ParisLopez Jose TD

UNIVERSIDADE DA CORUÑA
E. T. S. DE INGENIEROS DE
CAMINOS, CANALES Y PUERTOS
TESIS DOCTORAL
RESTRICCIONES EN TENSIÓN Y
MINIMIZACIÓN DEL PESO: UNA
METODOLOGÍA GENERAL PARA LA
OPTIMIZACIÓN TOPOLÓGICA DE
ESTRUCTURAS
POR
JOSÉ PARÍS LÓPEZ
DIRIGIDA POR
MANUEL CASTELEIRO MALDONADO

IGNASI COLOMINAS EZPONDA
A CORUÑA - DICIEMBRE 2007

UNIVERSIDADE DA CORUÑA
E. T. S. DE INGENIEROS DE
CAMINOS, CANALES Y PUERTOS
TESIS DOCTORAL
RESTRICCIONES EN TENSIÓN Y
MINIMIZACIÓN DEL PESO: UNA
METODOLOGÍA GENERAL PARA LA
OPTIMIZACIÓN TOPOLÓGICA DE
ESTRUCTURAS
POR
JOSÉ PARÍS LÓPEZ

Ingeniero de Caminos, Canales y Puertos
DIRIGIDA POR
MANUEL CASTELEIRO MALDONADO

Dr. Ingeniero de Caminos, Canales y Puertos
IGNASI COLOMINAS EZPONDA
Dr. Ingeniero Industrial
A CORUÑA - DICIEMBRE 2007

i
A mi familia
ii
iii
Índice general
Índice de figuras VII
Índice de tablas XIII
1. Introducción y objetivos 1
1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Evolución de la optimización de estructuras: la optimización topológica . . 2
1.3. Objetivos de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4. Organización de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2. Estado actual del conocimiento 11

2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Formulaciones discretas del problema . . . . . . . . . . . . . . . . . . . . . . 12
2.2.1. Criterios de Optimalidad (Optimality Criteria) . . . . . . . . . . . . 13
2.2.2. Optimización Estructural Evolutiva (Evolutionary Structural Optimi-
zation) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.3. Hierarchical Neighborhood Optimization Method . . . . . . . . . . . . 15
2.2.4. Método de las Curvas de Nivel (Level Set Method) . . . . . . . . . . 16
2.2.5. Método de la Burbuja (Bubble Method) . . . . . . . . . . . . . . . . 16
2.2.6. Algoritmos genéticos o evolutivos (Genetic Algorithms) . . . . . . . 17
2.3. Formulaciones continuas del problema . . . . . . . . . . . . . . . . . . . . . 18
2.3.1. Técnicas de Homogeneización (Homogenization) . . . . . . . . . . . 19
2.3.2. Modelo de material: “hole-in-cell” . . . . . . . . . . . . . . . . . . . 20
2.3.3. Modelo de microestructuras formadas por capas (Layered Microstruc-
tures) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.4. Material Sólido Isotrópico con Penalización (SIMP) . . . . . . . . . 22
2.4. Otras aplicaciones de la optimización topológica . . . . . . . . . . . . . . . 25
2.5. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3. Formulación del problema estructural 29

3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2. Planteamiento del problema estructural . . . . . . . . . . . . . . . . . . . . 30
iv
3.2.1. Modelo numérico de Elementos Finitos . . . . . . . . . . . . . . . . . 31

3.3. Análisis estructural de material con densidad relativa . . . . . . . . . . . . . 33
3.3.1. Modelo numérico de Elementos Finitos con densidad relativa . . . . 34
3.4. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4. Formulación del problema de optimización topológica 37

4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2. Formulación de mı́nimo peso . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3. Función objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.4. Restricciones en tensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.5. Restricciones en tensión de tipo local . . . . . . . . . . . . . . . . . . . . . . 40
4.5.1. Fenómenos de singularidad . . . . . . . . . . . . . . . . . . . . . . . 42
4.6. Restricción en tensión de tipo global . . . . . . . . . . . . . . . . . . . . . . 46
4.7. Reducción por bloques de restricciones de tipo local . . . . . . . . . . . . . 50
4.8. Planteamiento de condiciones sobre el perı́metro de la solución . . . . . . . 53
4.9. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5. Algoritmos de optimización 59
5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2. Algoritmo SLP-QLS (Programación Lineal Secuencial con Búsqueda Unidi-
reccional Cuadrática) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.2.1. Algoritmo de Máximo Descenso . . . . . . . . . . . . . . . . . . . . . 61
5.2.2. Algoritmo de Programación Lineal Secuencial . . . . . . . . . . . . . 62
5.2.3. Dirección de Entrada a la Región Factible . . . . . . . . . . . . . . . 62
5.2.4. Búsqueda del factor de avance . . . . . . . . . . . . . . . . . . . . . 63
5.3. Algoritmo MMA (Método de las Ası́ntotas Móviles) . . . . . . . . . . . . . 64
5.4. Funciones barrera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.5. Restricciones laterales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.6. Técnicas de refinamiento de la solución . . . . . . . . . . . . . . . . . . . . . 75
5.7. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6. Análisis de Sensibilidad 79
6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.2. Consideraciones previas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.3. Análisis de sensibilidad de funciones dependientes de las variables de diseño 82
6.4. Análisis de sensibilidad de funciones dependientes de las variables de estado
y de las variables de diseño . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.4.1. Diferenciación numérica . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.4.2. Diferenciación analı́tica directa . . . . . . . . . . . . . . . . . . . . . 84
6.4.3. Diferenciación analı́tica por el Método de la Variable Adjunta . . . . 88
6.5. Análisis de sensibilidad de restricciones en tensión . . . . . . . . . . . . . . 90
6.5.1. Análisis de sensibilidad de la tensión de Comparación de Von Mises 91
6.5.2. Análisis de sensibilidad del tensor de tensiones . . . . . . . . . . . . 93
6.6. Análisis de sensibilidad de la función objetivo . . . . . . . . . . . . . . . . . 95
6.6.1. Derivadas de primer orden completas . . . . . . . . . . . . . . . . . . 95
v
6.6.2. Derivadas direccionales de primer y segundo orden . . . . . . . . . . 95

6.6.3. Análisis de sensibilidad de la función perı́metro . . . . . . . . . . . . 95
6.7. Análisis de sensibilidad de las restricciones en tensión locales . . . . . . . . 97
6.8. Análisis de sensibilidad de la restricción en tensión global . . . . . . . . . . 100
6.9. Análisis de sensibilidad de las restricciones en tensión por bloques . . . . . 104
6.10. Análisis de Sensibilidad de la Función Barrera Inversa . . . . . . . . . . . . 106
6.11. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
7. Metodologı́a de diseño óptimo e implementación numérica 111

7.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.2. Metodologı́a de diseño óptimo . . . . . . . . . . . . . . . . . . . . . . . . . . 112
7.3. Implementación numérica y aspectos computacionales . . . . . . . . . . . . 116
7.3.1. Análisis estructural por Elementos Finitos . . . . . . . . . . . . . . . 116
7.3.2. Análisis de sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . . 117
7.3.3. Implementación del algoritmo SLP-QLS . . . . . . . . . . . . . . . . 121
7.4. Cálculo en paralelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
7.4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
7.4.2. Técnicas informáticas de paralelización . . . . . . . . . . . . . . . . . 122
7.4.3. Paralelización de algoritmos de optimización . . . . . . . . . . . . . 123
7.5. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
8. Ejemplos de aplicación 127

8.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
8.2. Ejemplos de validación de la formulación propuesta . . . . . . . . . . . . . . 130
8.2.1. Solución en arco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
8.2.2. Problema del voladizo de Michell . . . . . . . . . . . . . . . . . . . . 137
8.2.3. Problema de la viga en voladizo . . . . . . . . . . . . . . . . . . . . . 146
8.3. Ejemplos prácticos de aplicación . . . . . . . . . . . . . . . . . . . . . . . . 157
8.3.1. Viga MBB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
8.3.2. Viga en forma de L . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
8.3.3. Viga continua de dos vanos . . . . . . . . . . . . . . . . . . . . . . . 178
8.3.4. Soporte en voladizo . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
8.4. Ejemplos de aplicación combinando técnicas de optimización y refinamiento
de malla . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
8.4.1. Viga con carga centrada de Michell . . . . . . . . . . . . . . . . . . . 194
8.4.2. Biela de motor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
8.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
vi
9. Conclusiones y futuras lı́neas de investigación 219

9.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
9.1.1. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
9.1.2. Conclusiones generales . . . . . . . . . . . . . . . . . . . . . . . . . . 220
9.1.3. Conclusión final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
9.2. Futuras lı́neas de investigación . . . . . . . . . . . . . . . . . . . . . . . . . 223
A. Desarrollo de un algoritmo de Programación Lineal Secuencial 225

A.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
A.2. Planteamiento del problema general de optimización . . . . . . . . . . . . . 226
A.3. Programación Lineal Secuencial (SLP) . . . . . . . . . . . . . . . . . . . . . 227
A.3.1. Planteamiento general . . . . . . . . . . . . . . . . . . . . . . . . . . 227
A.3.2. El algoritmo Simplex . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
A.3.3. Cálculo de una solución inicial válida . . . . . . . . . . . . . . . . . . 235
A.3.4. Aplicación del algoritmo de Programación Lineal Secuencial a la re-
solución de problemas estructurales . . . . . . . . . . . . . . . . . . . 237
A.4. Implementación numérica del algoritmo de Programación Lineal Secuencial 243
A.4.1. Aplicabilidad del método propuesto . . . . . . . . . . . . . . . . . . 245
A.5. Recapitulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
A.6. Ejemplo de cálculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
A.6.1. Fase I: Cálculo de la solución inicial válida . . . . . . . . . . . . . . 250
A.6.2. Fase II: Optimización de la solución obtenida . . . . . . . . . . . . . 252
Bibliografı́a 253
vii
Índice de figuras
1.1. Soporte en voladizo. Esquema del problema de optimización (Zhang [124]) . 4

1.2. Soporte en voladizo. Solución mediante optimización de formas (Zhang [124]) 5
1.3. Soporte en voladizo. Solución óptima de máxima rigidez (Duysinx [18]) . . 6
1.4. Soporte en voladizo. Solución óptima de mı́nimo peso con restricciones locales
en tensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1. Esquema de evolución del Método de la Burbuja. . . . . . . . . . . . . . . . 17

2.2. Estructura “hole-in-cell” (Olhoff y Eschenauer [71]) . . . . . . . . . . . . . 20
2.3. Microestructura bidimensional por capas de rango 3 (Olhoff y Eschenauer [71]) 22
2.4. Microestructura tridimensional por capas de rango 3 (Olhoff y Eschenauer [71]) 22
2.5. Efecto de la penalización sobre la rigidez en el modelo SIMP . . . . . . . . 23
2.6. Microestructura correspondiente para el modelo SIMP (p = 3, ν = 1/3)
Bendsøe y Sigmund [7], Eschenauer y Olhoff [26] . . . . . . . . . . . . . . . 24
2.7. Microestructura del modelo SIMP (p = 3, ν = 0), Bendsøe y Sigmund [7] . 25
2.8. Microestructura del modelo SIMP (p = 3, ν = 0.5), Bendsøe y Sigmund [7] 25
2.9. Solución de viga en voladizo con disposición en damero (Dı́az y Sigmund [17]) 26
2.10. Microestructura con coeficiente de dilatación negativo (Sigmund, et al. [97],
[98]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.11. Microestructura con coeficiente de Poisson negativo (Sigmund, et al. [97], [98]) 27
4.1. Exponente de la función objetivo para distintos valores de penalización. . . 40

4.2. Sección de viga con platabandas de densidad variable. . . . . . . . . . . . . 42
4.3. Restricción en tensiones reales en viga con platabandas para η = 0.1 (restric-
ción escalada por σbmax ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.4. Restricción en tensiones efectivas en viga con platabandas para η = 0.1 (res-
tricción escalada por σ
bmax ) . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.5. Factor de relajación para diferentes valores de ε. . . . . . . . . . . . . . . . 45
4.6. Restricción en tensiones reales (izquierda) y en tensiones efectivas (derecha)
para diferentes valores de ε. (Restricción escalada por σ bmax ) . . . . . . . . . 45
4.7. Función global de restricciones para distintos valores de µ con valores de
tensión crecientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
viii
4.8. Función global de restricciones para distintos valores de µ con número de

restricciones violadas creciente . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.9. Definición de un bloque de elementos de la malla . . . . . . . . . . . . . . . 51
4.10. Función aproximada del valor absoluto. . . . . . . . . . . . . . . . . . . . . 57
5.1. Efecto del parámetro r sobre la función barrera φ(ρ, r) en un problema 1D

con F = x y x∗ − x ≤ 0 (Fletcher [27]). . . . . . . . . . . . . . . . . . . . . . 67
5.2. Planteamiento del problema de la sección a flexión pura . . . . . . . . . . . 69
5.3. Variables de diseño del problema de la sección a flexión pura . . . . . . . . 71
5.4. Representación gráfica del problema de optimización . . . . . . . . . . . . . 72
5.5. Región factible del problema de la sección a flexión pura . . . . . . . . . . . 73
5.6. Solución sin incorporar las restricciones laterales en la dirección de avance . 74
5.7. Solución incorporando las restricciones laterales en la dirección de avance . 74
5.8. Refinamiento adaptativo de la malla de Elementos Finitos (Maute y Ramm
[51]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.9. Malla original para el problema de una viga con carga descentrada (450
elementos) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.10. Malla refinada eliminando elementos no necesarios (808 elementos) . . . . . 77
5.11. Malla refinada por segunda vez eliminando elementos no necesarios (2352
elementos) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
7.1. Metodologı́a de cálculo para el problema de optimización topológica . . . . 113
8.1. Arco. Planteamiento del problema (unidades en m) . . . . . . . . . . . . . . 131

8.2. Arco. Evolución de la solución obtenida con la formulación local . . . . . . 132
8.3. Arco. Solución óptima obtenida con la formulación local . . . . . . . . . . . 132
8.4. Arco. Evolución de la solución obtenida con la formulación global . . . . . . 133
8.5. Arco. Solución óptima obtenida con la formulación global . . . . . . . . . . 133
8.6. Arco. Evolución de la solución obtenida con la formulación por bloques . . 134
8.7. Arco. Solución óptima obtenida con la formulación por bloques . . . . . . . 134
8.8. Arco. Tensión normalizada obtenida con la formulación local . . . . . . . . 135
8.9. Arco. Tensión normalizada obtenida con la formulación global . . . . . . . . 135
8.10. Arco. Tensión normalizada obtenida con la formulación por bloques . . . . 135
8.11. Voladizo Michell. Solución teórica del problema (Michell [52]) . . . . . . . . 138
8.12. Voladizo Michell. Planteamiento del problema de optimización (izqda.) y ma-
lla de Elementos Finitos empleada en la resolución (derecha). Unidades en
cm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
8.13. Voladizo Michell. Evolución de la solución obtenida con la formulación local 139
8.14. Voladizo Michell. Solución óptima obtenida con la formulación local . . . . 140
8.15. Voladizo Michell. Tensión normalizada de la solución obtenida con la formu-
lación local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
8.16. Voladizo Michell. Evolución de la solución obtenida con la formulación global 141
8.17. Voladizo Michell. Solución óptima obtenida con la formulación global . . . . 142
lación global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
ix
8.19. Voladizo Michell. Evolución de la solución obtenida con la formulación por

bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
8.20. Voladizo Michell. Solución óptima obtenida con la formulación por bloques 144
lación por bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
8.22. Voladizo. Planteamiento del problema (unidades en m) . . . . . . . . . . . . 147
8.23. Voladizo. Evolución de la solución obtenida con la formulación local . . . . 148
8.24. Voladizo. Solución óptima obtenida con la formulación local . . . . . . . . . 149
8.25. Voladizo. Tensión normalizada de la solución obtenida con la formulación
local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
8.26. Voladizo. Evolución de la solución obtenida con la formulación global . . . . 150
8.27. Voladizo. Solución óptima obtenida con la formulación global . . . . . . . . 151
8.28. Voladizo. Tensión normalizada de la solución obtenida con la formulación
global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
8.29. Voladizo. Evolución de la solución obtenida con la formulación por bloques 152
8.30. Voladizo. Solución óptima obtenida con la formulación por bloques . . . . . 153
8.31. Voladizo. Tensión normalizada de la solución obtenida con la formulación por
bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
8.32. Voladizo. Evolución de la solución obtenida con la formulación por bloques
y penalización sobre el perı́metro . . . . . . . . . . . . . . . . . . . . . . . . 154
8.33. Voladizo. Solución óptima obtenida con la formulación por bloques y penali-
zación sobre el perı́metro . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
8.34. Voladizo. Tensión normalizada de la solución obtenida con la formulación por
bloques y penalización sobre el perı́metro . . . . . . . . . . . . . . . . . . . 155
8.35. Viga MBB. Planteamiento del problema (unidades en m) . . . . . . . . . . 158
8.36. Viga MBB. Solución teórica (Lewinski, et al. [44]) . . . . . . . . . . . . . . 158
8.37. Viga MBB. Viga en la sección central del fuselaje del avión Airbus A380.
(www.diplomatie.gouv.fr/en/album.php3?id article=4375&debut image=2) 159
8.38. Viga MBB. Detalle de viga de fuselaje de Airbus A380. (Aviation Week &
Space Technology, 20 de noviembre de 2006, pág. 34) . . . . . . . . . . . . . 159
8.39. Viga MBB. Evolución de la solución obtenida con la formulación local . . . 160
8.40. Viga MBB. Evolución de la solución obtenida con la formulación local (con-
tinuación) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
8.41. Viga MBB. Solución óptima obtenida con la formulación local . . . . . . . . 161
8.42. Viga MBB. Tensión normalizada de la solución obtenida con la formulación
local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
8.43. Viga MBB. Evolución de la solución obtenida con la formulación global . . 162
8.44. Viga MBB. Evolución de la solución obtenida con la formulación global (con-
tinuación) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
8.45. Viga MBB. Solución óptima obtenida con la formulación global . . . . . . . 163
global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
8.47. Viga MBB. Evolución de la solución obtenida con la formulación por bloques 164
x
8.48. Viga MBB. Evolución de la solución obtenida con la formulación por bloques
(continuación) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
8.49. Viga MBB. Solución óptima obtenida con la formulación por bloques . . . . 165
por bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
8.51. Viga MBB. Solución de máxima rigidez de Duysinx y Bendsøe [20] . . . . . 166
8.52. Viga en L. Planteamiento del problema (unidades en m) . . . . . . . . . . . 169
8.53. Viga en L. Evolución de la solución obtenida con la formulación local . . . . 170
8.54. Viga en L. Solución óptima obtenida con la formulación local . . . . . . . . 171
8.55. Viga en L. Tensión normalizada de la solución obtenida con la formulación
local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
8.56. Viga en L. Evolución de la solución obtenida con la formulación global . . . 172
8.57. Viga en L. Solución óptima obtenida con la formulación global . . . . . . . 173
global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
8.59. Viga en L. Evolución de la solución obtenida con la formulación por bloques 174
8.60. Viga en L. Solución óptima obtenida con la formulación por bloques . . . . 175
por bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
8.62. Viga en L. Solución óptima de máxima rigidez (Duysinx y Bendsøe [20]) . . 176
8.63. Viga 2 vanos. Planteamiento del problema (unidades en m) . . . . . . . . . 178
8.64. Viga 2 vanos. Evolución de la solución obtenida con la formulación local . . 179
8.65. Viga 2 vanos. Solución óptima obtenida con la formulación local . . . . . . 179
8.66. Viga 2 vanos. Tensión normalizada de la solución obtenida con la formulación
local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
8.67. Viga 2 vanos. Evolución de la solución obtenida con la formulación global . 180
8.68. Viga 2 vanos. Solución óptima obtenida con la formulación global . . . . . . 180
global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
8.70. Viga 2 vanos. Evolución de la solución obtenida con la formulación por
bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
8.71. Viga 2 vanos. Solución óptima obtenida con la formulación por bloques . . 181
por bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
8.73. Soporte en voladizo. Planteamiento del problema (unidades en cm) y malla
de elementos finitos utilizada . . . . . . . . . . . . . . . . . . . . . . . . . . 185
8.74. Soporte en voladizo. Malla de elementos finitos utilizada . . . . . . . . . . . 185
8.75. Soporte en voladizo. Evolución de la solución obtenida con la formulación
local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
8.76. Soporte en voladizo. Solución óptima obtenida con la formulación local . . . 187
8.77. Soporte en voladizo. Tensión normalizada de la solución obtenida con la for-
mulación local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
xi
8.79. Soporte en voladizo. Solución óptima obtenida con la formulación global . . 189
mulación global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
por bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
8.82. Soporte en voladizo. Solución óptima obtenida con la formulación por bloques 191
mulación por bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
8.84. Soporte en voladizo. Solución obtenida mediante optimización de formas por
Zhang [124] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
8.85. Viga Michell. Planteamiento del problema (izqda.) y malla de elementos fi-
nitos (dcha.). Unidades en cm . . . . . . . . . . . . . . . . . . . . . . . . . . 195
8.86. Viga Michell. Evolución de la solución obtenida con la formulación local . . 196
8.87. Viga Michell. Solución óptima (arriba) y tensión normalizada (abajo) obte-
nida con la formulación local . . . . . . . . . . . . . . . . . . . . . . . . . . 197
8.88. Viga Michell. Malla refinada eliminando los elementos con ρe < 0.002 . . . . 198
8.89. Viga Michell. Evolución de la solución del problema remallado obtenida con
la formulación por bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
8.90. Viga Michell. Solución óptima del problema remallado obtenida con la for-
mulación por bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
8.91. Viga Michell. Tensión normalizada del problema remallado obtenida con la
formulación por bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
8.92. Viga Michell. Solución óptima teórica (Michell [52]) . . . . . . . . . . . . . . 201
8.93. Biela. Planteamiento del problema (unidades en cm) (izqda.) y malla de
Elementos Finitos empleada para su resolución (dcha.) . . . . . . . . . . . . 204
8.94. Biela. Evolución de la solución obtenida con la formulación por bloques . . 206
8.95. Biela. Evolución de la solución obtenida con la formulación por bloques (con-
tinuación I) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
8.96. Biela. Evolución de la solución obtenida con la formulación por bloques (con-
tinuación II) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
8.97. Biela. Solución óptima del problema obtenida con la formulación por bloques
(izqda.) y tensión normalizada (dcha.) . . . . . . . . . . . . . . . . . . . . . 209
8.98. Biela. Malla de Elementos Finitos refinada eliminando los elementos con ρ <
0.005 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
8.99. Biela. Evolución de la solución obtenida con la formulación por bloques con
penalización sobre el perı́metro . . . . . . . . . . . . . . . . . . . . . . . . . 211
8.100.Biela. Evolución de la solución obtenida con la formulación por bloques con
penalización sobre el perı́metro (continuación) . . . . . . . . . . . . . . . . . 212
8.101.Biela. Solución óptima obtenida con la formulación por bloques sin penaliza-
ción en el perı́metro (izqda.), solución óptima obtenida con penalización en
el perı́metro (centro) y tensión normalizada (dcha.) . . . . . . . . . . . . . . 213
A.1. Planteamiento de un problema de Programación Lineal (Dantzig [15]) . . . 228

A.2. Representación gráfica del problema lineal inicial . . . . . . . . . . . . . . . 248
A.3. Representación gráfica del problema lineal trasladado . . . . . . . . . . . . . 249
xii
xiii
Índice de tablas
8.1. Arco. Resumen de los principales parámetros y requerimientos computacionales136

8.2. Voladizo Michell. Resumen de los principales parámetros y requerimientos
computacionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
8.3. Voladizo. Resumen de los principales parámetros y necesidades computacionales156
8.4. Viga MBB. Resumen de los principales parámetros y necesidades computa-
cionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
8.5. Viga en L. Resumen de los principales parámetros y aspectos computacionales177
8.6. Viga 2 vanos. Resumen de los principales parámetros y aspectos computa-
cionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
8.7. Soporte en voladizo. Resumen de los principales parámetros y necesidades
computacionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
8.8. Viga Michell. Resumen de los parámetros y aspectos computacionales más
importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
8.9. Biela. Resumen de los parámetros y aspectos computacionales más importantes215
xiv
xv
Agradecimientos
Siempre he escuchado que es de bien nacido ser agradecido y en este momento no tengo
más que agradecer toda la ayuda recibida para realizar esta tesis doctoral.
En primer lugar quiero agradecer a los profesores Manuel Casteleiro, Ignasi Colominas y
Fermı́n Navarrina el haberme ofrecido la posibilidad de desarrollar las tareas de investigación
que han dado lugar a esta tesis doctoral en un ambiente cordial y agradable. Su esfuerzo y
dedicación hacen posible que el Grupo de Métodos Numéricos en Ingenierı́a sea uno de los
más activos en la Universidade da Coruña y un referente a nivel nacional e internacional en
investigación sobre Métodos Numéricos en Ingenierı́a.
A Manuel Casteleiro e Ignasi Colominas tengo que agradecerles su especial interés e
incesante apoyo en las etapas difı́ciles de esta tesis. Sin cesar en sus objetivos y en sus
pretensiones finales me han orientado en los momentos más desconcertantes y han sabido
sacar lo mejor de mı́ para alcanzar los objetivos planteados. A Fermı́n Navarrina le agradezco
enormemente su constante apoyo y su inestimable colaboración en los temas de optimización.
Su experiencia y sabidurı́a ha sido fundamental para la consecución de los propósitos de esta
tesis. También tengo que agradecer a José Luis Añón su eficacia y dedicación. Su ayuda
y predisposición me han permitido evitar las pesadas tareas administrativas y ası́ poder
dedicarme de forma más intensiva a las tareas de investigación.
También quiero agradecer a Iago Muı́ños su colaboración en las primeras fases de la
realización de esta tesis. El maravilloso trabajo de investigación desarrollado en su proyecto
técnico fue el germen que dio origen a los primeros resultados en optimización topológica
de estructuras para nuestro grupo. Suyo es el mérito de iniciar esta lı́nea de investigación y
de enfrentarse a los retos que ello supone.
No quiero olvidarme tampoco de agradecer el apoyo y asesorı́a en temas informáticos
que he recibido por parte del personal del Centro de Supercomputación de Galicia (CESGA).
En especial quiero reconocerles a Aurelio Rodrı́guez y a Carlos Fernández su interés y
colaboración en la depuración de errores de programación.
A mis amigos y compañeros tengo que reconocerles la difı́cil labor de ayudarme y
aguantar mis elucubraciones durante las fases más ingratas y duras de la elaboración de
esta tesis. Quiero recordar especialmente a mis amigos Diego, Javi, Alberto, José Enrique y
Ton, entre otros muchos, ası́ como a Luis Cueto-Felgueroso, a Xesús y a todos los compañeros
del Grupo de Métodos Numéricos en Ingenierı́a.
Es imposible expresar con palabras el agradecimiento a mis seres queridos por su cariño
y comprensión a lo largo de todos estos años. Su constante apoyo e interés ha sido para
mı́ una incesante fuente de energı́a que me ha animado a continuar con mis pretensiones a
pesar de las adversidades. Algún dı́a espero ser capaz de compensar toda la ayuda que me
han prestado. Desgraciadamente, a algunos de ellos ya no podré recompensarles nunca todo
el cariño y apoyo que me han proporcionado y por ello les dedico especialmente esta tesis.
Finalmente, quiero agradecer a las siguientes entidades su apoyo económico durante
las tareas de investigación: La Subdirección Xeral de I+D de la Xunta de Galicia (Pro-
yectos PGIDIT05PXIC118002PN y PGDIT06TAM11801PR), el Ministerio de Educación
y Ciencia (Proyectos DPI2002-00297, DPI2004-05156, DPI2006-15275 y DPI2007-61214)
cofinanciado con fondos FEDER, la Fundación de la Ingenierı́a Civil de Galicia y la Uni-
versidade da Coruña mediante proyectos y becas de investigación.
xvi
xvii
TESIS DOCTORAL
Esta Tesis Doctoral se presentó el dı́a 13 de Marzo de 2008 en la Escuela Técnica
Superior de Ingenierı́a de Caminos, Canales y Puertos de A Coruña.
El Tribunal de Tesis Doctoral lo componı́an los siguientes doctores:
Presidente Dr. Fermı́n Luis NAVARRINA MARTÍNEZ

Catedrático de Universidad
Área de Matemática Aplicada
Universidade da Coruña
Vocal Dr. Gabriel BUGEDA CASTELLTORT

Área de Mecánica de Medios Continuos y Teorı́a de Estructuras
Universitat Politècnica de Catalunya
Vocal Dr. Pascual MARTÍ MONTRULL

Universidad Politécnica de Cartagena
Vocal Dr. Carlos Alberto DA CONCEIÇÃO ANTÓNIO

Profesor Asociado
Área de Matemáticas
Universidade do Porto
Secretario Dr. Santiago HERNÁNDEZ IBÁÑEZ

Universidade da Coruña
La calificación otorgada fue SOBRESALIENTE CUM LAUDE por unanimidad.

xviii
xix
Resumen
La optimización topológica de estructuras continuas es una disciplina que pretende

obtener la distribución óptima de material en un dominio predefinido de modo que se
cumplan las condiciones resistentes exigidas. Se trata, por lo tanto, de un problema con
variables discretas ya que se pretende decidir si en un punto del dominio debe existir o no
material resistente. Este planteamiento discreto es muy complejo y por ello, habitualmente,
se estudia mediante formulaciones continuas introduciendo el concepto de densidad relativa
para identificar el estado material (0=vacı́o, 1=lleno). Para ello, es necesario definir modelos
de microestructura de material que permiten evaluar la respuesta estructural de forma
continua para valores de densidad relativa comprendidos entre 0 y 1.
Los problemas de optimización topológica de estructuras continuas han sido estudia-
dos tradicionalmente con formulaciones que maximizan la rigidez de la estructura. Estos
modelos pretenden encontrar la estructura de máxima rigidez empleando un volumen de
material prefijado que se distribuye sobre un dominio predefinido. Este tipo de formulacio-
nes presenta serios inconvenientes ya que no se impone ninguna restricción en tensiones o
desplazamientos que garantice la validez de la estructura y además se requiere el uso de
técnicas de estabilización para evitar fenómenos indeseados como la disposición en damero
de la solución o la dependencia de la malla. Es más, la obtención del diseño de máxima ri-
gidez es un problema mal planteado dado que la solución no converge al aumentar el grado
de discretización utilizado.
En esta tesis se presenta una formulación distinta basada en la minimización del coste
de la estructura con restricciones en tensión, dado que es el planteamiento habitual en otras
técnicas de optimización de estructuras (optimización de dimensiones o de formas). Los
problemas ası́ planteados son más realistas desde el punto de vista de la ingenierı́a porque
minimizan el coste económico de la solución estructural cumpliendo las correspondientes
normas y leyes estructurales de aplicación. Además, las formulaciones de mı́nimo peso con
restricciones en tensión evitan algunos de los problemas e inestabilidades de las formula-
ciones de máxima rigidez como la disposición en damero, la dependencia de la malla o la
elección de antemano de una cantidad de material convenientemente elegida e injustificada.
Asimismo, para resolver este problema se proponen diferentes formulaciones que incor-
poran restricciones en tensión y se desarrolla un procedimiento de optimización especı́fico
adaptado para el caso de estudio. También se proponen técnicas de derivación analı́ticas
para obtener el análisis de sensibilidad y se plantea un algoritmo de optimización basado
en técnicas de Programación Lineal.
xx
xxi
Abstract
Stress Contraints and Weight Minimization: A General Methodology for Topology
Optimization of Structures
by
José Parı́s López
Civil Engineer
University of A Coruña
Topology optimization of continuum structures is a technique that pretends to find the

optimal distribution of material in a predefined material such that the required structural
conditions are satisfied. Thus, the discrete approach of the topology optimization of struc-
tures problem tries to decide if at each point of the domain must exist material or not.
This approach of the discrete optimization problem is very complicated. So, the discrete
approach is usually transformed into a continuous one by introducing the concept of relative
density, which means the material state (0=void and 1=solid). In addition, it is necessary to
define microstructure models of the material (SIMP,...) that allows to obtain the structural
response for intermediate values of the relative densities.
The topology optimization problems of continuum structures had been traditionally
stated in terms of maximum stiffness approaches (minimum compliance). In this formula-
tions, the aim is to find the most rigid structure by distributing adequately a predefined
volume of material in a predefined domain. Moreover, in this kind of formulations self-weight
of the structure is not usually included as a structural load and several load cases cannot
be considered in a natural way. In addition, maximum stiffness approaches do not impose
any stress or displacement constraints, so the resistant feasibility of the final solution is not
guaranteed. On the other hand, maximum stiffness approaches usually require stabilization
techniques to avoid unwanted phenomena like the checkerboard solutions or the mesh de-
pendency. In addition, it is very important to remark that the maximum stiffness approach
produces an ill-posed problem because the solution does not converge as the mesh is refined.
In this thesis a different approach based on the minimization of the cost of the structure
with stress constraints is analyzed. This is the usual way of defining optimization problems
xxii
in other structural optimization techniques (dimension or shape optimization). The stated

problem is much more realistic from an engineering point of view because it minimizes
the economic cost of the structural solution satisfying the mandatory structural norms
and laws that correspond nowadays. In addition, minimum weight formulations with stress
constraints avoid some difficulties and instabilities of the maximum stiffness approaches
like checkerboard, mesh dependency or the previous election of a convenient but unjustified
volume of material.
The most usual way of imposing the stress constraints involves to check that the stress
of the central point of each one of the elements of the Finite Element mesh does not
exceed the maximum stress allowed. Thus, it is very usual to use formulations with constant
relative density per element. This way of imposing the stress constraints is usually called
local approach of stress constraints. This formulation is very robust and reliable but it also
requires a huge computing effort due to the large number of design variables and highly
non linear stress constraints. In addition, stress constraints is subjected to some singularity
phenomena because they are discontinuous when the relative density tends to zero.
Due to the huge computing effort required by the local approach of the stress constraints
two additional formulations that make the optimization problem easier are proposed; the
global approach of the stress constraints and a formulation defined over blocks of elements.
The global approach of the stress constraints states only one stress constraint that aggrega-
tes the effect of all the local ones. This formulation reduces drastically the computing effort
but does not strictly guarantee the feasibility of the solution. The formulation that imposes
stress constraints over blocks of elements divides the domain of the structure in groups of
elements and applies one global stress constraint over the elements of each group. According
to that, the computational effort is considerably reduced and the feasibility of the stress
constraint is guaranteed with enough accuracy. In addition, this formulation is more general
because it includes both previous formulations if the right choice of the number of blocks
is applied.
The optimization algorithm used to solve the resulting problem is a Sequential Linear
Programming approach with Quadratic Line Search. Furthermore, the required sensitivity
analysis is developed analytically by combining Adjoint State Derivation techniques with
Direct Derivation techniques.
1
Las creencias antiguas son difı́ciles de erradicar

incluso aunque sean demostrablemente falsas.
Edward Osborne Wilson (1929)
Capı́tulo 1
Introducción y objetivos
1.1. Introducción
Desde los comienzos de la Humanidad el hombre siempre ha pretendido obtener estruc-
turas resistentes para mejorar su calidad de vida, lo que se interpretaba como sı́mbolo de
progreso y de evolución. Los avances, generalmente, se conseguı́an realizando pruebas expe-
rimentales, a través de procedimientos de prueba y error, basados en deducciones empı́ricas
y a partir de la observación de la naturaleza.
El proceso de evolución ha sido, por este motivo, tremendamente lento aunque continua-
do en el tiempo. Sólo en la época moderna y con el desarrollo de nuevas teorı́as matemáticas
ha sido posible realizar estudios para determinar el comportamiento de los materiales. Se
obtienen ası́ formulaciones para el estudio de la respuesta estructural que permiten conocer
los mecanismos de fallo y, en consecuencia, disponer de información para poder evitarlos o al
menos reducir su efecto. Es en el siglo XX y con el espectacular desarrollo de las herramien-
tas de cálculo cuando se proponen distintas formulaciones basadas en los estudios teóricos
precedentes para resolver problemas concretos y ası́ poder predecir la respuesta estructural.
Los modelos empleados habitualmente con esta finalidad son, por ejemplo, el Método de
Elementos Finitos o el Cálculo Matricial de Estructuras de Barras entre otros.
A pesar de estos avances tan significativos, las técnicas de cálculo presentadas se limitan
a comprobar la validez de la solución planteada. La esencia del comportamiento estructural
2 Tesis Doctoral: Optimización topológica de estructuras
que reside en el diseño de los elementos resistentes se sigue proponiendo, fundamentalmente,

según criterios experimentales y personales del diseñador. En el mejor de los casos las
soluciones que se proponen habitualmente se obtienen mediante un proceso iterativo de
prueba y error. Es decir, se establece un diseño y se comprueba su factibilidad con las
técnicas que se han planteado para, a continuación, modificarlo en función de su respuesta
estructural y definir un nuevo diseño mejorado. Éste es uno de los motivos que provocan
que se utilicen en la práctica distintas soluciones para un mismo problema en función de
la persona que se encargue del diseño o de las técnicas ingenieriles de construcción más
habituales de cada zona geográfica, lo cual no parece en absoluto razonable.
Una vez alcanzado un considerable desarrollo y una amplia difusión de las técnicas
de cálculo y comprobación de estructuras, es necesario proponer o estudiar planteamien-
tos que, además de garantizar la validez de la solución, propongan modificaciones sobre la
misma basados en criterios objetivos previamente definidos. De este modo la fase de diseño
no quedará ligada a criterios subjetivos exclusivamente y se podrán obtener las solucio-
nes más adecuadas de un modo riguroso que cumplan las exigencias establecidas en las
correspondientes leyes y normas de aplicación.
Esta necesidad de plantear técnicas rigurosas que busquen mejores soluciones a los
problemas estructurales dio origen a la optimización de estructuras. Esta disciplina pre-
tende, por tanto, establecer un modelo matemático riguroso que permita buscar la mejor
solución estructural que cumpla la función para la que ha sido diseñada de acuerdo con las
necesidades predefinidas.
A pesar de sus enormes ventajas, estos planteamientos de diseño óptimo no han alcan-
zado en la actualidad el nivel de desarrollo ni de aplicación en ingenierı́a que han logrado
los métodos de cálculo de estructuras debido a su mayor complejidad y al hecho de que
no existe un enfoque único que permita abordar la resolución de diferentes problemas. En
general, es necesario utilizar formulaciones y técnicas de optimización diferentes para cada
problema estructural en función de sus caracterı́sticas; a diferencia de lo que ocurre con los
métodos de cálculo de estructuras presentados, que pueden ser utilizados directamente en
numerosas aplicaciones diferentes.
1.2. Evolución de la optimización de estructuras: la optimi-

