a Parallel Hybrid Electric Vehicle Power Train, on:
Future Transportation Technology Conference & Exposition
Session: Hybrid Electric Vehicles (2000, Costa Mesa, CA,
USA), PA, USA, SAE International, Agost 2000.
Morteza-Montazeri G., Poursamad A., Barbak G. Application of Genetic
Algorithm for Optimization of Control Strategy in Parallel Hybrid
Electric Vehicles. ELSEVIER, Journal of Franklin Institute, 2006.
Panasonic, Nickel Metal Hydride Batteries, Technical Handbook, 2008.
Pezzini A., Bezaire B., Cooley R., Tulpule P., Rizzoni G., Guezennec Y.,
Midllam-Mohler S. Application of Model-Based Design Techniques
for the Control development and Optimization of a Hybrid-Electric
Vehicle, on: SAE World Congress & Exhibition, Session: Control
and Optimization in Hybrid Powertrains Part 1 (2009, MI, USA).
Control and Optimization in Hybrid Powertrains, 2009. MI, USA.
SAE International, April 2009, pp. 1-10.
Salmasi-Farzad R. Control Strategies for Hybrid Electric Vehicles: Evolution, Classification, Comparation and Future Trens. IEEE Transaction on Vehicular Technology, volume 56 (issue5), September
2007.
Santoro M. A Hybrid-Propulsion Powertrain with Planetary gear Train

Set for a 4WDVehicle: Analysis of Power Flows and Energy Efficiency, Dresden University of Technology, Germany, 2000.
Sovran G. y Dwight B. Quantifying The Potential Impacts Of Regenerative Braking on a Vehicles Tractive-Fuel Consumption for the US,
European and Japanese Driving Schedules, on: The SAE World
Congress (2006, Detroit, Michigan, USA), Advanced Hybrid Vehicles, Warrendale, PA, USA, pp. 75-92.
Xianjing L., Liguang L., Yongzheng S., Zongjie H., Jun D. Optimization
of Control Strategy for Engine Start-Stop in a Plug-in Series Hybrid
Electric Vehicle, SAE 2010-01-2214, October 2010.
Xiaolin H., Zhongfan W., Lianying L.Multi-Objective Optimization of
HEV Fuel Economy and Emissions Using Evolutionary Computation, SAE 2004-01-1153, March 2004.

Osornio-Correa, Cuitlhuac, Rodrigo Carlos Villarreal-Calva, Arturo Molina-Cristbal, Joshua Estavillo-Galsworthy, Sal Daniel
Santilln-Gutirrez. Optimization of Power Train and Control Strategy of a Hybrid Electric Vehicle for Maximum Energy Economy.
Ingeniera Investigacin y Tecnologa XIV, 01 (2013): 65-80.
Osornio-Correa C., Villarreal-Calva R.C., Molina-Cristbal A., Estavillo-Galsworthy J., Santilln-Gutirrez S.D. Optimization of
Power Train and Control Strategy of a Hybrid Electric Vehicle for
Maximum Energy Economy. Ingeniera Investigacin y Tecnologa,
volume XIV (issue 1), January-March 2013: 65-80.
79
About the authors

Cuitlahuac Osornio-Correa. He received his BSc degree from The National Autonomous University of Mexico (UNAM), Mexico, in 1976; the MSc degree from
Engineering Faculty-UNAM, Mexico in 1994; and his PhD degree in 2006 from
the Engineering Faculty-UNAM, Mexico, all in Mechanical Engineering. Currently, he is a professor and researcher at the Universidad Iberoamericana.
His main research interest includes Hybrid Electric Vehicles powertrain and
Electric Vehicles.
Ricardo Carlos Villarreal-Calva. Graduated with a BSc in Mechanical and Electrical
Engineering with a major in Mechatronics from Universidad Iberoamericana,
Mexico in 2006. As a student, he was responsible of the engineering design of
a Formula SAE race car which represented Universidad Iberoamericana in the
Formula SAE 2006 Westcompetition. He was the Captain of the UIA 2006
PACE team that developed the CAD&CAE of an Internal Combustion Engine
aimed to contribute with the CAD&CAE of a full vehicle through collaborative
engineering between worldwide Universities. In 2009, he joined to a research
with the objective to increase fuel economy in Hybrid Electric Vehicles.
Arturo Molina-Cristobal. Graduated with a BSc in Mechanical Engineering with a
major in Mechantronics from Universidad Iberoamericana, Mexico in 1996.
From 2001 to 2005 he completed his PhD degree from the Department of Automatic Control & Systems Engineering in collaboration with the Rolls-Royce
University Technology Centre (UTC)at the University of Sheffield. His PhD
research was aimed at comparing LMI techniques and genetic algorithms in
Multiobjective Control with application to gas turbine engines. From 2005 to
2006 he joined the EDC to work in Robust Multiobjective Optimisation with
application to real-world engineering problems. From 2006 to 2009 he joined
the Electrical Machines and Drives Group, at the University of Sheffield to
work in the More Open Electrical Technologies (MOET) for Aircraft Power
Systems project. He returned to the EDC in July 2009 to work in the Robust
Multiobjective Optimisation of Submarine Propulsion Systems.
Joshua Estavillo-Galsworthy. graduated with a BSc in Mechanical and Electrical Engineering from the Universidad Iberoamericana, Mexico 2011. In his early student years, he designed a hybrid engine using a two-stroke diesel and a
Sterling engine to increase fuel efficiency. In 2007 he joined a research team
focused on improving Hybrid Electric Vehicles, specifically regarding transmission, performance, and fuel economy. In 2010, became the teachers assistant of an online, Multilanguage, international CAD&CAE course, centered on
optimizing design. Over the past few years, he has worked in diverse environmental fields, including waste management, energy management and transportation, and recycling, including creating self-sustaining environmentally
sound projects for different industries.
Sal Daniel Santilln-Gutirrez. BSc, MSc UNAM (National Autonomous University of Mexico), PhD Loughborough University. Research lines, product design,
artificial intelligence and design methods, professor at Faculty of Engineering
UNAM, Project leader for several industrial research projects, responsible for
the postgraduate program of Automotive Engineering (to start at the UNAM
soon), member of the Academy of Engineering (currently Head of Centro de
Alta Tecnologia, based on campus Juriquilla in Queretaro).
80

(artculo arbitrado)
Redes de transmisin inteligente. Beneficios y riesgos

Smart Transmission Grids - Benefits and Risks
Velasco-Ramrez E.
Correo: TVelascoR@iingen.unam.mx
Garca-Martnez M.
ngeles-Camacho C.
Instituto Tecnolgico de Toluca

Correo: mgarciam@ittoluca.edu.mx
Correo: CAngelesC@ii.unam.mx
Informacin del artculo: recibido: marzo de 2011, aceptado: febrero de 2012
Resumen
Actualmente los sistemas elctricos operan cada vez ms cercanos a sus lmites de estabilidad, es por ello que se hace necesaria y primordial la transicin
hacia nuevos sistemas de transmisin que garanticen la eficiente entrega de
la energa elctrica, evitando con ello cortes de energa que generan importantes prdidas en la economa de cualquier pas del mundo. En este documento se realiza un anlisis de los elementos necesarios para una sana y
eficiente transicin de una red de transmisin elctrica verticalmente, integrada hacia una red de transmisin inteligente. Se presenta un anlisis comparativo entre dos de los marcos de referencia ms importantes, el de la UE y
el de EUA, en el modelo, desarrollo, beneficios y riesgos en la implementacin de estos sistemas.
Descriptores:
sistema elctrico
red de transmisin
inteligente
transicin
beneficios y riesgos
tecnologa HVDC
FACTS y PMU
Abstract
Nowadays the Power Systems are working near their stability limits, for this reason
it is necessary and essential a transition to new transmission systems that ensure
efficient delivery of electrical energy, with the objective to prevent blackouts that
cause significant losses in the economy of any country in the world. This paper analyzes important elements to consider having a healthy and efficient transition from
a power grid vertically integrated into a smart transmission grid. A comparative
analysis in the model, development, benefits and risks of the implementation of these
systems, between two of the main marc of references of smart grids, the EU and the
USA is presented.
Keywords:
power systems
smart transmission grid
benefits & risks
HVDC technology
FACTS
PMU
Introduccin
La sociedad actual requiere grandes cantidades de
energa para la industria, el comercio, la agricultura, el
transporte, las comunicaciones, el uso residencial, etctera. El suministro actual de esta energa es proporcionado principalmente por combustibles fsiles. En este
escenario las fuentes de energa no renovables son el
principal combustible que se utiliza en la generacin de
electricidad. En el futuro, el uso de las fuentes de energas renovables jugar un rol dominante en la generacin de electricidad. El incremento en la integracin de
estas energas, sumado a los desarrollos tecnolgicos en
transmisin, generacin y distribucin, ha marcado un
parteaguas en la industria elctrica. La necesidad de tener sistemas de transmisin limpios, eficientes, confiables, tolerantes a disturbios y sensibles, ha propiciado
el nacimiento de las llamadas redes inteligentes, lo
que en ingls se conoce como smart grids (Fangxing et
al., 2010).
Los sistemas elctricos de potencia tradicionales
tienden a ser verticalmente integrados, es decir, una
empresa es la responsable de la generacin y transmisin y, en muchos casos, tambin de la distribucin en
su rea de servicio. Hace algunos aos se crea que este
mtodo ayudara a optimizar la planeacin y operacin
global del sistema, es decir, que una sola empresa deba
tener el control total de la generacin, la transmisin y,
en algunos casos, tambin de la distribucin. Actualmente, en muchos pases est cambiando el paradigma
de una red elctrica, primordialmente centralizada y
controlada por un solo operador, a una en la que participen diferentes empresas en la generacin, distribucin y operacin, y donde los usuarios de la red sean
ms interactivos con el sistema. Bajo este marco, nace el
concepto denominado red inteligente; como una visin de la infraestructura elctrica flexiblemente controlable.
El sistema de monitoreo de la transmisin, ms la
tecnologa de comunicacin e informacin, en conjunto,
crean una red de transmisin inteligente, que facilita
la supervisin y control del transporte de energa elctrica. Pasar a una red de transmisin inteligente es evolucionar de una red centralizada y pasiva que funciona
en un nico sentido (de proveedores a consumidores),
a un modelo de red de transmisin automatizada, donde cada nodo en el sistema elctrico es emisor y receptor, productor y consumidor y, en consecuencia, se
obtiene la evolucin de un esquema centralizado a uno
distribuido. El control de la infraestructura elctrica ha
sido, hasta ahora, centralizado en una estructura vertical como sucede en los sistemas elctricos. La desregu-
82
lacin del sistema elctrico crea la necesidad de un

control distribuido. En este sentido, el concepto de red
de transmisin inteligente permitir a los sistemas de
potencia permanecer fiables y seguros (Hommelberg et
al., 2007).
Definiciones y objetivos
La definicin de red inteligente difcilmente se puede
dar en pocas palabras, ya que involucra un gran nmero de conceptos, definiciones y tecnologas; sin embargo, de manera introductoria y muy simplista se puede
definir como: una red que integra la generacin centralizada a travs de grandes plantas generadoras, con la
generacin distribuida en pequea escala de energas
renovables, en la cual el usuario puede consumir y enviar energa a la red, es decir, el lado de la demanda de
la red se puede convertir, de manera controlada, en una
fuente o en un pozo de energa.
Con la finalidad de describir de manera ms detallada los conceptos que se involucran en la definicin anterior, a continuacin se presenta la visin que tienen la
Unin Europea (UE) y el Departamento de Energa de
Estados Unidos (DOE) sobre el concepto de red inteligente de energa elctrica
Visin de la Unin Europea

Para la Unin Europea el desarrollo de redes inteligentes considera un audaz programa de investigacin, desarrollo y proyectos que se encaminen a la integracin
de la red de abastecimiento de energa, que satisfaga las
necesidades de la Europa del futuro. En la figura 1 se
muestra una visin integral de la red inteligente de la
Unin Europea.
Segn esta visin, las redes europeas de energa
elctrica del futuro debern ser:
Flexibles: Debern satisfacer las necesidades de los
consumidores con los retos que esto representar en
el futuro.
Accesibles: Garantizarn el acceso a la conexin de
todos los usuarios de la red, particularmente a travs de fuentes renovables y generacin local altamente eficiente con emisiones contaminantes nulas
o muy bajas.
Econmicas: Proveern una cadena de valor por
medio de la innovacin, la administracin eficiente
de la energa, la competitividad y la regulacin.
Uno de los objetivos fundamentales que se pretende lograr con la implementacin de las redes inteligentes
europeas es duplicar la incorporacin de la generacin

por medio de energas renovables, la cual es actualmente de 13%, para alcanzar un 26% en 2030 (DirectorateGeneral, 2005).
Los elementos clave que incluye esta visin son los
siguientes:
Crear un conjunto de soluciones tcnicamente probadas, econmicamente factibles y que puedan ser
desarrolladas rpidamente; las cuales permitan que
las redes existentes acepten la inyeccin de potencia
de todas las fuentes de energa disponibles.
Armonizar los marcos de referencia regulatorios y
comerciales de Europa para facilitar las transacciones sin fronteras de potencia y servicios de red, asegurndose que se acomodarn a un amplio rango
de condiciones de operacin.
Establecer normas tcnicas y protocolos compartidos que aseguren el acceso abierto y permitan la utilizacin de equipo del fabricante que se desee
seleccionar.
Desarrollar sistemas de informacin, computacin y
telecomunicacin que permitan mejorar la eficiencia
de la red y aumentar los servicios disponibles para
los consumidores.
Asegurar la compatibilidad adecuada de los equipos de las redes actuales con los nuevos; de manera
que se asegure la interoperabilidad de los arreglos
de automatizacin y control.
Adicionalmente, las redes de distribucin del futuro
debern convertirse en redes activas que sean capaces
de permitir flujos de potencia bidireccionales; de la red
al consumidor y del consumidor a la red (DirectorateGeneral, 2005).
Visin del Departamento de Energa de Estados

Unidos de Norteamrica
Con la finalidad de enfrentar los retos, que en el aspecto
energtico enfrenta esa nacin, el Departamento de
Energa de EUA (DOE, Department of Energy) estructur
recientemente su programa denominado Renewable
and Distributed System Integration Program, mediante el
cual se encuentra realizando nueve proyectos piloto.
Cada uno de ellos integra energa limpia, producida en
sitio con el fin de lograr una reduccin de 20% en el pico
de demanda en los alimentadores de distribucin para
el ao 2015. Los proyectos estn localizados a travs de
todo el pas, e involucran a todos los niveles que integran la cadena de distribucin, desde complejos residenciales e industriales hasta las compaas suministradoras, los cuales estn desarrollando, conjuntamente, diferentes procedimientos para alcanzar la meta
(DOE, 2008).
Algunas de las tecnologas que se estn integrando
son vehculos hbridos enchufables (PHEVs), turbinas
elicas, energa fotovoltaica, acumulacin por bombeo,
almacenamiento por aire comprimido, tecnologa de
micro redes y sistemas de automatizacin de alimentadores (Vojdani et al., 2008).
El DOE establece que la generacin renovable distribuida es inteligente porque:
Reduce la emisin de gases de efecto invernadero.
Mejora la eficiencia del sistema.
Ayuda a diferir la necesidad de crecimiento del sistema.
Reduce el pico de carga.
Alivia la congestin.
Mejora la confiabilidad.
Figura 1. Visin de la comunidad europea

de las redes inteligentes del futuro
83
Mejora la seguridad del sistema.

En estos proyectos se encuentran trabajando juntos todos los interesados, entre ellos, desarrolladores habitacionales, industriales, compaas suministradoras,
universidades y laboratorios nacionales como el EPRI.
En la tabla 1 se presenta una comparacin entre la
red actual y una red de transmisin inteligente (Hernndez, 2010).
Transicin hacia las redes de transmisin

inteligente
La evolucin hacia una red inteligente cambiar varios
aspectos del modelo comercial actual y la relacin de la
industria con todos los productores, implicando y afectando a las empresas de generacin, los reguladores,
los proveedores de servicios de la energa, vendedores
de tecnologa de automatizacin y a los consumidores
del servicio, de esta manera, las redes inteligentes optimizarn las interconexiones entre los productores y
consumidores (Nehrir et al., 2006).
Al observar lo que ha ocurrido en distintos pases
con algunos sistemas en que se han llevado a cabo reformas estructurales, se concluye que dichas transformaciones se pueden visualizar como un proceso de
evolucin natural, con el fin de obtener el mximo provecho de los recursos necesarios para la produccin y
suministro de la energa elctrica, ya sea mediante la
planeacin y evolucin de los sistemas integrados verticalmente, o a travs de la apertura a la competencia
para lograr una adecuada integracin tecnolgica y
econmica; y es as como surge el concepto denominado red de transmisin inteligente; como una visin
de la infraestructura elctrica que integra la generacin
y distribucin flexiblemente controlables. Los retos impuestos por esta nueva visin deben alcanzarse de una
manera econmica, especialmente en pases en desarrollo, ya que muchos de ellos no pueden tener acceso a
tecnologas ambientalmente compatibles. Con la ayuda
de nuevas ideas, soluciones inteligentes, as como innovaciones tecnolgicas, los retos pueden ser superados.
Red Actual
Transmisin de Energa
Operaciones
De centrales a usuarios
Dirigida a centros de
mando
Centralizadas
Control
Centralizado: SCADA
Informacin
84
El propsito fundamental de esta reestructuracin en el

diseo y operacin de los sistemas elctricos, es la de
alcanzar los beneficios con una mayor eficiencia y competitividad de mercado elctrico entre pases o regiones
a nivel global.
El mercado de las redes inteligentes tendr un crecimiento dinmico impulsado por el cambio climtico y
por los programas de estmulo econmico, ya que al
integrar grandes cantidades de sistemas renovables de
energa, el sistema elctrico actual deber adaptarse a
este crecimiento, y es de gran importancia mencionar
que la infraestructura actual no est diseada para esta
tarea.
Caractersticas de las redes inteligentes de

transmisin
Las redes inteligentes tienen tres componentes primarios: facturacin inteligente (smart metering), la infraestructura de la red y el sistema de control (grid intelligence),
adems de una gestin inteligente de datos (utility IT).
La figura 2 presenta, de manera general, la forma
en la que una red inteligente puede ser definida. En esta
figura quedan representados los elementos principales
de un sistema de transmisin inteligente, entre los
cuales se pueden mencionar los siguientes:

Sistema integral de proteccin

Sistema de ahorro de energa
Automatizacin y proteccin de la subestacin
Tecnologa de HVDC y FACTS.
Cuando se implementa un sistema de transmisin inteligente se ofrece solucin a varios problemas ocasionados en los sistemas elctricos de potencia, entre las
principales soluciones encontramos las que se presentan a continuacin:
Detectar y atender problemas en el sistema desde su
inicio antes de que afecten el servicio.
Responder a estmulos locales y globales y obtener
ms informacin sobre los problemas del sistema.
Red de Transmisin Inteligente
Tabla 1. Comparacin de la red actual y

una red de transmisin inteligente
En todas direcciones
En todas direcciones
Distribuidas
Sistema Distribuido segn
jerarqua, negociacin/
coordinacin
Incorporar mediciones, comunicaciones rpidas,

diagnsticos centralizados avanzados y controles
que restablezcan el estado estable del sistema despus de interrupciones o disturbios.
Adaptar automticamente los sistemas de proteccin a las nuevas topologas de la red.
Re-direccionar flujos de potencia, cambiar patrones
de carga, mejorar perfiles de voltaje y realizar acciones correctivas a segundos de haber detectado el
problema.
Permitir a las cargas y a la generacin distribuida
participar en operaciones de control.
La red de trasmisin debe ser inherentemente diseada y operada con seguridad y confiabilidad como
factor clave.
Proveer al operador sistemas avanzados de visualizacin para mejorar su capacidad de supervisar el
sistema.
Para lograr que los sistemas de transmisin inteligente
tengan las caractersticas requeridas es necesario realizar varias iniciativas que permitan un ptimo funcionamiento de las redes de transmisin inteligente. Entre
estas iniciativas realizadas se encuentra la incorporacin de sensores de impedancia, monitoreo del sistema,
implementacin de portales del consumidor, comunicaciones usando fibras pticas (sobre cables de guarda),
agentes semiautnomos, mtodos de visualizacin avanzados; Sistemas de almacenamiento de energa (ESS/
STATCOM), aplicacin de dispositivos controladores
(FACTS, HVDC, WAM & WAP, PMU, etctera (FavrePerrodet al., 2009).
La implementacin de estas soluciones ha permitido a los sistemas de transmisin obtener beneficios
como la reduccin de costos por congestin, disminucin en la probabilidad de apagones, al igual que la salida o interrupciones forzosas de lneas u otros
elementos de transmisin, la reduccin en tiempos de

restauracin por mantenimiento preventivo, los picos
de demanda reducidos en las lneas de transmisin y
otros beneficios debidos al autodiagnstico.
En cuanto a la generacin distribuida se ha reflejado
un incremento de la penetracin e integracin y una
mayor utilizacin de la misma. Tambin se ha incrementado la seguridad y tolerancia del sistema de transmisin a ataques o desastres naturales y se han
presentado mejoras en la calidad de la energa y confiabilidad, as como una mayor disponibilidad y capacidad de energa, debido a la optimizacin de flujos de
potencia.
Implementacin de controladores en las lneas de

transmisin
El concepto de sistemas flexibles de transmisin en CA
(FACTS), est basado en la incorporacin de dispositivos de electrnica de potencia y sus mtodos de control
en las redes de transmisin, para hacerlas electrnicamente controlables. La implementacin de esta tecnologa ha alterado la forma de planear, disear y operar los
sistemas de transmisin en el mundo.
La tecnologa FACTS ha trado los siguientes beneficios:
Incremento de la capacidad en los sistemas actuales
de transmisin.
Incremento de la confiabilidad y disponibilidad de
las lneas de transmisin.
Incremento en la estabilidad dinmica y transitoria
de la red.
Mejoras en la calidad de la energa elctrica entregada a los usuarios.
Su implementacin causa un bajo impacto ambiental.
Figura 2. Esquema de operacin de una

red inteligente
85
En la figura 3 se presenta un esquema donde se ejemplifica la utilizacin de los diferentes dispositivos FACTS
para controlar las redes de transmisin.
Beneficios econmicos de la implantacin de

redes de transmisin inteligente
Existen varios beneficios econmicos cuando se implementa una red de transmisin inteligente. A continuacin se presentan algunos de los principales beneficios
al implementar este tipo de redes:
Creacin de nuevas fuentes de trabajo, crecimiento
econmico de la regin.
Optimizacin de los capitales de inversin debido a
menores limites de diseo y a un uso ms eficiente
de la red.
Ahorro en impuestos debido a una depreciacin
mayor.
Incrementa el nivel de utilizacin de la red, gestin
(DOE, 2009).
Entre los beneficios ambientales del empleo de estos
esquemas de gestin de energa elctrica se encuentran los siguientes:

Reduccin en la emisin de gases de efecto invernadero (al implementar mayor nmero de proyectos basados en fuentes renovables de energa).

Mejora en la calidad del aire en las zonas urbanas.
Lo anterior se deriva del hecho de que son esenciales
para la integracin de fuentes de energa renovables y
para asegurar suministros de energa estables, tanto solar como elicos.
Riesgos a considerar al implementar las redes de

transmisin inteligentes
Riesgos fsicos
Con la implementacin de redes inteligentes y el posible incremento en la carga de lneas de transmisin,
los operadores de los sistemas elctricos de potencia
se vern forzados a operar los sistemas muy cerca a
sus lmites de estabilidad. Este nuevo punto de operacin representa por s solo un incremento en la vulnerabilidad del sistema, por lo que es necesario
realizar estudios ms detallados del comportamiento
global del sistema a fin de mantener los mrgenes de
seguridad.
En sistemas altamente interconectados la estabilidad de la seal pequea, especialmente oscilaciones
inter-rea, incrementan su importancia, la cual aumenta ms si el sistema aumenta en tamao o la carga de las
redes de transmisin crece.
Las oscilaciones inter-rea son un problema comn
en grandes redes de sistemas de potencia a lo largo y
ancho del planeta.
Las oscilaciones inter-rea de baja frecuencia cuando se presentan en sistemas elctricos, limitan la cantidad de transferencia de energa sobre las lneas de
transmisin entre las regiones que contienen a los grupos de generadores.
Figura 3. Red elctrica con dispositivos

FACTS embebidos
86
Si el tamao del sistema y la carga de la red se incrementan, las oscilaciones inter-rea tambin tendern a
incrementarse.
Riesgos cibernticos
La transmisin de electricidad sobre redes inteligentes
es altamente dependiente de los sistemas de control basados en computadora.
Cuando se tiene un sistema de comunicaciones basado en tecnologa IP (internet protocol) se incrementa
la vulnerabilidad del mismo, debido a los riesgos cibernticos.
Cualquier falla en la red elctrica, ya sea intencional
o no, podra ser potencialmente devastador.
De no existir eficientes mtodos de encriptacin
para la seguridad del sistema, cualquier persona con
pocos conocimientos de ingeniera inversa podra dejar
sin alimentacin a cualquier usuario que se encuentre
conectado a la red de transmisin inteligente.
En el ao 2009 el diario The Wall Street Journal, report que espas cibernticos provenientes de China, Rusia
y algunos otros pases haban penetrado las redes elctricas de Estados Unidos de Amrica y haban implantado software malicioso que podra usarse para afectar
el funcionamiento del sistema. Desafortunadamente,
las redes inteligentes podran representar un sistema de
fcil acceso para hackers que se encuentren navegando
en el ciberespacio.
Si alguien lograra penetrar al sistema podra sabotearlo fcilmente, provocando apagones de dimensiones
similares al ocurrido en Nueva York en el ao 2003, que
dej a 50 millones de personas sin servicio elctrico y de
comunicaciones. Una vez ingresando y manipulando la
red inteligente se tendra la posibilidad de controlar millones de dispositivos de proteccin o medidores de
manera simultnea. Tambin se podra afectar el balance de carga de un sistema local provocado por algn
repentino incremento o decremento del factor de demanda.
Conclusiones
Cuando se desee implementar una red de transmisin
inteligente es importante permitir que todos los actores
participen de manera activa y comprometida con el
proyecto. Es necesario que se proporcione calidad en la
energa, as como garantizar la fiabilidad de su transmisin y distribucin. La red de transmisin inteligente
debe ser capaz de soportar nuevos mercados energticos gestionados desde diversos sistemas. La red deber
anticiparse a los disturbios, as como corregirlos de ma-
nera instantnea cuando stos sean ocasionados por

desastres naturales o contra algn ataque mal intencionado.
Es importante considerar tambin que un sistema
de transmisin de gran escala que contenga una variacin espontanea de los parmetros de carga dar lugar
a un aumento de la congestin. El aumento en la carga
de los sistemas de transmisin existentes aumentar, lo
que podra provocar falta de fiabilidad debido a un
problema de cuello de botella o incluso a la ocurrencia
de una falla en cascada en grandes sistemas elctricos
interconectados.
Una red de transmisin inteligente que carezca de
medidas de seguridad eficientes puede provocar la prdida de recursos importantes. Por lo anterior, es necesario que el reemplazo y adaptacin de las nuevas
tecnologas se haga de manera paralela a la implementacin de la red.
Por lo tanto, es muy importante desarrollar modelos
que permitan entender la interaccin dinmica entre
los nuevos elementos (sensores, controles, etctera) y
los sistemas elctricos.
Agradecimientos
Los autores agradecen a la Direccin General de Asuntos del Personal Acadmico, UNAM por el apoyo recibido a travs del proyecto PAPIIT IN11510-2.
Referencias
Directorate-General for Research Sustainable Energy Systems.
Towards Smart Power Networks, EUROPEAN UNION, 2005.
European Smart Grids Technology Platform, EUROPEAN
UNION, 2006.
Third Status report on European Technology Platforms, EUROPEAN UNION, Marzo 2007.
ENEL, Italy. Integrating Large Shares of Fluctuating Power Sources in to Power Electric Systems: Impact on the Development
of Distribution Networks, Agosto 2008.
Fangxing L., Wei Q., Hongbin S., Hui W., Jianhui W., Yan X., Zhao
X., Pei Z. Smart Transmission Grid: Vision and Framework.
IEEE Transactions on Smart Grid, volumen 1 (nmero 2), 2010:
168-177.
Favre-Perrod P., Crithley R., Catz E., Bazargan M. New Participants in Smart Grids and Associated Challenges in the Transition Towards the Grid of the Future. IEEE Bucharest PowerTech,
2009: 1-5.
Hernndez M. Inteligencia en la Red Elctrica, en: Jornada sobre
Redes Elctricas Inteligentes, Electrificacin del Transporte e
87
Integracin de Energas Renovables (febrero 2010, Las Palmas

de Gran Canaria, Espaa), Universidad de las Palmas de Gran
Canarias.
Hommelberg M.P.F., Warmer C.J., Kamphuis I.G., Kok J.K.,
Schaeffer G.J. Distributed Control Concepts Using MultiAgent Technology and Automatic Markets: An Indispensable
Feature of Smart Power Grids. IEEE Power Engineering Society
General Meeting. June 2007.
Nehrir M.H., Caisheng W., Guda S.R. Alternative Energy Distributed Generation: Need for Multi-Source Operation, en: 38th
Nort American Power Symposium, 2006, pp. 547-551.
Stevenson W.D. y Grainger J.J. Anlisis de sistemas elctricos de potencia, Mc Graw Hill, 1996.
US Department of Energy (DOE). The Smart Grid: an Introduction, 2008.
US Department Of Energy (DOE). How the Smart Grid Promotes
a Greener Future, 2009.
Vojdani A. Smart Integration. IEEE Power and Energy Magazine,

volumen 6 (nmero 6), 2008: 71-79.