zación topológica
El desarrollo de las técnicas de optimización aplicadas al diseño de estructuras tuvo, por

lo tanto, una evolución más tardı́a y más lenta que los métodos de cálculo. De hecho no hay
Capı́tulo 1. Introducción y objetivos 3
una fecha de referencia que fije el nacimiento de esta disciplina. Sin embargo, tienen gran
trascendencia en las primeras etapas de desarrollo los trabajos realizados por Michell [52]
en 1904 ası́ como los planteamientos utilizados en la industria aeronáutica en los años 40
del siglo XX motivados en gran medida por la 2a Guerra Mundial1 . Posteriormente, en los
años 50 y 60 son Klein [40] y Schmit [93] los que proponen una formulación matemática
estandarizada ası́ como la aplicación conjunta de estas formulaciones con los métodos de
cálculo de estructuras existentes.
A partir de este momento y hasta la actualidad, los problemas de optimización han ido
evolucionando de forma paralela a la evolución de las técnicas y algoritmos de resolución
existentes y de la capacidad de cálculo de las herramientas de computación. A medida que se
han ido alcanzando nuevos avances tecnológicos ha sido posible el enunciado y la resolución
de problemas de ingenierı́a más complejos y que necesitan, por lo tanto, menos contribución
por parte del diseñador.
Ası́, en la optimización de estructuras se han planteado dos lı́neas de investigación prin-
cipales. El primer campo de desarrollo consiste en el estudio de problemas de optimización
de las dimensiones de los elementos que componen la estructura sin modificar la geometrı́a
global de la misma (optimización de dimensiones o Size Optimization). Esta lı́nea de inves-
tigación suele estar ligada, por ejemplo, a la optimización de estructuras de barras en las
que el área y/o la inercia de las barras son las variables que el diseñador puede modificar.
La otra lı́nea de investigación principal consiste en la optimización de estructuras mediante
la modificación de unas ciertas variables geométricas de las mismas como pueden ser coor-
denadas de nudos de barras o de nodos de las mallas de Elementos Finitos (optimización
de formas o Shape Optimization).
Ambas técnicas plantean el problema de minimización del coste de la estructura (habi-
tualmente expresado en términos del peso de la misma) sujeto a restricciones sobre el diseño
de tipo tensional o de desplazamientos. Por lo tanto, la función objetivo del problema de
optimización que se pretende minimizar es, habitualmente, el peso de la estructura, y las
restricciones se imponen limitando el valor las tensiones o de los desplazamientos.
Estos planteamientos de optimización de estructuras han sido ampliamente utilizados y
han proporcionado soluciones muy adecuadas en problemas reales en ingenierı́a. Sin embar-
go, las formulaciones más habituales de optimización de formas y de dimensiones requieren
de la intervención del diseñador para definir la tipologı́a estructural empleada. Se limitan a
obtener el diseño óptimo a partir de la tipologı́a estructural que se define inicialmente sin
considerar posibles modificaciones en la misma que puedan mejorar su comportamiento. Un
1
Para una revisión histórica más extensa se pueden consultar los trabajos de Duysinx [18] y Navarrina [59]
ejemplo de aplicación de las técnicas de optimización de formas fue utilizado por Zhang [124]
para resolver el problema de un soporte en voladizo. La tipologı́a estructural de partida de
este ejemplo consiste en una solución con tres barras, tal y como se puede apreciar en la
figura 1.1, siendo la solución óptima la propuesta en la figura 1.2. Como se puede apreciar
la tipologı́a estructural final se mantiene a lo largo del proceso de optimización asumiendo
que es correcta.
Figura 1.1: Soporte en voladizo. Esquema del problema de optimización (Zhang [124])
En estas formulaciones el ingeniero sigue tomando parte activa en el proceso de con-

cepción y diseño de la estructura. La optimización de dimensiones y de formas es, en este
sentido, incompleta y requiere de otras técnicas para obtener la configuración resistente
más adecuada. Una vez obtenido el diseño inicial de forma rigurosa pueden aplicarse los
métodos mencionados anteriormente para obtener la solución final más adecuada sin perder
generalidad y sin necesidad de utilizar hipótesis de partida en cuanto a tipologı́a estructural.
Esta necesidad de obtener el diseño resistente de partida de forma objetiva y rigurosa
provoca la aparición de las primeras formulaciones de la optimización topológica de estruc-
turas. El primer planteamiento de este problema fue propuesto por Bendsøe y Kikuchi [3]
en 1988 y desde entonces han sido numerosas las contribuciones realizadas en este ámbito
hasta nuestros dı́as, alcanzando en la actualidad un alto grado de divulgación y formando
parte de las materias de desarrollo en numerosos grupos de investigación a nivel mundial.
En general, la mayor parte de las formulaciones de la optimización topológica de es-
tructuras pretenden obtener la distribución de material más adecuada en un dominio pre-
1.7 : Le modèle initial et la solution du problème obtenue par Zhang
Figura 1.2: Soporte en voladizo. Solución mediante optimización de formas (Zhang [124])
definido que maximice la rigidez (minimium compliance) imponiendo una limitación sobre
la cantidad máxima de material a emplear. En la práctica, este planteamiento consiste en
determinar en qué elementos de la malla de Elementos Finitos se debe colocar material para
que la estructura resultante sea la óptima. Al contrario de lo que ocurre en la optimización
de formas o de dimensiones no se condiciona el diseño con una tipologı́a estructural prede-
finida de antemano, lo que permite realizar un estudio más amplio y general del problema.
De acuerdo con esta idea y para comprobar la validez de la solución propuesta por
Zhang en la figura 1.2, Duysinx planteó la resolución del problema de la figura 1.1 con la
formulación de máxima rigidez (minimium compliance). Como se puede apreciar, la solución
obtenida con este modelo (figura 1.3) difiere considerablemente de la solución obtenida
mediante optimización de formas (figura 1.2), lo que resalta la importancia de una correcta
elección de la configuración resistente inicial para poder obtener buenos resultados mediante
las técnicas convencionales de optimización.
Las formulaciones más habituales del problema de optimización topológica se basan en
criterios de máxima rigidez que no son, en absoluto, habituales en otras disciplinas del cálcu-
lo y optimización de estructuras. Los problemas más habituales en optimización de formas
o de dimensiones pretenden minimizar el coste (o el peso) de la estructura cumpliendo con
las condiciones que se establecen en las correspondientes normas, definidas generalmente a
partir de restricciones sobre el estado tensional o sobre los desplazamientos de la estructura.
Desde que Bendsøe y Kikuchi [3] sentaron los cimientos de esta nueva disciplina la
Figura 1.3: Soporte en voladizo. Solución óptima de máxima rigidez (Duysinx [18])
mayor parte de los trabajos han estado dirigidos hacia la resolución del problema de máxima
rigidez imponiendo una restricción en la cantidad máxima de material a emplear. Este
modelo introduce innecesariamente una serie de parámetros artificiales en la formulación
que no guardan relación alguna con el comportamiento estructural como, por ejemplo, el
volumen de material. Habitualmente se utiliza como máximo en torno al 25 % del volumen
total del dominio de definición de la estructura porque los resultados que se obtienen son
adecuados, pero no está justificado desde un punto de vista ingenieril ya que no tiene
porqué coincidir con el valor de mı́nimo coste. Además, tampoco se garantiza que la solución
final sea factible desde un punto de vista resistente porque no se comprueba el cumplimiento
de las tensiones o los desplazamientos de acuerdo con la especificaciones de la normativa
correspondiente.
Por otra parte, la formulación de máxima rigidez presenta inestabilidades que produ-
cen soluciones estructurales con disposición en damero (checkerboard ) ası́ como fenómenos
de dependencia de la malla de Elementos Finitos (mesh dependency) tal y como se puede
observar en los trabajos de Bendsøe [5] y Eschenauer y Olhoff [26]. Estas anomalı́as se re-
suelven habitualmente mediante la utilización de técnicas artificiales de filtrado de imagen y
de suavizado (Eschenauer y Olhoff [26]) que, en general, proporcionan resultados adecuados
pero que no se basan, de modo alguno, en el comportamiento resistente del problema en
estudio.
En esta tesis se propone una metodologı́a diferente para el problema de optimización
topológica de estructuras continuas basada en un planteamiento de mı́nimo coste (o peso)
considerando restricciones en tensión. La formulación propuesta permite evitar algunos de
los inconvenientes más notables de los modelos de máxima rigidez como la necesidad de de-
finir una restricción en volumen arbitraria, la utilización de técnicas de filtrado y suavizado
para evitar disposiciones en damero, además de garantizar la validez de la solución final
desde un punto de vista del estado tensional. La formulación propuesta es general y per-
mite la adición de nuevas restricciones (por ejemplo, en desplazamientos) de forma sencilla,
ası́ como la consideración de varios casos de carga simultáneamente de forma natural. Otra
ventaja muy importante de esta formulación es la utilización de una función objetivo más
realista y habitual en ingenierı́a basada en el coste de la estructura.
Por lo tanto, esta formulación de mı́nimo peso presenta ventajas considerables frente a
los desarrollos de máxima rigidez para resolver el problema de la optimización topológica de
estructuras continuas y conduce a mejores soluciones. En la figura 1.4 se muestra la distri-
bución óptima de material obtenida con la formulación de mı́nimo peso y con restricciones
en tensión locales que se propone en esta tesis para el problema propuesto por Zhang en
la figura 1.1. Como se puede observar la solución obtenida proporciona una configuración
resistente muy diferente a la propuesta originalmente por Zhang (figura 1.2) empleando
optimización de formas. Asimismo también se aprecian diferencias considerables entre la
solución de máxima rigidez obtenida por Duysinx (figura 1.3) y la solución de mı́nimo peso
propuesta (figura 1.4). La solución de máxima rigidez utiliza una cantidad de material su-
perior a la formulación de mı́nimo peso debido a la restricción en volumen que se establece.
La solución de mı́nimo peso (figura 1.4) obtiene una solución que minimiza la cantidad de
material a utilizar a la vez que garantiza el comportamiento resistente de la misma frente a
las cargas aplicadas, tal y como se plantea habitualmente en otras ramas de la optimización
de estructuras.
1.3. Objetivos de la tesis
El principal objetivo de esta tesis es desarrollar una metodologı́a para la resolución

de problemas de optimización topológica de estructuras continuas basada en la minimiza-
ción del peso y con restricciones en tensión y compararla con las formulaciones habituales
de máxima rigidez que habitualmente se utilizan para resolver este problema. Para ello
será necesario prestar especial atención tanto a los aspectos teóricos de la formulación como
a los relativos a la implementación de los algoritmos de forma numérica en aplicaciones
informáticas de cálculo por ordenador. Este objetivo principal se puede desglosar en los
siguientes objetivos especı́ficos:
• Estudiar el estado del conocimiento actual con la finalidad de disponer de la mayor

Figura 1.4: Soporte en voladizo. Solución óptima de mı́nimo peso con restricciones locales
en tensión
información posible para abordar el problema que se plantea y analizar las técnicas y
modelos que se han desarrollado hasta la actualidad para resolverlo.
• Plantear y desarrollar un modelo para cálculo de estructuras basado en una formu-

lación convencional del Método de los Elementos Finitos que permita incorporar en
su formulación el estado material de cada elemento de modo que se pueda realizar el
análisis estructural en función de la distribución de material existente.
• Formular el problema de optimización topológica de estructuras de mı́nimo peso con

restricciones en tensión. Para ello será necesario realizar un estudio acerca de la función
objetivo a utilizar y analizar la forma más adecuada de imponer las restricciones en
tensión en el modelo.
• Estudiar algunos aspectos teóricos fundamentales acerca de las singularidades y par-

ticularidades que presentan las restricciones en tensión y proponer soluciones para
evitarlas.
• Analizar las posibles limitaciones del modelo propuesto y proponer modificaciones que
complementen y mejoren su comportamiento.
• Analizar y desarrollar algoritmos de optimización eficientes que resuelvan de forma

adecuada el problema de optimización resultante de aplicar la formulación de mı́nimo
peso con restricciones en tensión.
• Plantear técnicas de refinamiento de malla que permitan resolver problemas de ma-

yores dimensiones con un coste computacional reducido.
• Desarrollar algoritmos especı́ficos para realizar el análisis de sensibilidad requerido por

los algoritmos de optimización de forma analı́tica teniendo en cuenta la gran relevancia
de los aspectos computacionales para su posterior implementación numérica.
• Llevar a cabo el estudio e implementación eficiente de los algoritmos planteados utili-

zando, en la medida de lo posible, las técnicas de programación y cálculo en paralelo.
• Resolver ejemplos prácticos de optimización habituales en ingenierı́a y comparar las

soluciones obtenidas con las soluciones teóricas, en el caso de que existan, y con las
soluciones de máxima rigidez propuestas por otros autores.
1.4. Organización de la tesis
Esta Tesis Doctoral está organizada en 9 capı́tulos incluyendo este capı́tulo de intro-
ducción y consta además de un apéndice y de las correspondientes referencias bibliográficas.
En este primer capı́tulo de introducción se presenta el problema de la optimización
topológica de estructuras ası́ como su necesidad de estudio en el ámbito de la optimización
en general. También se presentan, además, los principales objetivos que se han acometido
en esta tesis.
En el capı́tulo 2 se realiza una revisión del estado del conocimiento actual, se presentan
y describen brevemente los principales métodos y formulaciones empleadas en la resolución
de distintos problemas de optimización topológica de estructuras continuas ası́ como algunas
aplicaciones más especı́ficas de este tipo de planteamientos.
En el capı́tulo 3 se presenta la formulación estructural por Elementos Finitos que nos
permitirá resolver el problema de optimización topológica de estructuras continuas, teniendo
en cuenta la distribución de material existente, a partir de una formulación convencional de
Elementos Finitos.
El capı́tulo 4 está dedicado al desarrollo de la formulación de optimización de mı́nimo
peso con restricciones en tensión. En primer lugar se define la función objetivo utilizada
para a continuación analizar las diferentes formulaciones utilizadas para imponer las res-
tricciones en tensión que se han estudiado. En este capı́tulo también se hace referencia a
la problemática de las soluciones singulares de problema cuando se utilizan restricciones en
tensión.
En el capı́tulo 5 se presentan los algoritmos de optimización que se han estudiado para

resolver este problema explicando brevemente su funcionamiento ası́ como las ventajas e
inconvenientes que presentan.
En el capı́tulo 6 se desarrollan las técnicas empleadas para obtener el análisis de sensi-
bilidad tanto de la función objetivo como de las restricciones de forma analı́tica requeridos
por los algoritmos de optimización propuestos en el capı́tulo 5.
En el capı́tulo 7 se plantea la metodologı́a completa a seguir para resolver el problema
de optimización topológica que se presenta en tesis y se realiza un estudio de los aspectos
computacionales más importantes para la implementación numérica de esta formulación.
En el capı́tulo 8 se presentan los ejemplos numéricos que se han resuelto con las distintas
formulaciones propuestas del problema con la finalidad de validar los resultados obtenidos
con el planteamiento de mı́nimo coste y de establecer comparaciones entre las distintas
estrategias del problema de optimización que se proponen.
Por último, el capı́tulo 9 resume las conclusiones más destacables de esta tesis doctoral
y propone las futuras lı́neas de investigación a desarrollar.
En el Apéndice 1 se presenta una explicación más detallada acerca del funcionamiento
del algoritmo de Programación Lineal Secuencial que se utiliza en esta tesis.
Finalmente, se incorporan las referencias bibliográficas más relevantes que se han uti-
lizado, numeradas y ordenadas alfabéticamente.
11
El conocimiento es de dos clases: O sabemos algo

por nosotros mismos, o sabemos donde encontrar
información sobre ello.
Samuel Johnson (1709-1784)
Capı́tulo 2
Estado actual del conocimiento

2.1. Introducción
Desde que en 1988 Bendsøe y Kikuchi [3] presentaron los primeros trabajos del problema
de optimización topológica de estructuras y sentaron las bases de esta nueva disciplina se
han realizado numerosas contribuciones en este ámbito. De forma general, podemos clasificar
los modelos propuestos para resolver este problema en discretos o continuos dependiendo
de la tipologı́a de las variables de diseño que se utilicen.
Tal y como se ha comentado en el capı́tulo de introducción, el problema de optimización
topológica de estructuras pretende obtener la distribución de material más adecuada en un
dominio predefinido, lo que consiste esencialmente en decidir los puntos del dominio que
deben tener material y los que deben permanecer vacı́os. De acuerdo con esta idea esta
formulación es discreta ya que para cada punto del dominio sólo existen dos configuraciones
posibles (con o sin material). Debido a este carácter discreto, el problema está mal planteado
ya que la solución varı́a con el grado de refinamiento de la malla utilizada.
Los planteamientos más habituales que pretenden resolver el problema discreto siguen
dos lı́neas de desarrollo diferentes. Ası́, se proponen modelos y algoritmos que pretenden
resolver directamente el problema original a través de técnicas de optimización discreta.
Estas técnicas son, en general, muy complejas y tienen una aplicación muy limitada en
la práctica. Por este motivo, se han propuesto formulaciones que producen distribuciones
de material discretas (vacı́o-lleno) basadas en algoritmos de optimización continuos que

presentan una complejidad menor.
Por otra parte, también se han propuesto técnicas que convierten el modelo discreto
original en un problema con variables de diseño continuas de modo que se puedan aplicar
las técnicas y algoritmos habituales en optimización de estructuras. De este modo también
se evita el mal planteamiento del problema discreto mediante la introducción de modelos
de microestructura interna de material para densidades relativas intermedias que reducen
los fenómenos de dependencia de la malla.
Además de estos métodos desarrollados para resolver el problema convencional de op-
timización topológica de estructuras continuas también se han aplicado las formulaciones
obtenidas en otros modelos que permiten obtener el diseño de microestructuras de materia-
les con propiedades definidas (problema inverso) o el diseño de mecanismos estructurales,
por ejemplo.
A continuación se describen brevemente los desarrollos más habituales de las técnicas
que se acaban de introducir con la finalidad de presentar el estado del conocimiento actual
acerca de la optimización topológica de estructuras.
2.2. Formulaciones discretas del problema