Citacin Chicago
Velasco-Ramrez, Enrique, Cesar ngeles-Camacho, Manuel Garca-Martnez. Redes de transmisin inteligente. Beneficios y riesgos. Ingeniera Investigacin y Tecnologa XIV, 01 (2013): 81-88.
Citacin ISO 690
Velasco-Ramrez E., ngeles-Camacho C., Garca-Martnez M. Redes de transmisin inteligente. Beneficios y riesgos. Ingeniera Investigacin y Tecnologa, volumen XIV (nmero 1), enero-marzo
2013: 81-88.

Enrique Velasco-Ramrez. Es egresado de la Facultad de Ingeniera de la UNAM en
donde obtuvo el grado de ingeniero elctrico-electrnico en 2009. Particip en
el Programa de Tecnologa en Cmputo y el Laboratorio de Aplicaciones Inalmbricas, ambos incorporados a la Divisin de Ingeniera Elctrica de la
UNAM. Actualmente realiza la maestra en sistemas elctricos de potencia en
la UNAM y participa en el proyecto SIMEFAS en la Subdireccin de Transmisin de la CFE. Sus reas de investigacin estn relacionadas con el anlisis,
modelado y simulacin de sistemas elctricos de potencia y sincrofasores.
Cesar ngeles-Camacho. Naci en Mxico. Obtuvo el grado de ingeniero y maestro
en ingeniera por el Instituto Tecnolgico de Morelia, Mxico en 1992 y 2000,
respectivamente. En 2005, obtuvo el grado de doctor por la Universidad de
Glasgow, Escocia. Se uni al Instituto de Ingeniera de la Universidad Nacional Autnoma de Mxico en 2005 como investigador. Sus intereses de investigacin incluyen el modelado y simulacin de FACTS y controladores para la
calidad de potencia.
Manuel Garca-Martnez. Es egresado de la Facultad de Ingeniera de la UNAM en
donde obtuvo el ttulo de ingeniero mecnico electricista en 1976 y el grado de
maestro en ingeniera elctrica en 2007. Trabaj en la industria manufacturera
y posteriormente fue investigador en el Instituto de Investigaciones Elctricas.
Actualmente es profesor de tiempo completo en el Instituto Tecnolgico de
Toluca. Sus reas de investigacin estn relacionadas con el diseo, anlisis,
modelado y simulacin de sistemas elctricos de potencia.
88

(artculo arbitrado)
Investigacin numrica de las condiciones de lubricacin en

chumaceras hidrodinmicas con el efecto del desalineamiento del eje
Numerical Investigations of the Lubrication Conditions in Hydrodynamic
Bearings with Shaft Misalignment Effect
Antonio-Garca A.
Instituto de Electrnica y Mecatrnica
Universidad Tecnolgica de la Mixteca
Huajuapan de Len, Oaxaca
Correo: agarcia@mixteco.utm.mx
Linares-Flores J.
Correo: jlinares@mixteco.utm.mx
Arias-Montiel M.
Correo: mam@mixteco.utm.mx
Informacin del artculo: recibido: agosto de 2011, aceptado: mayo de 2012
Resumen
Las chumaceras hidrodinmicas radiales se usan ampliamente para soportar
carga en mquinas rotatorias que giran a alta velocidad. Tericamente, las
chumaceras hidrodinmicas se disean para una vida infinita, pero la precisin en el maquinado, el calentamiento o el desalineamiento con el rotor pueden contribuir a problemas de funcionamiento y a un desgaste indeseado. Un
problema que no se puede eliminar es el desalineamiento angular del eje provocado por el peso y la flexibilidad del rotor. El desalineamiento cambia el
espesor de pelcula del lubricante afectando las condiciones de lubricacin
hidrodinmica. En este trabajo se presenta una investigacin numrica del
comportamiento del campo de presin, el flujo axial, el espesor de pelcula y
la friccin viscosa, considerando el desalineamiento del eje por el efecto del
peso y la flexibilidad del rotor. El campo de presin hidrodinmica se resuelve
utilizando la ecuacin de la lubricacin de Reynolds junto con una expresin
modificada del espesor de pelcula que incluye el desalineamiento del eje. Tambin se presenta una expresin para calcular el mximo desalineamiento permitido por una chumacera, en funcin del punto de equilibrio de estado
estable. Los resultados muestran que a medida que el desalineamiento del eje
se incrementa el espesor de pelcula se reduce, causando el incremento de la
presin mxima y del flujo axial del lubricante, as como pequeos cambios en
la friccin viscosa. Con la finalidad de validar los resultados numricos obtenidos en esta investigacin, se compararon con resultados numricos reportados en la literatura internacional, dando una buena aproximacin.
Descriptores:

desalineamiento
flujo axial
espesor de pelcula
friccin viscosa
Investigacin numrica de las condiciones de lubricacin en chumaceras hidrodinmicas con el efecto del desalineamiento del eje
Abstract
The radial hydrodynamic bearings are widely used to support loads in rotating machines that operate at high speed. Theoretically, hydrodynamic bearings are designed
for infinite life, but the precision machining, heating or misalignment with the rotor
can contribute to performance problems and undesired wear. A problem that cannot
be eliminated is the shaft angular misalignment caused by the weight and flexibility
of the rotor. Misalignment changes the lubricant film thickness affecting the conditions of hydrodynamic lubrication. In this paper, a numerical investigation of the
behavior of the pressure field, axial flow, film thickness and viscous friction considering the misalignment of the shaft by the effect of the weight and flexibility of the rotor, is presented. The hydrodynamic pressure field is solved using the equation of
Reynolds lubrication with a modified expression of film thickness including the shaft
misalignment. An expression to calculate the maximum misalignment allowed by a
bearing based on the equilibrium steady state is also presented. The results show that
as the shaft misalignment increases, a reduction in the film thickness is present,
causing an increase in both maximum pressure and axial flow of lubricant, and also
small changes in viscous drag. In order to validate the numerical results obtained in
this investigation they were compared with numerical results reported in international literature, giving a good approximation.
Introduccin
Las chumaceras hidrodinmicas se usan principalmente en grandes mquinas rotatorias que giran a altas velocidades. Un buen diseo de la chumacera, suministro
y viscosidad del fluido lubricante, permiten que durante la operacin de la mquina se forme una cua de lubricante, la cual separa al eje de la chumacera evitando
el contacto entre metal y metal. La capacidad de carga
que tienen las chumaceras se debe a la generacin del
campo de presin en la pelcula de lubricante. Por medio de este campo de presin se puede evaluar si las
dimensiones de la chumacera, el claro radial y el lubricante, mantendrn las condiciones adecuadas de lubricacin hidrodinmica. Generalmente, la velocidad de
giro y el peso del rotor son los datos iniciales a partir de
los cuales se determinan la longitud, el dimetro, el claro radial, as como la viscosidad del lubricante. Los parmetros de diseo junto con las tablas y grficas
proporcionadas en la literatura (Raimondi y Boid, 1958)
permiten conocer el valor de la presin mxima, el flujo
axial, el espesor de pelcula y la friccin viscosa, los
cuales cambian con la velocidad de giro del rotor y son
importantes para mantener las condiciones de lubricacin hidrodinmica.
En las tablas y grficas presentadas por Raimondi y
Boid (1958) se considera que la distancia entre las lneas
de centro del eje y de la chumacera es constante. Esta
distancia se conoce como excentricidad e. En casos reales,
las lneas de centro del eje y de la chumacera estn sujetas a un cierto grado de desalineamiento angular. El des-
90
Keywords:
hydrodynamic bearings
misalignment
axial flow
film thickness
viscous friction
alineamiento puede ser causado por diversos factores,

por ejemplo, inexactitudes por un mal montaje, mal maquinado, el peso del rotor, la flexibilidad del eje, etctera,
an si el montaje y el maquinado fuesen muy precisos,
siempre existir un cierto grado de desalineamiento debido a la flexibilidad del eje y al peso del rotor. En la figura 1 se considera una configuracin simtrica (rotor de
Jeffcott) de un sistema rotor-chumaceras, la cual muestra
una rotacin x del eje en un sistema de referencia (y0, z0)
ubicado en el centro de la chumacera. En este caso, el
peso y la flexibilidad del eje provocan que las lneas de
centro del eje y de la chumacera no coincidan, haciendo
que el espesor de pelcula sea funcin de la excentricidad
del centro del mun e0 y del ngulo de rotacin x (figura 2). Para analizar las condiciones de lubricacin en chumaceras hidrodinmicas es necesario calcular el ngulo
x en cada chumacera, lo cual puede realizarse por medio de la teora de vigas.
En la literatura internacional se han reportado diversos trabajos tericos y experimentales sobre el tema
del desalineamiento en chumaceras hidrodinmicas.
McKee y McKee (1932) realizaron uno de los primeros
trabajos experimentales, mostrando que el campo de
presin se desarrolla en forma anti-simtrica en la direccin axial. Dubois et al., (1955) estudiaron experimentalmente el cambio en la excentricidad, el flujo
axial y las temperaturas locales en chumaceras desalineadas. Galleti y Capriz (1965) hicieron un estudio analtico sobre el par producido en chumaceras
hidrodinmicas cortas con desalineamiento. Las investigaciones realizadas por Nicholas (1972) muestran que
las chumaceras hidrodinmicas presentan poca resistencia contra el desalineamiento. Nicholas (1972) estableci que la intensidad del par producido por el
desalineamiento induce poca influencia sobre la excentricidad y la rapidez del flujo axial, pero que la presin
mxima se incrementa significativamente. Mokhtar et
al., (1985) hacen una evaluacin de las caractersticas
trmicas en chumaceras desalineadas usando un enfoque adiabtico.
bricante. Los resultados se presentan en forma de grficas adimensionales con la finalidad de que se utilicen
en el diseo de chumaceras hidrodinmicas, en donde
se considere el desalineamiento angular del eje. Para
validar los resultados que se obtienen en esta investigacin, se hace la comparacin de la presin mxima pmax,
el flujo axial Qaxial, el espesor de pelcula mnimo hmin y el
coeficiente de friccin Ff /W con un caso especfico reportado en la literatura por Jun et al., (2005), obtenindose una buena aproximacin.
Desarrollo
Espesor de pelcula
Figura 1. Rotor soportado por chumaceras hidrodinmicas
Buckholz y Lin (1986) analizaron el efecto del desalineamiento y la cavitacin en chumaceras parciales lubricadas con fluidos No-Newtonianos. Qiu y Tieu
(1996) desarrollaron un equipo experimental para medir el espesor de pelcula, la presin y la temperatura en
chumaceras desalineadas. Guha (2000) investig las caractersticas de estado estable en chumaceras hidrodinmicas desalineadas considerando los efectos de la
rugosidad isotrpica. Pierre et al. (2004) hicieron una
investigacin terica y experimental de las condiciones
de estado estable en chumaceras hidrodinmicas desalineadas, considerando un modelo termo-hidrodinmico. Recientemente, Jun et al., (2005) estudiaron las
condiciones de lubricacin considerando el desalineamiento en las chumaceras debido a la deformacin por
el peso del eje a una velocidad de operacin fija. Jun et
al., (2010) incluyen los efectos termo-hidrodinmicos y
una superficie rugosa para el estudio de las condiciones
de operacin en chumaceras hidrodinmicas con desalineamiento.
En este trabajo se resuelve numricamente la ecuacin de la lubricacin de Reynolds para diferentes valores de desalineamiento. Se presenta una expresin del
espesor de pelcula h(, z) que considera el ngulo de
desalineamiento x causado por el peso Wd y la flexibilidad del rotor. Para una determinada condicin de
operacin se proporciona una expresin del rango de
valores posibles para la rotacin x en funcin de la e0 y
el ngulo de attitud 0. El campo de presin resultante
se integra para obtener el flujo axial y el coeficiente de
friccin viscosa del lubricante. Tambin se obtienen el
espesor de pelcula mnimo y la presin mxima del lu-
En la figura 2 se muestra una chumacera hidrodinmica

con el mun (eje en el interior) en una posicin desalineada. Se consideran los sistemas de ejes fijos XYZ y
xyz en el centro de la chumacera y en el centro del mun, respectivamente. La distancia del centro de la chumacera al centro del mun se conoce como excentricidad e0 y en el caso alineado es independiente de z.
Se puede observar en la figura 2 que el desalineamiento
causa una rotacin ax modificando al espesor de pelcula H( ) del caso alineado a H( ,z) para el caso desalineado. El espesor de pelcula para el caso alineado est
dado por (Childs, 1993; Szeri, 1998):

H =
(1)
C + e cos( - )
( )
donde
C = R - R1 es el claro radial (figura 3),
es el ngulo de attitud y
es la coordenada circular.
Figura 2. Vista en 3D de una chumacera desalineada
91
donde
Para obtener el espesor de pelcula con desalineamiento
que considere el peso y la flexibilidad del eje, es necesaWd es el peso del disco,
rio tomar en cuenta el ngulo de rotacin x del mun.
La relacin entre la excentricidad e a una distancia z con
l es la longitud del eje entre soportes,
la excentricidad del centro del mun e0 y el ngulo x
E es el modulo de Young e
I es el momento de inercia del eje.
se obtiene de la figura 3 como se indica a continuacin:

Si se considera que E e I son constantes, entonces el ne sin = e0 sin 0 e cos = e0 cos 0 + xz (2)
gulo x depender del peso Wd del rotor. El claro radial
Si se sustituyen las ecuaciones (2) en (1) se obtiene la
C y la relacin L/D son limitantes para el valor mximo
ecuacin (3) del espesor de pelcula que considera el
que pueda tomar el ngulo x, lo que no se considera en
desalineamiento angular x del mun.
la teora de vigas (ecuacin 5). Para calcular el mximo
ngulo x permitido por la geometra de la chumacera
H ( , z)= C + e0 cos( - 0 ) + x z cos
(3)
se resuelven las ecuaciones (2) haciendo e = C en z = L/2,
obteniendo:
En forma adimensional:
2

(6)
= C 2 - e02 sin 2 0 - e0 cos 0

xmax
L
(4)
h(, z) = 1 + 0 cos( - 0 ) + z x cos
o en forma adimensional
donde h = H/C, 0 = e0/C, z = (L/2) z , x= (R/C)(L/D)x,
xmax= 1 - 02 sin 2 0 - 0 cos 0

(7)
D = R/2 donde e0 est comprendida entre 0 e0 C o en
forma adimensional 0 0 1 y la excentricidad a una
Dados Wd, l, E, I, C y la relacin L/D, adems de e0 y 0
distancia z = L/2 tendr como limites 0 1.
de una posicin de equilibrio, se procede a calcular el
ngulo x por medio de la teora de vigas y el ngulo
xmax permitido por la geometra de la chumacera.
Si x< xmax entonces el ngulo x est dentro del valor
permitido por la geometra de la chumacera. Por otra
parte, si x> xmax entonces slo en la chumacera se considerar que x= xmaxconservndose los valores calculados por la teora de vigas para el resto del eje. En
resumen, el ngulo x calculado por la teora de vigas
no puede ser mayor que xmax que tiene como limitante
la geometra de la chumacera.
Campo de presin
La ecuacin adimensional de Reynolds que define el
campo de presin de estado estable para chumaceras hidrodinmicas est dada por (Childs, 1993; Szeri,
1998):
Figura 3. Vista frontal de una chumacera desalineada
p D
L z
p
z
3

(8)
h3
+
12
h
=
donde
Por medio de la teora de vigas es posible calcular el
p = N ( R / C )2 p ,
ngulo x que el eje presenta en cada chumacera. Para
es la viscosidad y
una configuracin de rotor de Jeffcott como la que se
N es la velocidad de rotacin en rps (revoluciones por
muestra en la figura 1, el ngulo x est dado por (Gere
segundo).
y Timoshenko, 1998):
Para obtener el campo de presin con desalineamiento
W l2
es necesario resolver la ecuacin (8) junto con la ecua
(5)
= d
x
16 EI
cin (4) considerando las condiciones de frontera:
92
p ( , z) =
0
para z = (9)
L/2
y las condiciones de frontera de Swift-Stieber:
p p
para
=
p = = 0
= ( z)cav (10)
z
La ecuacin (9) considera la presin en los extremos de
la chumacera tomando como referencia la presin atmosfrica. La ecuacin (10) considera la cavitacin, de
tal forma que, tanto la presin como sus gradientes normales a la curva de cavitacin no existan en la frontera
de inicio de cavitacin. Esta condicin de frontera se
implementa numricamente haciendo cero cualquier
presin negativa calculada previamente en cada iteracin. Lund y Thomsen (1978) establecen que el perfil de
presin calculado de esta manera satisface el requisito
del gradiente de presin cero en la frontera de cavitacin. Esta condicin de frontera ha ganado amplia
aceptacin en chumaceras hidrodinmicas con cargas
estacionarias. El conjunto de condiciones de frontera se
completa con la presin en el puerto de inyeccin p0
para asegurar la lubricacin.
p0 = 0
para = iny (11)
Para mantener el flujo, la presin clsica de inyeccin P0

debe ser ligeramente mayor que la presin atmosfrica.
Fuerzas hidrodinmicas
Las fuerzas hidrodinmicas se obtienen integrando el
campo de presin sobre el rea de la chumacera, como
se muestra en la figura 4:

FX
1
=- 1-1 2 p sin d d z
FX =
(12)
2
4
NLD( R / C )
1
FY
1
=- 1-1 2 p cos d d z
FY =
1
4
NLD( R / C )2
(13)
donde 1 es la localizacin del puerto de inyeccin y 2

es la localizacin de la curva de inicio de cavitacin. Debido al desalineamiento, el ngulo 2 cambia con respecto a la coordenada z lo que no permite evaluar las
fuerzas hidrodinmicas de manera analtica.
Flujo axial
El lubricante recircula en el interior de la chumacera y
viaja hasta alcanzar la salida en L/2. El flujo de salida
depende del campo de presin y del espesor de pelcula
(ecuacin 14).

2
Qaxial
1 D 3 p
(14)
=
d
h
L /2
=
qaxial
NRLC
12 L
La cantidad de flujo axial deber reponerse como flujo de entrada para mantener la lubricacin hidrodinmica.
Friccin viscosa
La fuerza de friccin viscosa Ff es la resistencia que se
opone a la rotacin del mun debido al esfuerzo cortante del fluido, est dada por (Childs, 1993; Szeri,
1998):

R
2 H p

(15)
Ff -L /2
=
+
R d d z
L /2 0
H
2R
o en forma adimensional:

R
S
1
2 Sh p
(16)
=
C f -1 0 8 + 2 h ddz
donde f =Ff /W es el coeficiente de friccin, S = ( FX2 + FY2 )

es el nmero de Sommerfeld, el cual es adimensional y
est relacionado con la geometra, las propiedades y la
carga que soporta la chumacera (S = NLD(R/C)2/W). El
nmero de Sommerfeld es muy utilizado en el diseo
de chumaceras hidrodinmicas, ya que rene parme-1/2
Figura 4. Fuerzas hidrodinmicas desarrolladas por el campo de

presin
93
tros geomtricos, de operacin y la viscosidad del lubricante. A continuacin se describen los pasos utilizados
en este trabajo para resolver numricamente la ecuacin de Reynolds y obtener las condiciones de lubricacin hidrodinmica.
1) Para valores de 0 , L/D y X (datos de entrada) se
propone un valor para el ngulo de attitud 0.
2) Se calcula el espesor de pelcula h ( , z ) utilizando la
ecuacin (4).
3) La ecuacin de Reynolds (8) se resuelve por diferencias finitas considerando las condiciones de frontera
(9), (10) y (11). Para acelerar la convergencia se utiliza un coeficiente de sobre-relajacin de 1.9.
4) Se evalan las fuerzas hidrodinmicas FX y FY. En el
caso de estado estable FX debe ser igual a cero y FY
igual a la carga W, (W = Wd /2).
5) Si FX 0 se propone un nuevo ngulo 0 y se repite a
partir del paso 2.
6) Una vez que FX = 0 finaliza el clculo del campo de
presin.
7) Una vez conocido el campo de presin, se integran
las ecuaciones (14) y (16) para obtener el flujo axial y
la friccin viscosa.
Las figuras 5, 6, 7 y 8 muestran los resultados de la comparacin de las condiciones de lubricacin.

La figura 5 muestra que entre los resultados de hmin
de esta investigacin y los reportados por Jun et al.
(2005) existe una buena aproximacin. La grfica permite ver que el incremento de Wd causa que hmin disminuya, tanto para el caso alineado como para el caso
desalineado. Para el caso alineado hmin= C (1-0) (Khonsari, 2001). Haciendo la comparacin de hmin entre el
caso alineado y desalineado se tiene que para Wd = 200
N, hmin = 0.0667 mm (caso alineado) y hmin = 0.0594 mm
(caso desalineado de este trabajo) existiendo una diferencia de 0.0073 mm. Para Wd = 1200 N, hmin = 0.057 mm
(caso alineado) y hmin = 0.0058 mm (caso desalineado),
siendo la diferencia de 0.0512 mm. El segundo caso
muestra claramente la importancia de considerar el
desalineamiento del mun en el diseo de chumaceras hidrodinmicas. El valor adecuado de hmin depender de la rugosidad de los materiales para evitar el
contacto entre metal y metal.
Resultados y discusin
Con fines de validacin, se hace la comparacin de
hmin, pmax, Qaxial y Ff /W que se obtienen en este trabajo, y
los resultados reportados en la literatura por Jun et al.
(2005), donde se considera el desalineamiento del eje.
Tambin se hace la comparacin con resultados sin
desalineamiento (Khonsari y Booser, 2001) con la finalidad de mostrar el cambio que sufren las condiciones
de lubricacin con el desalineamiento. Jun et al. (2005)
presentan resultados numricos (validados experimentalmente) de las condiciones de lubricacin de un
sistema rotor-chumaceras de Jeffcott para valores de
carga Wd de 200, 400, 600, 800, 1000 y 1200 N a una
velocidad de operacin fija de 1400 RPM. Los parmetros de la chumacera, del eje, las propiedades del lubricante y las condiciones de operacin que utilizaron
Jun et al. (2005) son: R = 25 mm, L = 40 mm, C = 0.07
mm, = 0.0686 Pa s, l = 1000 mm, deje = 40 mm de acero
AISI 1045.
Para utilizar el algoritmo presentado en este trabajo
es necesario calcular el ngulo x para cada una de las
cargas Wd utilizando la teora de vigas, verificando que
x < xmax. Posteriormente, se proponen valores de excentricidad del centro del mun 0 hasta que el nmero de
Sommerfeld S = NLD(R/C)2/W coincide con el calculado con los datos proporcionados por Jun et al. (2005).
94
Figura 5. Comparacin de hmin con y sin desalineamiento del eje
Figura 6. Comparacin de pmax con y sin desalineamiento del eje
La figura 6 muestra que la comparacin entre la pmax de

este trabajo y la reportada en la literatura tienen una
buena aproximacin. Sin considerar el desalineamiento, se tiene para Wd = 200 N una pmax = 0.09236 MPa y
para Wd =1200 N una pmax = 0.59 MPa, (Khonsari y Booser, 2001). La figura 6 muestra, para el caso desalineado
(con resultados de este trabajo), una pmax = 0.099 MPa
para Wd = 200 N y una pmax = 2.1847 MPa para Wd = 1200
N. Existiendo un incremento en la pmax de 1.072 veces
para Wd = 200 N y de 3.7 veces para Wd = 1200 N. El incremento en la presin mxima es una consecuencia de
la reduccin del espesor de pelcula mnimo.
Es posible ver de las figuras 5 y 6 que el incremento
de Wd causa una disminucin en hmin y un incremento
en pmax , tanto en el caso alineado como en el desalineado, siendo el caso desalineado el que presenta cambios
considerables tanto en hmin como en pmax. Por otra parte,
el incremento de pmax y la disminucin de hmin causan un
incremento en Qaxial como se observa en la figura 7. Se
puede ver que existe una buena aproximacin entre los
valores de Qaxial con desalineamiento reportados en la
literatura y los valores obtenidos en este trabajo. Tambin se puede ver la diferencia entre los resultados de
Qaxial con y sin desalineamiento. Por ejemplo, para
Wd = 200 N se tiene que Qaxial = 0.4246 10-6 m3/s (caso
alineado) y Qaxial = 0.6857 10-6 m3/s (caso desalineado)
obtenindose un incremento de 1.614 en Qaxial. Se puede
ver que a medida que la carga Wd se incrementa, tambin aumenta la diferencia entre la Qaxial del caso alineado y el caso desalineado. La importancia de conocer
Qaxial radica en que esta cantidad de lubricante debe reponerse para mantener la lubricacin hidrodinmica.
este trabajo. Se puede ver que aunque los valores llevan

la misma tendencia, los resultados de este trabajo son
1.4 veces (aproximadamente) ms grandes que los reportados por Jun et al. (2005). Tambin, los resultados
sin desalineamiento por Khonsari y Booser (2001) son
1.4 veces (aproximadamente) ms grandes que los resultados sin desalineamiento reportados por Jun et al.
(2005). La figura 8 muestra que el incremento de carga
Wd causa un incremento muy pequeo en Ff /W del caso
desalineado con respecto al caso alineado. Por ejemplo,
utilizando los valores dados por Jun et al. (2005) para
Wd = 1000 N se tiene que Ff /W se incrementa en 1.093
veces. Para la misma carga se tiene un incremento de
de Ff /W 1.11 veces entre los valores de Khonsari y Booser (2001) (caso alineado) y los de este trabajo (caso desalineado). Utilizando los resultados de este trabajo se
tiene que la fuerza de friccin viscosa Ff = 22.6 N para
Wd = 200 N y Ff = 28.5 N para Wd = 1200 N, notando un
pequeo incremento en la fuerza de friccin. En resumen, el desalineamiento tiene poco efecto sobre la fuerza de friccin viscosa.
Figura 8. Comparacin de Ff /W con y sin desalineamiento
Figura 7. Comparacin de Qaxial con y sin desalineamiento
La figura 8 muestra la comparacin de Ff /W con desalineamiento obtenida por Jun et al. (2005) y la obtenida en
Las figuras 5, 6, 7 y 8 contienen resultados para un caso

especfico, los cuales aunque son de inters, no son aplicables a un caso de diseo que contenga diferentes parmetros de la chumacera, del eje, propiedades del
lubricante y condiciones de operacin. Los resultados
de este trabajo se presentan en las siguientes figuras de
forma adimensional para casos de diseo con relacin
de L/D = 1 y diferentes valores de x.
La figura 9 muestra la relacin entre el nmero de
Sommerfeld y la excentricidad 0 (excentricidad del centro del mun) para diferentes valores de desalineamiento x. Esta figura muestra que para un mismo
nmero de Sommerfeld (mismas condiciones de opera-
95
cin) la excentricidad 0 se reduce a medida que el desalineamiento x aumenta. Por lo tanto, para determinar las
condiciones de lubricacin (hmin, pmax, Qaxial y (R/C) f ) ser
necesario determinar primero el punto de equilibro 0
del centro del mun. Por ejemplo, si para determinadas
condiciones de operacin se tuviese un nmero de Sommerfeld de 0.3 entonces para el caso alineado 0 sera
igual a 0.37 y para un caso desalineado con x = 0.7 el
punto de equilibrio 0 estara en 0.30 aproximadamente
(figura 9). La tabla 1 muestra las condiciones de operacin que se obtienen de las figuras 10, 11, 12 y 13 para
ambos casos.
Se puede ver en la figura 10 y la tabla 1 que el espesor de pelcula hmin disminuye al aumentar el desalineamiento. Tambin se observa en las figuras 11 y 12, y la
tabla 1 que la presin mxima y el flujo axial se incre-
mentan al considerar el desalineamiento. Al observar la

figura 13 se podra interpretar que el coeficiente de friccin adimensional (R/C) f disminuye al incrementarse
el desalineamiento, lo que sera errneo. La tabla 1
muestra el incremento de (R/C) f al incrementarse x,
esto se debe a que 0 cambia de 0.37 del caso alineado a
0.30 para el caso con desalineamiento. Las figuras 10,
11, 12 y 13 requieren la figura 9 para su correcta interpretacin y uso. Es importante notar en la figura 9 que
el desalineamiento ubica el centro del eje en una nueva
posicin de equilibrio.
Tabla I: Comparacin de condiciones de operacin para
Sommerfeld 0.3 y L/D=1
Condicin X
hmin
pmax/N (R/C)2
Qaxial /NRLC
(R/C) f
X = 0
0.64
6.6
1.93
6.54
X = 0.7
0.15
12.6
2.3
7.3
Figura 9. Excentricidad 0 contra nmero de Sommerfeld
Figura 11. Presin mxima para diferentes valores de X y L/D=1
Figura 10. Espesor de pelcula para diferentes valores de X y L/D = 1
Figura 12. Flujo axial en funcin de X y L/D = 1
96
ras hidrodinmicas para L/D = 1 y diferentes valores de

desalineamiento angular.
Agradecimientos
Se agradece a la Universidad Tecnolgica de la Mixteca
por el tiempo asignado para la realizacin de este trabajo.
Referencias
Figura 13. Friccin viscosa para X = 0 y X = 0.9 y para

L/D = 1
Conclusiones
En este trabajo se presenta la solucin numrica de la
ecuacin de Reynolds que considera el desalineamiento
del mun en la chumacera debido al peso y a la flexibilidad del rotor. Se emplea una expresin modificada
del espesor de pelcula que incluye el desalineamiento
angular del eje por el efecto del peso del rotor.
El ngulo de desalineamiento x se calcula por medio de la teora de vigas y se presenta una expresin
para calcular el mximo ngulo de desalineamiento
max permitido por la geometra de la chumacera. Los
resultados de las condiciones de lubricacin con desalineamiento de hmin, pmax, y Qaxial y (R/C) f que se obtienen
en este trabajo se comparan con resultados reportados
en la literatura, obtenindose una buena aproximacin.
Tambin se hace la comparacin de los resultados de
las condiciones de lubricacin con desalineamiento que
se obtienen en este trabajo y resultados sin desalineamiento reportados en la literatura, lo que muestra la
importancia de considerar el desalineamiento en el diseo de chumaceras hidrodinmicas. Se puede ver que
al considerar el desalineamiento, el espesor de pelcula
hmindisminuye y la presin mxima y el flujo axial se incrementan. Por su parte, la friccin viscosa tiene cambios moderados con incrementos del desalineamiento.
Tambin se muestra que la excentricidad del centro del
mun 0 se ubica en una nueva posicin al aumentar el
desalineamiento para las mismas condiciones de operacin (mismo nmero de Sommerfeld) lo que debe de
tomarse en cuenta para calcular las condiciones de lubricacin hidrodinmica.
Los resultados de este trabajo se presentan en forma
adimensional para un diseo preliminar de chumace-
Buckholz R.H., Lin J.F. The Effect of Journal Bearing Misalignment on Load and Cavitation for Non-Newtonian Lubricants.
ASME Journal of Tribology, volumen 108 (nmero 4), octubre
1986: 645-654.
Childs D. Tubomachinery Rotordynamics: Phenomena, Modeling and
Analysis, John Wiley & Sons, Inc., 1993.
Dubois G., Ockvirk F., Wehe R. Experimental Investigation of Misaligned Couples and Eccentricity at Ends of Misaligned Plain
Bearings, Tech note 3352, NACA, 1955.
Galleti-Manacorda L., Capriz G.Torque Produced by Misalignment in Short Lubricated Bearings. ASME Journal of Basic Engineering, volumen 65 (nmero 9), 1965.
Gere J.M., Timoshenko S.P. Mecnica de materiales, International
Thomson Editores, 1998.
Guha S.K. Analysis of the Steady-State Characteristics of Misaligned Hydrodynamic Journal Bearing with Isotropic Roughness Effect. Tribology International, volumen 33 (nmero 1),
2000: 1-12.
Jun S., Changlin G., Zhiyuan L. An Experimental Study of Journal
Bearing Lubrication Effected by Journal Misalignment as a
Result of Shaft Deformation Under Load. ASME Journal of Tribology, volumen 127 (nmero 4), 2005: 813-819.
Jun S., Mei D., Yonghong F., Changlin G. Thermohydrodynamic
Lubrication Analysis of Misaligned Journal Bearing with
Rough Surface. ASME Journal of Tribology, volumen 132 (nmero 1), 2010: 011704.
Khonsari M.M. y Booser E.R. Applied Tribology: Bearing Design and
Lubrication, John Wiley and Sons, Inc., 2001.
Lund J.W., Thomsen K.K. A Calculation Method and Data for the
Dynamic Coefficients of Oil-Lubricated Journal Bearings, Topics in Fluid Journal Bearing and Rotor Bearing System.
ASME, 1978: 1-28.
McKee S.A., McKee T.R. Pressure Distribution in Oil Film of Journal Bearings. Trans. Am. Soc. Mech. Engrs., (nmero 107), 1932:
149-165.
Mokhtar M.O.A., Safar Z.S., Abd-El-Rahman M.A.M. And Adiabatic Solution of Misaligned Journal Bearings. ASME Journal
of tribology, volumen 107 (nmero 2), abril 1985: 263-267.
Nicholas D. Les Paliers Hydrodynamiques Sounis un Torseur de Forcesquelconques, (PhD thesis), INSA de Lyon, 1972.
Pierre I., Bouyer J., Fillon M. Thermohydrodynamic Behavior of
Misaligned Plain Journal Bearings: Theoretical and Experi-
97
mental Approaches. Tribology Transactions, volumen 47 (nmero 4), 2004: 594-604.

Qiu Z.L., Tieu A.K. Experimental Study of Freely Alignable Journal BearingPart I: Static Characteristics. ASME Journal of Tribology, volumen 118 (nmero 3), 1996: 498-502.
Raimondi A.A., Boid J.A. Solution for the Finite Journal Bearing
and its Application to Analysis and Design. ASLE Transactions, volumen 1 (nmero 1), 1958: 159-209.
Szeri A.Z. Fluid Film Lubrication: Theory and Design, Cambridge
University Press, 1998.

Citacin Chicago
Antonio-Garca, Alberto, Jess Linares-Flores, Manuel Arias-Montiel. Investigacin numrica de las condiciones de lubricacin en
chumaceras hidrodinmicas con el efecto del desalineamiento del
eje. Ingeniera Investigacin y Tecnologa XIV, 01 (2013): 89-98.
Citacin ISO 690
Antonio-Garca A., Linares-Flores J., Arias-Montiel M. Investigacin numrica de las condiciones de lubricacin en chumaceras
hidrodinmicas con el efecto del desalineamiento del eje. Ingeniera Investigacin y Tecnologa, volumen XIV (nmero 1), eneromarzo 2013: 89-98.

Alberto Antonio-Garca. Obtuvo el grado de doctor en ciencias en ingeniera mecnica en la Seccin de Estudios de Posgrado e Investigacin del Instituto Politcnico Nacional (ESIME-IPN). Su tesis sobre el clculo de coeficientes
rotodinmicos de chumaceras hidrodinmicas fue reconocida por el IIE y la
CFE con el segundo lugar en los XXIII Certmenes Nacionales de Tesis 20052006, en la disciplina de generacin de energa elctrica en el nivel doctorado.
Actualmente es profesor investigador de la carrera de ingeniera en mecatrnica en la Universidad Tecnolgica de la Mixteca.
Jess Linares-Flores. Realiz sus estudios de licenciatura en electrnica en la BUAP,
posteriormente realiz sus estudios de maestra en ciencias en la UDLA-PUE
con la especialidad en electrnica de potencia. En 2006 recibi el grado de
doctor en ciencias, otorgado por el Cinvestav-IPN en el Departamento de Ingeniera Elctrica, seccin mecatrnica, desde el ao 2006 pertenece al SNI.
Actualmente es director del Instituto de Electrnica y Mecatrnica de la Universidad Tecnolgica de la Mixteca.
Manuel Arias-Montiel. Estudi la licenciatura en ingeniera mecnica en la Universidad Autnoma Metropolitana en 2002. En 2005 recibi el ttulo de maestro en
ciencias en ingeniera elctrica por parte del Centro de Investigacin y de Estudios Avanzados del IPN y en 2010 el grado de doctor en ciencias en ingeniera elctrica por parte de la misma institucin. De 2005 a 2010 labor como
profesor de ctedra en el Tecnolgico de Monterrey Campus Estado de Mxico
y actualmente es profesor investigador en el Instituto de Electrnica y Mecatrnica de la Universidad Tecnolgica de la Mixteca.
98

(artculo arbitrado)
Aproximacin de perfiles discretos en elementos de

contacto de ensambles mecnicos
Discrete Profile Approximation in Contact Elements of Mechanical Assemblies
Bedolla-Hernndez J.
Majewski-Szymiec T.
Departamento de Metal-Mecnica
Instituto Tecnolgico de Apizaco (ITA), Tlaxcala
Corrreo: ljbedolla@itapizaco.edu.mx
Departamento de Industria e Ingeniera Mecnica

Universidad de las AmricasPuebla (UDLAP)
Correo:tadeusz.majewski@udlap.mx
Szwedowicz-Wasik D.
Martnez-Rayn E.
Departamento de Ingeniera Mecnica

Centro Nacional de Investigacin y Desarrollo Tecnolgico
Cuernavaca, Morelos
Correo: d.sz@cenidet.edu.mx

Cuernavaca, Morelos
Correo: mare@cenidet.edu.mx
Corts-Garca C.
Gutirrez-Wing E.S.

Cuernavaca, Morelos
Correo: claudia@cenidet.edu.mx

Cuernavaca, Morelos
Correo: esgw@cenidet.edu.mx
Informacin del artculo: recibido: noviembre de 2011, aceptado: abril de 2012
Resumen
En el artculo se analizan tres tipos de aproximaciones usadas en la discretizacin de perfiles de superficies de contacto. El ensamble que se estudia corresponde a la unin flecha-cubo de rueda, la cual se usa comnmente en la
transmisin de movimiento rotatorio. Los perfiles que se analizan son 2D axisimtricos, los cuales representan las superficies de elementos mecnicos de
revolucin. El proceso de anlisis consiste en: a) simular la geometra nominal
ideal sin claros en la regin de contacto, b) obtener la convergencia de esfuerzos de contacto para la geometra nominal en la interfaz flecha-aro y c) adicionar claros a la geometra y variaciones en el perfil de contacto a nivel de
ondulacin. Las variaciones del perfil se obtienen de mediciones de dimetro
de los elementos de unin en sus regiones de inters. El estudio se centra en el
anlisis de variaciones de esfuerzos de contacto, generados por diferentes representaciones de las superficies discretas. Para este anlisis se consideran
mediciones que indican variaciones de dimetro en direccin axial, esa variacin del dimetro se ajusta mediante curvas Bezier y spline. Se indica la influencia de las aproximaciones en la discretizacin de zonas de contacto de los
modelos simulados, mediante el mtodo de elementos finitos.
Descriptores:
elemento finito
aproximacin
curvas Bezier
spline
uniones mecnicas
Aproximacin de perfiles discretos en elementos de contacto de ensambles mecnicos
Abstract
The article examines three types of approximation used for the discretization of contact
surface profiles. The assembly under study corresponds to a hub-shaft connection,
which is commonly used for the transmission of rotational motion. The profiles that
are analyzed are 2D axisymmetric and represent the surfaces of the mechanical elements. The analysis process consists of: a) simulating the ideal nominal geometry
without clearances in the contact region, b) obtaining a convergence of contact stresses for the nominal geometry ring-shaft interface, and c) adding clearances to the geometry and changes in the profile contact, at the surface waviness level. The variations of
the profile are obtained from measurements of the diameter of the connecting elements
within the regions of interest. The study focuses on the analysis of variations of contact
stresses generated by different representations of the discrete surfaces. For this analysis, variations in diameter measurements are considered, as are Bezier and spline curve
fitted to these variations. The influence of the approximations on the discretization of
the contact zones of the finite element models is indicated.
Introduccin
Para el anlisis del problema de contacto mecnico existen diversas representaciones de las superficies. Como
ejemplo caracterstico se tienen las curvas usadas en el
diseo geomtrico asistido por computadora (CAGD
por sus siglas en ingls), que se usan en conjunto con el
mtodo de elemento finito (FEM) para analizar contacto (Jacobi, 2009; Gout et al., 2008). Entre las curvas comnmente usadas en la representacin de superficies
se encuentran las Bezier y spline, por su conveniencia y
simplicidad de aplicacin. En la prctica es complicado
especificar una curva inicial a priori con un nmero
adecuado de puntos de control, de forma que se pueda
obtener una aproximacin satisfactoria a un perfil de
superficie dado (Yang et al., 2004). Un tpico de inters
para reducir el gasto computacional es reducir la cantidad de informacin representada por el nmero de datos de los puntos medidos (Flry, 2009; Flry y Hofer,
2010), y sustituirla por una aproximacin de las superficies. Para representar superficies de contacto en FEM
se usan elementos discretos, cuyo proceso en s mismo
tiene problemas inherentes a la discretizacin, que se
manifiestan en desviaciones de los ajustes de perfiles
continuos mediante elementos discretos. En adicin, se
presenta el problema de establecer un tamao adecuado de los elementos discretos en contacto que representen adecuadamente la superficie.
La geometra nominal supuesta en las superficies de
contacto de elementos de ensamble, en principio fcil
de representar en sistemas CAD, difiere del perfil de
contacto de elementos mecnicos (Chen et al., 2008). La
variacin en el perfil tiene componentes de distintas
magnitudes, las cuales tienen que estar contenidas en la
zona de tolerancia del elemento. Las variaciones del
100
Keywords:
finite element
approximation
Bezier curves
spline
mechanical assemblies
perfil de las superficies comnmente se caracterizan en

rdenes de ondulacin y rugosidad, las cuales, en funcin de las dimensiones nominales de las piezas, se encuentran en magnitudes de micrmetros.
Los datos obtenidos de mediciones de rugosidad y
ondulacin pueden usarse como base en la representacin de perfiles de contacto. Sin embargo, dado que en
simulaciones numricas de contacto se requieren relacionar caractersticas dimensionales de las superficies
de contacto con el tamao del elemento finito, surge la
necesidad de aproximar la superficie medida o su perfil, mediante elementos discretos. Generalmente la representacin discreta se hace con aproximacin o
interpolacin de los puntos medidos y se relaciona con
los nodos que forman las mallas discretas (Wang et al.,
2006). Este proceso implica modificaciones del perfil de
la superficie, una causa comn de esto es que la ubicacin de los puntos medidos no coincide con la posicin
de los nodos de la superficie discreta (Dan y Lancheng,
2006). En consecuencia, se presentan modificaciones
del perfil, porque por un lado las mediciones son funcin del sistema de medicin y por otro, el espacio entre
nodos se obtiene en un proceso independiente iterativo
de refinamiento de malla.
La representacin discreta de superficies tiene como
inconveniente que en problemas de anlisis de contacto
no basta con la geometra nominal. Por otro lado, las
mediciones de piezas mecnicas presentan un carcter
casi aleatorio, lo cual complica su representacin mediante curvas. Como alternativa, es prctica comn
usar interpolaciones entre puntos predefinidos y pueden realizarse mediante curvas Bezier o splines (Cheng
et al., 2007; Chen et al., 2008; Zhao et al., 2009). La primera da como resultado un polinomio de grado n-1 (n es el
nmero de puntos en la interpolacin). La caracterstica
Bedolla-Hernndez J., Szwedowicz-Wasik D., Corts-Garca C., Majewski-Szymiec T., Martnez-Rayn E. y Gutirrez-Wing E.S.
principal que la hace aplicable es que guardan relacin

fsica con los puntos medidos. Su punto inicial y final
coinciden con los medidos y el resto presenta un doblez
dentro del rango de las mediciones (szwedowicz et al.,
2006) que limitan el ajuste. En la interpolacin mediante splines, los resultados son similares a los obtenidos
con grandes matrices de datos, pero requiere solamente
el uso de polinomios de bajo grado. Esto evita caractersticas indeseables en polinomios de grados elevados,
como oscilaciones. Las curvas Bezier y spline se usan
para aproximar geometras complejas, como es el caso
de perfiles aleatorios de contacto que se obtienen de superficies de elementos mecnicos.
El presente artculo se enfoca al anlisis de la representacin de superficies discretas en problemas de contacto por el mtodo de elemento finito, y su influencia
en la distribucin de esfuerzos. Para esto, se simula una
unin representativa flecha cubo, con elementos deformables como interfaz de unin. La unin considerada
corresponde a un engrane, una flecha y con un par de
aros cnicos deformables. La unin flecha cubo se usa
ampliamente en la industria, ya que en general la principal fuente de movimiento y potencia corresponde a
un sistema rotatorio y motores elctricos, en la mayora
de los casos. El tipo particular de unin usada en el estudio, que se describe en la seccin de unin mecnica,
se seleccion tomando en cuenta su configuracin axisimtrica, lo cual elimina en principio la concentracin
de esfuerzos a causa de cambios bruscos de seccin o de
su geometra. Por lo tanto, las concentraciones de esfuerzo se relacionarn con las caractersticas de contacto y con la discretizacin de la superficie.
El anlisis inicial considera la geometra nominal de
la unin, sin claros. Dicha configuracin se usa para obtener la convergencia de la presin de contacto entre
flecha y aro interno, regin de inters para el estudio,
porque es donde se presenta el menor radio de deslizamiento de las superficies. Posteriormente, se modifica
la geometra del modelo discreto para incluir la zona de
tolerancia que corresponde a un ajuste E7/h6 (seccin
2). Con el ajuste de las piezas, se establece el claro mximo del ensamble. Adicional al claro se incluye la modificacin del perfil, para lo cual se consideran tres
condiciones: a) se usan puntos obtenidos de mediciones, para ajustarlos al perfil de contacto se usa interpolacin lineal; b) se emplean los puntos de medicin para
interpolaciones utilizando curvas Bezier; y c) se repite el
proceso con spline de tercer orden (spline comnmente
usada en interpolacin). El resultado de cada curva se
aplica por separado al perfil nominal con claro de la
unin mecnica, para analizar su influencia en deformaciones y esfuerzos. Como parte de los resultados se
presenta el refinamiento de malla y las distribuciones

de esfuerzos de contacto para las diferentes aproximaciones del perfil.
Unin mecnica
La unin mecnica considerada es una flecha-cubo de
rueda con un par de aros cnicos en la interfaz de
unin. La figura 1 muestra un esquema del par de aros,
su geometra corresponde a Ringfeder RfN S8006 20x25
mm, los cuales tienen longitud axial (L) de 6.3 mm, longitud axial de aro (l) de 5.3 mm, ngulo de conicidad
() de 16.7, dimetro externo (D) de 25 mm, dimetro
interno (d) de 20 mm, y ajuste E7/f7. En el modelo discreto la geometra del cubo de rueda corresponde a un
engrane ondrives G3-25, con dimetro interno de 25
mm, dimetro externo de 50 mm, longitud axial de 50
mm y ajuste H8 en el agujero. La flecha del modelo discreto se considera maciza de longitud axial igual a la
del cubo, dimetro externo de 20 mm y ajuste h6.
La figura 2 representa una seccin de la unin mecnica con aros deformables. Para el anlisis se considera de inters la regin de contacto entre el aro
interno y la flecha. Dado que las concentraciones de
esfuerzo de contacto adquieren su valor mximo en
las discontinuidades del contacto, se usa un radio R de
0.2 mm en el aro interno en su seccin ms delgada
(figura 1), lo cual permite suavizar la discontinuidad
del contacto y evitar singularidades. En la seccin
transversal ms gruesa del aro no se considera esa modificacin, ya que como se confirma ms adelante el
esfuerzo de contacto en esa regin no es comparable al
de la seccin de menor espesor.
Para simular el proceso de ensamble de la unin
mecnica se restringe el movimiento axial a un aro, y al
otro, se le aplica fuerza de compresin en direccin
axial, que incrusta un aro en el otro. Esto genera deformacin radial en ambos aros y se logra el contacto entre
las piezas. La resistencia portante del ensamble es funcin de la fuerza de apriete axial aplicada a los aros, ya
que la deformacin radial de los aros se relaciona con la
presin que ejercen sobre el cubo de rueda y la flecha.
En la prctica, la restriccin de movimiento generalmente se logra con una modificacin del dimetro del
cubo o de la flecha (figura 2), generando un asiento
para un aro.
La geometra de revolucin de la unin mecnica en
el modelo discreto, permite usar elementos finitos axisimtricos. El eje del sistema axisimtrico coincide con el
eje geomtrico de la flecha. Se restringen los desplazamientos axiales del aro externo, flecha y cubo de rueda.
La presin se aplica al aro interno, lo cual provoca de-
101
formacin radial y esfuerzo de contacto entre las superficies.
Figura 1. Esquema de un par de aros cnicos elsticos

deformables, donde A es la regin del radio R=0.2 mm
Figura 2. Representacin esquemtica de la unin con aros

cnicos deformables
Refinamiento de malla
Para el anlisis de refinamiento de malla se considera el
pico de esfuerzo en la regin de contacto entre aro interno y flecha, que se ubica donde el aro interno tiene
menor espesor radial. Los elementos simulados tienen
el espesor radial de una pieza mecnica real, solamente
se restringe el movimiento axial, y no se restringe movimiento en direccin radial. El comportamiento del material se considera isotrpico con endurecimiento por
deformacin. Todas las superficies en contacto cumplen las siguientes condiciones: los pares en contacto
tienen los mismos esfuerzos y deformaciones para la
102
misma posicin. La fuerza de friccin se limita a una

porcin de la fuerza normal en presencia de deslizamiento, y disminuye en ausencia de deslizamiento. Las
restricciones de contacto garantizan que en todos los
pares de contacto las presiones son positivas, esto se revisa en cada simulacin para prevenir penetracin inicial de las superficies de contacto.
En la discretizacin de la unin, para el proceso de
refinamiento de malla y simulacin de esfuerzos de contacto con la interpolacin de las curvas medidas, Bezier y
spline, se usan elementos axisimtricos CAX4 (Abaqus,
2010). La malla en las regiones de contacto se refina sistemticamente dividiendo en 4 nuevos elementos a cada
elemento del refinamiento previo. Fuera de la regin de
contacto de la flecha y aro interno, se conservan los elementos usados en la discretizacin inicial.
Para monitorear las condiciones de contacto se usa
la definicin superficie-nodo. Se adicionan mediante
Abaqus los elementos de contacto para establecer la
interaccin de contacto y la identificacin de las potenciales zonas de contacto. Para todas las modificaciones
de perfil se revisa que no existan concentraciones de
esfuerzo al inicio de la simulacin; esto se logra con la
eliminacin de interferencia entre superficies al inicio
del proceso de simulacin.
La malla que se toma como inicial en la primera
aproximacin para el proceso de refinamiento se muestra en la figura 3, representa los pares de aros, la flecha
y el cubo de rueda. Por simplificacin del contacto, se
elimina el cambio de dimetro de la flecha y se restringe el movimiento axial de la base del aro externo mediante condiciones de frontera de sus nodos. La fuerza
de apriete, aplicada al aro interno para lograr la unin
entre cubo y flecha, tiene el mismo valor para los diferentes refinamientos de malla usados en el proceso de
convergencia de esfuerzos de contacto. La fuerza axial
de presin usada en la configuracin nominal ideal, es
decir sin claros, es 18 kN. De acuerdo con Ringfeder
(2007) esa presin garantiza una adecuada carga portante de la unin cuando no se presentan claros en la
interfaz de contacto.
El nmero de refinamientos requeridos para la convergencia de esfuerzos de contacto se consider en relacin al pico de esfuerzo mximo de contacto en la
interfaz flecha aro interno, en la regin indicada como
A en la figura 3.
Los datos obtenidos del pico de esfuerzo de contacto en los respectivos refinamientos se sustituyen en la
ecuacin (1), usada para obtener la convergencia (Beisheim y Sinclair, 2008):
|i - 2 - i - 1| > |i - l - i|
(1)
a)
Figura 3. Discretizacin con malla inicial

de la unin flecha-cubo de rueda,
donde: a) geometra discreta completa
y b) ampliacin de la regin de los aros
cnicos, A indica la regin del pico de
esfuerzos
b)
donde el i se refiere al refinamiento actual, i-1 al refinamiento previo y as sucesivamente. Este procedimiento
de verificacin de convergencia ha mostrado ser efectivo para problemas de contacto (Sinclair et al., 2002). Se
considera que el criterio descrito por la ecuacin (1) es
preferido sobre otros donde solamente se comparan resultados de 2 refinamientos sucesivos. En conjunto con
la equacin (1), se considera cubierto el criterio de convergnecia si se cumple que la diferencia de discretizacin (ed) es menor que el error predefinido (es). En
anlisis de esfuerzos se considera el nivel de exactitud
como: es=1% es excelente, es=5% es bueno, y es=10% es
satisfactorio (Beisheim y Sinclair, 2008). El error estimado de la discretizacin en refinamientos sucesivos se
calcula con la ecuacin (2).
ed =
i - i-1 ;
ed < es
i
(2)
La longitud caracterstica de los elementos finitos en el

modelo discreto en la configuracin base fue de 0.05
mm. En cada refinamiento sucesivo se conservan al menos 2 hileras secuenciales de elementos finitos de las
mismas dimensiones en la regin de contacto. Esto se
logra ya que cada elemento en la regin de contacto se
divide en 4 nuevos elementos en el refinamiento posterior, formando dos hileras idnticas de elementos en la
regin de contacto. En el subsecuente refinamiento solamente la hilera en contacto se divide, logrando dos
nuevas hileras con la longitud del elemento finito igual
a la mitad del refinamiento previo. Los elementos fini-
tos se orientan para que dos de sus lados sean paralelos

a la interfaz inicial de contacto. Al inicio del proceso de
clculos de cada refinamiento se verifica que no exista
penetracin ni presin de contacto, esto previene posibles penetraciones generadas por el aumento de nodos
en la regin de contacto en cada refinamiento.
Las ecuaciones 1 y 2 permiten establecer el nmero
mnimo requerido de refinamientos. Los valores picos
de esfuerzo obtnenidos en refinamientos secuenciales
de la unin mecnica se presentan en la tabla 1. Con el
5o refinamiento realizado se obtuvo ed = 0.4% (ec. 2 y
tabla 1). La figura 4 muestra la curva y el pico de esfuerzo de contacto entre el aro interno y la flecha para los
refinamientos 4o y 5o. El eje horizontal de la figura 4
considera la longitud axial total del aro interno (l = 5.3
mm, ver figura 1).
La ubicacin del radio R de 0.2 mm en el aro, regin
A de la figura 1, corresponde a la ausencia de contacto
cercano al origen (figura 4). En la regin del primer contacto (cerca del origen) se presenta el pico de esfuerzo
de contacto, como consecuencia de la discontinuidad
que se aprecia de la geometra del aro interno (figura 1)
y la ampliacin del pico de esfuerzo en la figura 4. En el
extremo grueso del aro interno, dada la magnitud de la
fuerza axial de pariete (18 kN), no se logra contacto en
toda su longitud axial (Szwedowicz y Bedolla, 2007). El
contacto del aro se termina aproximadamente a 5 mm
del origen, que corresponde a la proximidad del extremo grueso del aro interno.
Una vez que el refinamiento de malla permiti la
convergencia de los picos de esfuerzo de contacto, se
103
utiliza ese tamao de elemento para modificar los perfiles de contacto.