La forma más evidente de resolver el problema de optimización topológica de estruc-
turas consiste en abordar directamente el problema en su formulación discreta tal y como
se planteó en el apartado de introducción. Sin embargo, los problemas de optimización
con variables discretas son mucho más complicados que los problemas de optimización con
variables continuas dado que no se pueden utilizar técnicas de programación matemática
como las que se utilizan habitualmente en otras disciplinas de la optimización con variables
continuas.
Por otra parte, la formulación discreta de las variables de diseño presenta algunas
ventajas frente a las formulaciones continuas porque la solución presenta distribuciones de
material vacı́o-lleno que facilitan su posterior fabricación. Además, la eliminación de los
elementos que no son necesarios supone la desaparición de su contribución en el cálculo
estructural de modo que se evitan ciertos problemas numéricos como los fenómenos de sin-
gularidad en los problemas con restricciones de tipo tensional existentes en las formulaciones
continuas.
En general, la mayor parte de los trabajos de optimización topológica de estructuras
mediante formulaciones discretas se desarrolla mediante esquemas de máxima rigidez. Sin
embargo, y en especial en los últimos años se han desarrollado algoritmos que incorporan
Capı́tulo 2. Estado actual del conocimiento 13
en su formulación las tensiones (Duysinx y Bendsøe [20], Pereira, et al. [84], Werme y
Svanberg [119]).
Los algoritmos más habituales que se utilizan para resolver el problema discreto son
los criterios de optimalidad, la optimización estructural evolutiva (ESO), el método de
optimización jerárquico de búsqueda por proximidad ası́ como el método de las curvas de
nivel, el método de la burbuja o los algoritmos genéticos (que están adquiriendo gran auge
en la actualidad). Estos planteamientos se desarrollan en detalle en los siguientes apartados
discutiendo sus principales ventajas e inconvenientes.
2.2.1. Criterios de Optimalidad (Optimality Criteria)
Los criterios de optimalidad son unas técnicas que se han utilizado ampliamente en to-
das las ramas de la optimización estructural y basan su funcionamiento en el establecimiento
de una hipótesis o condición de partida que será decisiva y caracterizará la solución ópti-
ma obtenida. Para cada problema es necesario definir un criterio de optimalidad apropiado
que nos permita obtener la solución óptima más adecuada y realista. Bajo esta hipótesis
de optimalidad el problema original se simplifica de forma considerable y puede resolverse
de forma más sencilla ya que todos los diseños deben cumplir la exigencia establecida. El
problema resultante consiste, por tanto, en
minimizar F (x)
(2.1)
cumpliendo gj (x) j = 1, . . . , J
donde gj es el criterio de optimalidad utilizado y J es el número de criterios impuestos para

este problema (Hernández [36]).
Es obvio, por tanto, que el resultado final depende en gran medida del grado de ade-
cuación del criterio de optimalidad empleado para cada problema en particular.
El criterio de optimalidad más habitual es el denominado FSD (Fully Stressed Design)
o diseño sometido a tensión máxima (o de rotura). De acuerdo con esta idea, todos los
elementos de la estructura presentan la máxima tensión admisible para el material empleado
cuando se ha alcanzado la solución óptima, es decir, todas las partes de la estructura deben
estar soportando la máxima tensión que puede resistir el material al menos en un estado de
carga.
2.2.2. Optimización Estructural Evolutiva (Evolutionary Structural Optimi-

zation)
Los métodos de optimización estructural evolutiva ESO (Evolutionary Structural Opti-

mization) fueron propuestos inicialmente en 1993 por Xie y Steven [120] y consisten, esen-
cialmente, en una progresiva eliminación de material del dominio de diseño siguiendo unos
criterios estructurales prefijados. En la formulación original del método de la Optimización
Estructural Evolucionaria se eliminan aquellas partes de la estructura que no alcancen un
cierto estado tensional previamente definido. Este lı́mite se irá incrementando hasta obtener
la solución final deseada que corresponderá a aquellas partes que superen la tensión esta-
blecida. De forma general, el criterio de eliminación de material se impone tomando como
referencia el valor de la tensión de comparación de Von Mises.
En la formulación original del algoritmo ESO, Xie y Steven [121] proponen la elimina-
ción de aquellos elementos en los que se cumple que:
σeVM
< RRi (2.2)
σmax
VM
donde σeVM la tensión de Von Mises del elemento e, σmax

VM
el valor máximo admisible y RR
el ı́ndice de rechazo (Rejection Ratio) de la iteración i, que se actualiza durante el proceso
de optimización como:
RRi+1 = RRi + ERi , i = 0, 1, 2, 3, . . . (2.3)
siendo ERi el ı́ndice de evolución (Evolutionary Rate) y RR el ı́ndice de rechazo. El ı́ndice

de evolución toma habitualmente el valor ER = 1 % pero en casos más complejos puede
adquirir valores menores. Asimismo el ı́ndice de rechazo inicial también se toma como RRo =
1 % en la mayor parte de las aplicaciones prácticas.
Con este procedimiento, la topologı́a estructural resultante avanza lentamente hacia
el óptimo eliminando aquellas partes que contribuyen en menor medida debido a su bajo
estado tensional.
Sin embargo, la formulación convencional del algoritmo de optimización evolutiva pre-
senta algunos inconvenientes que se han ido revisando en versiones posteriores del mismo.
Por ejemplo, el algoritmo original no permite que un elemento que haya sido eliminado en
un paso anterior, por no considerarse necesario, pueda recuperarse en una iteración poste-
rior debido a una redistribución de esfuerzos en la estructura. En consecuencia, el proceso
de eliminación de material debe realizarse de forma muy lenta para reducir el condicio-
namiento excesivo de la solución cuando se eliminan partes de la estructura que pueden
resultar trascendentales cuando la configuración se aproxima a la óptima. Para evitar este

problema, se han planteado otros métodos que, al contrario de lo que se propone en el
algoritmo original de optimización evolutiva, incorpora nuevos elementos a la estructura
en aquellas zonas donde su existencia reporte un mejor comportamiento estructural. Este
método recibe el nombre de Optimización Estructural Evolutiva Aditiva (AESO Additive
Evolutionary Structural Optimization).
Con posterioridad, se ha propuesto un algoritmo más completo que incorpora las dos
teorı́as presentadas anteriormente tanto para eliminación de material (ESO) como para
incorporación de nuevas partes o elementos a la estructura (AESO) que recibe el nombre
de Optimización Estructural Evolutiva Bidireccional (BESO Bi-directional Evolutionary
Structural Optimization). Con este método se consigue mejorar considerablemente el proceso
de optimización dado que el algoritmo de eliminación de los elementos resistentes no necesita
limitar tanto el ı́ndice de rechazo (RRi ) porque el algoritmo AESO permite la recuperación
en iteraciones posteriores de elementos eliminados que tienen una relevancia considerable
en el comportamiento estructural si fuese necesario.
2.2.3. Hierarchical Neighborhood Optimization Method
El método de optimización jerárquica de búsqueda por proximidad (Hierarchical Neigh-

borhood Optimization Method) es un método relativamente reciente que han desarrollado
Stolpe y Stidsen [110] y Werme y Svanberg [119]. La formulación propuesta plantea una
técnica que permite resolver el problema discreto de optimización topológica de estructuras
minimizando el peso y con restricciones en tensión.
El algoritmo basa su funcionamiento en la aplicación sucesiva de dos técnicas princi-
pales. Por una parte, se busca sobre una malla de elementos bastante gruesa la distribución
óptima de material. Para ello se modifica el diseño colocando o eliminando material en un
único elemento en cada iteración. El elemento a modificar se elige como el más adecuado
de los adjuntos (vecinos) a los elementos que contienen material de modo que se reduzca
la función objetivo y se cumplan las restricciones en tensión. Una vez obtenido el diseño
óptimo para este grado de discretización de la malla se procede a hacer un refinamiento y
se comienza de nuevo el proceso de diseño óptimo para esta nueva malla a partir del diseño
anterior.
En esta formulación también es habitual el empleo de dos mallas de elementos distintas.
Una malla fina, que permanece invariable a lo largo del proceso de optimización, para
obtener el comportamiento estructural del conjunto con precisión y una malla más gruesa
que contiene las variables de diseño y sobre la que se aplican las técnicas ya mencionadas
de refinamiento y de optimización de la solución. De esta forma, el cálculo estructural se

realiza con una malla fina garantizando el cumplimiento de las restricciones en tensión y
la distribución de material se obtiene a partir de una malla más gruesa debido al coste
computacional tan elevado que requiere.
Este proceso es, en general, muy lento y costoso pero proporciona distribuciones vacı́o-
lleno e incorpora restricciones en tensión, lo cual, supone una técnica muy compleja, pero
novedosa, para resolver este tipo de problemas desde un punto de vista discreto.
2.2.4. Método de las Curvas de Nivel (Level Set Method)
El método de las curvas de nivel ha adquirido gran importancia en los últimos años
debido a su facilidad de adaptación en gran variedad de aplicaciones y, en particular, en
problemas de optimización topológica. Los primeros trabajos desarrollados en este ámbito
que empleaban el método de las curvas de nivel fueron propuestos por Sethian y Wieg-
mann [94]. Más recientemente se han realizado nuevas aportaciones sobre este método que
incorporan otras técnicas adicionales como los propuestos por Alexandrov y Santosa [1],
Wang, et al. [117] y Park y Youn [82] para mejorar el comportamiento de estos plantea-
mientos.
El método de las curvas de nivel no es exactamente un algoritmo de optimización
discreto pero proporciona soluciones vacı́o-lleno. En esencia, el método consiste en definir la
solución del problema de optimización topológica, es decir la distribución material, mediante
una función de muy alto orden de modo que la topologı́a final de la solución se obtiene
a partir de la curva de nivel de valor cero de esta función. Las partes del dominio que
corresponden a curvas de nivel superiores a la curva de nivel cero serán zonas con material
y las restantes no presentarán material.
2.2.5. Método de la Burbuja (Bubble Method)
El método de la burbuja, al igual que ocurre con el método de las curvas de nivel, no es
un método que trate directamente el problema discreto de optimización pero, sin embargo,
las soluciones obtenidas también corresponden a distribuciones vacı́o-lleno.
El método de la burbuja es un método conceptualmente distinto a los presentados hasta
el momento y fue desarrollado en 1993 por Eschenauer y Schumacher [23]. Su funcionamiento
se desarrolla en dos fases claramente diferenciadas. En una primera fase, se pretende obtener
la distribución óptima de material atendiendo a la modificación de la geometrı́a de los
contornos. Una vez encontrada la geometrı́a externa más adecuada se procede a buscar
el punto del dominio más apropiado para introducir un agujero infinitesimal o “burbuja”.
Si el agujero se incorpora dentro de la región material se ha alcanzado una estructura de

“genus” superior y se procede a modificar la geometrı́a de nuevo considerando el agujero
introducido hasta alcanzar la distribución óptima. Si el agujero infinitesimal se incorpora
en el contorno existente, la topologı́a de la estructura no cambia y es necesario refinar la
malla en esa zona para alcanzar una mejor solución. El proceso se detiene cuando se alcanza
el número máximo de agujeros que se estima adecuado o cuando el tamaño de los nuevos
agujeros introducidos es menor que un cierto valor predeterminado.
Este procedimiento se puede observar fácilmente en el esquema 2.1 propuesto por Es-
chenauer, et al. [24].
Figura 2.1: Esquema de evolución del Método de la Burbuja.
El método presenta la ventaja de proporcionar soluciones vacı́o-lleno pero requiere

unos costes computacionales muy elevados debido a la necesidad de redefinir la malla de
Elementos Finitos en cada proceso iterativo y de resolver los problemas de optimización de
formas resultantes.
2.2.6. Algoritmos genéticos o evolutivos (Genetic Algorithms)
Otra técnica de optimización que ha adquirido gran difusión en los últimos años son
los denominados algoritmos genéticos o evolutivos. Reciben este nombre porque basan su
funcionamiento en las leyes de la evolución que propuso Charles Darwin en 1859 en su obra
“Del origen de las especies por medio de la selección natural” donde se define el fenómeno de
la selección natural como el proceso en el que se preservan diferencias individuales favorables
y se erradican aquellas que son perjudiciales para una especie.
El origen de los algoritmos genéticos como técnica de cálculo surge en los años 50 del
siglo XX con los trabajos de autores como Box [8] en 1957 y Friedman [29] en 1959 entre
otros. Sin embargo, a pesar de este temprano desarrollo, estas técnicas no han tenido gran
difusión en el mundo de la optimización hasta bien entrada la década de los años 60 con
los trabajos de Rechenberg [90] en 1965 y Fogel, et al. [28] en 1966. Además, su uso en el
ámbito estructural ha estado muy limitado hasta la actualidad debido a la carencia de la
capacidad de cálculo que se necesita para poder resolver problemas reales.

El proceso de selección numérica se realiza a partir de una población de individuos
suficientemente amplia como para ser representativa del fenómeno que se pretende estudiar
(candidatos a ser la solución de problema) sobre la que se aplican operadores caracterı́sticos
de la selección natural y de la evolución genética. Basados en esta idea han ido surgiendo
diferentes métodos basados en las teorı́as de Darwin. Ası́, surgen los Algoritmos Genéticos
propiamente dichos (GA) basados en la supervivencia de los individuos más fuertes y las
Estrategias Evolutivas que basan su funcionamiento en una serie de operadores genéticos
como pueden ser la recombinación, la mutación y la selección, entre otros.
Hoy en dı́a, estas técnicas tienen una gran difusión debido a la enorme versatilidad que
ofrecen. De ahı́ que se utilicen en la optimización de estructuras en general y en la opti-
mización topológica en particular atendiendo a formulaciones binarias vacı́o-lleno e incluso
aplicadas sobre formulaciones continuas.
2.3. Formulaciones continuas del problema

Las formulaciones discretas propuestas presentan algunas ventajas importantes pero
requieren, en general, un coste computacional excesivo que limita su capacidad de aplicación
en la práctica. Por este motivo se han propuesto formulaciones continuas de las variables
que simplifican las dificultades de resolución que presentan los modelos discretos.
Por el contrario, la formulación continua introduce ciertas dificultades numéricas y
conceptuales que se analizarán a lo largo de esta tesis. El primer y principal problema de
las formulaciones continuas reside en la necesidad de definir una ecuación constitutiva del
material para valores intermedios de las variables de diseño. En las formulaciones discretas
este análisis no es necesario dado que las variables de diseño sólo pueden tomar los valores 0
ó 1. Sin embargo, en las formulaciones continuas éste es un paso imprescindible para poder
resolver el problema estructural resultante.
De acuerdo con esta idea es necesario desarrollar una teorı́a que permita obtener mode-
los constitutivos de materiales con variables de diseño continuas entre 0 y 1. Estas variables
de diseño continuas reciben el nombre de “densidades relativas” y representan la porción
de volumen de material sólido frente a volumen total, de modo que el valor nulo indica que
no existe material y el valor unitario indica que el material es sólido.
La técnica más habitual para obtener el modelo constitutivo del material consiste en
la definición de una microestructura resistente que incorpora el efecto de las variables de
diseño. A partir de esta configuración de material a nivel microscópico y mediante técnicas
matemáticas de homogeneización se pretende obtener una matriz de rigidez (a nivel ma-
croscópico) que caracterice la respuesta estructural para valores intermedios de las variables
de diseño. Por otra parte, también tiene especial relevancia el análisis de otras magnitu-
des, como por ejemplo las tensiones, que tienen interpretación fı́sica sencilla para elementos
llenos pero desconocida, a priori, cuando las variables de diseño toman valores intermedios.
2.3.1. Técnicas de Homogeneización (Homogenization)
El procedimiento matemático de obtención de modelos constitutivos a partir de micro-

estructuras resistentes que ha adquirido mayor relevancia en el campo de la optimización
topológica estructural es la técnica de la homogeneización. Los principios básicos fueron
propuestos en 1985 por Murat y Tartar [58]. Posteriormente, Lurie y Cherkaev [48] y Kohn
y Strang [41] en 1986 continuaron este trabajo encontrando a su vez nuevas dificultades de
la formulación continua del problema (dependencia de la malla, disposiciones en damero, ...)
en formulaciones de máxima rigidez.
El mayor auge de estas técnicas surge a partir de 1988 con los trabajos de Bendsøe y
Kikuchi [3] en los que se aplica de forma práctica la teorı́a de la homogeneización a problemas
reales y se propone una formulación de máxima rigidez bajo una restricción en el volumen
de la estructura. La publicación de estos trabajos supone el nacimiento de la optimización
topológica como una nueva disciplina dentro de la optimización estructural. Esta técnica de
homogeneización ha sido ampliamente estudiada con posterioridad y es, en la actualidad,
el método habitualmente empleado para obtener modelos constitutivos de materiales con
densidades relativas intermedias tal y como queda reflejado directamente en los trabajos de
Allaire, et al. [2], Bendsoe y Kikuchi [3], [5], Eschenauer y Olhoff [26], y Suzuki y Kikuchi
[112] entre otros. A partir de estos modelos han surgido, de forma paralela, numerosas
aplicaciones prácticas que utilizan estos modelos de material incorporados en formulaciones
continuas del problema de la optimización topológica de estructuras mediante esquemas de
máxima rigidez o mı́nimo peso, fundamentalmente.
En los primeros trabajos sobre esta disciplina, Bendsøe y kikuchi [3] y Olhoff y Esche-
nauer [71] utilizaron un modelo de microestructura basado en elementos cuadrados con un
hueco rectangular de tamaño variable en su interior que recibió la denominación “hole-in
cell” por este motivo. En trabajos posteriores se plantearon otras microestructuras sobre
las que se aplicaba la teorı́a de la homogeneización para obtener la matriz constitutiva del
material. Los ejemplos más representativos de estos modelos se describen a continuación.
2.3.2. Modelo de material: “hole-in-cell”
El modelo “hole in cell” fue propuesto por Murat y Tartar [58] en 1985 y ha sido el
primer tipo de microestructura planteado para resolver el problema de optimización to-
pológica de estructuras continuas. En cada celda o elemento del mismo se introduce un
agujero cuadrado de tamaño variable que se puede orientar en la dirección del espacio más
adecuada, tal y como se puede observar en la figura 2.2. Posteriormente, formulaciones un
poco más generales de la microestructura “hole-in-cell” propusieron el uso de agujeros con
geometrı́as rectangulares y, por lo tanto, más complejas que las originales. Con esta formu-
lación más general el modelo de microestructura queda definido a través de tres parámetros:
las variables µ1 y µ2 y el ángulo de orientación θ.
Figura 2.2: Estructura “hole-in-cell” (Olhoff y Eschenauer [71])
Este tipo de planteamientos presenta, sin embargo, un algunos inconvenientes dado que
se utilizan varios parámetros distintos (en este caso 3) para definir el tensor de elasticidad
del material y, por tanto, hay que definir otras tantas variables de diseño para cada uno de
los elementos de la malla, lo que supone, en la práctica, un número muy elevado.
2.3.3. Modelo de microestructuras formadas por capas (Layered Micros-

tructures)
Otro de los modelos frecuentemente utilizados corresponde a las microestructuras (cel-

das base) formadas por capas de material de diferentes propiedades y orientaciones espa-
ciales.
De acuerdo con esta idea general se pueden plantear modelos de microestructura de

rango 1 formadas con una única capa de fibras de material orientadas en una dirección
determinada (figura 2.3 izquierda), modelos de microestructura de rango 2 formadas por
2 capas de fibras de material orientadas en dos direcciones diferentes (figura 2.3 centro) y
modelos de microestructura de rango 3 formadas por 3 capas de material convenientemente
orientadas (figura 2.3 derecha).
Estas formulaciones no aportan, aparentemente, ventaja alguna frente al modelo “hole-

in-cell” dado que el número de variables que es necesario definir en cada elemento es elevado.
Sin embargo, las microestructuras formadas por capas de material presentan la particulari-
dad de que son las soluciones de máxima rigidez cuando las direcciones de las fibras coinciden
con las direcciones principales de esfuerzos a que está sometido el material. El modelo de
rango 1 es la solución de máxima rigidez para elementos unidimensionales cuando las fibras
se orientan de forma longitudinal. Lo mismo ocurre con las configuraciones de rango 2 y de
rango 3 para problemas en 2 y 3 dimensiones, respectivamente.
Si además se considera que la mayor parte de los trabajos realizados en el ámbito de

la optimización topológica de estructuras se plantean mediante formulaciones de máxima
rigidez con una restricción en el volumen de material este tipo de microestructuras serı́an
las más adecuadas para este problema.
Por el contrario, estas celdas base presentan también algunos de los inconvenientes
que presenta el modelo “hole-in-cell” dado que la definición de la microestructura para
cada celda requiere de un número elevado de parámetros, lo que limita considerablemente
su aplicabilidad en la práctica. Además, es previsible que las configuraciones obtenidas
presenten zonas importantes de material con densidades intermedias, lo que provoca que
la solución final del problema no proporcione distribuciones razonablemente parecidas a
configuraciones vacı́o-lleno.
La configuración final de la microestructura correspondiente a una celda base de rango

3 con una orientación de las capas ortogonal se puede observar en la figura 2.4.
Figura 2.3: Microestructura bidimensional por capas de rango 3 (Olhoff y Eschenauer [71])
Figura 2.4: Microestructura tridimensional por capas de rango 3 (Olhoff y Eschenauer [71])
2.3.4. Material Sólido Isotrópico con Penalización (SIMP)
Los modelos de microestructura “hole-in-cell” y los formados por capas de material

presentan inconvenientes importantes ya que el número de variables de diseño por cada
celda es elevado, lo que limita en la práctica su aplicabilidad debido al elevado número de
elementos que se utiliza. Además, las soluciones finales obtenidas con estos modelos (espe-
cialmente con los formados por capas) presentan grandes zonas con densidades intermedias
que son difı́cilmente realizables en la práctica. Estos inconvenientes han motivado el de-
sarrollo de nuevos planteamientos con variables continuas que reducen la complejidad del
problema resultante. El más importante y el que mayor relevancia y difusión ha adquirido es
el modelo de material sólido isotrópico con penalización o SIMP (“Solid Isotropic Material
with Penalty”).
El modelo SIMP se basa en la idea de utilizar un esquema de grosor variable propuesto

en 1973 por Rossow y Taylor [91] de modo que el tensor de elasticidad efectivo del material
para densidades relativas intermedias se obtiene como:
Eijkl = ρp Eijkl
o
, p > 1, 0 < ρmin ≤ ρ ≤ 1 (2.4)
donde Eijkl representa el tensor de elasticidad del material para valores de densidad relativa
o
ρ intermedios y Eijkl es el tensor de elasticidad del material sólido. El exponente p se utiliza
para penalizar los elementos con densidades intermedias cuando p > 1. El efecto de esta
penalización se puede observar en la figura 2.5 para distintos valores de la penalización.
Figura 2.5: Efecto de la penalización sobre la rigidez en el modelo SIMP
Un factor de penalización p > 1 provoca que la rigidez del material sea proporcional-
mente inferior al volumen empleado, que sigue un comportamiento lineal con el valor de las
variables de diseño, tal y como se puede observar en la figura 2.5. El efecto de esta penaliza-
ción se puede observar en los trabajos propuestos por Bendsøe ([5], [7]), donde se indica que
para valores de p ≥ 3 la distribución de material obtenida corresponde, fundamentalmente,
a una solución del tipo vacı́o-lleno.
El modelo SIMP no se propuso inicialmente del mismo modo que las microestructuras
presentadas anteriormente. Su utilización está basada en la facilidad de aplicación de su
formulación (sin necesidad de aplicar homogeneización) y en la posibilidad de establecer
penalizaciones sobre las zonas de la estructura con densidades intermedias, de modo que las
soluciones obtenidas se aproximen en mayor medida a distribuciones binarias (0-1). Además,
tal y como se puede observar en la ecuación (2.4), el modelo sólo incorpora en el problema
de optimización topológica una única variable de diseño por cada elemento ya que no se
requiere la definición de microestructuras complejas que incorporen varios parámetros para
su caracterización.
En realidad, la formulación SIMP no se obtuvo mediante las técnicas de homogeneiza-
ción utilizadas en los modelos presentados anteriormente sino que se planteó directamente
a partir de la expresión matemática (2.4) sin analizar los fundamentos fı́sicos subyacentes.
Primero se planteó la formulación matemática y se aplicó en los problemas de optimización
y, posteriormente, se demostró que esta teorı́a matemática correspondı́a a una microestruc-
tura de material realista, lo que proporcionó la interpretación fı́sica al modelo (Bendsøe y
Sigmund [7]). El modelo SIMP puede asimilarse, por tanto, con una configuración resistente
real para unos valores del factor de penalización p y del módulo de Poisson ν adecuados.
Ası́, para un valor habitual del módulo de Poisson (ν = 1/3) el modelo SIMP se correspon-
de fı́sicamente con una microestructura real del material cuando el factor de penalización
p > 3 (Eschenauer y Olhoff [26], Bendsøe y Sigmund [7]), obteniéndose un material com-
puesto (“composite”) formado por partes huecas y partes sólidas como el que se propone
en la figura 2.6.
Figura 2.6: Microestructura correspondiente para el modelo SIMP (p = 3, ν = 1/3) Bendsøe

y Sigmund [7], Eschenauer y Olhoff [26]
Otras configuraciones para distintos valores del módulo de Young pueden observarse
en las figuras 2.7 y 2.8.
A pesar de todas las ventajas que proporciona el modelo SIMP también son notables
Densidad 0.25 Densidad 0.5 Densidad 0.75
Figura 2.7: Microestructura del modelo SIMP (p = 3, ν = 0), Bendsøe y Sigmund [7]
Densidad 0.25 Densidad 0.5 Densidad 0.75
Figura 2.8: Microestructura del modelo SIMP (p = 3, ν = 0.5), Bendsøe y Sigmund [7]
los inconvenientes dado que las soluciones obtenidas para el problema de optimización to-
pológica de estructuras dependen en gran medida del factor de penalización propuesto en la
ecuación (2.4). La aplicación de este modelo en formulaciones de máxima rigidez presenta
algunos inconvenientes puesto que se obtienen fenómenos indeseados como disposiciones en
damero o checkerboard (figura 2.9) y soluciones dependientes de la malla de Elementos Fi-
nitos (mesh dependency) tal y como se puede apreciar, por ejemplo, en el libro de Bendsøe
[5].
2.4. Otras aplicaciones de la optimización topológica
Además de los problemas más habituales expuestos en los apartados anteriores, la op-
timización topológica de estructuras también se ha extendido a otros ámbitos de aplicación
que presentan un enfoque distinto del original como, por ejemplo:
• El diseño de estructuras vibrantes. Además de formulaciones estáticas del problema

Figura 2.9: Solución de viga en voladizo con disposición en damero (Dı́az y Sigmund [17])
se han incorporado desarrollos que tienen en cuenta la respuesta dinámica y, en con-

secuencia, las frecuencias propias de vibración (Ma, et al. [49]).
• El diseño de transductores piezoeléctricos (Silva, et al. [105]).
• El diseño de microactuadores electrotermomecánicos (Sigmund, et al. [100], [104]).
• El diseño de mecanismos adaptativos (compliant mechanisms) (Pedersen, et al. [83],

Sigmund, et al. [104]).
• El diseño de materiales con parámetros constitutivos prescritos y/o con propieda-

des térmicas y elásticas extremas; también conocido como “problema inverso” dado
que el comportamiento resistente se impone de antemano y se busca el modelo de
microestructura que lo cumple (Sigmund, et al. [96], [97], [98], [102], [104]).
En este último aspecto, se han logrado grandes avances obteniendo microestructuras

de materiales con propiedades tanto térmicas como elásticas no presentes en la naturaleza
y que, por tanto, podrı́an utilizarse en aplicaciones especı́ficas que las requieran.
Ejemplos de estos materiales con propiedades prescritas son, por ejemplo, los materiales
con coeficiente de dilatación nulo o negativo (figura 2.10). En este ejemplo analizado por
Sigmund, et al. [97], [98] el coeficiente de dilatación global de la microestructura resultante
es αm = −4.17 y se obtiene a partir de una distribución adecuada de dos materiales con
coeficientes de dilatación αr = 1 (rojo) y αa = 10 (azul).
De modo similar se pueden obtener otros materiales con propiedades prescritas como,
por ejemplo, coeficiente de Poisson negativo tal y como se puede observar en la figura 2.11
Figura 2.10: Microestructura con coeficiente de dilatación negativo (Sigmund, et al. [97],
[98])
(Sigmund, et al. [97], [98]).
Figura 2.11: Microestructura con coeficiente de Poisson negativo (Sigmund, et al. [97], [98])
2.5. Resumen
El problema de optimización topológica surgió inicialmente como un problema discreto
de distribución de material en un dominio predefinido. Desde que se llevaron a cabo las pri-
meras contribuciones en esta disciplina se han propuesto diferentes formulaciones y modelos
para resolverlo. Estas técnicas pueden clasificarse en discretas o continuas en función del
tipo de soluciones que proporcionan. Las formulaciones discretas presentan distribuciones
de material vacı́o-lleno mientras que las continuas proporcionan soluciones con variables de
diseño continuas entre 0 y 1.
Las formulaciones que proporcionan soluciones discretas del problema pueden plantear-
se de forma directa a partir de la formulación original (por ejemplo, utilizando los criterios
de optimalidad, la optimización estructural evolutiva, la optimización jerárquica de búsque-

da por proximidad o los algoritmos genéticos) o bien a través de técnicas de optimización
no discreta que producen distribuciones de material vacı́o-lleno (por ejemplo, el método de
las curvas de nivel o el método de la burbuja).
Por otra parte, también se han desarrollado formulaciones continuas que simplifican la
complejidad del problema de optimización pero, para ello, es necesario disponer de modelos
de materiales que permitan caracterizar la respuesta estructural para valores intermedios
de las variables de diseño. Una vez obtenido el modelo de comportamiento del material, el
problema resultante se puede resolver mediante las técnicas de optimización habituales. Los
ejemplos de microestructura más utilizados en la literatura son el modelo “hole-in-cell”, los
materiales formados por capas (rank layered) y el modelo SIMP (Solid Isotropic Material
with Penalty) entre otros.
Las técnicas y modelos utilizados en la resolución de los problemas convencionales de
optimización topológica también se han empleado con éxito en otros ámbitos de aplicación
como la obtención de materiales con parámetros constitutivos predefinidos o el diseño de
mecanismos.
Una vez presentado el problema de optimización topológica de estructuras y analizado
el estado actual del conocimiento de esta disciplina se procede a desarrollar la formulación
continua de mı́nimo peso con restricciones en tensión que se propone en esta tesis. Para
ello es necesario disponer de un método de cálculo de estructuras que permita incorporar el
efecto de las variables de diseño continuas en su formulación. A continuación se describe el
método de cálculo de estructuras que se utiliza para abordar el problema de optimización
que se plantea.
29
Todo en la vida está sujeto a cálculo.
Napoleón Bonaparte (1769-1821)
Capı́tulo 3
Formulación del problema

estructural
3.1. Introducción
El problema de optimización topológica de estructuras continuas que se propone en

esta tesis requiere un método fiable de cálculo de estructuras para obtener el comporta-
miento resistente de las distintas soluciones planteadas durante todo el proceso de diseño.
Esta técnica de cálculo debe, además, permitir la incorporación de las variables de diseño
(densidades relativas) en su formulación.
Debido al carácter continuo del dominio del problema estructural que se pretende ana-
lizar en esta tesis doctoral se utiliza el Método de los Elementos Finitos como técnica de
cálculo del comportamiento resistente. Además, la formulación de este método nos per-
mitirá obtener, además de la respuesta estructural, información acerca de otros aspectos
vitales para el problema de optimización tales como el peso de la estructura, el valor de las
restricciones e incluso el análisis de sensibilidad.
El modelo de cálculo que se propone parte de un planteamiento estándar del método
(Hughes [37], Navarrina, et al. [69], Oñate [72], Zienkiewickz y Taylor [125]) sobre el que
se aplican las modificaciones necesarias para incorporar el efecto de las variables de diseño
(densidades relativas) del problema de optimización. A continuación se propone un desarro-

llo general del análisis estructural sin considerar el efecto de la densidad relativa y el modelo
propuesto en esta tesis para comparar ambas formulaciones.
3.2. Planteamiento del problema estructural

Sea Ωo un dominio del espacio material que está ocupado por un cuerpo que, bajo
la acción de cargas exteriores aplicadas, se deformará ocupando un dominio Ω diferente.
Entonces, cualquier punto P o del dominio Ωo pasará a ocupar un punto P del dominio Ω
una vez que se ha deformado el cuerpo. Si definimos como r o y r a los vectores de posición
de P o y P podemos calcular los desplazamientos de cada punto según:
u(r o ) = r(r o ) − r o . (3.1)

Una vez conocidos estos desplazamientos podemos obtener las deformaciones ε(r o ) y
las tensiones σ(r o ) en cada punto P o bajo las hipótesis de:
• pequeños desplazamientos,
• pequeñas derivadas de desplazamientos y
• material elástico y lineal
como:
ε = Lu, σ = Dε (3.2)
donde L es la matriz de deformación-desplazamientos y D es la matriz constitutiva del
material. Los vectores ε y σ son los vectores de deformaciones y de tensiones respectivamente
para cada punto (Hughes [37]).
Para unas cargas externas aplicadas por unidad de volumen b(r o ) sobre el cuerpo en
el dominio Ωo y unas cargas por unidad de superficie t(r o ) en el contorno Γoσ el análisis
estructural consiste en
Hallar u ∈ Hu (3.3a)
tal que a(w, u) = (w, b)Ωo + (w, t)Γoσ ∀w ∈ Hw (3.3b)
ZZZ
siendo a(w, u) = (Lw)T D(Lu)dΩ, (3.3c)
Ωo
ZZZ ZZ
T
(w, b)Ωo = w bdΩ, (w, t)Γoσ = wT tdΓ, (3.3d)
Ωo Γoσ
Capı́tulo 3. Formulación del problema estructural 31
donde las funciones de prueba u y las funciones de test w satisfacen las condiciones contor-
no esenciales (desplazamientos prescritos) y las correspondientes condiciones de contorno
homogéneas, respectivamente (Navarrina, et al. [69]).
3.2.1. Modelo numérico de Elementos Finitos
La resolución analı́tica del problema planteado anteriormente no es generalmente po-

sible, lo que nos obliga a aproximar la solución exacta a través de una discretización finita
del dominio. Para ello será necesario remplazar los espacios continuos de las funciones Hu y
Hw por los correspondientes espacios discretizados Huh y Hwh y por las respectivas funciones
de prueba uh y de test wh de los mismos. Sean, por tanto, {Φi (r o )} y {wj (r o )} unas ba-
ses convenientemente elegidas de las funciones de prueba y de test en los correspondientes
subespacios Huh y Hwh , que verifican las condiciones de contorno homogéneas del problema.
La solución aproximada del problema estructural (3.3) se puede plantear como
N
X
uh (r o ) = up (r o ) + Φi (r o )αi , Φi (r o ) = φi (r o )I 3 , (3.4a)
i=1
N
X
h o
w (r ) = W j (r o )β j , W j (r o ) = wj (r o )I 3 , (3.4b)
j=1
donde αi |i=1,..., N son las incógnitas del problema (desplazamientos nodales) y uh (r o ) el

vector de desplazamientos de un punto de coordenadas r o .
La discretización espacial del dominio se realiza de modo que
Ne
[ \
Ωo = Ωe , Ωe1 Ωe2 = φ ∀ e1 6= e2 (3.5)
e=1
donde Ωe el dominio ocupado por el elemento e y Ne es el número de Elementos Finitos

utilizados. Las bases de funciones de prueba y de test se plantean habitualmente, en pro-
blemas de cálculo de estructuras, mediante formulaciones isoparamétricas de tipo Galerkin
de modo que
wj (r o ) = φj (r o ). (3.6)
Consecuentemente el modelo de Elementos Finitos con aproximación de tipo Galerkin

consiste en:
Hallar α = {αi } , i = 1, . . . , N (3.7a)

N
X
tal que K ji αi = f j , j = 1, . . . , N (3.7b)
i=1
siendo K ji = a(Φj , Φi ), (3.7c)

p
f j = (Φj , b)Ωo + (Φj , t)Γoσ − a(Φj , u ). (3.7d)
donde los términos K ji y fj pueden obtenerse ensamblando las contribuciones elementales

de cada elemento como
Ne
X ZZ Ne
X
K ji = K eji , fj = ΦTj tdΓ + f ej , (3.8)
e=1 Γoσ e=1
siendo
ZZZ
K eji = (LΦj )T D(LΦi )dΩ, (3.9a)
Ωe
ZZZ
f ej = (ΦTj b − (LΦj )T D(Lup ))dΩ. (3.9b)
Ωe
En problemas bidimensionales el operador diferencial L se define como:

 
∂
∂x 0
 ∂

L=
 0 ∂y

 (3.10)
∂ ∂
∂y ∂x
y la matriz constitutiva D (para una material elástico, lineal e isótropo):

 
d11 d12 0
 
D=
 d21 d22 0 
 (3.11)
0 0 d33
donde
Tensión Plana Deformación Plana

E E(1 − ν)
d11 = d22 = d11 = d22 =
1 − ν2 (1 + ν)(1 − 2ν)
ν (3.12)
d12 = d21 = νd11 d12 = d21 = d11
1−ν
E E
d33 = =G d33 = =G
2(1 + ν) 2(1 + ν)
siendo E el módulo de elasticidad del material y ν el coeficiente de Poisson (Oñate [72]).