Tabla 1. Pico de esfuerzo de contacto entre la flecha y el aro
interno para diferentes refinamientos [MPa]
Presin de contacto [MPa]
Malla
Inicial
1 ref
2 ref
3 ref
4 ref
5 ref

511
726
1037
1170
1453
1459
1500
i
i-1
1000
500
0
0
2
3
4
Longitud axial [mm]
a)
1500
i
i-1
1400
1300
1200
0.19
0.195
0.2
0.205
Longitud axial [mm]
0.21
b)
Figura 4. Presin de contacto entre flecha y aro interno para los

refinamientos 4 y 5 (tabla 1), donde: a) representa la curva total
de contacto del aro y b) es una ampliacin de la regin del pico
de presin de contacto, i corresponde al 5o refinamiento
Modificacin de perfiles de contacto

Para analizar las variaciones de contacto en el modelo
discreto, a causa de representacin de irregularidades de
superficies de la unin, se consideran diferentes tipos de
interpolacin. Como paso inicial se adiciona al modelo
discreto el claro entre las superficies de flechaaro interno y entre aro externo-cubo, lo cual modifica el contacto
nominal de la unin, pero la caracterstica nominal de
104
cada superficie se mantiene. Posteriormente, se consideran las variaciones de dimetro a lo largo del eje axial en
la regin de contacto entre el aro interno y la flecha. Las
variaciones que se consideran para la simulacin se obtuvieron a partir de mediciones con una mquina de medicin por coordenadas en 3D Mitutoyo Apex 710. Por la
magnitud de las variaciones obtenidas de las mediciones, se considera que stas se encuentran en el orden de
ondulaciones de las superficies, la mquina no cuantifica
rugosidad. En funcin de lo anterior, la magnitud que se
considera para el anlisis est en el orden de las ondulaciones superficiales. Las variaciones de dimetros se incluyen en el modelo discreto como parte de la regin de
tolerancia de las piezas.
La regin de claro para la unin mecnica est dada
por sus ajustes, que son: 20 E7/h6 mm entre flecha y aro
interno y 25 H8/f7 mm entre aro externo y cubo. Si se consideran caractersticas axisimtricas de los elementos de la
unin, as como el concepto de mxima condicin de material (MMC) los claros radiales entre las superficies de
contacto se determinan de los dimetros mximos y mnimos. Si bien, el claro resultante del ajuste se obtiene en
funcin del dimetro, para efectos prcticos del modelo
axisimtrico se usan variaciones radiales. Para este caso,
los radios considerados se indican a continuacin: Radio
mximo del eje: 10 mm, radio mnimo del aro interno:
10.02 mm, radio mximo del aro externo: 12.49 mm, radio
mnimo del cubo: 12.5 mm. Las variaciones que modifican
el perfil de contacto en la regin de interfaz de la flecha y
aro interno, as como los claros se esquematizan en la figura 5. Para efectos de anlisis y de representacin de la modificacin en las superficies, se considera un sistema
coordenado local, cuyo eje horizontal (axial) es paralelo al
eje axial del modelo y el eje vertical (radio) coincide con el
borde del aro interno (figura 5). Tomando como referencia
el sistema local de la figura 5, las modificaciones que se
usan para cambiar el perfil de contacto en la configuracin
sin deformar se presentan en las figuras 6 y 7, para el aro
interno y para la flecha. Con el objeto de analizar la interaccin de contacto entre flecha y aro interno, se considera
en el sistema local que el eje radial se desplaza con el borde del aro interno.
La modificacin en el modelo discreto en funcin de
los puntos medidos se realiza para tres condiciones de
aproximacin, mediante interpolacin lineal de nodos de
la malla y puntos medidos, posteriormente se incluyen
dos consideraciones comnmente usadas en representaciones grficas, mediante curvas Bezier y mediante curvas
spline. Las modificaciones del perfil de contacto, tanto
para el aro como para la flecha, se presentan en las figuras
8 y 9. Estos perfiles se incluyen por separado, uno a la vez
en la malla con claros del modelo discreto de la unin.
a)
b)
Figura 5. Esquema de modificacin de geometra donde:

a) representacin de claro (0.02 mm entre aro y flecha) y
b) ampliacin de los aros y modificacin del perfil de contacto
entre aro interno y flecha
Figura 9. Perfiles modificados para la superficie de contacto de

la flecha
Comportamiento del material
Figura 6. Perfil del aro cnico interno a partir de puntos

medidos
Figura 7. Perfil de la flecha a partir de puntos medidos
Los resultados obtenidos en las pruebas de convergencia de malla, indican que los picos de esfuerzos de contacto para la geometra nominal superan el lmite
elstico (figura 4) para materiales estructurales. Tomando en cuenta esa caracterstica, para las simulaciones
con los modelos discretos que incluyen claros y modificacin del perfil de la superficie de contacto, se incluye
comportamiento elstico y plstico con endurecimiento
del material. Para aproximar el comportamiento plstico se usa la ecuacin (3) y las propiedades del acero
AISI 1045, que son: mdulos elstico (E) 205 GPa (Matweb, 2010), lmite elstico (ys) 310 MPa y coeficiente de
endurecimiento de 0.1736 (zel y Zeren, 2006). Los resultados de la ecuacin 3 se presentan en la figura 10.
ys
=
plastic
E ys
1/n
(3)
donde
plastic es la deformacin en la regin plstica,
E el mdulo elstico,
ys el esfuerzo de fluencia,
es el esfuerzo y
n es el ndice de endurecimiento del material.
Figura 8. Perfiles modificados para la superficie de contacto del

aro interno
Los resultados obtenidos de la ecuacin 3 presentan

muy buena correspondencia con pruebas experimentales (Sidebottom y Chu, 1975), como se puede observar
de la figura 11.
105
Figura 10. Comportamiento plstico para el material de la

simulacin
contacto. Para garantizar que las variaciones de los dimetros correspondan a efectos de las tolerancias de manufactura (considerada como ondulacin), la regin de
inters se limita al rango de variaciones radiales presentado en las figuras 8 y 9. De igual manera, por esta razn no se consideran variaciones cercanas a los bordes
del aro cnico donde el rebaje en las esquinas no corresponde a ondulacin, sino a la caracterstica de acabado.
Las dimensiones y geometra de la unin simulada
corresponden a una flecha slida, un par de aros Ringfeder RfN S8006 20x25 mm, y el cubo de un engrane
ondrives. La fuerza de apriete aplicada en el modelo discreto con claros, al aro interno en direccin axial es 30.5
kN. El coeficiente de friccin en las superficies de contacto se considera de 0.12 (Ringfeder, 2007).
Previamente se estableci el radio mnimo del aro
interno en 10.020 mm. Con el objeto de tomar en cuenta
las incorporaciones de las modificaciones del perfil (figuras 8 y 9), se modifica el radio nominal del aro interno a 10.021 mm (an dentro de su regin de tolerancia),
para evitar que al adicionar las modificaciones al perfil
se rebase la regin de tolerancia. De forma anloga para
la flecha, su radio mximo es de 10 mm y se modifica a
9.999 mm. Con esa consideracin se logra que las modificaciones en el perfil de la superficie de contacto sean
mayor al radio mnimo del aro interno y menores para
el dimetro de la flecha, correspondientes al ajuste E7/
h6 (figuras 8 y 12).
Figura 11. Comportamiento plstico del material (Sidebottom y

Chu, 1975)
Resultados
Los resultados corresponden a las 3 aproximaciones del
perfil de contacto del aro interno y la flecha usados en
el anlisis. Para simular los cambios del perfil de la
unin mecnica se usa el tamao caracterstico del elemento de contacto que se obtuvo del 5o refinamiento
(tabla 1). Ese refinamiento proporciona ed= 0.4%, lo cual
se considera como un excelente nivel de exactitud. Para
el anlisis del esfuerzo de contacto en la unin se incluyen claros radiales para la geometra nominal en el modelo discreto axisimtrico. Posteriormente y en forma
separada se incluyen las modificaciones del perfil de
contacto con modificacin directa con puntos medidos,
interpolacin mediante curva spline, e interpolacin
mediante curva Bezier. En las figuras 8 y 9 se observa
que los puntos iniciales y finales son coincidentes para
las diferentes representaciones del perfil de contacto;
sin embargo, el resto de los puntos difieren, lo que produce variaciones en los resultados de esfuerzos de
106
Figura 12. Representacin esquemtica de las modificaciones en

el perfil de contacto
En condiciones ideales del proceso de unin, la deformacin radial del aro interno se supone igual en toda su
longitud axial. Sin embargo, por la geometra cnica de
los aros, la porcin del aro de menor espesor presenta la
mayor deformacin radial. La figura 13 muestra la deformacin del aro interno para la configuracin con claro y
geometra nominal para dos condiciones: a) deformacin radial del aro antes de alcanzar el contacto con la
flecha y b) deformacin radial con la carga total aplicada
para lograr la capacidad portante en la unin. En ambos

casos la deformacin radial es mayor en la regin de menor espesor del aro. Se aprecia que para la curva sin contacto la deformacin es proporcional al espesor del aro.
Para la condicin con contacto la restriccin cinemtica
que impone el contacto modifica la curva de deformacin. La regin con menor espesor del aro alcanza el primer contacto, en consecuencia en esta regin se presenta
el pico de esfuerzos de contacto para la geometra nominal, como se presenta en la figura 14. La condicin anterior se presenta independientemente del tipo de comportamiento del material. Se observa que el material con
deformacin elasto-plstica presenta un pico de esfuerzo
menor y una mayor longitud axial de contacto, en comparacin con el material elstico. Adicionalmente para el
material elasto-plstico, en la regin del pico de esfuerzo, se presenta un conjunto de oscilaciones del valor del
esfuerzo de contacto generado por la fluencia que progresivamente se alcanza en nodos consecutivos de los
elementos finitos. Fuera de la regin del pico de esfuerzo, el comportamiento de ambos tipos de materiales es
a) interpolacin directa con puntos medidos,

b) interpolacin con curva spline de tercer orden,
c) interpolacin con curva Bezier, respectivamente.
Esas curvas se comparan contra la curva de la figura 14
para identificar las variaciones en las presiones de contacto a causa de la aproximacin del perfil mediante las
diferentes tcnicas usadas.
Retomando la figura 8, para los puntos medidos y la
aproximacin de estos con spline, las curvas son prcticamente las mismas, esto se aprecia tambin en los esfuerzos de contacto en las figuras 15 y 16. Sin embargo,
el carcter de la figura 17 para la interpolacin Bezier,
carga total
sin contacto
-0.02
Deformacin
radial [mm]
Deformacin radial [mm]
-0.018
simular. Los resultados de la simulacin para el material

con comportamiento elasto-plstico y claro nominal modificado son los que se usan como referencia para analizar la influencia de las aproximaciones de superficies,
con variaciones en las superficies de contacto. Las figuras
15 a 17 presentan los resultados de los esfuerzos de contacto para:
-0.022
-0.024
Longitud
axial [mm]
-0.026
0
2
3
4
Longitud axial [mm]
a) b)
Figura 13. Deformacin radial del aro interno en su radio interno, donde: a) curvas de deformacin y
b) correspondencia de los ejes en el aro interno
a) b)
Figura 14. Presin de contacto usando material con comportamiento elasto-plstico para la geometra nominal con claro, donde: a)
toda la longitud del aro y b) ampliacin alrededor del radio R=0.2 mm
107
muestra diferencia en las amplitudes de esfuerzos con

relacin a las otras dos aproximaciones. La curva de esfuerzos de contacto usando puntos medidos en la representacin del perfil, muestra picos ms altos que las
otras dos aproximaciones. Esto se explica porque para
esa aproximacin del perfil de contacto no se suavizan
los picos obtenidos de las mediciones, a diferencia del
resultado de las aproximaciones Bezier y spline. En consecuencia, se generan valores altos de esfuerzo en ubicaciones coincidentes con esos cambios de pendiente
del perfil de contacto.
2000
1500
1000
500
0
0
2
3
Lomgitud axial [mm]
Figura 17. Comportamiento plstico del material con

interpolacin de curva Bezier
das (figuras 6 y 8). La tabla 2 presenta los valores de

picos de esfuerzo para esas posiciones axiales, donde se
obtiene que en la posicin 0.2 mm el pico de esfuerzo de
contacto con aproximacin Bezier es 35% menor que el
perfil con claros y geometra nominal, esta diferencia se
explica porque en el perfil modificado la ubicacin axial
de 0.2 no es el inicio del contacto y en consecuencia, los
esfuerzos en esa regin sern menores. Para 0.4 mm la
aproximacin mediante curva Bezier es solamente 1.8 %
menor a la obtenida con los puntos medidos. Esto sin
importar que el perfil de contacto modificado se aprecie
diferente en ambas aproximaciones (figura 8). Esto es
un indicativo de que la aproximacin con curvas Bezier
es comparable con relacin a los esfuerzos en las otras
aproximaciones, y adems mantiene correspondencia
con la caracterstica de la superficie medida de la pieza
en contacto.

aproximacin de superficie por puntos medidos
2000
1500
1000
Tabla 2. Pico de esfuerzo de las diferentes configuraciones

[MPa]
500
0
0
Posicin axial
0.4 mm
258.9
1596.3
1549.2
1567.3

interpolacin de curva spline de tercer orden
Modelo discreto
Claro nominal
Puntos medidos
Spline
Bezier
Para analizar las variaciones de las curvas de esfuerzo

de contacto, se seleccionan dos ubicaciones a lo largo de
la longitud axial de contacto del aro interno (figuras 14
a 17), esto es a 0.2 mm y 0.4 mm del origen. La ubicacin
0.2 mm corresponde a la ubicacin donde se presenta el
primer contacto como funcin del radio R en el extremo
del aro interno y su deformacin radial (figura 3b, regin A y figura 13). La ubicacin 0.4 mm a partir del
origen, corresponde al inicio de la modificacin geomtrica del perfil de contacto para las aproximaciones usa-
Para la aproximacin con spline, el carcter de picos de

esfuerzo es de menor amplitud que la interpolacin con
puntos medidos, pero similar en cuanto a su forma (figuras 15 y 16). Mientras que el carcter de la aproximacin Bezier se aproxima a la forma del esfuerzo nominal
(figuras 14 y 17), pero adiciona las concentraciones de
esfuerzo atribuidas a las variaciones de dimetros (figura 8). Lo cual nuevamente presenta correspondencia
con el contacto esperado (en el nominal), pero con la
108
2
3
Longitud axial [mm]
0.2 mm
1128.6
348.4
0
730.6
Deformacin
radial [mm]
radial deformation
[mm]
0
-0.01
-0.02
bezier
Puntos
medidospoints
measured
Spline
spline
Nominal
nominal
-0.04
-0.05
0
2
3
Longitud
[mm]
axialaxial
length
[mm]
Bezier
bezier
Puntos medidos
measured
points
Spline
spline
Nominal Spline
nominal
-0.022
-0.023
Aro
interno
-0.024
-0.025
-0.026
-0.027
0
axial length
[mm]
Longitud
axial
[mm]
a)
b)
Figura 19. Deformacin radial final del aro interno para la carga
total aplicada (30.5 kN), donde: a) deformacin del aro para
las diferentes aproximaciones y b) representacin esquemtica
deformada del aro
ciones (ms pronunciadas que la aproximacin con

Bezier) de la curva de deformacin a causa de los picos
en la geometra de contacto. La deformacin que se presenta para la aproximacin con curvas Bezier es la menor de todos los casos analizados, pero sin que esto
represente cambios significativos de esfuerzo (figuras
14 y 17), para la regin donde se ubica el contacto inicial
del aro, en comparacin con las otras aproximaciones.
En la figura 19 se observa que las deformaciones estn
por arriba del valor del claro nominal de 0.02 mm, lo
cual se esperaba por la deformacin que presenta la flecha en contacto y que permite que los nodos del aro
interno tengan una deformacin mayor a la del claro
inicial, con las restricciones que impone el contacto entre las piezas.
Conclusiones
Bezier
-0.03
-0.02
-0.021
Deformacin
radial [mm]
Radial deformation
[mm]
adicin de las caractersticas particulares de la variacin de superficie.

Si se considera nuevamente la esquematizacin de
la figura 12, es claro identificar la diferencia de radios
para los perfiles con interpolacin de los puntos y el
perfil considerado como nominal modificado. Los cambios adicionados con esa variacin de radios de contacto generan que la deformacin para iniciar el contacto y
la deformacin al final de la carga total aplicada se modifique. En la figura 18 se muestran las curvas de deformacin radial del aro interno para una diferencia de
carga antes de iniciar presin de contacto en la flecha.
Como se esperaba, la curva que presenta la mayor deformacin radial es la correspondiente a la geometra
nominal, ya que sta presenta un radio inicial constante
en todo el aro interno. Como se representa en la figura
12, el claro en esa configuracin es mayor que en las
aproximaciones donde existe variacin de radio de la
regin de contacto. En la figura 12 se indicia que el calor
nominal de 0.02 mm se incrementa para permitir modificar las superficies de contacto, y que stas se mantengan dentro de la zona de tolerancia. Como se observa
de la figura 18, para todas las aproximaciones de superficies el primer contacto ocurre alrededor de 0.02 mm y
se modifica por la aproximacin que se hace en cada
caso (figuras 8 y 9).
Figura 18. Deformacin radial del aro para antes de iniciar el

contacto con la flecha. El signo menos obedece a qu radio
interno del aro interno disminuye
La deformacin radial final del aro con el total de carga

de apriete aplicada a la unin (figura 19), presenta prcticamente el mismo carcter entre la curva nominal y la
curva Bezier, salvo por el desfasamiento en magnitudes
que corresponde a la diferencia de claro inicial de ambos perfiles de contacto. Mientras que las curvas con
puntos medidos e interpolacin spline presentan oscila-
Se present el anlisis de tres mtodos diferentes de discretizacin de superficies de contacto para representar
una unin mecnica eje cubo, la cual se realiza mediante
presin y contacto. Se analiz su geometra nominal para
lograr la convergencia del pico de esfuerzos, obtenindose una exactitud en ese proceso de 0.4 %, en el 5o refinamiento de malla del modelo propuesto.
Se concluye que la aproximacin de perfiles de contacto
mediante curvas Bezier presenta las mejores caracterstica, ya que en la regin del pico de esfuerzo de contacto la diferencia obtenida en relacin al perfil con puntos
medidos es solamente 1.8 %. Mientras que para el resto
de la longitud axial el perfil de la curva de esfuerzo de
contacto es aproximadamente el mismo que para el
caso de la geometra nominal, a diferencia de los otros
dos mtodos analizados. Se concluye que la representacin con curvas Bezier proporciona las caractersticas
relevantes de la curva de esfuerzo de contacto en la re-
109
gin del pico mximo de ste, y de igual manera se

aproxima acorde a la curva esperada tericamente
(geometra nominal) para la zona fuera de la regin del
pico de mximo esfuerzo. Para esta ltima regin, las
otras aproximaciones con puntos medidos y spline modifican el perfil de la curva de esfuerzo de contacto, por
los picos presentados en los perfiles de esas geometras.
La aproximacin con Bezier suaviza esa regin, sin eliminar las fluctuaciones de esfuerzo por la variacin de
dimetros, y su distribucin de esfuerzo concuerda con
las caractersticas correspondientes a la geometra nominal simplificada, la cual se usa comnmente en clculos de contacto. Las curvas Bezier mantienen relacin
fsica con la modificacin de la superficie y a la vez con
el carcter esperado de la regin de contacto. Esta caracterstica las hace tiles en la representacin de superficies y adems no se limitan a aplicaciones en 2D (o
axisimtricas), sino tambin pueden ser extendidas a
superficies o curvas 3D.
Agradecimientos
Los autores agradecen el apoyo otorgado al Fondo de
Ciencia Bsica Conacyt para la realizacin del presente
trabajo dentro del proyecto Conacyt CB 102025.
Referencias
Abaqus, Analysis user Manual, ver 6.10, Simulia, Fremont, Ca,
2010.
Beisheim y Sinclair. Three-Dimensional Finite Element Analysis
of Dovetail Attachments with and Without Crowning. J. of
Turbomachinery, volumen 130 (nmero 2), 2008: 1-8.
Cheng K., Wang H., Qin H., Wong K., Yang H., Liu Y. Design and
Analysis of Optimization Methods for Subdivision Surface
Fitting. IEEE Transactions on Visualization and Computer Graphics, volumen 13 (nmero 5), 2007: 878-890.
Chen X.D., Yong J.H., Wang G., Paul J.C., Xu G. Computing the
Minimum Distance between a Point and a NURBS Curve.
Computer Aided Design, volumen 40, 2008:1051-1055.
Dan J. Lancheng W. An Algorithm of NURBS Surface Fitting for
Reverse Engineering. International Journal in Advanced Manufacture Technology, volumen 31, 2006: 92-97.
Flry S. Fitting Curves and Surfaces to Point Clouds in the Presence of Obstacles. Computer Aided Geometric Design, volumen 26
(nmero 2), 2009: 192-202.
Flry S., Hofer M. Surface Fitting and Registration of Point Clouds
Using Approximations of the Unsigned Distance Function.
Computer Aided Geometric Design, volumen 27 (nmero 1),
2010: 60-77.
Gout C., Le-Guyader C., Romani L., Saint-Guirons A.G. Approximation of Surfaces with Fault(s) and/or Rapidly Varying Data,
110
Using a Segmentation Process, Dm-Splines and the Finite Element Method. Numerical Algortihms, volumen 48 (numeros
1-3), 2008: 67-92.
Jacobi A. Approximation and Construction of Composite Bzier
Surfaces Using Minimization and Finite-Element Methods.
Computer Modelling and New Technologies, volumen 13 (nmero 4), 2009: 2137.
Matweb 2010. Material Property Data [en lnea] [consultado el 5
de junio de 2010]. Disponible en: www.matweb.com/search/
zel T. Zeren E. A Methodology to Determine Work Material
Flow Stress and Tool-Chip Interfacial Friction Properties by
Using Analysis of Machining. Journal of Manufacturing Science
and Engineering, volumen 128, 2006: 119-129.
Ringfeder Locking Elements RfN 8006 Catalogue, 2007 [en lnea] [consultado el 5 de noviembre de 2009]. Disponible en:
http://www.ringfeder.com/CatalogDownload.htm
Sidebottom 0.M., Chu S.C. Bursting Pressure of Thick-Walled
Cylinders Subjected to Internal and External Pressures, Axial
Load and Torsion. Experimental Mechanics, volumen 15 (nmero 6), 1975: 209-218.
Sinclair G.B., Cormier N.G., Griffin J.H., Meda G. Contact Stress in
Dovetail Attachments: Finite Element modeling . J. Eng. Gas
Turbines Power, volumen 124, 2002: 182-189.
Szwedowicz D., Bedolla J., Martnez E., Bedolla M. Descripcin
discreta de superficies de contacto de elementos cnicos elsticos en elementos mecnicos. CIT Informacin Tecnolgica, volumen 17 (nmero 4), 2006: 47-52.
Szwedowicz D., Bedolla J. Experimental and Numerical Coupling Proof of Conical Friction Joints. Key Engineering Materials, Trans Tech Publications, Switzerland, volumen 347, 2007:
557-562.
Wang W., Pottaman H., Liu Y. Fitting B-Spline Curves to Point Clouds
by Curvature-Based Squared Distance Minimization. ACM Transactions on Graphics, volumen 25 (nmero 2), 2006: 214-238.
Yang H., Wang W., Sun J. Control Point Adjustment for B-Spline
Curve Approximation. Computer Aided Design, volumen 36,
2004: 639-652.
Zhao j., Xia R., Liu W., Wang H. A Computing Method for Accurate Slice Contours Based on an STL Model. Virtual and Physical Prototyping, volumen 4, (nmero 1), 2009: 29-37.

Citacin Chicago
Bedolla- Hernndez, Jorge, Dariusz Szwedowicz-Wasik , Claudia
Corts-Garca, Tadeusz Majewski-Szymie, Eladio Martnez-Rayn,
Enrique Simn Gutirrez-Wing. Aproximacin de perfiles discretos en elementos de contacto de ensambles mecnicos. Ingeniera
Investigacin y Tecnologa XIV, 01 (2013): 99-111.
Citacin ISO 690
Bedolla- Hernndez J., Szwedowicz-Wasik D., Corts-Garca C.,
Majewski-Szymie T., Martnez-Rayn E., Gutirrez-Wing E.S.
Aproximacin de perfiles discretos en elementos de contacto de
ensambles mecnicos. Ingeniera Investigacin y Tecnologa, volumen XIV (nmero 1), enero-marzo 2013: 99-111.