Una vez obtenida la solución al problema (3.7), se puede calcular para cualquier punto
ro ∈ Ωo la aproximación de los desplazamientos, deformaciones y tensiones de acuerdo con
(3.2) y (3.4) como:
N
X
h o p o
u (r ) = u (r ) + Φi (r o )αi , (3.13a)
i=1
εh (r o ) = Luh (r o ), (3.13b)
σ h (r o ) = Dεh (r o ). (3.13c)
3.3. Análisis estructural de material con densidad relativa

Para realizar el análisis estructural incorporando la densidad relativa de cada elemento
seguiremos un esquema similar al planteado en el apartado anterior. Partimos de un dominio
Ωo que ahora estará ocupado por un material poroso y definimos la variable de diseño ρ(r o )
como la densidad relativa del material en un punto P o de coordenadas r o . Esta densidad
relativa es el término complementario a 1 de la porosidad del material y varı́a de forma
continua desde 0 (vacı́o) hasta 1 (lleno).
De acuerdo con (3.1), el análisis estructural pretenderá obtener el campo de desplaza-
mientos ası́ como las deformaciones y tensiones asociadas para una configuración material
dada asumiendo las hipótesis que se plantean en el apartado 3.2.
Si definimos como dΩ el volumen ocupado por una región diferencial de material entorno
al punto P o , el volumen de material sólido existente en esta región diferencial es ρ(r o ) dΩ
(debido al efecto de la porosidad) de modo que el análisis realizado en (3.3) puede reescribirse
en la forma:
Dado ρ(Ωo ) (3.14a)

hallar u ∈ Hu (3.14b)
tal que a(w, u) = (w, b)Ωo + (w, t)Γoσ ∀w ∈ Hw (3.14c)
ZZZ
siendo a(w, u) = (Lw)T D(Lu)ρdΩ, (3.14d)
o
ZZZΩ ZZ
T
(w, b)Ωo = w bρdΩ, (w, t)Γoσ = wT tdΓ, (3.14e)
Ωo Γoσ
Como se puede observar, los cambios que se introducen en la formulación se reducen

a tener en cuenta el efecto de la porosidad en la integración de los términos elementales
correspondientes. Una vez calculadas estas contribuciones elementales, las deformaciones y

tensiones se calculan del mismo modo que en (3.13). Sin embargo, es importante destacar
que el análisis anterior carece de sentido fı́sico cuando la densidad relativa es nula (no existe
material en ese punto). Consecuentemente, los desplazamientos, deformaciones y tensiones
tampoco existen.
3.3.1. Modelo numérico de Elementos Finitos con densidad relativa
El análisis estructural por Elementos Finitos para un material con densidad relativa se
puede plantear a partir de (3.7), teniendo en cuenta las modificaciones que se incorporan
sobre la formulación original en el apartado 3.3. Debido al carácter continuo de la densidad
relativa, será necesario proponer una solución aproximada de la misma a través de una
discretización similar a la empleada para el campo de desplazamientos en (3.4) y (3.13).
Sin embargo, para simplificar el problema es habitual asumir que la densidad relativa es
constante en el dominio de cada elemento de la malla de Elementos Finitos tal y como
se puede comprobar en gran parte de los trabajos de investigación sobre optimización to-
pológica publicados (por ejemplo, Cheng y Jiang [12], Duysinx y Sigmund [21], Pereira, et
al. [84] y Sigmund [96], entre otros).
Por lo tanto, se define ρ = {ρe } como el vector de densidades relativas de los elementos
de la malla que a su vez serán las variables de diseño del problema de optimización. Según
(3.14), una vez conocido ρ, el problema a resolver consiste en
Hallar α(ρ)
N
X (3.15)
tal que K ji (ρ)αi (ρ) = f j (ρ), j = 1, . . . , N.
i=1
Al igual que en la formulación sin densidad relativa los términos necesarios para resol-
ver (3.15) se pueden calcular ensamblando las contribuciones de cada elemento de forma
independiente de modo que:
Ne
X
K ji (ρ) = K eji (ρ), (3.16a)
e=1
ZZ Ne
X
f j (ρ) = ΦTj tdΓ + f ej (ρ), (3.16b)
Γoσ e=1
siendo las contribuciones elementales

ZZZ
K eji (ρe ) = (LΦj )T D(LΦi )ρe dΩ, (3.17a)
Ωe
ZZZ
f ej (ρe ) = (ΦTj b − (LΦj )T D(Lup ))ρe dΩ. (3.17b)
Ωe
Una vez que se ha obtenido la solución α(ρ) del problema (3.15) se pueden calcular
para cualquier punto P o , del mismo modo que en (3.13), las aproximaciones
N
X
uh (r o , ρ) = up (r o ) + Φi (r o )αi (ρ), (3.18a)
i=1
εh (r o , ρ) = Luh (r o , ρ), (3.18b)

h o h o
σ (r , ρ) = Dε (r , ρ). (3.18c)
Las deformaciones y tensiones se calculan a partir de los desplazamientos calculados

previamente del mismo modo que para la formulación sin densidad relativa, tal y como se
puede observar al comparar las ecuaciones (3.13) con las (3.18). Este hecho permite calcular
las deformaciones y tensiones de forma independiente a partir los desplazamientos obtenidos
previamente.
Esta particularidad también se confirma en las aplicaciones del modelo SIMP con res-
tricciones en tensión propuestas por Duysinx y Bendsøe [20]. De hecho, a pesar de que el
modelo SIMP y el propuesto en esta tesis surgen desde una concepción distinta, ambos
alcanzan conclusiones similares.
Tal y como se ha presentado en el capı́tulo 2 el modelo de material SIMP establece que
el módulo de elasticidad del material varı́a con la densidad relativa como
Ei (ρ) = (ρi )p Eio , i = 1, . . . , Ne , (3.19)
siendo p un parámetro que penaliza la rigidez de los elementos que presentan densidades
relativas intermedias, proporcionando ası́ distribuciones de material que se aproximan en
gran medida a la solución discreta vacı́o-lleno.
Esta formulación es la más habitual y se utiliza en formulaciones de máxima rigidez
como las que proponen Bendsøe ([5] y [4]), Stolpe [109] o Haber, et al. [34], entre otros.
En las formulaciones de mı́nimo peso con restricciones en tensión también se utiliza, por
ejemplo, en los trabajos de Duysinx y Bendsøe [20] o Pereira, et al. [84].
En la formulación de cálculo de estructuras que se propone en esta tesis el efecto de
la porosidad se incorpora en el cálculo del volumen de material en el momento de realizar
las integrales de las ecuaciones (3.17) en vez de incorporarla en la matriz constitutiva, tal y
como se realiza en la formulación SIMP (3.19). Si no se utiliza penalización de las densidades
intermedias en el modelo SIMP, ambos esquemas producen planteamientos estructurales
equivalentes. Sin embargo, la formulación SIMP incorpora, en la mayor parte de los trabajos
publicados, una penalización sobre las densidades relativas intermedias y, por lo tanto,
presenta un comportamiento diferente que el modelo que se propone en esta tesis.
3.4. Resumen
El planteamiento del problema de optimización topológica de estructuras continuas
requiere un método eficaz y fiable que nos permita obtener la respuesta estructural de
los diseños que se proponen. Para problemas estructurales continuos (objeto de esta tesis
doctoral) el modelo de cálculo de estructuras más habitual en ingenierı́a es el Método de
los Elementos Finitos. Sin embargo, este planteamiento debe complementarse con modelos
de microestructura (capı́tulo 2) que permitan incorporar el efecto de la densidad relativa
en la formulación.
En esta tesis se presenta un modelo que relaciona directamente la matriz de rigidez
de cada elemento de la estructura con la densidad relativa del mismo (apartado 3.3). Por
lo tanto, para adaptar una formulación convencional de Elementos Finitos y ası́ poder
emplearla en el problema de optimización topológica, bastará con incorporar en el cálculo
de las integrales elementales correspondientes (3.17) la contribución de la densidad relativa,
que será constante para cada elemento. El resto de los cálculos se realizarán de la misma
forma que para formulaciones convencionales de Elementos Finitos que no incorporen el
término de densidad relativa, lo que simplifica y facilita en gran medida la obtención del
comportamiento estructural.
Una vez conocido el método de cálculo estructural que se aplicará a lo largo de todo
el proceso de diseño procedemos a continuación a exponer la formulación matemática del
problema de optimización topológica.
37
La formulación de un problema es más importante

que su solución.
Albert Einstein (1879-1955)
Capı́tulo 4
Formulación del problema de

optimización topológica
4.1. Introducción
El problema de optimización topológica que se presenta en esta tesis doctoral corres-

ponde a un enfoque continuo de las variables de diseño. A diferencia de las formulaciones
discretas, las variables de diseño del problema (densidades relativas) pueden tomar valores
intermedios entre 0 y 1 para definir la distribución óptima de material. De este modo, para
cada elemento de la malla (que define el dominio de la estructura) se establece una varia-
ble de diseño constante y continua (densidad relativa) que define su estado material. Esta
continuidad de las variables de diseño permite analizar el comportamiento estructural de
las soluciones obtenidas con la metodologı́a propuesta en el capı́tulo 3. A su vez, también
permite aplicar las técnicas y algoritmos de optimización que se utilizan habitualmente en
otras ramas de la optimización con variables de diseño continuas.
Una vez propuesto el enunciado del problema a resolver y definido el modelo de cálculo
de estructuras empleado procedemos a desarrollar la formulación de diseño óptimo que
minimice el coste de la solución estructural y cumpla las restricciones en tensión que se
establezcan.
4.2. Formulación de mı́nimo peso
En general, todo problema de optimización pretende:
hallar ρ = {ρi }, i = 1, . . . , n
que minimice F (ρ)
gj r oj , ρ ≤ 0,

verificando j = 1, . . . , m (4.1)
h` (r o` , ρ) = 0, ` = 1, . . . , p
ρmin ≤ ρi ≤ ρmax , i = 1, . . . , n
donde ρ = {ρi } es el vector de variables de diseño, F (ρ) es la función objetivo a minimizar,

gj son las restricciones en desigualdad y h` son las restricciones de igualdad del problema,
siendo n el número de variables de diseño del problema y m y p el número de restricciones de
desigualdad y de igualdad respectivamente. Los lı́mites laterales de las variables de diseño
se definen como ρmin y ρmax para el valor inferior y superior, respectivamente.
Los problemas de diseño óptimo de estructuras pueden simplificarse ligeramente dado
que, generalmente, no disponen de restricciones de igualdad y, por tanto, podemos reescribir
(4.1) como
hallar ρ = {ρi }, i = 1, . . . , n
que minimice F (ρ)
(4.2)
gj r oj , ρ ≤ 0,

verificando j = 1, . . . , m,
ρmin ≤ ρi ≤ ρmax , i = 1, . . . , n.
Para el problema de optimización topológica las restricciones laterales toman el valor

ρmax = 1 (material sólido) para el lı́mite superior y un valor inferior ρmin ligeramente
superior a 0 para evitar que la matriz de rigidez de la estructura sea singular. El valor
habitualmente utilizado en la literatura es ρmin = 0.001 (Bendsøe y Kikuchi [3], Bendsøe
[5]).
De acuerdo con el planteamiento del problema de optimización propuesto en (4.2) los
factores fundamentales del problema de optimización residen en la definición de la función
objetivo más adecuada y de las restricciones que se imponen. De estos aspectos dependerá en
gran medida el tipo de problema de optimización ası́ como las técnicas que se utilizan
para resolverlo. Por lo tanto, para formular el problema de optimización que se presenta
procedemos a desarrollar y analizar la función objetivo del mismo ası́ como la forma de
imponer las restricciones en tensión.
Capı́tulo 4. Formulación del problema de optimización topológica 39
4.3. Función objetivo
La función objetivo de la formulación que se propone en esta tesis doctoral se basa en

la minimización del peso de la estructura, es decir:
Ne Z
X
F = ρe dΩe (4.3)
e=1 Ωe
Sin embargo, como ya se ha comentado en el apartado 3.3.1, es muy habitual incluir

factores de penalización en la formulación para evitar disposiciones de material con un
número elevado de zonas con densidades relativas intermedias. En la formulación SIMP se
impone directamente la penalización sobre el módulo de elasticidad del material (3.19) pero
en esta tesis doctoral el factor de penalización de las densidades intermedias se incorpora
en la función objetivo. La pretensión de obtener soluciones con distribuciones de material
vacı́o-lleno forma parte de la función objetivo del problema de optimización. De este modo
no se condiciona el comportamiento estructural con una penalización que forma parte de
la pretensión final del problema: obtener distribuciones óptimas de material con elemen-
tos llenos o vacı́os. Para incorporar este efecto es necesario modificar la función objetivo
propuesta en (4.3). En esta tesis se propone una formulación que incorpora el efecto de la
penalización a través de una función potencial dada por:
Ne Z
X
F = (ρe )1/p dΩe (4.4)
e=1 Ωe
donde p es el factor de penalización de densidades intermedias de modo que si p > 1 se

introduce una penalización en la función objetivo para las densidades intermedias y si, por
el contrario, p < 1 se favorece la aparición de material con densidades intermedias. En el
caso de que p = 1 se obtendrá la función objetivo inicial (4.3) sin penalización alguna.
El efecto de esta penalización puede observarse fácilmente en la figura 4.1 para distintos
valores del parámetro p.
Además, como se puede observar en la figura 4.1, si la solución óptima presenta una
distribución de material fundamentalmente binaria (0-1) la función de mı́nimo coste es
equivalente a la función de mı́nimo peso dado que la penalización se establece principalmente
para las zonas con densidades relativas intermedias.
Figura 4.1: Exponente de la función objetivo para distintos valores de penalización.
4.4. Restricciones en tensión

El otro aspecto fundamental de toda formulación de diseño óptimo son las restriccio-
nes. En este caso, se propone la utilización de restricciones en tensión para garantizar la
factibilidad del diseño final. En general, este tipo de restricciones han tenido gran difusión
en otras disciplinas como la optimización de formas y la optimización de dimensiones. Sin
embargo, en optimización topológica de estructuras el objetivo más habitual es, como ya se
ha explicado, la maximización de la rigidez fijado un volumen de material a emplear (véase
por ejemplo, Bendsøe y Kikuchi [3], Bendsøe [5], Duysinx [18], Eschenauer y Olhoff [26]).
También hay que destacar algunas contribuciones que minimizan el peso y establecen como
restricción un valor mı́nimo de rigidez para la estructura (Liang y Steven [46]). En otras
aplicaciones la función objetivo consiste en minimizar las tensiones dada una cantidad de
material a emplear (Allaire, et al. [2]).
En este trabajo se pretende abordar esta problemática desde el mismo punto de vista
que en el resto de disciplinas de la optimización de estructuras minimizando el coste y
estableciendo restricciones de tipo tensional a pesar de que, como se verá a continuación,
este tipo de formulaciones son en general más complejas que los modelos de máxima rigidez.
4.5. Restricciones en tensión de tipo local

Generalmente, la forma más habitual de establecer restricciones en tensión consiste
en plantearlas desde un punto de vista local en unos puntos predefinidos del dominio de
la estructura. En el caso de la optimización topológica de estructuras lo más habitual es
introducir restricciones en tensión en el punto central de cada elemento finito. Para ello,
es habitual utilizar un criterio de rotura para plantear las restricciones en tensión. De este
modo:
b(σ h (r oe , ρ)) − σ
ge,1 (ρ) = σ bmax ≤ 0,
(4.5)
b(σ h (r oe , ρ)) ≤ 0,
bmin − σ
ge,2 (ρ) = σ
b(σ h ) es la tensión de comparación empleada. El tensor de tensiones σ se establece

donde σ
a través de sus componentes como
 

 σx 


 



 σy 



 

 σ 
z
σ= (4.6)
 τxy
 


 

τyz

 


 

 
τzx
 
Si el material que se utiliza para la estructura es el acero, el criterio de rotura más

habitual es el de Von Mises que, de acuerdo con la Norma EA-95 [53], establece que:
r h
1 i
σ
bVM (σ) = (σx − σy )2 + (σy − σz )2 + (σz − σx )2 + 6 τxy
2 + τ2 + τ2
yz zx . (4.7)
2
bVM ≤ σ
La Norma EA-95 [53] determina que, además de que σ bmax , debe cumplirse que:
σI ≤ 2 σ
bmax , si σ I , σ II , σ III > 0. (4.8)
En problemas bidimensionales en tensión plana este criterio se reduce a considerar que
q
σ
bVM (σ) = σx2 + σy2 − σx σy + 3τxy
2 ≤σ
bmax . (4.9)
De acuerdo con este planteamiento la restricción en tensión propuesta en (4.5) aplicando

el criterio de comparación de Von Mises quedarı́a como:
bVM,e (σ h (r oe , ρ)) − σ
ge (ρ) = σ bmax ≤ 0, (4.10)
bVM (σ h (r oe , ρ)) la tensión de comparación de Von Mises obtenida a partir del tensor
siendo σ
de tensiones calculado (σ h (r oe , ρ)) y σ
bmax el valor máximo de la tensión de comparación.
La formulación del problema de optimización que se propone en esta tesis incorpora
restricciones en tensión a partir del criterio de Von Mises. Este mismo método ha sido
utilizado en otros trabajos sobre optimización topológica de estructuras por autores como
Burger y Stainko [10], Duysinx y Bendsøe [20], Duysinx y Sigmund [21] o Pereira, et al.
[84]. Otros criterios de rotura similares y aplicables a diferentes tipos de materiales pueden
encontrarse por ejemplo en la publicación de Duysinx [19].
4.5.1. Fenómenos de singularidad
La forma de imposición de las restricciones propuesta en las ecuaciones (4.5) y (4.10)

presenta fenómenos de singularidad debido a la discontinuidad que presentan las restriccio-
nes en tensión cuando la densidad relativa del material tiende a cero. Si en un elemento la
densidad relativa es muy pequeña la restricción en tensión puede estar violada y, en con-
secuencia, exceder su valor máximo permitido, pero si en ese mismo elemento la densidad
relativa alcanza el valor ρ = 0, no tiene sentido hablar de tensión en ese elemento, de modo
que la restricción desaparece dejando ası́ de estar violada. Algunos de estos fenómenos de
singularidad aparecen reflejados en los trabajos de Cheng y Jiang [12], Cheng y Guo [13] y
Duysinx y Bendsøe [20], ası́ como algunas de las posibles soluciones utilizadas para evitar
este problema.
Un ejemplo claro de singularidad puede encontrarse en la bibliografı́a en el trabajo de
Navarrina, et al. [69]. El problema en cuestión consiste en estudiar los fenómenos que tienen
lugar al aplicar el máximo momento flector antes de rotura sobre una sección rectangular,
a la que se añaden unas platabandas en las fibras superiores e inferiores (figura 4.2) de
espesor determinado y densidad relativa variable. Si se resuelve el nuevo problema con las
platabandas se observa que al aproximarnos a la solución óptima (que serı́a la eliminación
total de las platabandas) las restricciones en tensión se incumplen, paralizando ası́ el proceso
de optimización y evitando la obtención de la solución óptima real.
Figura 4.2: Sección de viga con platabandas de densidad variable.
Si ahora se plantean los valores de las restricciones en los extremos de las platabandas
se deduce que:
η − (3η + 3η 2 + η 3 )ρ

bmax ≤ 0
σ (4.11)
1 + (3η + 3η 2 + η 3 )ρ
siendo η la relación entre el espesor de la platabanda con el semicanto c, y si se eliminan
los infinitésimos de orden superior (para valores pequeños de η) de la expresión (4.11)
obtenemos que:

η − 3ηρ
bmax ≤ 0.
σ (4.12)
1 + 3ηρ
Como se puede observar en la figura 4.3, la restricción se incumple a medida que la
densidad relativa se reduce hasta que desaparece todo el material y, en consecuencia, la
restricción también desaparece. Por lo tanto, con este planteamiento no se alcanzarı́a el
óptimo (ρ = 0) porque se vioları́a la restricción a medida que la solución se aproxima al
óptimo.
Figura 4.3: Restricción en tensiones reales en viga con platabandas para η = 0.1 (restricción
escalada por σ
bmax )
Este modelo puede mejorarse modificando ligeramente la forma de imponer las restric-
ciones. En la ecuación (4.5) las tensiones del material son tensiones reales. Sin embargo, si
se multiplica la restricción por el valor de la densidad relativa del elemento, las restricciones
no cambian y se suaviza la solución en torno al óptimo obteniendo que:

ge = σbVM,e σ he (ρ) − σ
bmax ρe ≤ 0, (4.13)
de modo que la restricción resultante es:
η − (3η + 3η 2 + η 3 )ρ

bmax ≤ 0;
ρσ (4.14)
1 + (3η + 3η 2 + η 3 )ρ
que, eliminando los infinitésimos de orden superior para valores pequeños de η, queda como:

η − 3ηρ
bmax ≤ 0.
ρσ (4.15)
1 + 3ηρ
El efecto de utilizar estas restricciones basadas en las tensiones efectivas del material
es la eliminación de la discontinuidad en torno a la solución óptima (figura 4.4).
Figura 4.4: Restricción en tensiones efectivas en viga con platabandas para η = 0.1 (restric-
ción escalada por σ
bmax )
Sin embargo, y como se puede apreciar en la figura 4.4 no es suficiente con aplicar
restricciones efectivas dado que en un entorno de la solución óptima las restricciones se
incumplen y, por lo tanto, el algoritmo de optimización no será capaz de evitar este fenómeno
y el óptimo no se alcanzará. Es, por lo tanto, imprescindible imponer una relajación adicional
a la formulación para evitar estos fenómenos.
En esta tesis se propone una relajación de la formulación basada en los trabajos de
Cheng y Guo [13] y de Duysinx y Bendsøe [20] que consiste en la incorporación de un nuevo
término que modifica el valor máximo de la tensión de rotura en función de la densidad
relativa del elemento en el que se aplica la restricción. Ası́, la imposición de las restricciones
en tensión incorporando este factor de relajación se puede escribir como:

ge = σbVM,e σ he (ρ) − σmax ϕe ≤ 0, (4.16)
donde ϕe es el factor de relajación que se calcula como:
ε
ϕe = 1 − ε + , (4.17)
ρe
siendo ε el parámetro de relajación de la formulación (figura 4.5) y ρe la densidad relativa
del elemento en el que se impone la restricción e (figura 4.5). El parámetro ε toma valores
próximos a cero (ε ∈ (0.001, 0.1)) para evitar una excesiva relajación de las restricciones.
e=0.001
3
e=0.005
e=0.025
e=0.125
f(e,r)
2
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Densidad relativa (r)
Figura 4.5: Factor de relajación para diferentes valores de ε.
Por lo tanto, si a la formulación convencional propuesta en la ecuación (4.10) le añadi-

mos las modificaciones por relajación descritas en las ecuaciones (4.13) y (4.16) se obtiene
un planteamiento más general de las restricciones locales en tensión como:

ge = σbVM,e σ he (ρ) − σmax ϕe ρeq ≤ 0, (4.18)
donde el exponente q es un parámetro que podrá tomar los valores q = 0 cuando se imponga
la restricción en tensiones reales o q = 1 cuando se aplique la restricción en tensiones
efectivas. El efecto de esta nueva formulación propuesta sobre el ejemplo de la viga a flexión
propuesto en la figura 4.2 puede observarse en la figura 4.6.
Figura 4.6: Restricción en tensiones reales (izquierda) y en tensiones efectivas (derecha)

para diferentes valores de ε. (Restricción escalada por σ
bmax )
A partir de estas figuras se pueden deducir varios aspectos fundamentales acerca del
comportamiento de estas restricciones. Como se ha comentado previamente la utilización
de restricciones en tensiones efectivas provoca un suavizado sobre la función que en general
será beneficiosa para los algoritmos numéricos de optimización que se emplearán para resol-
ver el problema. Adicionalmente, también es fácil observar que el valor de la restricción no
presenta una ası́ntota vertical cuando los valores de las densidades relativas tienden a cero.
Esta ası́ntota vertical puede tener efectos negativos en la formulación del problema porque
puede llegar a evitar la reaparición en el cálculo de variables que previamente habı́an sido
eliminadas (su densidad relativa ha alcanzado el mı́nimo valor permitido). Este efecto, sin
embargo, no se produce generalmente debido a que nunca se alcanza la ası́ntota vertical de-
bido a las restricciones laterales inferiores (ρe ≥ ρmin ) que se establecen sobre las variables
de diseño.
4.6. Restricción en tensión de tipo global

La forma de imposición de restricciones a nivel local propuesta en el apartado 4.5
presenta grandes ventajas frente a otras formulaciones ya que restringe y controla el valor
de la tensión en un número normalmente elevado de puntos del dominio y, por tanto, la
factibilidad de la solución final está garantizada. Sin embargo, este hecho hace que el número
total de restricciones que hay que considerar sea muy elevado a medida que se incrementa
el refinamiento de la malla si se compara con otras formulaciones habitualmente empleadas
en esta disciplina, lo que implica un aumento considerable del esfuerzo de cálculo necesario.
Por ejemplo, el análisis de sensibilidad es costoso tanto en tiempo de computación como en
capacidad de almacenamiento de datos. Además, el problema de optimización se vuelve cada
vez más complicado a medida que aumenta el número de restricciones y, por lo tanto, los
algoritmos de optimización deben ser más complejos y sofisticados, lo que también supone
un coste computacional más elevado.
Por lo tanto, ante esta situación, es necesario plantear otras formas alternativas de
imponer las restricciones en tensión. La más habitual consiste en establecer una función que
aproxime el comportamiento de todas las restricciones locales del modelo y recibe, en la
terminologı́a de optimización, el nombre de “función global”. Esta función global presenta
ventajas computacionales muy claras pero, por el contrario, no garantiza de forma estricta
el cumplimiento de las restricciones locales, de modo que es posible que algunas tensiones
locales excedan su valor máximo permitido. A pesar de esto, la formulación global actúa
evitando que la violación de las restricciones locales sea excesivamente elevada de modo que
el estado tensional satisfaga de forma aproximada el máximo valor permitido.
Como es obvio, la elección de esta función global es uno de los puntos claves para el
buen comportamiento de la formulación. Ası́, Park [81] propuso un modelo correspondiente
a la p-norma de las tensiones locales que se define como:
Z p 1
σ
bVM p
GP = dΩ (4.19)
Ω σ
bmax
donde p es un parámetro que penaliza los picos de tensión y que, por lo tanto, debe tomar
el mayor valor posible sin introducir problemas numéricos debido a su alta no-linealidad.
El valor recomendado para esta función global es p ≈ 20.
En una lı́nea de trabajo similar, Duysinx y Sigmund [21] propusieron un modo distinto
de imponer restricciones globales en tensión a través de dos funciones. Por una parte, utiliza
la p-norma introduciendo un factor de relajación similar al presentado en la ecuación (4.17) y
una función denominada “p-mean”. Ambas funciones globales incorporan además un factor
que hace consistente el criterio de Von Mises con el modelo SIMP que se utiliza (Duysinx
y Bendsøe [20]). Estas funciones globales se definen como:
"N
e ∗ p #1/p
σ

X bVM ,e ε
max 0, η + ε − ≤ 1. (4.20a)
ρ eσb max ρe
e=1
" N e ∗ p #1/p
σ

1 X bVM ,e ε
max 0, η + ε − } ≤ 1. (4.20b)
Ne ρe σ
bmax ρe
e=1
En esta tesis se propone la utilización de la función global de Kreisselmeier-Steinhauser,

que sigue un comportamiento exponencial y ya se ha aplicado con éxito en otras disciplinas
de la optimización de estructuras (Kreisselmeier y Steinhauser [42], Martins y Poon [50],
Mlejnek y Schirrmacher [54]). El planteamiento original de esta función que propusieron
inicialmente Kreisselmeier y Steinhauser [42] viene dado por:
 
m
1 X
KS(gj ) = ln  exp µgj (ρ)  , (4.21)
µ
j=1
por lo que la restricción global de tensiones queda como:

 
m
1 X 1
GKS (gj ) = ln  exp µgj  − ln(m) ≤ 0, (4.22)
µ µ
j=1
donde m es el número de restricciones locales de desigualdad consideradas y µ es un factor

o parámetro de agregación.
El parámetro µ debe tomar el mayor valor posible dado que de esta forma se aproxima
mejor el comportamiento de la función global a las restricciones locales. De hecho en el
lı́mite,
 
m
1 X n o
lı́m ln exp µgj  = max gj . (4.23)
µ→∞ µ j=1,...,m
j=1
Sin embargo, esta función tal y como se presenta en la ecuación (4.22) presenta pro-
blemas de escala debido a la dependencia del parámetro µ con respecto a las unidades
de medida de las restricciones locales. Este problema se soluciona normalizando estas res-
tricciones locales dividiendo cada contribución entre su tensión máxima admisible, lo que
elimina este problema de escala. De un modo similar también se puede relajar la función
incorporando el factor de relajación ϕj propuesto en (4.17) en la contribución de cada res-
tricción local a la función global. Una vez introducidas estas modificaciones, la ecuación
(4.22) puede reescribirse como:
Ne
" ! #
1 σe∗ − 1)
exp µ(b
1
X
GKS = ln − ln(Ne ) ≤ 0 (4.24)
µ µ
e=1
donde

b σ he
σ
be∗ =
σ , (4.25)
σ
bmax ϕe
siendo σeh la aproximación calculada del tensor de tensiones del material el punto central
del elemento e.
Tal y como se ha indicado anteriormente, el comportamiento de esta función global
depende fundamentalmente del parámetro µ. De acuerdo con la ecuación (4.23) lo ideal
serı́a tomar un valor de µ tan alto como sea posible. Sin embargo, valores muy altos de este
parámetro generan una función muy no-lineal y difı́cil de resolver con los métodos numéricos
habituales.
Será necesario, por lo tanto, realizar un análisis sobre ejemplos simplificados pero fiables
acerca del menor valor del parámetro µ que produce resultados adecuados y que aproxima
de forma suficientemente precisa el modelo con restricciones locales.
Para ello utilizamos un problema con 100 restricciones de tipo local, por ejemplo, sobre
el que imponemos un estado tensional conocido que nos permita evaluar la bondad de la
función global que se propone. Analizamos dos situaciones simplificadas que nos permitirán
comprobar el comportamiento de la formulación global y decidir los valores más adecuados
del parámetro de agregación µ. En el primer caso de análisis estudiamos un problema que
presenta un 50 % de restricciones activas y el otro 50 % restante inactivas que toman el valor
be∗ = 0.90. En la figura 4.7 se representa el valor de la restricción global de tensiones en
σ
be∗ de las restricciones activas. Dado que
función del parámetro µ para diferentes valores σ
el estado tensional propuesto incumple las restricciones desde un punto de vista local la
restricción global también deberı́a estar violada (GKS > 0). De lo contrario, la formulación
que se propone no serı́a adecuada para resolver este problema. De acuerdo con esta idea,
tomaremos un valor de µ suficientemente elevado que nos garantice que la restricción global
se incumpla para este estado tensional. En el segundo caso se analiza una situación similar
en la que se impone que las restricciones locales tomen el valor de la tensión normalizada
be∗ = 0.90 cuando no están violadas y σ
σ be∗ = 1.10 cuando están violadas. En la figura 4.8
se representa el valor de GKS en función del parámetro µ para diferentes porcentajes de
restricciones violadas.
0,30
0,25
0,20 ^
s*
e
Restricción global (Gks)
1.30
0,15 1.25
1.20
1.15
0,10
1.10
1.05
0,05 1.02
1.00
0.98
0,00
0.95
-0,05
-0,10
0 5 10 15 20 25 30 35 40
Parámetro de agregación (m)
Figura 4.7: Función global de restricciones para distintos valores de µ con valores de tensión
crecientes
Los dos casos que se proponen para estimar el funcionamiento de la restricción global
pueden considerarse como representativos del problema planteado en esta tesis porque repro-
ducen configuraciones habituales del estado tensional de las soluciones óptimas obtenidas.
Como se puede observar en la figura 4.7, para un estado tensional del 50 % de restricciones
σe∗ ≤ 1.05) tendre-
activas si sólo permitimos un exceso en la tensión máxima de un 5 % (b
mos que utilizar valores del parámetro de penalización mayores de 20 (µ ≥ 20). Del mismo
modo, si el número de restricciones locales activas es menor del 50 % tendremos que utilizar
también valores de µ ≥ 20 para garantizar que las restricciones locales violadas no superen
en más de un 10 % la tensión máxima, tal y como se puede apreciar en la figura 4.8. Por lo
tanto, el valor mı́nimo recomendable del parámetro de agregación es µ = 20. Sin embargo,
es aconsejable utilizar valores mayores de µ (por ejemplo, µ = 40) para garantizar que el
estado tensional no presente restricciones locales fuertemente violadas dado que, en general,
0,10
0,08
0,06 % Restr.
violadas
Restricción global (Gks) 0,04
90 %
0,02 80 %
70 %
0,00 60 %
50 %
40 %
-0,02
30 %
20 %
-0,04
10 %
-0,06
-0,08
0 5 10 15 20 25 30 35 40
Parámetro de agregación (m)
Figura 4.8: Función global de restricciones para distintos valores de µ con número de res-
tricciones violadas creciente
la no-linealidad introducida con µ = 40, por ejemplo, no limita excesivamente el buen fun-
cionamiento de los algoritmos de optimización. Sin embargo, si seguimos incrementando este
parámetro es posible que los algoritmos de optimización dejen de funcionar correctamente
debido a la alta no-linealidad de las restricciones.
4.7. Reducción por bloques de restricciones de tipo local
Las restricciones en tensión de tipo local controlan fielmente la factibilidad del diseño
e imponen limitaciones realistas en el mismo pero producen un problema de optimización
muy complejo que requiere algoritmos de optimización muy eficientes. Además, estos plan-
teamientos requieren unas necesidades computacionales muy elevadas que limitan en gran
medida el tamaño de la malla de Elementos Finitos que se puede emplear. Este es el motivo
fundamental por el que es necesario plantear formas alternativas de considerar las restric-
ciones en tensión sin realizar un análisis a nivel local en cada elemento como, por ejemplo,
la función global propuesta en el apartado 4.6. Sin embargo, estas funciones globales son
altamente no-lineales y requieren en general, un número mayor de iteraciones para alcan-
zar soluciones aceptables. Además, cuando el número de variables de diseño es elevado la
función global puede no representar de forma adecuada las restricciones locales en las que
se basa, lo que puede conducir a soluciones óptimas inadecuadas.
En este apartado se aborda una nueva forma de imponer las restricciones en tensión
como resultado de aplicar las dos técnicas anteriores y que obtiene, por lo tanto, ventajas
Figura 4.9: Definición de un bloque de elementos de la malla
e inconvenientes de los dos modelos. Dado que el análisis de las restricciones en tensión
de todos los elementos de la malla supone un coste y una complejidad muy elevada, en
esta tesis doctoral se plantea una nueva metodologı́a que consiste en formar grupos de
elementos finitos que denominamos “bloques” (figura 4.9) y aplicar sobre cada uno de ellos
una restricción global como la que se propone en el apartado 4.6.
De este modo el número de restricciones totales de cada problema es igual al número
de bloques en que dividamos la malla de elementos finitos. Es obvio que este modelo incluye
también a las formulaciones presentadas en los apartados 4.5 y 4.6 si se decide utilizar un
número de bloques adecuado. En el caso de la formulación con restricciones locales (apar-
tado (4.5)) debemos tomar tantos bloques como elementos tenga la malla y si definimos un
único bloque con todos los elementos de la malla estaremos utilizando la formulación global
de las restricciones (apartado 4.6). Es obvio que un mayor número de bloques proporcio-
nará soluciones mejores porque el control sobre las tensiones es más estricto.
Una vez fijado el número de bloques a utilizar en el problema, el número de elementos
de la malla se distribuye de forma homogénea de modo que el número de elementos por
bloque sea, aproximadamente, el mismo para todos.
Esta formulación de las restricciones en tensión por bloques presenta las ventajas que
ofrece la formulación local porque establece un control más efectivo sobre las restricciones
en tensión. Por otra parte, debido al menor número de restricciones, también se consiguen
reducir considerablemente las necesidades computacionales del problema de optimización

(tanto en tiempo de ejecución como en memoria de almacenamiento).
El problema de optimización ası́ planteado consiste en:
hallar ρ = {ρe }, e = 1, . . . , Ne
que minimice F (ρ)
(4.26)
verificando GKS,b (ρ) ≤ 0, b = 1, . . . , Nb ,
ρmin ≤ ρe ≤ ρmax , e = 1, . . . , Ne
donde
   
1 σe∗ − 1)  − 1 ln(N b ) ≤ 0
exp µ(b
X
GKS,b =  ln  e (4.27)
µ µ
e∈Bb
siendo Bb el conjunto de elementos de la malla que pertenecen al bloque b y Neb el número

de elementos de la malla que pertenecen al bloque b.
Uno de los puntos claves de este planteamiento de las restricciones sobre bloques de
elementos radica en el modo de definir la forma de distribución y configuración de los
mismos. Es obvio que la forma de generación de los bloques de elementos a partir de la
malla original es un condicionante muy importante a tener en cuenta en esta formulación
dado que afecta a las funciones globales y, en consecuencia, a las restricciones en tensión
que definen. Esta distribución de los bloques, o lo que es lo mismo, la configuración de los
elementos de cada bloque, puede realizarse de muy diversas formas: criterios de proximidad
(por ejemplo, en la figura 4.9), geométricos (forma del bloque) o incluso de aleatoriedad
(seleccionando los elementos de cada bloque de forma aleatoria).
En esta tesis se ha utilizado una metodologı́a para definir los bloques de elementos
basada en la numeración de los elementos de la malla utilizada, de modo que los elementos
de cada bloque se eligen de forma consecutiva siguiendo el orden numérico establecido para
realizar el cálculo estructural. Esta técnica proporciona soluciones altamente satisfactorias
ya que se ha comprobado que la distribución de los bloques no supone un condicionante
importante para el diseño final de la estructura. De hecho, en ningún ejemplo de los que se
han estudiado se ha detectado una incidencia perceptible de la distribución de los bloques en
las soluciones óptimas obtenidas. A pesar de esto, es previsible que, con configuraciones de
los bloques más adecuadas, los algoritmos de optimización funcionen de forma más eficiente
y que las restricciones presenten un comportamiento más homogéneo.
4.8. Planteamiento de condiciones sobre el perı́metro de la

solución
Las formulaciones habitualmente planteadas para el problema de optimización topológi-
ca de estructuras continuas presentan fenómenos de dependencia de la malla de Elementos
Finitos. En consecuencia, las distribuciones óptimas de material que se obtienen varı́an de
acuerdo con el grado de refinamiento de la discretización que se emplee para su resolución.
Este fenómeno es especialmente relevante en las formulaciones de máxima rigidez debido
a que disposiciones de material en damero con mallas cada vez más refinadas aumentan
de forma artificial la rigidez de la estructura (Dı́az y Sigmund [17]). Por otra parte, a me-
dida que se aumenta la discretización espacial aparecen nuevas estructuras resistentes que
mejoran el comportamiento estructural y reducen la función objetivo; lo que resulta, en
general, ventajoso porque permite obtener mejores soluciones cuando se utiliza una malla
de elementos más fina. Sin embargo, es necesario limitar esta dependencia de la malla para
evitar la aparición de estructuras resistentes de pequeño tamaño que se forman en zonas
localizadas de la estructura que son difı́ciles de construir y/o fabricar en la práctica. Las
soluciones teóricas de Michell [52] son ejemplos de este fenómeno que han sido ampliamente
utilizados en la optimización topológica de estructuras.
En la formulación de mı́nimo peso que se propone en esta tesis los fenómenos de dis-
posición en damero no se producen debido al control estricto del estado tensional en cada
elemento mediante las restricciones y, por lo tanto, no son necesarias técnicas artificiales
como las propuestas por Eschenauer y Olhoff [26] o Bendsøe [5] para evitarlos. Además, el
refinamiento de la malla produce mejores resultados dado que permite calcular con mayor
precisión los desplazamientos y tensiones. A pesar de esto, los fenómenos de dependencia de
la malla pueden producir efectos indeseables dado que pueden producir soluciones diferen-
tes con distintos grados de refinamiento de la malla y, por lo tanto, es necesario proponer
soluciones o modificaciones sobre las formulaciones que permitan reducir sus efectos.
Ası́, en la literatura se han planteado diversos procedimientos (diseñados inicialmente
para formulaciones de máxima rigidez) que permiten obtener problemas bien planteados y
sin fenómenos de dependencia de la malla como, por ejemplo, las técnicas de filtrado de
imagen y de suavizado, las restricciones locales de los gradientes o las restricciones en el
perı́metro de la estructura entre otros (Eschenauer y olhoff [26], Sigmund [96], Petersson
y Sigmund [86], Haber, et al. [34]). Además, estos métodos permiten a su vez evitar los
fenómenos de disposición en damero de la solución que se producen en las formulaciones de
máxima rigidez debido a la relación existente entre ambos fenómenos.
Los métodos de filtrado de imagen basan su funcionamiento en técnicas fotográficas
de suavización para obtener soluciones que no presenten fuertes dependencias de la malla.