Jorge Bedolla-Hernndez. Obtuvo la licenciatura en ingeniera electromecnica por el Instituto Tecnolgico
de Apizaco, asimismo, la maestra y el doctorado en ciencias en ingeniera mecnica por el CENIDET.
Es miembro de la SOMIM. Realiz una estancia posdoctoral en The Machinery Thermal Laboratory
de ABB Ltd., en Baden Suiza, en el grupo de mecnica computacional.
Dariusz Szwedowicz-Wasik. Es ingeniero mecnico por la Universidad Politcnica de Gdansk en Polonia,
donde tambin realiz estudios de maestra y doctorado en mecnica. Actualmente es profesor investigador en el CENIDET. Cuenta con ms de 135 publicaciones y una patente en el rea de mecnica.
Asesor de una tesis doctoral y ms de 40 de maestra. Es miembro de la Academia de Ingeniera, SOMIM, entre otras. Ha hecho una estancia como investigador en ABB TURBO SYSTEMS, Suiza.
Claudia Corts-Garca. Es ingeniera mecnica electricista por la Universidad Veracruzana, maestra en ciencias en ingeniera mecnica por CENIDET y actualmente realiza estudios doctorales en la misma
institucin, donde tambin se desempea como profesor investigador. Cuenta con 25 publicaciones y
una patente en trmite, fue asesora de 8 tesis de maestra. Es miembro titular de la SOMIM.
Tadeusz Majewski-Szymie. Es ingeniero mecnico por la Universidad Politcnica de Varsovia en Polonia,
donde tambin realiz estudios de maestra y doctorado en mecnica. Actualmente es profesor en la
Universidad de las Amricas-Puebla. Cuenta con 4 libros, ms de 140 publicaciones y 5 patentes en el
rea de mecnica. Asesor de una tesis doctoral y varias de licenciatura y maestra. Es miembro de la
SOMIM, entre otras. Realiz estancias como profesor visitante en University of Cincinnati, Texas
A&M University, Kassel University, Germany.
Eladio Martnez-Rayn. Es ingeniero industrial mecnico por el Instituto Tecnolgico de Veracruz, maestro
en ciencias en ingeniera mecnica por CENIDET. Actualmente realiza estudios doctorales en la misma institucin, donde tambin se desempea como profesor investigador. Cuenta con 20 publicaciones, asesor de 8 tesistas de maestra titulados. Es miembro titular de la SOMIM (Sociedad Mexicana
de Ingeniera Mecnica). Miembro del SEM (Society of Experimental Mechanics).
Enrique Simn Gutirrez-Wing. Es ingeniero electromecnico por el Instituto Tecnolgico de Tijuana y
maestro en ciencias en ingeniera mecnica por el CENIDET. Realiz estudios doctorales en la Universidad de Londres. Ha realizado estancias de investigacin en la Universidad de Boston, el Instituto de
Investigaciones Elctricas y actualmente en la Universidad Libre de Bruselas. Cuenta con 20 publicaciones en revistas y congresos internacionales y ha dirigido varias tesis de posgrado en las reas de
dinmica e identificacin de sistemas mecnicos.
111

(artculo arbitrado)
Contraste de la distribucin Logstica Generalizada en 31 registros

histricos de eventos mximos anuales
Contrast of Generalized Logistic Distribution in 31 Historical Records
of Annual Extreme Events
Campos-Aranda D.F.
Universidad Autnoma de San Luis Potos
Correo: campos_aranda@hotmail.com
Informacin del artculo: recibido: noviembre de 2011, aceptado: junio de 2012
Resumen
La distribucin Logstica Generalizada es la ms reciente cuya aplicacin ha
sido establecida bajo precepto, por ello es importante su contraste con las
otras dos que le precedieron, la LogPearson tipo III en USA y la General de
Valores Extremos en Inglaterra. Se comenz por destacar la importancia en
la estimacin de las crecientes de diseo, de los anlisis probabilsticos y de
las distribuciones citadas. Para la ms reciente se describe con detalle la estimacin de sus tres parmetros de ajuste por el mtodo de momentos L. Adems se propone su ajuste por minimizacin del error cuadrtico medio a
travs optimizacin numrica. Los resultados de la aplicacin de esta distribucin en 31 registros de eventos mximos anuales, con base en los dos mtodos citados, se contrastan con los ptimos obtenidos previamente con los
modelos General de Valores Extremos y LogPearson tipo III. Se concluye
que la distribucin Logstica Generalizada (LOG) es una opcin conveniente
para registros que muestran grandes cocientes L de curtosis y que en general
sus resultados conducen a las predicciones ms severas en los periodos de
retorno extremos, en registros con valores dispersos.
Descriptores:
distribucin LOG
momentos L
cocientes de momentos L
diagrama de cocientes de
momentos L
optimizacin numrica
Contraste de la distribucin logstica generalizada en 31 registros histricos de eventos mximos anuales
Abstract
The Generalized Logistic distribution is the most recent whose application has been
established as precept. Thus, comparing it with the other two that preceded it: the
LogPearson type III in USA and the General Extreme Values in England, is of high
importance. In this work, the relevance of probabilistic analysis and the above mentioned distributions in design flood estimation is pointed out. For the most recent, a
fitting method of Lmoments is described in detail for the estimation of its three parameters, also a fitting by minimizing the quadratic mean error through numerical
optimization is proposed. The results of the application of this distribution to 31 records, using both cited methods, are compared with the optimal ones obtained using
the General Extreme Values and LogPearson type III models. It is concluded that
the Generalized Logistic distribution is a good choice for records with high Lkurtosis quotients and its predictions in general are more extreme in high return periods
when applied to records with outliers.
Introduccin
Las estimaciones fundamentales de los hidrlogos estn relacionadas con el escurrimiento en dos escalas de
tiempo, la mensual y la instantnea. En el primer caso,
se buscan los volmenes escurridos disponibles para el
diseo hidrolgico de embalses de aprovechamiento.
En el segundo caso, se intenta obtener las crecientes que
generan la cuenca estudiada, asociadas stas a diversas
probabilidades de excedencia, cuyo recproco es el periodo de retorno o intervalo promedio de recurrencia
en aos. Las crecientes son bsicas en el diseo y la revisin hidrolgica de todo tipo de obras hidrulicas de
proteccin como son: presas, diques, rectificaciones y
encauzamientos; adems permiten el dimensionamiento de las obras de cruce (alcantarillas y puentes).
La estimacin de crecientes de diseo ms confiable
es la que est basada en los registros de gastos mximos
anuales, existiendo actualmente dos enfoques de procesamiento, el local y el regional. El tratamiento local de
los datos disponibles se aplica donde el registro es amplio (> 50 aos), si es menor, pero cuenta con ms de 25
aos, los resultados de procesamiento local se deben
ratificar mediante comparacin con cuencas vecinas
(WRC, 1977). Cuando el registro tiene menos de 25 aos
las estimaciones de crecientes deben estar basadas en el
enfoque regional.
La estimacin probabilstica de crecientes ha evolucionado desde sus inicios en 1930 y 1941 con los estudios de Hazen y Gumbel (Maidment, 1993), hasta el uso
de modelos probabilsticos fsicamente basados. Una
etapa importante aconteci a mediados de los aos sesenta, cuando el Subcomit de Hidrologa del US Water
114
Keywords:
GLO distribution
Lmoments
Lmoment ratios
Lmoment ratios diagram
numerical optimization
Resources Council, contrast seis distribuciones comnmente empleadas en esa poca y concluy que el
modelo LogPearson tipo III (LP3) era el ms conveniente y lo recomend para uso general en las agencias
de gobierno (Ponce, 1989). En un estudio similar en Inglaterra se determin que las distribuciones de tres parmetros de ajuste (General de Valores Extremos,
Pearson tipo III y LP3) conducan a mejores ajustes que
los modelos de dos parmetros (NERC, 1975).
La propuesta de uso generalizado de la distribucin general de valores extremos (GVE) incluye como
caso especial a la distribucin Gumbel, la cual ya era
conocida y utilizada; adems define a los modelos
LogGumbel y Weibull, que son curvas en el papel de
probabilidad GumbelPowell, el primero con concavidad hacia arriba y el segundo hacia abajo. La nueva
versin del Flood Studies Report (NERC, 1975) se llama Flood Estimation Handbook y recomienda para
los anlisis de frecuencia de crecientes a la distribucin Logstica Generalizada, ajustada mediante el mtodo de los momentos L, que es ms confiable y
consistente en registros sesgados (Mansell, 2003; Shaw
et al., 2011).
Ya se han realizado contrastes de las distribuciones
GVE y LP3 (Campos, 2001 y 2002a, b) en 31 registros
histricos de eventos mximos anuales con amplitudes
variando de 16 a 113 aos. Por tanto, el objetivo de este
estudio fue aplicar la distribucin Logstica Generalizada
(LOG) a tales registros histricos mediante dos mtodos de ajuste, el de momentos L y el de optimizacin
numrica y confrontar sus resultados con los ptimos
obtenidos para los modelos citados, finalmente formular conclusiones relativas a esta ltima distribucin.
Campos-Aranda D.F.
En una muestra de tamao n, con sus elementos arreglados en orden ascendente (x1 x2 xn) los estimadores insesgados de r son:
Desarrollo
Momentos y cocientes L muestrales
Son un sistema alternativo para describir las formas de
las funciones de distribucin de probabilidades (FDP). Histricamente aparecen como modificaciones de los momentos de probabilidad pesada (MPP) desarrollados por
Greenwood et al. (1979). Los momentos L son combinaciones lineales de los MPP, de manera que (Hosking y
Wallis, 1997):
1 = 0
(1)
2 = 21 0
(2)
3 = 62 61 + 0
(3)
4 = 203 302 + 121 0
(4)
Adems se definen los cocientes () de momentos L, comenzando con LCv que es anlogo al coeficiente de
variacin y despus los de similitud con los coeficientes
de asimetra (Cs) y de curtosis (Ck):
2= 2/1
(5)
3 = 3/2
(6)
4 = 4/2
(7)
b0 =
1 n
xj
n j =1
(8)
b1 =
1 n ( j 1)
xj
n j =2 (n 1)
(9)
1 n ( j 1) ( j 2 )

b2 =
xj
n j =3 (n 1) (n 2 )

n
b3 =
( j 1) ( j 2) ( j 3) x
1
j
n j =4 (n 1) (n 2 ) (n 3)
(10)
(11)
Los estimadores muestrales de r sern lr estando definidos por las ecuaciones 1 a 4 y los de los cocientes sern t2, t3 y t4, segn las ecuaciones 5 a 7.
Diagrama de momentos L
Hosking y Wallis (1997) establecieron la relacin que
guardan los cocientes de momentos L de asimetra y
curtosis en cinco distribuciones de probabilidad (figura
1): logstica generalizada (LOG), general de valores extremos
(GVE), LogNormal de 3 parmetros (LN3), Pearson tipo III
(PT3) y pareto generalizada (PAG).
Figura 1. Ubicacin de los 31 registros

histricos procesados en el diagrama
de cocientes de momentos L
115
Registros procesados
Las referencias de procedencia de los 31 registros histricos que se usarn se pueden consultar en Campos
(2001, 2002a, b), as como sus parmetros estadsticos
insesgados. En cambio, en el cuadro 1 se presentan los
valores de sus momentos y cocientes L, segn las ecuaciones 1 a 7. Los valores de los cocientes 3 y 4 de cada
registro se llevaron al diagrama de momentos L para
dibujar puntos que por su cercana a una cierta curva,
definen la distribucin de probabilidades ms conveniente (figura 1).
Estos resultados estn en la columna 2 del cuadro 2

y lgicamente slo pueden ser los modelos: LOG,
GVE, LN3, PT3 y PAG. Adems se observa que nicamente los registros nmeros 3, 4, 6, 7, 10, 23, 26 y 28 se
aproximan a la curva de la distribucin LOG y que los
registros nmeros 2, 8, 9 y 31 son los ms alejados de
ella.
La distribucin LOG se aplicar a los 31 registros
procesados, pero en el anlisis de resultados se revisar
con mayor acuciosidad estos dos grupos de registros.
Cuadro 1. Momentos y cocientes de momentos L de los 31 registros histricos procesados

Nmero de registro y nombre del ro:
l1
l2
t2
t3
t4
1. Ejemplo 63, Tabla 6.2.
16
1704.375
455.875
0.26747
0.17662
0.11678
2. Ro Nackawic en 01AK007, Canad
21
55.824
12.880
0.23073
0.23555
0.09142
3. Ro Maury en Lexington, Virginia, USA
26
328.638
101.761
0.30965
0.37397
0.29472
4. Ro Ouse en Skelton, Inglaterra
28
351.250
51.718
0.14724
0.25466
0.22151
5. Ro Tana en Garissa, Kenia
31
838.999
304.141
0.36250
0.36151
0.20923
6. Ro Irwell en Adelphi Weir, Inglaterra
31
231.670
50.173
0.21657
0.08024
0.16833
7. Ro Cypress Creek en Houston, Texas, USA
31
117.343
49.061
0.41810
0.26479
0.22365
8. Ro Nidd en Hunsingore, Inglaterra
35
136.663
33.434
0.24465
0.25348
0.09261
9. Ro Valles en Santa Rosa, SLP, Mxico
36
789.445
326.194
0.41319
0.28267
0.13124
10. Ro Floyd en James, Iowa, USA
39
191.736
115.072
0.60016
0.59523
0.44937
11. Ro Sinaloa en Jaina, Sinaloa, Mxico
40
1125.975
449.852
0.39952
0.49668
0.35404
12. Ro Guadalupe en Victoria, Texas, USA
44
800.979
385.172
0.48088
0.39767
0.21139
13. Ro Manawatu, Nueva Zelanda
45
1734.244
436.824
0.25188
0.20775
0.16068
14. Ro Saskatchewan en Edmonton, Canad
47
49.996
14.933
0.29869
0.38044
0.24498
15. Ro Santiago en Carrizal, Nayarit, Mxico
50
2699.780
722.653
0.26767
0.30074
0.19099
16. Ro Bow en Banff, Alberta, Canad
53
221.945
34.423
0.15510
0.09604
0.09866
17. Ro Fuerte en Huites, Sinaloa, Mxico
53
3176.434
1453.917
0.45772
0.50858
0.31946
18. Ro Clearwater en Kamiah, Idaho, USA
55
1556.600
262.540
0.16866
0.10948
0.10513
19. Ro San Rodrigo en Cerca del Moral

Coahuila, Mxico
55
327.800
223.791
0.68271
0.58924
0.37464
20. Ro Tennessee en Chattanooga, USA
57
208.560
33.051
0.15847
0.05494
0.10148
21. Ro Waimakariri en Old Bridge, Nueva Zelanda
57
1490.702
361.034
0.24219
0.33790
0.20694
22. Ro Piscataquis en DoverFoxcroft, Maine, USA
58
244.086
63.197
0.25891
0.23256
0.18047
23. Ro St. Marys en Stillwater, Nueva Escocia, Canad
59
409.578
78.535
0.19175
0.20427
0.19191
24. Ro Kentucky en Salvisa, USA
66
1911.642
339.965
0.17784
0.01024
0.09361
25. Ro San Juan en El Cuchillo, Nuevo Len, Mxico
67
1139.560
651.000
0.57127
0.51895
0.32703
26. Ro Harricana en Amos, Qubec, Canad
69
191.317
26.121
0.13653
0.14525
0.19306
27. Ro Tmesis en Teddington, Inglaterra
85
319.529
66.927
0.20945
0.19039
0.17347
113
324.487
64.349
0.19831
0.15436
0.16966
29. Ro Tampan en Tamun (niveles, m), SLP, Mxico
21
21.689
1.376
0.06346
0.15284
0.09797
30. Precipitacin mxima anual (mm) en Baver, Suiza
70
47.486
7.210
0.15183
0.12331
0.15185
31. Vel. mxima de viento (km/h) en

Shieffield, Inglaterra
72
66.260
8.961
0.13524
0.14060
0.07917
28. Ro Tmesis en Kingston, Inglaterra
116
Campos-Aranda D.F.
Ajuste de la distribucin Logstica Generalizada

mediante momentos L
Este modelo probabilstico tiene tres parmetros:
(ubicacin), (escala) y k (forma). La variable x flucta as: < x + /k si k > 0, de < x < si k = 0 y
de + /k x < si k < 0. Incluye como caso especial a la
distribucin Logstica cuando k = 0, sus funciones de
densidad y de distribucin de probabilidades son (Hosking y Wallis, 1997):
( x)==
fF(x)
F( x) =
1 e (1 k ) y
(1 + e y )2
(12)
1
(1 + e y )
(13)
donde y = k1 log [1-k (x )/] cuando k 0

y = (x )/
(14)
cuando k = 0
(15)
cuando k 0
(16)
cuando k = 0
(17)
Las soluciones inversas son:

k
k
(1 F )
F
x( F ) = + 1

(1 F )
F
x( F ) = log

donde F es probabilidad de no excedencia. Las expresiones de los parmetros de ajuste son:

k = t3

(18)
(19)
l2 sen ( k )
k

= l1
sen ( k )
(20)
Ajuste de la distribucin Logstica Generalizada

mediante optimizacin numrica
Las distribuciones general de valores extremos (GVE) y
LogPearson tipo III (LP3) se ajustaron mediante optimizacin numrica para minimizar el error cuadrtico medio y el error absoluto medio. Los resultados muestran
(Campos, 2001; 2002b) similitud en las predicciones alcanzadas con cada enfoque, adems de que se observa
una correspondencia numrica entre los valores mnimos de tales errores que son alcanzados en cada registro.
Debido a lo anterior, se consider suficiente contrastar
la distribucin logstica generalizada (LOG) minimizan-
do nicamente el error cuadrtico medio, usualmente

conocido como error estndar de ajuste (EEA). Nuevamente, este proceso se realiz con base en el algoritmo
de mltiples variables no restringidas de Rosenbrock
(Kuester y Mize, 1973; Campos 2003), considera como
variables a optimizar sus tres parmetros de ajuste, al
igual que en el modelo GVE, cuyos valores iniciales fueron los del mtodo de momentos L. En cambio, en la
distribucin LP3 tales variables de ajuste corresponden
a los estadsticos logartmicos, media, desviacin estndar y coeficiente de asimetra corregido, es decir: Ym, Sy
y gc (Campos, 2002b).
Resultados y discusin
Resumen de resultados
En el cuadro 2 para cada registro procesado hay seis
renglones de resultados, los dos primeros proceden de
Campos (2001) y corresponden a los parmetros de
ajuste (u, , k), EEA y predicciones con periodos de retorno 10, 25, 50, 100, 500, 1 000 y 10 000 aos obtenidas
con la distribucin GVE, con uno de los cuatro mtodos
de ajuste, el que condujo al EEA mnimo y con el ajuste
mediante optimizacin numrica (OPN), indicando, en la
columna 8 del cuadro 2, los nmeros de etapas y evaluaciones de la funcin objetivo (EEA) realizadas; en la columna 3 se indica el mtodo de ajuste (MA): momentos L
(MOL), optimizacin numrica (OPN), mxima verosimilitud (MMV), sextiles (SEX), momentos en el dominio logartmico (MML), mezcla de momentos (MMM), mxima
entropa (MME) y promedios diversos (MPD). Los siete
periodos de retorno citados, cubren los diversos dimensionamientos y/o revisiones hidrolgicas de las obras
hidrulicas.
De manera similar, en los renglones 3 y 4 de cada registro se presentan idnticos resultados para la distribucin LP3, pero utilizando alguno de sus seis mtodos de
ajuste y el de OPN. Finalmente en los renglones 5 y 6 de
cada registro estn los resultados de la distribucin LOG,
en este caso, ajustada mediante el mtodo de momentos
L (ecuaciones 16 a 20) y de OPN.
El algoritmo de OPN nicamente fall en los registros
19, 25 y 31 al ajustar la distribucin LOG, lo cual se corrigi limitando el nmero de etapas permitido a la ltima
en que se tenan resultados consistentes.
Anlisis global de resultados

En el cuadro 2 se presenta un contraste global de los resultados obtenidos para los tres modelos probabilsticos
probados (GVE, LP3 y LOG), concluyndose:
117
1) En todos los casos, con el mtodo de optimizacin numrica (OPN), el EEA es reducido ms all del mnimo obtenido con los procedimientos estadsticos;
2) Las tres distribuciones conducen a valores del EEA
del mismo orden de magnitud, ya sea a travs de los
mtodos estadsticos o con el de OPN;
3) Lo mismo se puede decir para sus parmetros de
ajuste, los cuales no cambian radicalmente con el
mtodo de ajuste;
4) Respecto a las predicciones, en general, sus magnitudes son bastante coincidentes en periodos de retorno
bajos (< 50 aos), incluso en ciertos registros hasta los
periodos de retorno elevados (>1,000 aos), tal es el
caso de los registros 2, 6, 9, 16, 18, 20, 22, 26, 27, 28 y 31;
5) En registros que presentan valores extremos dispersos (outliers), sus predicciones en los periodos de
retorno altos (> 1,000 aos) varan notablemente,
como en los registros 10, 11, 12, 17 y 25.
ciones de los tres modelos en los periodos de retorno

reducidos, pero en general resultan superiores las de la
distribucin LOG en relacin con las otras dos, en los
periodos de retorno de 1 000 y 10 000 aos. Cuando el
modelo LOG no es el ms conveniente, por ejemplo en
los registros 2, 8, 9 y 31, sus EEA mnimos son mayores
que los obtenidos con las distribuciones GVE y LP3 y
tambin sus predicciones resultan superiores en los periodos de retorno elevados.
Conclusiones
La aplicacin de las tres distribuciones de probabilidad
contrastadas (general de valores extremos, LogPearson
tipo III y logstica generalizada) es recomendable en los
anlisis probabilsticos de crecientes y de otros datos
hidrolgicos extremos, debido a la consistencia o similitud numrica que presentan todas sus predicciones en
los periodos de retorno reducidos (< 50 aos), sin importar el mtodo de ajuste. La distribucin logstica generalizada ofrece una opcin probabilstica adecuada o
conveniente a los registros con valores grandes del cociente L de curtosis (4), tanto en los anlisis probabilsticos locales como regionales. En registros que presenten
valores extremos dispersos (outliers), la distribucin logstica generalizada, permitir un ajuste muy bueno a los
datos, por medio del mtodo de optimizacin numrica,
pero debido a ello sus predicciones en los periodos de
Las observaciones globales del cuadro 2 destacan que la

distribucin LP3 es mucho menos flexible en la bsqueda
del EEA mnimo a travs del mtodo de OPN, como se
muestra por la similitud entre sus predicciones en los periodos de retorno de 1,000 y 10,000 aos, las cuales casi
siempre resultaron similares con el mtodo estadstico y
el de OPN. Lo contrario ocurre con las distribuciones
GVE y LOG, las cuales casi siempre conducen a predicciones bastante dispersas en los periodos de retorno citados, con el mtodo estadstico de ajuste y con la OPN.
retorno elevados sern muy grandes.
Anlisis especfico de resultados
Anexo
Para los ocho registros donde es recomendable la distribucin LOG se observa (cuadro 2) que sus EEA mnimos son plenamente coincidentes con los de los
modelos GVE y LP3. Tambin son similares las predic-
Cuadro 2. Resultados del mejor mtodo de ajuste

(<EEA) y de la optimizacin numrica para las distribuciones GVE, LogPearson tipo III y Logstica Generalizada en los 31 registros histricos procesados
NR DA
1
1
1
1
1
1
2
2
2
2
2
2
3
MA
MOL
OPN
MML
OPN
PT3
PAG
118
Parmetros o variables de ajuste EEA (etapas)

(m3/s) No.eval.
u Ym
Sy
k gc
1354.333
1314.343
7.33750
7.33095
651.656
710.061
0.47700
0.54632
0.01045
0.04934
0.16191
0.05204
152.8
118.7
164.1
115.8
(6) 77
(5) 59
10
25
2838
3004
2805
3063
3474
3775
3448
3934
Periodos de retorno en aos

50
100
500
1 000
3950
4370
3927
4620
4425
4981
4406
5333
5538
6477
5532
7116
6022
7158
6026
7943
10 000
7654
9593
7715
10979
MOL
1573.953
432.840
0.17662
187.1
2736
3419
3996
4641
6466
7423
11590
OPN
MOL
OPN
MML
OPN
MOL
OPN
MOL
1585.836
44.431
44.284
3.94563
3.95179
50.968
51.399
228.506
495.145
16.805
18.678
0.39843
0.44325
11.736
13.045
102.689
0.22334
0.10008
0.11427
0.25293
0.03372
0.23555
0.29079
0.29557
127.0
5.0
4.0
5.0
4.0
5.8
4.3
73.8
(9) 96
(5) 64
(2) 32
(3) 29
2990
87
92
87
92
85
92
557
3877
108
116
107
114
107
120
775
4656
125
136
124
130
126
146
982
5556
143
157
141
148
148
177
1234
8248
189
213
184
190
216
280
2061
9737
212
241
205
209
255
341
2557
16711
299
349
285
280
437
660
5166
OPN
222.626
103.217
0.48721
34.4
(5) 35
645
1017
1429
2003
4384
6142
18836
Campos-Aranda D.F.
NR DA
3
3
3
3
4
4
4
4
4
4
5
5
5
5
5
5
6
6
6
6
6
6
7
7
7
7
7
7
8
8
8
8
8
8
9
9
9
9
9
9
10
10
10
10
10
10
11
11
11
11
11
11
LOG
LOG
PAG
LOG
LOG
PAG
PAG
LOG
GVE
MA
MMM
OPN
MOL
OPN
MOL
OPN
MMM
OPN
MOL
OPN
MMV
OPN
MML
OPN
MOL
OPN
MMV
OPN
MME
OPN
MOL
OPN
MOL
OPN
MPD
OPN
MOL
OPN
MOL
OPN
MML
OPN
MOL
OPN
MMV
OPN
MPD
OPN
MOL
OPN
MMV
OPN
MML
OPN
MOL
OPN
MMV
OPN
MML
OPN
MOL
OPN

(m3/s) No.eval.
u Ym
Sy
k gc
5.64795
5.68859
270.220
256.736
304.603
302.703
5.82925
5.83748
330.268
329.236
524.470
530.981
6.53361
6.55752
669.452
661.434
193.794
194.915
5.36830
5.37352
225.069
222.698
72.670
69.492
4.40899
4.51265
96.701
93.038
106.538
105.907
4.82973
4.83029
123.158
124.751
472.973
488.439
6.36414
6.36414
643.642
643.642
68.104
64.609
4.62216
4.56416
97.204
80.8544
653.307
647.115
6.77948
6.83418
800.681
770.339
0.53160
0.58065
79.914
73.615
65.360
70.727
0.25088
0.28246
46.375
51.012
277.582
307.901
0.62233
0.66673
242.847
250.600
77.343
80.472
0.40380
0.41913
49.643
53.671
60.935
61.054
0.93576
0.80294
43.595
45.880
42.321
38.949
0.41880
0.46171
30.011
32.826
355.577
431.984
0.84715
0.94710
284.979
313.477
61.520
28.076
1.06880
1.17500
58.803
29.823
326.064
217.322
0.64206
0.69789
288.286
204.980
0.60848
0.28644
0.37397
0.65487
0.12830
0.18816
0.98022
0.16921
0.25466
0.33106
0.43927
0.42979
0.48521
0.12861
0.36151
0.50781
0.09530
0.05088
0.03810
0.03141
0.08024
0.15198
0.14309
0.27199
0.75429
0.01951
0.26479
0.39338
0.12686
0.23170
0.40433
0.02776
0.25348
0.27250
0.27754
0.17485
0.60666
0.12772
0.28267
0.28267
0.69011
1.19579
0.41776
0.29390
0.59523
1.17626
0.53163
0.86285
1.12598
0.42785
0.49667
0.88059
69.3
34.1
77.9
31.4
21.2
15.1
21.1
15.1
23.1
14.7
104.4
83.1
140.6
85.4
173.0
82.3
19.9
18.2
18.6
18.0
19.7
16.0
20.9
11.6
21.2
12.9
22.3
10.1
9.7
9.6
9.7
7.4
11.8
9.1
89.5
61.4
84.5
55.0
112.0
82.3
155.1
62.7
170.0
71.3
193.8
63.3
435.4
239.4
464.7
245.6
527.8
241.6
(12) 123
(14) 130
(3) 36
(3) 38
(2) 25
(7) 85
(12) 128
(7) 95
(6) 82
(7) 97
(4) 60
(17) 142
(15) 157
(29) 254
(1) 9
(3) 59
(3) 40
(8) 83
(1) 9
(1) 9
(10) 94
(5) 36
(18) 170
(24) 197
(17) 176
(15) 155
10
25
563
631
543
618
475
501
471
495
467
494
1591
1699
1564
1668
1484
1674
350
366
360
368
344
363
234
259
269
255
227
253
217
221
217
227
211
224
1584
1680
1701
1925
1512
1598
400
387
415
446
364
392
2069
2151
2069
2328
1949
2149
733
863
758
1045
563
613
535
571
557
616
2468
2647
2252
2330
2117
2646
407
432
435
447
405
442
320
381
406
374
314
384
273
291
275
282
270
291
2305
2340
2483
2921
2111
2258
789
1117
763
841
653
1121
3399
4374
3315
3471
3034
4360

50
100
500
1 000
870
1063
973
1582
636
710
582
628
639
734
3400
3647
2888
2901
2741
3729
446
480
492
507
452
508
391
494
527
479
394
516
320
353
323
326
322
352
2976
2906
3160
3807
2664
2867
1296
2536
1153
1287
1000
2522
4922
7696
4662
4551
4231
7704
1017
1289
1248
2423
714
820
628
685
735
881
4660
4988
3646
3542
3535
5258
482
525
550
567
501
580
469
629
665
598
488
687
371
426
375
370
384
426
3785
3540
3916
4815
3031
3599
2111
5791
1694
1904
1521
5697
7116
13730
6498
5859
5908
13851
1401
1931
2238
6717
926
1137
737
820
1034
1380
9576
10165
6003
5339
6345
11740
556
623
689
710
625
777
683
1062
1056
939
785
1320
507
647
516
481
577
659
6379
5340
6007
7677
5473
5956
6471
39629
3837
4332
3986
37875
16724
54049
13755
10031
12921
55856
1587
2267
2885
10499
1031
1306
784
880
1205
1692
13026
13760
7343
6266
8156
16630
585
663
751
774
683
878
791
1314
1257
1117
957
1742
574
771
586
532
687
795
7905
6284
7064
9156
6738
7348
10457
90785
5329
6004
6026
85625
24165
98018
18888
12452
18150
102475
10 000
2306
3707
6750
46943
1456
2053
946
1089
2049
3426
36002
37329
13795
10153
18757
53191
668
786
969
998
902
1301
1238
2593
2088
1872
1819
4345
846
1358
870
718
1227
1486
15700
10382
11339
15279
13256
14517
51308
1.4106
14799
16361
23743
1.3106
82090
712207
53440
24405
56505
775362
12
MMV
389.809
317.042
0.50729
254.6
1722
2931
4289
6211
14380
20544
66581
12
12
12
12
OPN
MMV
OPN
MOL
443.176
6.27776
6.39346
567.972
288.938
0.92300
0.81139
292.512
0.58068
0.13929
0.17226
0.39767
245.1
286.3
248.8
336.2
(16) 164
(13) 162
1784
1740
1713
1595
3133
2700
2594
2436
4742
3589
3410
3290
7140
4638
4379
4406
18305
7804
7345
8534
27412
9537
8996
11300
104528
17309
16629
28491
PAG
119
NR DA
12
13
13
13
13
13
13
14
14
14
14
14
14
15
15
15
15
15
15
16
16
16
16
16
16
17
17
17
17
17
17
18
18
18
18
18
18
19
19
19
19
19
19
20
20
20
20
20
20
21
21
21
21
21
21
22
22
LN3
LN3
LN3
PT3
PAG
PT3
LN3
GVE
LN3
120
MA
OPN
MOL
OPN
MMV
OPN
MOL
OPN
MMV
OPN
MML
OPN
MOL
OPN
SEX
OPN
MML
OPN
MOL
OPN
MOL
OPN
MML
OPN
MOL
OPN
MMV
OPN
MML
OPN
MOL
OPN
MOL
OPN
MML
OPN
MOL
OPN
SEX
OPN
MML
OPN
MOL
OPN
MOL
OPN
MMM
OPN
MOL
OPN
MMV
OPN
MML
OPN
MOL
OPN
MOL
OPN

(m3/s) No.eval.
u Ym
Sy
k gc
605.449
1360.919
1336.472
7.35932
7.36468
1588.111
1584.220
34716
34.777
3.77705
3.79532
41.296
41.308
2003.078
2026.598
7.79066
7.79009
2357.902
2433.709
195.995
196.590
5.36596
5.36446
216.532
216.972
1628.807
1616.945
7.73260
7.68163
2106.257
2195.905
1354.106
1346.534
7.30675
7.30704
1509.599
1504.580
85.404
78.052
4.78295
4.92462
145.161
159.423
185.436
184.502
5.30009
5.29866
205.577
205.398
1136.232
1138.408
7.21845
7.22440
1301.039
1318.203
188.371
186.696
328.265
595.786
604.967
0.45244
0.47102
406.465
434.086
13.742
13.907
0.49605
0.53169
11.623
12.602
831.726
935.595
0.46651
0.50601
619.836
702.022
54.827
56.643
0.27474
0.29216
33.904
35.451
996.848
1421.410
0.76133
0.95060
909.645
1188.785
411.226
417.847
0.29893
0.31356
257.393
268.004
126.713
197.718
1.48007
1.59587
116.174
126.657
55.216
56.305
0.29080
0.30391
32.887
34.361
375.284
425.841
0.40700
0.43891
296.947
332.770
82.858
90.853
0.48604
0.05831
0.12056
0.16003
0.02658
0.20775
0.25198
0.40480
0.45370
0.85605
0.20937
0.38044
0.47430
0.21273
0.17413
0.30729
0.03126
0.30074
0.27764
0.11901
0.12102
0.14776
0.04168
0.09604
0.10079
0.57129
0.44506
0.85203
0.02212
0.50858
0.50726
0.09683
0.05730
0.05445
0.01055
0.10948
0.13962
0.59493
0.52828
0.10623
0.06368
0.58924
0.70133
0.18829
0.16552
0.43105
0.07483
0.05494
0.06724
0.29940
0.25562
0.77811
0.13107
0.33790
0.34981
0.09563
0.09092
255.8
104.6
70.6
89.2
74.0
114.3
66.2
4.6
3.0
6.6
3.1
7.8
2.9
267.4
232.5
254.4
223.4
303.7
258.1
4.7
4.2
5.3
4.1
6.9
6.3
836.9
675.4
815.7
611.7
1085.8
706.0
61.4
55.3
60.5
54.8
64.9
56.7
218.2
152.5
160.8
132.6
235.1
169.5
7.8
7.4
7.8
7.4
8.0
7.5
102.7
83.6
111.8
79.6
134.3
93.0
13.9
11.5
(3) 30
(10) 125
(17) 171
(7) 108
(7) 74
(7) 78
(12) 126
(6) 68
(7) 126
(5) 68
(4) 86
(3) 52
(4) 61
(20) 276
(10) 150
(15) 153
(11) 98
(4) 39
(6) 86
(30) 257
(5) 46
(3) 21
(7) 89
(5) 74
(3) 49
(1) 9
(8) 96
(10) 118
(5) 30
10
25
1895
2794
2900
2807
2890
2720
2858
85
89
85
89
81
90
4404
4604
4451
4626
4288
4559
304
308
303
310
300
304
6195
7118
6290
7337
5786
6996
2186
2229
2181
2226
2149
2194
685
933
807
1050
668
822
287
290
290
295
282
287
2342
2434
2345
2421
2269
2419
396
414
3095
3456
3698
3483
3618
3418
3699
125
135
118
117
113
135
5814
6031
5736
5892
5657
6016
342
347
341
355
343
350
10732
11683
10492
11533
9322
11601
2485
2568
2501
2578
2488
2577
1301
1732
1681
2171
1231
1656
318
324
331
338
320
327
3149
3246
3061
3018
2994
3258
498
524

50
100
500
1 000
4408
3971
4351
4005
4184
4023
4455
166
184
150
141
145
183
7060
7253
6798
6892
6940
7355
367
373
368
387
377
386
16097
16557
15061
15458
13263
16727
2690
2808
2730
2834
2759
2890
2043
2644
2718
3458
1901
2746
338
346
360
369
348
358
3914
3989
3691
3487
3696
4079
580
612
6233
4504
5056
4543
4771
4714
5345
219
251
188
166
186
250
8496
8624
7953
7939
8505
8961
390
396
394
418
412
424
24045
23166
21301
20126
18830
23962
2881
3036
2953
3086
3047
3231
3160
3956
4203
5242
2904
4511
355
366
388
399
378
390
4852
4872
4413
3977
4574
5114
667
706
13764
5822
6932
5868
6227
6744
8104
421
518
309
236
336
521
12756
12507
11059
10581
13648
14095
437
444
450
488
505
523
60616
49158
45851
34382
42460
54619
3274
3531
3457
3664
3800
4155
8458
9676
10282
12065
7615
14071
388
403
451
467
449
470
7937
7628
6534
5213
7593
8726
891
946
19315
6428
7858
6476
6900
7847
9680
557
708
381
271
434
718
15087
14542
12607
11820
16748
17110
454
462
473
518
549
571
90152
67510
63053
42580
60302
77735
3425
3730
3671
3913
4167
4620
12845
14089
14564
16576
11490
22909
388
416
478
496
482
507
9797
9210
7686
5794
9489
11023
999
1060
10 000
59312
8625
11550
8683
9364
12889
17404
1413
2005
745
411
1026
2111
25828
23365
18866
16438
33184
32518
503
511
546
618
719
755
336240
190924
175998
78020
193860
250383
3860
4337
4380
4755
5603
6530
50915
48253
41466
42118
44792
115314
399
451
566
591
600
644
19636
17014
12929
7968
20167
24219
1412
1496
Campos-Aranda D.F.
NR DA
22
22
22
22
23
23
23
23
23
23
24
24
24
24
24
24
25
25
25
25
25
25
26
26
26
26
26
26
27
27
27
27
27
27
28
28
28
28
28
28
29
29
29
29
29
29
30
30
30
30
30
30
31
31
31
31
31
31
GVE
LOG
PT3
PAG
LOG
GVE
LOG
GVE
GVE
PAG
MA
MMV
OPN
MOL
OPN
MOL
OPN
MMM
OPN
MOL
OPN
MOL
OPN
MPD
OPN
MOL
OPN
MMV
OPN
MMV
OPN
MOL
OPN
MOL
OPN
MMV
OPN
MOL
OPN
MOL
OPN
MMV
OPN
MOL
OPN
SEX
OPN
MMV
OPN
MOL
OPN
MOL
OPN
MML
OPN

(m3/s) No.eval.
u Ym
Sy
k gc
5.39146
5.39286
220.547
220.547
342.811
329.147
5.95790
5.96422
383.728
381.324
1695.071
1687.454
7.50196
7.49805
1905.918
1904.117
425.699
501.829
6.43847
6.38270
653.192
720.342
169.825
172.115
5.22410
5.22655
185.141
185.141
264.123
260.254
5.69544
5.70070
298.941
298.941
271.602
268.694
5.71768
5.72233
308.338
308.338
21.178
21.157
3.07058
3.06430
0.46596
0.48836
57.723
63.495
107.694
117.360
0.33555
0.34782
73.255
76.095
594.815
607.700
0.34210
0.35951
339.906
351.197
403.393
501.411
1.10027
1.22503
398.602
460.704
39.034
40.304
0.24629
0.25159
25.224
27.746
93.736
92.497
0.38280
0.38211
63.007
69.308
93.018
94.484
0.36916
0.36126
61.857
68.042
2.704
2.935
0.11604
0.13545
0.11666
0.00813
0.23256
0.23256
0.05301
0.10033
0.34764
0.10830
0.20427
0.27097
0.26634
0.25752
0.78476
0.14677
0.01024
0.01525
0.67640
0.55541
0.08350
0.00709
0.51895
0.57561
0.03898
0.02645
0.13407
0.05087
0.14524
0.14524
0.03176
0.09044
0.04381
0.04334
0.19039
0.19039
0.00843
0.03379
0.11273
0.02357
0.15437
0.15437
0.57722
0.66494
1.20543
0.23489
12.7
11.0
16.7
13.5
25.0
21.6
23.8
18.4
23.7
14.5
51.2
48.7
54.6
50.0
65.6
62.6
286.2
206.3
304.9
165.5
453.1
212.5
7.9
7.7
7.6
7.2
7.2
6.5
16.3
13.5
15.8
14.0
15.1
12.9
14.1
11.8
12.4
12.3
11.3
10.9
0.333
0.252
0.420
0.260
(9) 97
(1) 9
(6) 91
(9) 113
(6) 75
(5) 56
(6) 93
(4) 65
(7) 92
(5) 45
(10) 84
(12) 131
(11) 114
(1) 9
(20) 184
(11) 108
(1) 9
(7) 71
(4) 61
(1) 9
(4) 46
(3) 38
10
25
399
411
386
403
600
625
596
610
587
610
2702
2725
2793
2842
2661
2689
2562
2749
2562
2841
2287
2755
254
260
255
257
250
257
483
491
486
489
471
488
479
490
488
486
470
486
24.6
24.6
24.4
25.4
498
518
492
519
718
772
701
725
712
765
2976
3012
3246
3324
3004
3048
5019
4934
4315
5066
3882
4906
287
296
286
290
287
297
580
603
582
587
574
602
565
588
582
577
562
588
25.1
25.0
25.0
26.9

50
100
500
1 000
575
601
586
623
810
890
779
812
819
907
3138
3183
3571
3670
3256
3312
8180
7484
6046
7362
5673
7439
311
322
309
314
317
330
654
693
654
662
662
699
629
663
652
645
638
671
25.4
25.2
25.3
27.8
654
687
695
742
904
1015
857
899
942
1076
3272
3326
3887
4008
3505
3576
13221
11219
8191
10307
8223
11192
334
347
331
338
350
367
728
788
727
737
762
808
691
739
722
713
722
764
25.5
25.4
25.5
28.7
850
902
1025
1105
1135
1341
1041
1110
1301
1613
3502
3571
4598
4769
4086
4193
39714
28068
15158
20369
19187
28519
385
403
380
390
440
465
908
1032
899
917
1048
1123
835
922
888
874
953
1018
25.7
25.5
25.9
30.5
940
1001
1209
1308
1241
1498
1123
1205
1495
1925
3574
3649
4899
5082
4339
4462
63594
41450
19208
26467
27557
42565
406
427
401
413
485
515
988
1148
976
998
1201
1291
896
1004
962
946
1071
1148
25.8
25.5
25.9
31.1
10 000
1268
1365
2086
2273
1621
2106
1406
1542
2378
3507
3736
3827
5890
6156
5189
5377
302482
149948
38805
57562
91326
160487
472
502
470
488
673
722
1267
1590
1244
1285
1879
2037
1096
1290
1220
1194
1568
1694
25.8
25.6
26.1
33.2
MOL
22.031
1.324
0.15284
0.444
24.5
25.4
25.9
26.4
27.3
27.7
28.6
OPN
MOL
OPN
MMV
OPN
MOL
OPN
MOL
OPN
MML
OPN
MOL
OPN
22.026
41.793
41.445
3.82453
3.82584
46.034
45.908
58.959
59.519
4.16632
4.16678
64.207
64.609
1.467
11.095
11.363
0.27009
0.27985
7.031
7.343
13.476
12.980
0.23395
0.24590
8.672
8.889
0.19819
0.07426
0.03287
0.14311
0.02164
0.12331
0.15104
0.04642
0.02113
0.19732
0.01540
0.14059
0.14059
0.293
1.5
1.3
1.4
1.3
1.4
1.0
1.6
1.7
1.7
1.5
2.3
2.2
(3) 40
(10) 98
(5) 67
(6) 62
(3) 29
(3) 61
(2) 14
24.6
65
66
65
66
64
65
88
88
87
88
87
88
25.5
73
76
74
75
73
76
99
100
99
99
99
100
26.0
79
83
80
82
81
85
107
108
107
107
109
111
26.5
85
90
86
88
89
95
115
116
115
115
120
122
27.3
97
105
101
104
112
122
132
135
134
132
150
153
27.5
102
112
107
110
123
135
139
143
142
139
165
168
28.2
116
132
127
132
167
193
160
168
170
162
228
232
121
Simbologa:
NR
DA
PT3
PAG
LOG
GVE
LN3
MA
MOL
OPN
MMV
SEX
MML
MMM
MME
MPD
u

k
Ym
Sy
gc
EEA
nmero de registro segn cuadro 1.

distribucin adecuada segn figura 2.
Pearson tipo III.
Pareto generalizada.
logstica generalizada.
general de valores extremos.
LogNormal de 3 parmetros.
mtodo de ajuste:
mtodo de momentos L.
mtodo de optimizacin numrica.
mtodo de mxima verosimilitud.
mtodo de sextiles.
mtodo de momentos en el dominio logartmico.
mtodo de mezcla de momentos.
mtodo de mxima entropa.
mtodo de promedios diversos.
parmetro de ubicacin.
parmetro de escala.
parmetro de forma.
media logartmica.
desviacin estndar logartmica.
coef. de asimetra logartmico corregido.
error estndar de ajuste (m3/s,mm,km/h).
Referencias
Campos-Aranda D.F. Contraste de cinco mtodos de ajuste de la
distribucin GVE en 31 registros histricos de eventos mximos anuales. Ingeniera Hidrulica en Mxico, volumen XVI
(nmero 2), abriljunio de 2001: 77-92.
Campos-Aranda D.F. Contraste de seis mtodos de ajuste de la
distribucin Log-Pearson tipo III en 31 registros histricos de
eventos mximos anuales. Ingeniera Hidrulica en Mxico, volumen XVII (nmero 2), abril-junio de 2002a: 77-97.
Campos-Aranda D.F. Ajuste de la distribucin Log-Pearson tipo
III por medio de optimizacin numrica no restringida. Ingeniera Hidrulica en Mxico, volumen XVII (nmero 4), octubrenoviembre de 2002b: 115-128.
Campos-Aranda D.F. Introduccin a los Mtodos Numricos: Software en Basic y aplicaciones en Hidrologa Superficial, captulo 9:
122
Optimizacin numrica, pp. 172211, San Luis Potos, SLP,

Librera Universitaria Potosina, 2003, 222 p.
Greenwood J.A., Landwehr J.M., Matalas N.C., Wallis J.R. Probability Weighted Moments: Definition and Relation to Parameters of Several Distributions Expressible in Inverse Form.
Water Resources Research, volumen 15, 1979: 1049-1054.
Hosking J.R.M., Wallis J.R. Regional Frequency Analysis. An Approach Based on LMoments, Appendix: LMoments for Some
Specific Distributions, pp. 191-209, Cambridge, Inglaterra,
Cambridge University Press, 1997, 224 p.
Kuester J.L., Mize J.H.. Optimization Techniques with Fortran, ROSENB Algorithm, pp. 320-330, Nueva York, USA, McGraw
Hill Book Co., 1973.
Maidment D.R. Hydrology, en: Handbook of Hydrology, pp. 1.11.15, editor Maidment D.R. , Nueva York, USA, McGraw-Hill,
Inc., 1993.
Mansell M.G. Rural and Urban Hydrology, captulo 8: The Analysis
and Predictions of Flows, pp. 319-354, Londres, Inglaterra,
Thomas Telford Publishing Ltd., 2003, 411 p.
Natural Environment Research Council (NERC). Flood Studies Report, volumen I: Hydrological Studies, Londres, Inglaterra,
1975, 550 p.
Ponce V.M. Engineering Hydrology. Principles and Practices., captulo 6: Frequency Analysis, pp. 205-232, Englewood Cliffs, NJ,
USA, Prentice Hall, 1989, 640 p.
Shaw E.M., Beven K.J., Chappel N.A., Lamb R. Hydrology in Practice, captulo 13: Estimating Floods and Low Flows in the UK, pp.
322-350, 4a ed., Londres, Inglaterra, Spon Press, 2011, 543 p.
Water Resources Council (WRC). Guidelines for Determining Flood
Flow Frequency. Bulletin # 17A of the Hydrology Committee,
Washington DC, USA, 1977.

Citacin Chicago
Campos-Aranda, Daniel Francisco. Contraste de la distribucin
logstica generalizada en 31 registros histricos de eventos mximos anuales. Ingeniera Investigacin y Tecnologa XIV, 01 (2013):
113-123.
Citacin ISO 690
Campos-Aranda D.F. Contraste de la distribucin logstica generalizada en 31 registros histricos de eventos mximos anuales. Ingeniera Investigacin y Tecnologa, volumen XIV (nmero 1),
enero-marzo 2013: 113-123.
Campos-Aranda D.F.
Semblanza del autor

Daniel Francisco Campos-Aranda. Obtuvo el ttulo de ingeniero civil en diciembre
de 1972, en la entonces Escuela de Ingeniera de la UASLP. Durante el primer
semestre de 1977, realiz en Madrid, Espaa un diplomado en hidrologa general y aplicada. Posteriormente, durante 19801981 llev a cabo estudios de
maestra en ingeniera en la especialidad de hidrulica, en la Divisin de Estudios de Posgrado de la Facultad de Ingeniera de la UNAM. En esa misma
institucin, inici (1984) y concluy (1987) el doctorado en ingeniera con especialidad en aprovechamientos hidrulicos. Ha publicado artculos, principalmente en revistas mexicanas de excelencia: 40 en Tecnologa y Ciencias del Agua
(antes Ingeniera Hidrulica en Mxico), 14 en Agrociencia y 11 en Ingeniera. Investigacin y Tecnologa. Fue investigador nacional (nivel I) desde el 1 de julio
de 1991 hasta el 31 de diciembre del 2007. Actualmente es profesor jubilado de
la UASLP, desde el 1. de febrero del 2003. En noviembre de 1989 obtuvo la
medalla Gabino Barreda de la UNAM y en 2008 le fue otorgado el Premio
Nacional Francisco Torres H. de la AMH, a la prctica profesional de la hidrulica.
123

(artculo arbitrado)
Modelado de filtros IIR usando un algoritmo inspirado

en el electromagnetismo
IIR Filter Modeling Using an Algorithm Inspired on Electromagnetism
Cuevas-Jimnez E.
Oliva-Navarro D.A.
Departamento de Ciencias Computacionales

Centro Universitario de Ciencias Exactas e Ingenieras
Universidad de Guadalajara, Jalisco
Correo: erik.cuevas@cucei.udg.mx
Departamento de Ingeniera del Software e Inteligencia Artificial

Facultad de Informtica
Universidad Complutense, Madrid, Espaa
Correo: doliva@estumail.ucm.es
Informacin del artculo: recibido: febrero de 2012, aceptado: abril de 2012
Resumen
El filtraje de respuesta infinita al impulso (IIR) provee un enfoque poderoso
para la solucin de una variedad de problemas. Sin embargo, su diseo representa una tarea compleja, ya que su superficie de error es multi-modal
con respecto a los coeficientes del filtro. Este hecho imposibilita la utilizacin
de mtodos iterativos de optimizacin. Para resolver este problema, se requiere la utilizacin de tcnicas de optimizacin global que eviten quedar
atrapados en mnimos locales. En este artculo se propone un mtodo de
identificacin y modelado de filtros IIR basado en el enfoque con capacidades de optimizacin global llamado: Electromagnetism-Like Optimization Algorithm (EMO). EMO es un mtodo heurstico que emplea los principios de la
teora del electromagnetismo para la definicin de operadores evolutivos.
En el algoritmo, las soluciones son construidas considerando la atraccin y
repulsin electromagntica entre las partculas cargadas; en donde la carga
representa la afinidad que tiene cada partcula con la solucin. Resultados
de simulacin demuestran que el enfoque propuesto tiene una mejor precisin y convergencia que los obtenidos por mtodos reportados en la literatura para desempear la misma tarea.
Descriptores:
filtros digitales
algoritmos heursticos
modelado de sistemas
Modelado de filtros IIR usando un algoritmo inspirado en el electromagnetismo
Abstract
Infinite-impulse-response (IIR) filtering provides a powerful approach for solving a
variety of problems. However, its design represents a very complicated task, since
the error surface of IIR filters is generally multimodal, global optimization techniques are required in order to avoid local minima. In this paper, a new method
based on the Electromagnetism-Like Optimization Algorithm (EMO) is proposed
for IIR filter modeling. EMO originates from the electro-magnetism theory of physics by assuming potential solutions as electrically charged particles which spread
around the solution space. The charge of each particle depends on its objective function value. This algorithm employs a collective attraction-repulsion mechanism to
move the particles towards optimality. The experimental results confirm the high
performance of the proposed method in solving various benchmark identification
problems.
Introduccin
Los filtros digitales son clasificados en dos principales
categoras (Oppenheim et al., 1999): los filtros de respuesta finita al impulso (FIR) y los filtros de respuesta infinita al
impulso (IIR). La salida de un filtro FIR es calculada con
base al valor actual y previos de la entrada. Esto implica
que cuando no existe una seal de entrada, la salida
tender a desaparecer. Por otro lado, la salida de un filtro IIR es dominada no slo por el valor presente y previo de la entrada, sino tambin por los valores pasados
de su propia salida. Esta realimentacin produce el hecho de que cuando la entrada deja de existir, las salidas
pasadas del filtro seguirn excitndolo.
La identificacin y modelado de filtros digitales IIR
es de gran importancia en diversas reas de la ingeniera, tales como procesamiento de seales, control, sistemas de comunicaciones, procesamiento de imgenes y
eliminacin de ruido (Howell y Gordon, 2001). El proceso de identificacin consiste en alterar los coeficientes
de un determinado filtro modelo para estimar los parmetros de un sistema desconocido, a partir del conocimiento de su entrada y salida. Para desempear esta
tarea es necesario la minimizacin de una funcin objetivo, tpicamente el error cuadrtico medio (MSE, mean
square error) existente entre la respuesta del sistema
desconocido y la salida del filtro modelado.
An y tomando en cuenta la amplia gama de aplicaciones de los filtros IIR, su identificacin y modelado se
considera un proceso complejo que requiere de algoritmos de optimizacin globales capaces de operar sobre
superficies de error multi-modales tpicas de estos procesos. Para resolver este problema, se han desarrollado
numerosos algoritmos que hacen uso de diversas tcnicas heursticas. Algunos ejemplos son: el trabajo realizado por Howell y Gordon en 2001, en el cual se emplea
un algoritmo de identificacin basado en autmatas de
126
Keywords:
digital filter,
meta-heuristc algorithms
system modeling
aprendizaje. La propuesta de Kalinli y Karaboga (2005),

que introdujeron el uso de algoritmos inmunolgicos (IA)
como algoritmo de optimizacin para el diseo de filtros IIR. Recientemente, el enfoque presentado por Rashedi (2011), en el cual se propone el modelado de filtros
digitales usando el mtodo de bsqueda gravitacional
(GSA). Otra propuesta, que adems en la literatura se
usa como forma de comparacin estndar, es la presentada en Lin et al. (2008), en la cual se propone un algoritmo de identificacin basado en el popular mtodo
Particle Swarm Optimization (PSO). A pesar de la gran
aceptacin que tienen estas propuestas, existen algunas
deficiencias que afectan significativamente su desempeo (Shilane et al., 2008). Entre ellas se destacan la necesidad de un gran nmero de iteraciones y de
elementos de la poblacin para encontrar una solucin
lo ms parecida al mnimo global, repercutiendo directamente en el costo computacional del algoritmo (Elbeltagia et al., 2005). Adems, para la mayora de estos
mtodos, la convergencia no est comprobada, por lo
tanto no existe garanta de que los valores encontrados
como solucin, puedan ser considerados como los mejores.
Ante estos problemas, en este artculo se presenta
un nuevo algoritmo para la identificacin y modelado
de filtros IIR, basado en la tcnica heurstica Electromagnetism-Like Optimization EMO (lker et al., 2003). EMO es
un mtodo estocstico poblacional basado en la teora
del electromagnetismo, cuyas propiedades de convergencia ya fueron probadas en (lker et al., 2004; Rocha y
Fernndez, 2009a). Los operadores usados por EMO
para el clculo de nuevos puntos de bsqueda se asemejan a aquellos empleados por los algoritmos de enjambre de partculas (PSO) (Ying y Pei, 2010) y al grupo de
algoritmos de optimizacin basados en colonias de hormigas (ACO) (Blum, 2005). El primer paso del algoritmo EMO es generar un grupo de soluciones aleatorias a
partir de un dominio en el cual es factible encontrar las

soluciones, suponiendo que cada solucin emula a una
partcula cargada. La carga de cada partcula la determina una funcin objetivo (funcin a optimizar); utilizando las evaluaciones de tal funcin el algoritmo EMO
modifica la posicin de cada partcula usando operadores que emulan la atraccin o repulsin existente dentro
de la poblacin de partculas.
Dicho mecanismo de atraccin-repulsin del algoritmo EMO corresponde a los operadores de mutacin
y crossover en los algoritmos evolutivos (Rocha y Fernndez, 2009b).
De forma general, el algoritmo EMO se puede considerar como un algoritmo rpido y robusto que representa una alternativa real para resolver problemas de
optimizacin complejos, no-lineales, no-diferenciables
y no-convexos (Naderi et al., 2010; Yurtkuran y Emel,
2010; Jhen y Kun, 2009).
Las principales ventajas del algoritmo EMO radican
en las siguientes caractersticas: no tiene operaciones de
gradiente, se puede emplear directamente en el sistema
decimal a diferencia de los algoritmos genticos (AG), necesita pocas partculas para converger y se garantiza su
convergencia (lker et al., 2004; Rocha y Fernndez,
2009a).
Este artculo presenta un nuevo enfoque para la
identificacin y modelado de filtros IIR, el cual est basado en EMO. Bajo este enfoque, la adaptacin de los
coeficientes es considerada como un problema de optimizacin, para la cual, se utiliza como funcin objetivo
el error cuadrtico medio (MSE) existente entre la respuesta del sistema desconocido y la estimada por el filtro, durante cierto periodo de tiempo. Guiados por los
valores de la funcin objetivo el conjunto de coeficientes que modelan al filtro son operados usando el algoritmo EMO hasta encontrar la mejor configuracin
posible (mnimo global).
Los resultados de simulacin obtenidos, demuestran que el enfoque propuesto tiene una mejor precisin y convergencia que los obtenidos por mtodos
reportados en la literatura para desempear la misma
tarea.
La estructura del resto del artculo es la siguiente: la
segunda seccin ofrece un panorama general del algoritmo EMO. En la tercera seccin se definen los filtros
digitales y su diseo.
En la cuarta se formula el enfoque propuesto considerando la aplicacin del algoritmo EMO para encontrar los coeficientes de los filtros digitales. La quinta
seccin presenta los resultados experimentales. Finalmente, en la ltima seccin se discuten las conclusiones
y se establece el trabajo futuro.
Algoritmo: Electromagnetism-Like Optimization

(EMO)
El algoritmo EMO es un algoritmo de optimizacin, el
cual est inspirado en principios fsicos. El algoritmo
permite la optimizacin global de funciones multi-modales. En comparacin con los AG, no emplea operadores de mutacin o crossover para explorar el espacio de
bsqueda, ya que est basado en el fenmeno fsico del
electromagnetismo.
El algoritmo EMO permite resolver problemas de
optimizacin, definidos de la siguiente forma:
min f (x)
(1)
x [l, u]
donde [l, u] = {x n|ld xd ud, d =1, 2, ... , n}, siendo n

la dimensin de la variable x, [l, u] n, es un subconjunto no vaco, y f: [i, u] es una funcin de valores
reales. Por lo tanto, son conocidas las siguientes caractersticas del problema:
n: es la dimensin del problema.
ud: es el lmite superior de la dimensin.
ld : es el lmite inferior de la dimensin.
f (x): es la funcin que ser minimizada.
Con estas condiciones, el algoritmo EMO emplea dos
procesos bsicos para la optimizacin: primero explora
el espacio de bsqueda en forma aleatoria, el segundo
proceso consiste en la explotacin local de los puntos
elegidos, para este propsito el algoritmo EMO usa los
principios de la teora del electromagnetismo. Utilizando ambos procesos se garantiza que el algoritmo converge en los mnimos de la funcin que son altamente
atrayentes, y se aleja de los valores mximos. Partiendo
de estos dos procesos fundamentales, el algoritmo
EMO tiene cuatro fases para lograr la optimizacin global (lker y Shu, 2003). Cada etapa es descrita a continuacin:
Inicializacin: m partculas son tomadas aleatoriamente considerando el lmite superior (u ) y el lmite
inferior (l ) .
Bsqueda local: se busca un mnimo en la vecindad de
un punto x p , donde p (1, , m) .
Clculo del vector de fuerza total: las cargas y fuerzas
son calculadas para cada partcula.
127
Movimiento: cada partcula es desplazada de acuerdo

al vector de fuerza total calculada.
1: contador 1
2: longitud (max {ud ld})
3: for p = 1 to m do
Inicializacin
4:
5:
6:
7:
8:
9:
10:
11:
Se produce de manera aleatoria un grupo G de m soluciones n -dimensionales, el cual es considerado como la

poblacin de soluciones iniciales. Cada solucin es considerada como una partcula cargada y se asume que
todas las partculas estn distribuidas uniformemente
entre el lmite superior (u) y el lmite inferior (l). La mejor partcula (mejor solucin) es encontrada por la evaluacin de la funcin objetivo, la cual depende de cada
problema de optimizacin. Este procedimiento termina
cuando todas las m partculas son evaluadas, eligiendo
la partcula que en relacin a la funcin objetivo tiene
un mejor resultado. Esta fase corresponde al proceso de
explorar las regiones atrayentes en un espacio factible.
Bsqueda local
En esta etapa se intenta mejorar la solucin ya encontrada, sin embargo, para algunos problemas puede resultar innecesaria. Considerando esto, es posible formular
una clasificacin de los algoritmos EMO: EMO sin bsqueda local, EMO con bsqueda local aplicada slo a la
mejor partcula actual y EMO con bsqueda local aplicada a todas las partculas, ste ltimo es el caso de estudio de este artculo.
Considerando un determinado nmero de iteraciones, llamado LSITER y un parmetro de vecindad de
bsqueda , el procedimiento para encontrar el valor
ptimo local se lleva a cabo de la siguiente manera: el
punto x p es asignado a una variable temporal y para
almacenar la informacin inicial. A continuacin, para
una coordenada dada d de una partcula, un nmero
aleatorio (1 ) es seleccionado y combinado con obteniendo la longitud de paso de bsqueda. El punto y
es entonces desplazado en la direccin que la longitud
de paso indique, el signo que esta direccin tendr,
tambin se calcula de manera aleatoria (2 ) . Si el valor
obtenido tras evaluar y en la funcin a optimizar es
mejor despus de haber realizado LSITER iteraciones,
el punto x p es reemplazado por y , terminando as la
bsqueda en la vecindad p , de otra forma x p conserva
su valor. Finalmente, el mejor punto actual es actualizado en la partcula. El pseudo-cdigo de este algoritmo
es descrito en la figura 1.
De forma general, la bsqueda local aplicada a todas las partculas puede reducir el riesgo de caer en un
mnimo local, pero la desventaja es que tiende a aumentar el tiempo de cmputo. Mantener la bsqueda local
128
for d = 1 to n do
1 U (0, 1)
while contador < LSITER do
y xp
2 U (0, 1)
if 1 < 0.5 then
yd yd + 2 (longitud)
Else
12: yd yd 2 (longitud)
13: end if
14: if f (y) < f (xp) then
15:
16:
17:
18:
19:
20:
21:
22:
xp y
contador LSITER 1
end if
contador contador +1
end while
end for
end for
xmejor arg min {f (xp), p}
Figura 1. Pseudo-cdigo del mtodo de bsqueda local
centrada en la mejor partcula actual resulta ms conveniente, ya que as es posible mantener la eficiencia y
precisin computacional. En la bsqueda local la longitud de paso representa un importante factor que depende de los lmites de cada dimensin y determina el
desempeo del mtodo de bsqueda local.
Clculo del vector de fuerza total

El clculo del vector de fuerza total se basa en el principio de superposicin (figura 2) de la teora del electromagnetismo, el cual establece que: la fuerza ejercida
en una partcula por medio de otra partcula es inversamente proporcional a la distancia entre los puntos y directamente proporcional al producto de sus cargas
(Cowan, 1968). Cada partcula se desplaza de acuerdo a
la ley de Coulomb (figura 3), la cual emplea la fuerza
producida entre las partculas, que depende del valor
de carga poseda por cada una de ellas. Dicha carga es
determinada por su valor de desempeo de la funcin
objetivo y se calcula de la siguiente manera:
f ( x p ) - f ( x mejor )
exp -n m
qp =
f ( x h ) - f ( x mejor )
h =1
p,
(2)
donde n denota la dimensin y m representa el tamao

de la poblacin de partculas del algoritmo EMO, el
vector x h corresponde a la h -sima partcula de la poblacin. Un problema de optimizacin que se define
con un nmero de dimensiones elevado generalmente
requiere una mayor poblacin. En la ecuacin (2), la
partcula con el mejor valor en la funcin objetivo x mejor
es llamada la mejor partcula, y tiene una mayor carga. La fuerza de atraccin que ejerce la mejor partcula
sobre otra partcula dada es inversamente proporcional
a la distancia existente entre ellas. Por lo tanto, esta par-
tcula atrae otras partculas que tengan peores resultados de afinidad y repele a las que tienen mejores valores
de afinidad.
La fuerza resultante que existe entre las partculas
determina la modificacin del valor de las partculas en
el proceso de optimizacin. La fuerza de cada partcula
se calcula por la ley de Coulomb y el principio de superposicin, por medio de (3).
q1
F23
q3
inferior, en ambos casos utilizando una longitud de

paso aleatoria. La mejor de las partculas no se mueve,
debido a que es la que tiene una atraccin absoluta y
repele o atrae a los dems elementos de la poblacin.
El proceso termina cuando se alcanza un nmero
mximo de iteraciones o cuando un valor f (xmejor) es ptimo en algn sentido. Estas tres fases de EMO (bsqueda local, clculo del vector de fuerza total y movimiento), representan el proceso de explotacin para encontrar el valor ptimo.
d
F3
q2
q1
F13
Figura 2. Principio de superposicin
Fp
h
q p qh
p
( x - x ) h
m
x - xp
q p qh
h p
x p - xh )
(
xh - x p
si
si
f (x ) < f (x )
p, (3)
f (x h ) f (x p )
donde f (xh) < f (xp) representa la atraccin y f (xh) f (xp)

representa la repulsin (figura 3). La fuerza resultante
de cada partcula es proporcional al producto de las
cargas e inversamente proporcional a la distancia entre
las partculas. Para que el proceso sea numricamente
consistente (3) debe ser normalizada como a continuacin se muestra:
=
Fp
Fp
Fp
F21
F21 F12
d
q1
q2
q2
F12
Figura 3. La ley de Coulomb
Modelado de filtros digitales

El proceso de identificacin de un filtro es un proceso
que consiste en modificar los coeficientes del filtro, hasta que se asemeje a la funcin de transferencia de un
sistema desconocido (figura 4).
Dadas estas caractersticas, es posible definir el modelado de filtros como un problema de optimizacin,
en el cual se busca un conjunto de soluciones, que den
como resultado un mnimo error entre la salida del filtro y la salida del sistema desconocido. Para dar solucin a esto, es posible hacer uso de las tcnicas de
optimizacin meta-heursticas.
Ruido
Movimiento
De acuerdo a la fuerza resultante cada partcula se desplaza como indica la siguiente ecuacin:
x p + F p ( ud - x dp ) si F p > 0
p
, p mejor (5)
p
p
p
x + F ( x d - ld ) si F 0
En la ecuacin (5), es un paso de bsqueda aleatorio,

el cual es uniformemente distribuido entre cero y uno,
por otro lado, ud y ld representa los lmites superior e
inferior de la dimensin d, respectivamente. Si la fuerza es positiva, la partcula se desplaza hacia el lmite
superior, en caso contrario se desplaza hacia el lmite
Entrada
Sistema
desconocido
Filtro
adaptivo
Algoritmo
Meta-heurstico
Figura 4. Proceso de identificacin usando algoritmos metaheursticos
129
Filtros FIR e IIR

Dentro del procesamiento digital de seales los filtros
son representados por medio de una funcin de transferencia. De esta forma, los filtros FIR son definidos de
forma general por (6).
Y ( z)
= b0 + b1 z -1 + b2 z -2 + + br z - r ,
X ( z)
(6)
puestas entre el sistema desconocido y el filtro estimado.

Al evaluar cada partcula en el filtro digital IIR, ste genera una salida Yfil , la cual debe ser comparada con la
salida del sistema desconocido Yp. Esta diferencia es
medida empleando el error cuadrtico medio (MSE)
(Howell et al., 2001). Este valor es considerado en este
trabajo como la funcin objetivo J, la cual se define formalmente como.
1 Ti
=
J
(Yp (t ) - Y fil (t )) 2
(8)
T
t
1
=
donde, B = {b0 , b1, b2, ..., br} es un vector R-dimensional,
que contiene los parmetros del numerador. Del mismo
Para la medicin del MSE tanto el sistema como el filtro
modo, Y (z) corresponde a la respuesta o salida del filtro,
son simulados durante un nmero de iteraciones. Por
mientras que X (z) es la seal de entrada del filtro FIR.
objetivos de comparacin, este parmetro se establece
Por otra parte, un filtro IIR se define por la siguiente
como (Howell y Gordon, 2001), que es el valor usado
funcin de transferencia:
por las dems propuestas presentadas en la literatura.
Y ( z ) b0 + b1 z -1 + b2 z -2 + + br z - r
,
=
X ( z ) a0 + a1 z -1 + b2 z -2 + + ac z - c
(7)
donde Y (z) y X (z) son la salida y la entrada del filtro,

respectivamente, el vector de parmetros est representado por A B = {b0, b1, b2, ... , br , a0 , a1, a2 , ... , ac} de
forma que sus elementos se encuentran en las dimensiones {R + C}. Estos dos tipos de filtros son comnmente usados dentro del procesamiento digital de seales.
El problema de diseo de estos filtros se puede resumir en la bsqueda de los valores de los vectores B y
A B, que mejor aproximen la salida del filtro con la
salida de un modelo dado.
El valor de J debe ser minimizado por el algoritmo

EMO, tras cada iteracin los valores sern simulados y
un nuevo valor de afinidad ser asignado a cada partcula. Finalmente, tras un nmero definido de iteraciones o un valor J permisible se encuentran los parmetros
ptimos del filtro.
Implementacin
La implementacin del algoritmo propuesto se puede
resumir en los siguientes pasos:
Paso 1:
Identificacin de filtros digitales usando el algoritmo EMO

Representacin de partculas
Bajo el enfoque EMO, las partculas son generadas de
forma aleatoria dentro de un despacio acotado d-dimensional. Para la identificacin de filtros IIR, la dimensin es de d = R + C, que corresponde a la longitud
de los vectores del numerador y denominador de dicho
filtro. De esta manera, las partculas son almacenadas
en un vector de soluciones S, el cual contendr m partculas de d dimensiones cada una. De manera tal que
S = {s1, s2, s3, ... , sm} contiene partculas de la forma

s m = sm1 , sm2 , sm3 , , smd
transpuesto.
Paso 3:
Paso 4:
, donde T se refiere al vector sm
Funcin objetivo
La calidad de dichas partculas es evaluada con respecto a la funcin objetivo, que mide la afinidad de las res-
130
Paso 2:
Se generan m partculas iniciales. Cada partcula sp es evaluada en la funcin objetivo J. La mejor

partcula smejor se determina a partir de los valores de J,
donde smejor = arg min {J (sp), p}.
La partcula sp es almacenada temporalmente en y. Se
selecciona un nmero aleatorio que es combinado con
para obtener la longitud de paso para una dimensin
d dada. Por lo tanto, la partcula sp es desplazada a lo
largo de esa direccin. Si Jsp es minimizada, la partcula
sp es remplazada por su nuevo valor, de lo contrario, el
valor almacenado temporalmente se mantendr.
La carga entre las partculas es calculada usando (2), y
su vector de fuerza se calcula con (3). La partcula smejor,
con un mejor valor en la funcin objetivo, mantiene
una carga superior, y por lo tanto, una mayor fuerza de
atraccin o repulsin.
Las partculas son desplazadas de acuerdo a la
magnitud de su fuerza. La nueva posicin de la
partcula es calculada por (4). smejor no es desplazada
porque tiene la fuerza ms grande y sta atrae las otras
partculas hacia ella.
Paso 5:
El ndice n es incrementado. Si n = MAXITER o si el

valor de J(S) es menor que un valor de umbral predefinido entonces el algoritmo se detiene y el flujo
continua en el paso 6. De lo contrario, se regresa al
paso 3.
Paso 6:
La mejor particular smejor (solucin) es seleccionada de

la ltima iteracin.
Resultados experimentales
Para evaluar el desempeo del algoritmo propuesto en
la identificacin de filtros IIR, se emple un conjunto de
problemas propuestos originalmente por Johnson y Larimor (1977), y que son utilizados como pruebas estndar para calificar la calidad de identificacin de una
determinada propuesta. Estos problemas en general
incluyen la identificacin de sistemas, considerando la
utilizacin de filtros IIR de diferente orden. Con el objetivo de verificar la eficiencia del algoritmo propuesto,
los resultados se compararon con el enfoque de identificacin propuesto en (Lin et al., 2008), basado en el algoritmo de optimizacin heurstico PSO.
La descripcin del trabajo experimental se presenta
en el siguiente orden:
donde Hp (z1) y Hm (z1) corresponden a la relacin entrada-salida de la planta y del modelo propuesto, respectivamente. u (z1) es la entrada, que es una seal de
ruido blanco, la cual es aplicada tanto a la planta como
al modelo. Los valores a y b son modificados por el algoritmo EMO, este proceso se realiza haciendo modificaciones en base a los valores que toma la funcin
objetivo J. Para este problema, el espacio de bsqueda
se encuentra definido por los lmites superior u = [1, 1]
e inferior l = [1, 1].
Planta de segundo orden con un modelo de primer

orden.
Planta de segundo orden con un modelo de segundo orden.
Planta de tercer orden con un modelo de segundo
orden.
Planta y filtro de orden superior.
Comparaciones con el mtodo basado en PSO.
Cada experimento conducido fue llevado a cabo con un
conjunto de 10 partculas, un mximo de iteracin para
la bsqueda local de LSITER = 4, la longitud de paso
para la bsqueda local es = 0.025, y un valor mximo
de iteraciones n = 3000. El numero de iteraciones n fue
elegido con fines comparativos con otros trabajos similares (Howell y Gordon, 2001; Lin et al., 2008; Rashedi et
al., 2011).
Planta de segundo orden con un modelo de primer

orden
Para este problema, la funcin de transferencia que define a la planta a modelar, est dada por la siguiente
ecuacin:
-1
H=
p (z )
y p ( z -1 )
0.05 - 0.4 z -1
=
u ( z -1 ) 1 - 1.1314 z -1 + 0.25 z -2
(9)
Dicha planta se pretende modelar por un filtro IIR con

la siguiente funcin de transferencia:
ym ( z -1 )
b
H=
=
,
m (z )
u ( z -1 ) 1 - az -1
-1
(10)
Figura 5. Evolucin del error cuadrtico medio para la planta de

segundo orden con un modelo de primer orden
La figura 5 muestra la evolucin del MSE a lo largo de

las 3000 iteraciones, se puede apreciar que dentro de las
primeras 500 iteraciones el algoritmo logra converger a
un valor cercano al optimo. Por otra parte, la manera en
que los valores a y b van evolucionando a lo largo de las
iteraciones se muestra en la figura 6, donde se percibe
que de forma similar al MSE, ambos parmetros logran
establecer sus valores dentro de las primeras 500 iteraciones y despus slo se realizan ajustes mnimos para
llegar a la convergencia.
Tabla 1. Valores encontrados por el algoritmo EMO y valores
reales del modelo
Valores
EMO
Reales
a
0.9034
0.906
b
-0.3030
-0.311
J
0.0107
-
Los valores finales que calcula el algoritmo EMO comparados con los que dan solucin al problema son presentados en la tabla 1.
131
Figura 6. Parmetros a y b a lo largo de las iteraciones
Planta de segundo orden con un modelo de segundo orden

Para este problema, la planta se define por la siguiente
funcin de transferencia:
-1
-1
H=
p (z )
yp (z )
1
1
=
=
u ( z -1 ) (1 - 0.7 z -1 ) 2 1 - 1.4 z -1 + 0.49 z -2
(11)
Figura 7. Evolucin del error cuadrtico medio para la planta de

segundo orden con un modelo de primer orden
Tabla 2. Valores encontrados por el algoritmo EMO y valores

reales del modelo
Valores
EMO
Reales
a1
-1.3936
-1.4000
a2
0.4803
0.4900
b
1.0005
1.0000
J
2.463e-5
-
Mientras que (12) muestra la funcin de transferencia

del filtro IIR propuesto.
-1
H=
m (z )
ym ( z -1 )
b
=
u ( z -1 ) 1 + a1 z -1 + a2 z -2
(12)
En el modelo, los parmetros a calibrar son a1, a2 y b,

dando como resultado un problema de optimizacin
de 3 dimensiones. La entrada u (z1) en este caso, corresponde a una seal de ruido coloreado, el cual se
genera a partir del filtro FIR que se muestra en (13). Los
lmites de cada una de las dimensiones son: u = [2, 1, 1]
e l = [2, 1, 1].
H fi ( z -1 ) = (1 - 0.7 z -1 ) 2 (1 + 0.7 z -1 ) 2
(13)
La figura 7 muestra como el MSE se minimiza drsticamente dentro de las primeras 100 iteraciones, finalmente se estaciona en un valor cercano a cero.
La evolucin de los tres parmetros durante el proceso de identificacin es mostrada en la figura 8. Estos
parmetros toman diversos valores iniciales que son
modificados en base a la funcin objetivo J, hasta que
finalmente logran converger a un valor que ha minimizado el MSE. La tabla 2 presenta los valores finales de
a1, a2 y b encontrados por el algoritmo EMO.
132
Figura 8. Parmetros a1, a2 y b a lo largo de las iteraciones
Planta de tercer orden con un modelo de segundo

orden
El tercer problema propuesto por el conjunto de pruebas elegido (Jonson y Larimore, 1977), corresponde a
una planta de tercer orden que se pretende modelar
empleando un filtro IIR con una funcin de transferen-
cia de segundo orden. La ecuacin (14) define la estructura planta propuesta.

-1
H=
p (z )
y p ( z -1 )
1
=
u ( z -1 ) (1 - 0.6 z -1 )3
(14)
Por otra parte, en (15) se propone el modelo IIR de segundo orden que aproxima a la planta.
-1
H=
m (z )
ym ( z -1 )
b
=
-1
-1
u ( z ) 1 + a1 z + a2 z -2
(15)
Al igual que en las sub-secciones anteriores, el problema de optimizacin se define como encontrar los valores de los parmetros a1, a2 y b, que minimicen el MSE
existente entre las respuestas de yp y ym. Las cuales dependen de una seal de entrada u(z-1), que contiene el
ruido aadido por medio del filtro FIR, que se muestra
a continuacin:
H fi ( z -1 ) = (1 - 0.6 z -2 ) (1 + 0.6 z -2 )
(16)
El espacio de bsqueda de este problema consta de tres

dimensiones, las cuales estn acotadas por los siguientes lmites: superior u = [1, 1, 1] e inferior l = [1, 1, 1].
En la figura 9a se muestra la grfica del MSE a lo largo
de 3000 iteraciones. Es importante mencionar que en
este tipo de problemas el MSE no logra llegar a valores
cercanos a cero, ya que el filtro con el que se est modelando no tiene el orden apropiado, por lo tanto, el
algoritmo EMO trata de buscar los mejores valores
que minimicen ese valor de error; sin embargo, esto no

significa que los parmetros encontrados modelen con
exactitud a la planta. En la figura 9b se puede ver
como los valores de los coeficientes evolucionan, se
aprecia en la grfica que aunque llegan a converger en
un valor fijo, estos valores son los que corresponden al
mnimo global de la superficie de error, sin que ello
signifique que el modelo, debido a su bajo orden,
identifique plenamente a la planta.
Planta y filtro de orden superior

Hasta ahora, los filtros y las plantas propuestas han
sido problemas en los cuales se han calibrado pocos parmetros. El algoritmo EMO ha arrojado resultados
competitivos con esos problemas que pueden ser considerados como sencillos. Sin embargo, la mayor complicacin en la identificacin es encontrar los valores de
los parmetros en filtros de orden mayor a tres. Para
ejemplificar estos filtros se propone una planta de orden 6 (17), que debe ser modelada por un filtro IIR de
orden 4 (18).
-1
H=
p (z )
y p ( z -1 )
1 - 0.4 z -2 - 0.65 z -4 + 0.26 z -6
=
(17)
-1
u ( z ) 1 - 0.77 z -2 - 0.8498 z -4 + 0.6486 z -6
-1
H=
m (z )
ym ( z -1 ) b0 + b1 z -1 + b2 z -2 + b3 z -3 + b4 z -4
=
u ( z -1 ) 1 + a1 z -1 + a2 z -2 + a3 z -3 + a4 z -4
(18)
a) b)
Figura 9. a) evolucin del error cuadrtico medio para la planta de tercer orden con un modelo de segundo orden, b) parmetros a1, a2
y b a lo largo de las iteraciones
133
Los parmetros que deben calibrarse son a1, a2, a3, a4

as mismo b0 , b1 , b2 , b3 , b4. Por lo tanto, como se explic
en la seccin de identificacin de filtros digitales usando el algoritmo EMO, el espacio de bsqueda es de
nueve dimensiones y cada una tiene como limites superior u = 1.5 e inferior l = 1.5. El algoritmo EMO presenta un buen rendimiento al momento de trabajar con
grandes dimensiones (lker et al., 2003), por tal motivo
resulta idnea su aplicacin para encontrar los mltiples valores que den solucin a la identificacin con filtros de orden superior.
Los resultados experimentales muestran la eficiencia del algoritmo para minimizar el MSE. En la figura
10a se puede ver la grfica de los valores que va tomando el error cuadrtico medio durante las iteraciones. Este valor va tendiendo a cero, hasta llegar a
estabilizarse; es de esperarse que al tener ms dimensiones, tiene un grado de dificultad mayor. Por otra
parte, la figura 10b presenta los valores que cada coeficiente IIR del denominador (a1, a2, a3, a4) toma a lo largo de las iteraciones.
Dentro de las primeras 500 iteraciones el algoritmo
basado en EMO realiza una exploracin exhaustiva a lo
largo del espacio de bsqueda hasta que se estabiliza o
converge a los valores finales. Despus, se realizan algunos ajustes finos sobre los valores de los parmetros.
Ambos efectos corresponden respectivamente a la exploracin y explotacin del algoritmo EMO. Los parmetros del numerador (b0 , b1 , b2 , b3 , b4), de sus valores
iniciales aleatorios cambian abruptamente, pero despus de transcurrir cierto numero de iteraciones logran
converger para finalmente realizar los ajustes finales
que minimicen el error de la manera ms ptima posible. La grfica de dicho procedimiento se muestra en la
figura 10b. Los resultados que se presentan en las figuras 10a, 10b y 10c exponen las capacidades del algoritmo EMO para la optimizacin multi-dimensional. Los
a)
valores finales encontrados por el algoritmo despus de

las 3000 iteraciones se expresan en la tabla 3, mientras el
valor final del MSE es de 0.0069.
Tabla 3. Valores encontrados por el algoritmo EMO para los
parmetros del numerador y los del denominado
a1
a2
a3
a4
Valores a
-0.4950
-0.7049
0.5656
-0.2691
b0
b1
b2
b3
b4
Valores b
1.0335
-0.6670
-0.4682
0.6961
-0.2100
Comparaciones con el mtodo de identificacin

basado en PSO
Se realiz la comparacin del mtodo presentado en
este artculo con el algoritmo de identificacin propuesto en Lin et al. (2008), basado en el popular mtodo
PSO (Kennedy y Eberhart, 1995). La comparacin se
llev a cabo con cada uno de los problemas propuestos en las sub-secciones: planta de segundo orden
con un modelo de primer orden, planta de segundo
orden con un modelo de segundo orden y planta y
filtro de orden superior, del mismo modo cada prueba se efectu con 3000 iteraciones. Los resultados se
describen a continuacin.
La figura 11a muestra las grficas del MSE, tanto

del algoritmo basado en EMO, como del algoritmo
PSO, para el caso del experimento descrito en la planta
de segundo orden con un modelo de primer orden. Se
puede ver claramente que ambos algoritmos minimizan el error en un nmero de iteraciones reducido, sin
embargo, el algoritmo PSO mantiene una serie de iteraciones a lo largo de un valor cercano a cero. Mientras
que el algoritmo EMO tiene un comportamiento esta-
b)
c)
Figura 10. a) grafica de la evolucin del error cuadrtico medio para un filtro de orden 4, b) evolucin de los parmetros del
denominador de un filtro de orden 4, c) evolucin de los parmetros del numerador de un filtro de orden 4
134
ble, realizando slo un pequeo ajuste para minimizar

el valor. La tabla 4 presenta los resultados de ambos
algoritmos, asimismo, los valores ptimos reales que
dan solucin al problema. La evolucin de los valores
que toma cada uno de los parmetros durante las iteraciones realizadas es presentada en la figura 11b.
Continuando con la comparacin, se toma el segundo ejemplo, que consiste en una planta de segundo orden modelada con un filtro IIR de segundo orden, para
este caso la entrada corresponde a una seal a la que se
le ha aadido ruido. La figura 11c muestra los valores
del MSE que ambos algoritmos (EMO y PSO) generaron durante las iteraciones.
Tabla 4. Valores comparativos de los parmetros a, b y J
encontrados tanto por el algoritmo EMO como el PSO
Valores
EMO
PSO
Reales
a
0.9034
0.8950
0.906
b
-0.3030
-0.3142
-0.311
J
0.0107
0.0121
-
Para este problema, ambos algoritmos presentan un

rendimiento similar, sin embargo, el algoritmo EMO
logra converger en un menor nmero de iteraciones y
mantener un valor MSE menor que el algoritmo PSO.
La evolucin de los valores de ambas propuestas se
presenta en la figura 12, en la cual se aprecia que tanto
el mtodo basado en EMO como el PSO, requieren un
nmero reducido de iteraciones para encontrar los va-
lores de los parmetros a1, a2 y b, con los cuales el

MSE tiende a un valor cercano a cero.
Cabe sealar, que a pesar de que las dos tcnicas

muestran comportamientos similares, el mtodo propuesto es el que mejor aproxima los valores ptimos, tal
como se puede apreciar en la tabla 5.
a)
Figura 12. Comparacin de los parmetros a y b encontrados

por el algoritmo EMO durante 3000 iteraciones
Tabla 5. Valores comparativos de los parmetros a ,b y J
encontrados tanto por el algoritmo EMO como el PSO
Valores
EMO
PSO
Reales
-1.3901
-1.4024
-1.4000
0.4802
0.4925
0.4900
b
1.0091
0.9706
1.0000
J
2.6027e-5
1.4113e-4
-
Finalmente se realiz la comparacin de ambas tcnicas

de optimizacin con el problema que propone modelar
una planta de orden 6 con un filtro IIR de orden 4. Del
mismo modo que en las otras comparaciones, ambos
algoritmos se ejecutan durante un nmero definido de
iteraciones, durante las cuales se buscan los mejores valores que minimizan la funcin de error MSE. En este
caso, el problema consta de 9 dimensiones.
La figura 13 presenta las evoluciones de cada parmetro del denominador del filtro IIR identificado, considerando ambos algoritmos.
b)
c)
Figura 11. a) comparacin de los valores MSE del algoritmo EMO y del PSO para una planta de segundo orden modelada con un filtro
de primer orden, b) comparacin de los parmetros a y b, encontrados por el algoritmo EMO y PSO durante 3000 iteraciones y c)
comparacin de los valores MSE del algoritmo EMO y del PSO para una planta de segundo orden modelada con un filtro de segundo
orden
135
a)
b)
Figura 13. Grfica de los parmetros del denominador del filtro de los algoritmos: a) EMO, b) PSO
a)
b)
Figura 14. Grfica de los parmetros del numerador del filtro del algoritmo: a) EMO, b) PSO
136
Por otro lado, los parmetros del numerador del filtro,

que tanto el algoritmo EMO como el PSO identificaron
durante las iteraciones, se muestran en la figura 14.
El error cuadrtico medio de cada algoritmo es mostrado en la figura 15. Los valores encontrados en la ltima iteracin se presentan en la tabla 6.
usando un conjunto de pruebas estndar (Jonson y Larimore, 1977). De los resultados se desprende que el algoritmo basado en EMO, entrega resultados ms precisos
en prcticamente el mismo nmero de iteraciones.
Aunque el algoritmo propuesto ofrece evidencia de
un mejor desempeo, el objetivo de este artculo no es
presentar un algoritmo que demerite las tcnicas que
actualmente son utilizadas para este fin, sino que tiene
como propsito mostrar que los sistemas basados en
principios fsicos como el Electromagnetism-Like, se
pueden considerar como una alternativa sumamente
atractiva para la identificacin de los filtros IIR.
Agradecimientos
El segundo autor agradece al Consejo Nacional de
Ciencia y Tecnologa (CONACyT), por la beca doctoral
nmero 215517 y al Instituto Jalisciense de la Juventud
por el apoyo brindado para realizar esta investigacin.
Referencias
Figura 15. Comparacin de los valores de MSE obtenidos por
los algoritmos EMO y PSO
Tabla 6. Valores encontrados por el algoritmo EMO y PSO para
los parmetros del numerador y los del denominado
Valores EMO Valores PSO
Valores EMO Valores PSO
a1
-0.4950
-0.2327
b0
1.0335
0.7254
a2
a3
a4
-0.7049
0.5656
-0.2691
-0.1496
-0.0469
-0.3720
b1
b2
b3
b4
-0.6670
-0.4682
0.6961
-0.2100
-0.1618
0.3113
0.0601
-0.0673
Conclusiones
Este artculo present un nuevo algoritmo para la identificacin y modelado de filtros IIR, el cual est basado
en EMO. Bajo este enfoque, la adaptacin de los coeficientes es considerada como un problema de optimizacin, para la cual se utiliza como funcin objetivo el
error cuadrtico medio (MSE) existente entre la respuesta del sistema desconocido y la estimada por el filtro durante cierto periodo de tiempo. Guiados por los
valores de la funcin objetivo, el conjunto de coeficientes que modelan al filtro son operados usando el algoritmo EMO hasta encontrar la mejor configuracin
posible (mnimo global).
El desempeo del algoritmo propuesto, fue comparado experimentalmente contra el algoritmo de identificacin IIR basado en la tcnica PSO (Lin et al., 2008),
Blum C. Ant Colony Optimization: Introduction and Recent

Trends. Physics of Life Reviews, volumen 2 (nmero 4), 2005:
353-373.
Cowan E.W. Basic Electromagnetism, Academic Press, New York,
1968.
Elbeltagia E., Hegazyb T., Grierson D. Comparison Among Five
Evolutionary-Based Optimization Algorithms. Advanced Engineering Informatics, volumen 19, 2005: 43-53.
Fan H., Jenkins W.K. A New Adaptive IIR Filter. IEEE Transactions
on Circuits and Systems, CAS-33 (nmero 10), 1996: 939-946.
Howell M.N., Gordon T.J. Continuous Action Reinforcement
Learning Automata and their Application to Adaptive Digital
Filter Design. Engineering Applications of Artificial Intelligence,
volumen 14, 2001: 549-561.
lker-Birbil S., Shu-Cherng F. An Electromagnetism-like Mechanism for Global Optimization. Journal of Global Optimization,
volumen 25, 2003: 263-282.
lker-Birbil S., Shu-Cherng F, Sheu R.L. On the Convergence of a
Population-Based Global Optimization Algorithm. Journal of
Global Optimization, volumen 30 (nmero 2), 2004: 301-318.
Jhen-Yan J., Kun-Chou L., Array Pattern Optimization Using Electromagnetism-Like Algorithm. AEU-International Journal of
Electronics and Communications, volumen 63 (nmero 6), 2009:
491-496.
Johnson C.R., Larimore M.G. Comments on and Additions to an
Adaptive Recursive LMS Filter. Proceeding of the IEEE, volumen 65, 1977: 1399-1402.
Kalinli A., Karaboga N. Artificial Immune Algorithm for IIR Filter
Design. Engineering Applications of Artificial Intelligence, volumen 18, 2005: 919-929.
137
Kennedy J., Eberhart R.C. Particle Swarm Optimization, en: Proceedings of IEEE International Conference on Neural Networks 4, 1995, pp. 1942-1948.
Lin Y.L., Chang W.D., Hsieh J.G. A Particle Swarm Optimization
Approach to Nonlinear Rational Filter Modeling. Expert Systems with Applications, volumen 3, 2008: 1194-1199.
Naderi B., Tavakkoli-Moghaddam R., Khalili M. Electromagnetism-Like Mechanism and Simulated Annealing Algorithms
for Flowshop Scheduling Problems Minimizing the Total
Weighted Tardiness and Make Span. Knowledge-Based Systems,
volumen 23 (nmero 2), 2010:00 77-85.
Oppenheim A.V., Schafer R.W., Buck J.R. Discrete Time Signal Processing, 2a ed., Prentice-Hall, 1999.
Rashedi E., Nezamabadi-Pour H., Saryazdi S. Filter Modeling
Using Gravitational Search Algorithm. Engineering Applications of Artificial Intelligence, volumen 24 , 2011: 117-122.
Rocha A., Fernndez E. Hybridizing the Electromagnetism-Like
Algorithm with Descent Search for Solving Engineering Design Problems. International Journal of Computer Mathematics,
volumen 86 (nmero 10), 2009: 1932-1946.
Rocha A., Fernndez E. Modified Movement Force Vector in an
Electromagnetism-Like Mechanism for Global Optimization.
Optimization Methods & Software, volumen 24 (nmero 2),
2009: 253-270.
Shilane D., Martikainen J., Dudoit S., Ovaska S. A General Framework for Statistical Performance Comparison of Evolutionary Computation Algorithms. Information Sciences, volumen
178, 2008: 2870-2879.
Ying-Ping C., Pei Jiang. Analysis of Particle Interaction in Particle
Swarm Optimization. Theoretical Computer Science, volumen
411 (nmero 21), 2010: 2101-2115.
Yurtkuran A., Emel E. A new Hybrid Electromagnetism-Like Algorithm for Capacitated Vehicle Routing Problems. Expert
Systems with Applications, volumen 37 (nmero 4), 2010: 34273433.

Citacin Chicago
Cuevas-Jimnez Erik, Diego A. Oliva-Navarro. Modelado de filtros
IIR usando un algoritmo inspirado en el electromagnetismo. Ingeniera Investigacin y Tecnologa XIV, 01 (2013): 125-138.
Citacin ISO 690
Cuevas- Jimnez E., Oliva-Navarro D.A. Modelado de filtros IIR
usando un algoritmo inspirado en el electromagnetismo. Ingeniera Investigacin y Tecnologa, volumen XIV (nmero 1), eneromarzo 2013: 125-138.

Erik Cuevas-Jimnez. Obtuvo su ttulo como ingeniero en comunicaciones y electrnica en 1995 por la Universidad de Guadalajara, Mxico. Despus en el ao
2000, recibi el grado de maestra en electrnica industrial en ITESO, y finalmente, el grado de doctor en ciencias por la Universidad Libre de Berln en
Alemania en 2006. Desde el 2007, trabaja como investigador en el Departamento de Electrnica en la Universidad de Guadalajara, sus reas de investigacin incluyen la visin computacional e inteligencia artificial.
Diego A. Oliva-Navarro. Recibi en 2007 el ttulo de ingeniero en electrnica y computacin por el Centro de Enseanza Tcnica Industrial (CETI), posteriormente obtuvo el ttulo de maestro en ciencias en ingeniera electrnica y computacin por la Universidad de Guadalajara (CUCEI) en el 2010. Actualmente
realiza los estudios de doctorado en ingeniera informtica en la Universidad
Complutense de Madrid, Espaa. Sus principales areas de inters son visin
por computadora, procesamiento de imgenes, sistemas inteligentes y algoritmos de optimizacin metaheursticos.
138
La Revista Ingeniera, Investigacin y Tecnologa

es impresa por el Departamento de Publicaciones
de la Facultad de Ingeniera de la UNAM.
Esta edicin se termin de imprimir en
Diciembre de 2012 en Mxico DF y consta de 1800
ejemplares ms sobrantes por reposicin.
Derechos Reservados
Universidad Nacional Autnoma de Mxico, 2012.
Poltica Editorial / Instrucciones para autores

http://www.ingenieria.unam.mx/~revistafi/esp_InstruccionesParaAutores.php
Ingeniera, Investigacin y Tecnologa es una publicacin arbitrada, de investigacin cientfica y tecnolgica editada e impresa
por la Facultad de Ingeniera de la UNAM. Su propsito es difundir informacin y conocimientos originales e inditos relacionados con la ingeniera en todas sus reas. Es un foro para
profesores, investigadores, profesionales y estudiantes de todo
el mundo, el cual incluye artculos en espaol y en ingls.
La presente gua es un extracto del documento disponible
en nuestro sitio web, para la elaboracin y envo de manuscritos y puede ser modificado sin previo aviso, por lo que es responsabilidad de los autores, asegurarse de haber consultado la
ltima versin. Se recomienda leerlo completo en nuestro sitio
web antes de enviar su trabajo y verificar la fecha de la ltima
modificacin, la cual aparece al principio de ese documento.
Sobre el tipo de artculos

Sern considerados para evaluacin y posible publicacin
nicamente los artculos relacionados con cualquiera de las
ingenieras.
No sern considerados los siguientes tipos de trabajos:
Artculos de divulgacin.
Reseas histricas an cuando la resea trate sobre algn problema de la ingeniera.
Estudios del estado del arte de la ingeniera que no apor-
ten alguna solucin o alternativa de innovacin a lo analizado.

Artculos cuya finalidad esencial sea promover o agredir
a particulares, grupos de trabajo, productos y/o servicios
o terceros en general.
Sobre el envo
Los artculos sern recibidos slo por correo electrnico en
la siguiente direccin: iit.arbitraje@gmail.com
Con el artculo deber incluir como archivos anexos, los
siguientes documentos: Declaratoria de conformidad (cdigo de tica), Formato de registro de artculos (hoja de MS
Excel debidamente llenada), y Cdigo de clasifcacin del
conocimiento. Los tres documantos estn disponibles en el
sitio web y constituyen la primera comunicacin formal de los
autores con el Editor acerca del artculo que se enva y les
permite solicitar la consideracin del trabajo para su evaluacin. Vaya a la pgina mencionada y consulte las instrucciones para autores y lea la descripcin completa de los puntos
que debe incluir.
Al recibir el artculo, enviaremos por correo electrnico
al autor principal, el Acuse de Recibo correspondiente. En
caso de no recibirlo a la brevedad, deber solicitarlo por la
misma va en la direccin: iit.arbitraje@gmail.com
Sobre el formato del manuscrito

Escrito en MS Word.
Una sola columna con interlineado mltiple de 1.2.
No hay restriccin en cuanto al tipo de fuente o los mrgenes.
Las figuras, fotografas y tablas deben ir colocadas en ellugar que les corresponde a lo largo del artculo, no al final.
Las figuras y fotografas utilizadas, al insertarlas en Word
pierden resolucin y se admiten slo para la evaluacin.

Los autores deben contar con las versiones TIFF, JPG o
EPS con calidad mnima de 300 dpi (resolucin para impresin, no calidad para pantalla), para enviarlas en caso
de que su artculo sea aceptado para publicacin. Pueden
incluirse figuras y fotos a color, las cuales aparecern as
en la versin digital.
El artculo debe constar aproximadamente de quince pginas (o hasta 7,000 palabras aproximadas), incluyendo
tablas y figuras. El Editor puede pedir que artculos ms
largos se recorten. En casos excepcionales el Editor aceptar artculos ms largos.
Las expresiones matemticas deben estar escritas claramente y se debe utilizar el Sistema Internacional de
Unidades.
Sobre el contenido del manuscrito

Los artculos debern llevar la siguiente secuencia en su estructura.
Ttulo, identificacin completa de cada autor (nombre,
lugar de trabajo con nombres completos, correo electrnico, direccin postal), resumen y palabras clave en espaol e ingls.
Introduccin, desarrollo, discusin o resultados y anlisis,
conclusiones, agradecimientos, apndices (en su caso) y
referencias.
Semblanza de los autores (resumen curricular breve incluido al final del artculo).
Es responsabilidad de los autores:

Contar con los permisos necesarios para su publicacin
por parte de la institucin que financi la investigacin.
Obtener oportunamente los permisos de reproduccin

parcial de material que se haya utilizado de otras publicaciones, as como citar correctamente su procedencia.
Se les recuerda una vez ms que este es un extracto del documento de la Poltica Editorial (instrucciones para autores) disponible en nuestra pgina de internet y que deben consultar en
la versin completa todos los puntos de las instrucciones para
cumplir los requerimientos.
Editorial Policy / Instructions for authors

http://www.ingenieria.unam.mx/~revistafi/eng_InstruccionesParaAutores.php
Ingeniera, Investigacin y Tecnologa is an arbitrated journal

for scientific and technological research, edited and printed
by the Engineering Faculty of UNAM. Its purpose is to
spread original and unpublished research and information
related to all areas of engineering. It is a forum for professors, researchers, professionals and students of the world,
which includes articles both in English and Spanish.
This guide is an extract of the document available in our
website for elaborating and submitting manuscripts, and
can be modified without previous notice; therefore it is the
responsibility of the authors, to be sure they have consulted
the last version. It is recommended that you open and read
it thoroughly before you submit your work, and that you
verify the date of the last version, which appears at the begining of the document.
About the papers

Only articles related to areas of engineering will be considered for evaluation and its possible publication.
The following types of papers will not be accepted:
General information articles.

Historic reviews, even if their topic is focused on some
engineering problem.
Studies of the state of the art (or reviews) in engineering
that do not contribute a solution or an innovation alternative to the problem in question.

Papers whose objective is essentially to promote or attack persons, work teams, products and/or services, or
third parties in general.
About submitting
The articles will be received only by e-mail at the flowing
address: iit.arbitraje@gmail.com
Together with the article, authors are required to send
the following documents: Statement of Agreement (ethics
code), Article Registration Form (MS Excel sheet filled), and
Knowledge Classifcation Code. All three documents are
provided in the website, and constitute the first of many formal communications between the authors and the Editor
about the paper and they allow you to request the consideration of your work for evaluation. Go to our website and see
the Instructions for Authors mentioned above for the complete description of all aspects it must include.
At the time the paper is received, an e-mail to the main
author will be sent with the corresponding Acknowledgement of Receipt as an attachment. In case of a delay in receiving such e-mail, you should ask for it at the same
address: iit.arbitraje@gmail.com
About the format of the manuscript

Written in Microsoft Word.

Only one column with multiple line spacing set at 1.2.
There is no restriction on margins or font.
Figures, photographs y tables should be inserted in their
corresponding place throughout the article, not at the end.
The figures and photos used lose resolution when inserted in Word and are accepted only for evaluation purposes. The authors must have TIFF, JPG or EPS versions
with at least 300 dpi quality (this is printing resolution,
not screen quality), ready to be sent in case the paper is
accepted for publication. Color figures and photographs
may be included, and will appear in color in the digital
version of the Journal.
The article must be approximately fifteen pages long (or
up to 7,000 words) including tables and figures or photographs. The Editor reserves the right to ask that long articles be shortened. In exceptional cases the Editor can
agree to publish longer articles.
The mathematical expressions must be written clearly
and the International System of Units must be used.
About the contents

The papers must have the following not necessarily exhaustive structure sequence.
Title, complete identification of authors (name, place of

work with complete names, e-mail, postal address), abstract and keywords in English and Spanish.
Introduction, methods, results, discussion, conclusion,
acknowledgments, appendices (if necessary), and references.
About the authors (breif resume included at the end of
the article).
It is the responsibility of the authors:

To have the necessary permissions for publication from
the institution that financed all or part of the work.
To timely obtain the necessary reproduction permissions
for the material used from other publications, as well as

to include the appropriate references (our website contains a guide for citing).
Once more you are reminded that this is an extract of the

complete version of the document Editorial Policy (instructions for authors) available in our website that must be thoroughly read to comply with all the requirements.
11-22
23-35
Fuzzy Controller for

Automatic Steering in Heavy
Vehicle Semi-Trailers
Mtodo del elemento finito

estocstico en geotecnia.
Enfoque espectral
Bortoni-Anzures L.
Gmez-Melndez D.
Herrera-Ruz G.
Martnez-Madrid M.
Auvinet-Guichard G.
Optimizacin de forma de un
cuerpo suspendido basada en
reglas evolutivas y modelado
paramtrico: la forma de un
fruto
PP. 1- 138
Santilln- Gutirrez S.D.
37-42
43-51
53-63
Reaching High Interactive

Levels with Situated Agents
Minimizacin del makespan

en mquinas paralelas
idnticas con tiempos de
preparacin dependientes de
la secuencia utilizando un
algoritmo gentico
Estudio de validacin de un
mtodo para seleccionar
tcnicas de pronstico de
series de tiempo mediante
Cabrera-Ros M.
89-98
Investigacin numrica de las
condiciones de lubricacin en
con el efecto del
desalineamiento del eje
Velasco-Ramrez E.
ngeles-Camacho C.
Garca-Martnez M.
Osornio-Correa C.
Molina-Cristbal A.
Antonio Garca A.
Linares-Flores J.
Arias-Montiel M.
99-111
113-123
125-138
Aproximacin de perfiles
discretos en elementos de
contacto de ensambles
mecnicos
Contraste de la distribucin
Logstica Generalizada en 31
registros histricos de eventos
mximos anuales
Modelado de filtros IIR

usando un algoritmo
inspirado en el
electromagnetismo
Bedolla-Hernndez J.
Szwedowicz-Wasik D.
Cortes-Garca C.
Majewski-Szymiec T.
Martnez-Rayn E.
Gutirrez-Wing E.S.
Campos-Aranda D.F.
Cuevas E.
Oliva D.
www.ingenieria.unam.mx/~revistafi
H, Z
X
x
e0
Z
Z
Ingeniera, Investigacin y Tecnologa
81-88
Redes de transmisin
inteligente. Beneficios y
riesgos
Universidad Nacional Autnoma de Mxico w Facultad de Ingeniera w Mxico 2013
65-80
Optimization of Power Train
and Control Strategy of a
Hybrid Electric Vehicle for
Investigacin y Tecnologa
Vol. XIV
Salazar-Hornig E.
Medina-S. J.C.
Ingeniera
Nm. 1
Ibarra-Martnez S.
Castn-Rocha J.A.
Laria-Menchaca J.
Guzmn-Obando J.
Castn-Rocha E.
enero - marzo 2013
1-9
ISSN 1405-7743
Vol. XIV Nm. 1, enero - marzo 2013

V14N1

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

V14N1

Hochgeladen von

Copyright:

Verfügbare Formate

11-22

Fuzzy Controller for

Mtodo del elemento finito

Reaching High Interactive

Minimizacin del makespan

Modelado de filtros IIR

Ingeniera, Investigacin y Tecnologa

Universidad Nacional Autnoma de Mxico w Facultad de Ingeniera w Mxico 2013

enero - marzo 2013

Vol. XIV Nm. 1, enero - marzo 2013

Universidad Nacional Autnoma de Mxico

Dr. Eduardo Brzana Garca

Lic. Enrique del Val Blanco

Dr. Francisco Jos Trigo Tavera

M.C. Miguel Robles Brcena

Lic. Luis Ral Gonzlez Prez

Secretario de Desarrollo Institucional

Secretario de Servicios a la Comunidad Universitaria

Mtro. Jos Gonzalo Guerrero Zepeda

Dante Jaime Morn Zenteno

Instituto de Geologa, UNAM

Ricardo Chicurel Uziel

Felipe Ochoa Rosso

Instituto de Ingeniera, UNAM

Felipe Ochoa y Asociados Consultores

Guillermo Cisneros Prez

Octavio Rascn Chvez

Universidad Politcnica de Madrid

Jos Luis Fernndez Zayas

Instituto de Ingeniera, UNAM

Pontificia Universidad Catlica de Chile

Jorge Humberto Sierra Carmona

School Civil Environmental Engineering,

Roberto Meli Piralla

Carlos L.V. Aiken

Investigador Emrito, UNAM

University of Texas at Dallas

Federico Mndez Lavielle

Jaime Urrutia Fucugauchi

Jacinto Viqueira Landa

Facultad de Ingeniera, UNAM

Instituto de Geofsica, UNAM

Electrical and Computer Engineering,

Profesor Emrito, UNAM

Revista Ingeniera Investigacin y Tecnologa

Eva Myriam Soroa Zaragoza

Cuitlhuac Ernesto Snchez Basilio

Israel Laguna Martnez

Servicio social en Ingeniera Elctrica-Electrnica

Yuritzi Rene Olvera Rangel

Coordinacin de Diseo y Edicin

Paulina Rodrguez Caiceros

Servicio social en Diseo y Comunicacin Visual

1-9 Fuzzy Controller for Automatic Steering in Heavy Vehicle Semi-Trailers

11-22 Mtodo del elemento finito estocstico en geotecnia. Enfoque espectral

23-35 Optimizacin de forma de un cuerpo suspendido basada en reglas evolutivas y

37-42 Reaching High Interactive Levels with Situated Agents

43-51 Minimizacin del makespan en mquinas paralelas idnticas con tiempos de

53-63 Estudio de validacin de un mtodo para seleccionar tcnicas de pronstico de series

81-88 Redes de transmisin inteligente. Beneficios y riesgos

89-98 Investigacin numrica de las condiciones de lubricacin en chumaceras

99-111 Aproximacin de perfiles discretos en elementos de contacto de ensambles

113-123 Contraste de la distribucin Logstica Generalizada en 31 registros histricos de

125-138 Modelado de filtros IIR usando un algoritmo inspirado en el electromagnetismo