Estos procedimientos proporcionan resultados adecuados pero utilizan coeficientes empı́ricos
que, por lo tanto, no dependen en absoluto del comportamiento estructural y que deben
ser ajustados para cada caso en particular. Además se trata de métodos heurı́sticos que la
experiencia ha confirmado que son eficaces para resolver el problema de la dependencia de
la malla y, a su vez, el de la disposición en damero.
Una de las técnicas de filtrado de imagen más habituales consiste en la modificación de
las sensibilidades de las variables del problema, obtenidas mediante el cálculo de estructuras,
imponiendo una media ponderada entre éstas y las sensibilidades de los elementos más
próximos.
Como ejemplo de estas técnicas de filtrado de imagen, Sigmund [96] propuso un método
de filtrado eficaz en el que se definen las sensibilidades ponderadas como:
N
X df
H i ρi
df dρi
i=1
d
= ρ−1
k N
(4.28)
dρk X
Hi
i=1
df
siendo dρi las sensibilidades calculadas mediante los algoritmos de cálculo de estructuras y
Hi los pesos de ponderación calculados como:
(
rmin − dist(k, i), i ∈ Ne | dist(k, i) ≤ rmin
Hi = k = 1, . . . , Ne . (4.29)
0 i ∈ Ne | dist(k, i) > rmin
donde dist(k, i) es la distancia entre el punto central del elemento k y el punto central del
elemento i. De este modo si el radio rmin es muy pequeño apenas estaremos modificando
las sensibilidades. Por el contrario, si el radio rmin es excesivamente amplio todas las sen-
sibilidades tenderı́an a tomar el mismo valor dado que la influencia de la ponderación serı́a
muy importante con lo que las sensibilidades reales se verı́an fuertemente suavizadas.
Esta formulación presenta inconvenientes muy serios. Por una parte, precisa de coefi-
cientes empı́ricos que deben ser calibrados a partir de ejemplos experimentales para obtener
resultados adecuados. Además, la ponderación de las sensibilidades provoca que los diseños
finales presenten amplias zonas con densidades intermedias de material debido a la pérdida
de información debida al suavizado. La finura de la malla también es un factor a tener en
cuenta para decidir el valor de rmin más adecuado porque en mallas poco refinadas y con
valores elevados del radio mı́nimo es posible que la solución óptima no llegue a alcanzarse.
Otra de las técnicas que también ha sido utilizada para evitar los fénomenos de dis-
posición en damero y de dependencia de la malla es la restricción local de los gradientes
de las variables (Petersson y Sigmund [86]) de modo que las variaciones de densidad entre
elementos próximos se realiza de forma suavizada. Habitualmente se imponen el doble de
restricciones que de elementos tiene la malla (una por cada eje cartesiano en dos dimensio-
nes). De este modo estas restricciones se pueden establecer como:

∂ρj
∂xi ≤ c, i = 1, 2 ; j = 1, . . . , m. (4.30)

Este planteamiento produce soluciones independientes de la malla pero presenta un in-

conveniente muy importante dado que introduce un número de restricciones tremendamente
elevado (2 × Ne ) en la formulación, lo que conlleva enormes dificultades desde un punto de
vista computacional.
Otra técnica utilizada con éxito para obtener problemas bien planteados y que evita los
fenómenos de dependencia de la malla es el “método del perı́metro”. Desarrollado inicial-
mente por Haber, et al. ([32], [33], [34]), consiste, esencialmente, en imponer una restricción
adicional sobre el perı́metro de la estructura que limita el número de “elementos resistentes”
(barras) en la solución final y las disposiciones en damero.
La clave de esta formulación reside en la definición correcta del perı́metro. Es obvio
que para el problema discreto de optimización topológica el perı́metro queda perfectamente
definido. Sin embargo, para las formulaciones continuas la definición de perı́metro no es
única. Por este motivo, se han estudiado diferentes propuestas que definen el perı́metro
(Petersson y Sigmund [87], Haber, et al. [34]). Ası́, Haber, et al. [34] proponen el uso de la
variación total (T V ) de las variables de diseño, que se define como:
Z Z
T V (ρ) = k∇ρk dΩ + |< ρ >| dΓJ (4.31)
Ω\ΓJ ΓJ
donde
[
Ω= Ωα (4.32)
α
siendo Ωα el conjunto de regiones disjuntas (elementos finitos) que componen el dominio

completo de la estructura Ω. El término |< ρ >| indica el salto, en valor absoluto, de la
densidad relativa en la frontera entre dos regiones disjuntas Ωα (elementos finitos).
Esta formulación tiene una ventaja muy considerable frente a la restricción local de
los gradientes dado que en este caso sólo se impone una restricción global para toda la
estructura. Sin embargo, esta restricción global condiciona fuertemente la solución del pro-
blema dado que se si toma un valor bajo para el perı́metro es posible que no exista una
solución válida para el problema. Por el contrario, si se toma un valor demasiado elevado la
restricción del perı́metro deja de desempeñar la función para la que ha sido diseñada por-
que apenas restringe las soluciones posibles. La elección del valor máximo de la restricción
del perı́metro no es, en absoluto, trivial y requiere, generalmente, de un proceso previo de
calibrado mediante pruebas con distintos valores de la restricción (prueba y error).
Por este motivo otros autores proponen la incorporación de esta restricción del perı́me-
tro como un factor de penalización de la función objetivo (Burger y Stainko [10]). De este
modo, se evita tener que imponer de forma experimental un lı́mite superior para el valor
del perı́metro y además se le da una interpretación más acorde con la realidad al imponerlo
en la formulación como una penalización sobre la función objetivo.
Para el problema de optimización topológica que se propone en esta tesis la formulación
del perı́metro propuesto por Haber, et al. [34] queda ahora como:
Z
T V (ρ) = |< ρ >| dΓJ (4.33)
ΓJ
dado que para cada elemento se ha considerado que la densidad relativa es constante y,
por lo tanto, desaparece el primer término de la derecha de la expresión (4.31). A pesar de
esta simplificación esta formulación presenta una particularidad muy significativa debido
a la presencia de la función valor absoluto, que es continua en todo el dominio pero su
derivada no existe cuando la función toma el valor nulo. Para evitar esta singularidad se
puede admitir, desde un punto de vista práctico, que la derivada es nula en este punto
aunque esto no evite que el análisis de sensibilidad presente una discontinuidad que puede
perjudicar el correcto funcionamiento del algoritmo de optimización. Si se pretende utilizar
una formulación con derivadas continuas es aconsejable utilizar la función aproximada del
valor absoluto propuesta por Haber, et al [34], que viene dada por:
1
|< ρ >| ≈ (1 + 2ξ) < ρ >2 +ξ 2 2 − ξ,

(4.34)
siendo < ρ > el salto de densidad relativa entre dos elementos contiguos y ξ un factor que
debe aproximarse lo máximo posible a ξ = 0 para representar de forma adecuada la función
valor absoluto. Es importante destacar que esta formulación es, en la práctica, equivalente
al valor absoluto cuando se toman valores de ξ suficientemente pequeños (ξ < 0.1, por
ejemplo).
En los ejemplos de aplicación que se incluyen en esta tesis se ha utilizado, por simpli-
cidad, la formulación con el valor absoluto imponiendo que su derivada es nula en el origen.
A pesar de ello se analiza de forma más general la formulación propuesta por Haber, et al.
[34] dado que la formulación con el valor absoluto se obtiene como un caso particular de
ésta y su comportamiento es muy similar para valores de ξ pequeños (figura 4.8).
1.0
0.9
0.8
0.7
x
0.6 0.00
<r>
0.01
0.5
0.10
0.4 0.50
0.3
0.2
0.1
0.0
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
<r>
Figura 4.10: Función aproximada del valor absoluto.
Si se plantea la función de perı́metro (4.33) de forma discreta considerando que cada

elemento presenta una densidad relativa constante en todo su dominio podemos substituir
la integral propuesta en (4.33) como:
X 1
P (ρ) = (1 + 2ξ) < ρ >2 +ξ 2 2 − ξ LJ , (4.35)
ΓJ
siendo LJ la longitud de la frontera entre elementos (ΓJ ). Para problemas en tres dimen-
siones el término LJ corresponde a la superficie de la cara que define la frontera entre los
dos elementos que se están considerando.
Por lo tanto, la función objetivo modificada a partir de la original (4.4) incorporando
la penalización por perı́metro puede plantearse como:
Ne Z
X X 1
F = (ρi )1/p dΩi + η (1 + 2ξ) < ρ >2 +ξ 2 2 − ξ LJ , (4.36)
i=1 Ωi ΓJ
siendo η el factor de ponderación entre el peso de la estructura y el perı́metro de la misma.
4.9. Resumen
El problema de optimización topológica de estructuras que se propone en esta tesis
consiste en un planteamiento de mı́nimo coste con restricciones en tensión basado en el
modelo de cálculo estructural propuesto en el capı́tulo 3.

La función objetivo del problema corresponde a una aproximación del peso de la es-
tructura. Sobre esta formulación de mı́nimo peso se establece además una penalización que
evita que las distribuciones de material presenten densidades intermedias, obteniendo de
este modo soluciones vacı́o-lleno.
Las restricciones en tensión se imponen mediante el criterio de rotura de Von Mises
aplicando una condición en el punto central de cada elemento (formulación local). Además
también se analizan los fenómenos de singularidad de las restricciones en tensión con varia-
bles de diseño continuas y se propone una formulación que incorpora factores de relajación
para evitarlos.
Debido a las elevadas exigencias computacionales que requiere esta formulación local de
las restricciones también se ha propuesto la utilización de una función global que considere
el efecto de todas las restricciones locales. De este modo se reduce el número de restricciones
y, consecuentemente, el coste computacional que se requiere para resolver el problema.
Adicionalmente, también se propone una formulación que aplica restricciones de ti-
po global sobre bloques de elementos más general que las dos anteriores, que presenta
considerables ventajas frente a la formulación global y que no precisa unas necesidades
computacionales tan exigentes como el planteamiento local.
Finalmente, también se ha incorporado en la función objetivo una penalización sobre
el perı́metro de la solución para evitar los fenómenos de dependencia de la malla.
Una vez planteado el problema de optimización resultante procedemos a describir a
continuación los algoritmos que se utilizan para resolverlo.
59
Los problemas que tienes hoy, no pueden ser

resueltos pensando de la misma manera que
pensabas cuando los creaste.
Albert Einstein (1879-1955)
Capı́tulo 5
Algoritmos de optimización
5.1. Introducción
La resolución de los problemas de optimización topológica de estructuras es, en general,
muy complicada debido al elevado número de variables de diseño que presentan ası́ como
a la no-linealidad de la función objetivo y/o de las restricciones. Consecuentemente, los
algoritmos y modelos que se utilizan para resolver este tipo de planteamientos deben pro-
porcionar soluciones adecuadas con un coste computacional asumible. Ambos aspectos son
fundamentales porque es posible que algunos de los algoritmos habitualmente utilizados en
esta disciplina no proporcionen soluciones adecuadas para este problema o que las necesi-
dades computacionales que requieran sean inasumibles en la práctica.
Estos dos aspectos se acentúan en mayor medida en el problema que se presenta en
esta tesis dado que, además de utilizar un número elevado de variables de diseño, incorpora
una función objetivo no-lineal y un número elevado de restricciones en tensión altamente
no-lineales. Por lo tanto, será necesario estudiar los algoritmos empleados habitualmente
en la optimización de estructuras con la finalidad de determinar cuál es el más adecuado
para este problema en particular. Se han estudiado tres algoritmos fundamentales que han
sido ampliamente utilizados en la optimización de estructuras: un algoritmo basado en las
técnicas de Programación Lineal Secuencial (SLP) (Navarrina, et al. [60] y [63]), el Método
de las Ası́ntotas Móviles (MMA) desarrollado por Svanberg ([113], [114]) y un algoritmo
basado en la aplicación de funciones barrera (Fletcher [27]).

Los algoritmos de Programación Lineal Secuencial (SLP) han demostrado ser eficaces
en la resolución de problemas de diseño óptimo de estructuras con restricciones como los
que se proponen en los trabajos de Navarrina, et al. ([59], [60], [63] y [64], por ejemplo).
El Método de las Ası́ntotas Móviles es una técnica habitualmente empleada en problemas
de optimización topológica de estructuras que ha proporcionado resultados en problemas
condicionados aplicado sobre todo en problemas de máxima rigidez (Bruyneel y Duysinx
[9], Duysinx et al. [18] y [21], Sigmund [103]). Por último, los algoritmos basados en fun-
ciones barrera son muy habituales en otras disciplinas de la optimización y proporcionan,
en general, soluciones adecuadas a problemas que no presenten un número excesivamente
elevado de restricciones. A continuación pasamos a describir el funcionamiento de cada uno
de ellos con la finalidad de estudiar su comportamiento en el problema de optimización que
se presenta en esta tesis.
5.2. Algoritmo SLP-QLS (Programación Lineal Secuencial

con Búsqueda Unidireccional Cuadrática)
El algoritmo de Programación Lineal Secuencial basa su funcionamiento en el aprove-
chamiento de las propiedades que ofrecen los espacios linealizados de las restricciones y de la
función objetivo, sobre los que se aplican algoritmos como por ejemplo, el Simplex (Dantzig
[15] y [16]), para obtener la solución óptima. De forma general, la solución se obtiene de
forma iterativa estudiando el comportamiento de la función objetivo y de las restricciones
mediante una aproximación lineal. En cada iteración se pretende obtener una solución mejo-
rada en dos fases. En primer lugar se obtiene mediante esta aproximación lineal la dirección
de modificación del diseño que produce un mayor descenso en la función objetivo sin violar
las restricciones para, a continuación en un segundo paso, determinar el factor de avance
más adecuado para modificar el diseño en la dirección obtenida previamente. Por lo tanto,
el vector de variables de diseño se actualiza en cada iteración como:
ρk+1 = ρk + θk sk , (5.1)
donde ρk es el vector de variables de diseño y θk es el factor de avance en la dirección de

modificación del diseño sk en la iteración k.
La dirección de avance (sk ) se calcula a través de diferentes métodos que utilizan la
aproximación lineal del problema. En general, la obtención de esta dirección de modifica-
ción es la parte más importante y compleja del algoritmo y requiere de técnicas especı́ficas
Capı́tulo 5. Algoritmos de optimización 61
y complejas debido al elevado número de variables de diseño y al elevado número de res-

tricciones en tensión que pueden presentar los problemas de optimización topológica que se
plantean.
En esta tesis, se utiliza el método de Programación Lineal (Simplex) porque proporciona
soluciones aceptables para este tipo de problemas y es, además, muy robusto. Sin embargo,
este algoritmo debe ser complementado con otros más especı́ficos para situaciones en las
que éste no proporcione resultados adecuados. Ası́, por ejemplo, el método de Programación
Lineal presentado no es adecuado cuando no hay restricciones activas o puede proporcionar
resultados erróneos cuando el problema presenta restricciones fuertemente violadas.
Por lo tanto, el algoritmo completo sigue un comportamiento diferente en función del
diseño y del estado tensional de la estructura en cada iteración.
5.2.1. Algoritmo de Máximo Descenso
Tal y como se ha comentado anteriormente, es posible que la solución al problema

estructural no presente ninguna restricción activa, sobre todo en las primeras iteraciones.
Por lo tanto, si no disponemos de restricciones activas el algoritmo Simplex no es aplicable
y es necesario utilizar temporalmente otro algoritmo hasta que alguna restricción se active.
Debido a la simplicidad del problema cuando no hay restricciones en tensión activas y
a que, en general, esta situación de optimización incondicionada es temporal, se ha optado
por utilizar un algoritmo que utiliza como dirección de modificación del diseño la dirección
de máximo descenso de la función objetivo. Por ello, en estas iteraciones el método de
optimización proporciona una dirección de modificación del diseño opuesta a la del gradiente
de la función objetivo hasta que alguna restricción en tensión se encuentre activa.

k dF
s =− ∆ρk , (5.2)
dρ ρk
donde sk es la dirección de modificación del diseño sin normalizar en la iteración k y ∆ρk es
un vector que indica la máxima modificación que puede experimentar el vector de variables
de diseño ρ en cada iteración.
Este algoritmo debe además complementarse con las correspondientes restricciones la-
terales para evitar que el algoritmo se detenga (factores de avance nulos) por este motivo
antes de alcanzar el óptimo deseado. La forma más sencilla e intuitiva de imponerlas con-
siste en adaptar el vector ∆ρk de modo que tenga en cuenta la proximidad de las variables
a las restricciones laterales en cada iteración.
En general, este algoritmo se utilizará en las primeras iteraciones del problema has-
ta que las restricciones en tensión se aproximen a su valor máximo, momento en el que
se procederá a utilizar el algoritmo de Programación Lineal para obtener la dirección de

modificación del diseño.
5.2.2. Algoritmo de Programación Lineal Secuencial
El algoritmo de Programación Lineal Secuencial es el núcleo de todo el proceso de

optimización dado que debe proporcionar una dirección de modificación del diseño que
minimice la función objetivo pero que tenga en consideración todas y cada una de las
restricciones en tensión y de las restricciones laterales. Este problema es, generalmente, muy
complejo en optimización topológica de estructuras debido al elevado número de variables
de diseño y al elevado número de restricciones que presenta el problema.
El algoritmo basa su funcionamiento en la aplicación de las técnicas de Programación
Lineal (por ejemplo, el algoritmo Simplex desarrollado por Dantzig [15]) sobre el espacio
linealizado. Para ello planteamos el desarrollo en serie de Taylor de primer orden de la
función objetivo y las restricciones en torno a la solución actual (ρk ) como:

dF k k
F (ρk+1 ) ≈ F (ρk ) + θ s
dρ ρk
(5.3)

k+1 k dgj k k
gj (ρ ) ≈ gj (ρ ) + θ s j = 1, . . . , m.
dρ ρk
Además, también es necesario tener en cuenta las restricciones laterales de las variables
de diseño, tanto las inferiores como las superiores. El algoritmo Simplex se aplica, en con-
secuencia, sobre el problema linealizado para obtener la dirección de avance en la iteración
correspondiente. El desarrollo completo de este algoritmo se recoge de forma detallada en
el apéndice A de esta tesis.
5.2.3. Dirección de Entrada a la Región Factible
A pesar de la robustez del algoritmo de Programación Lineal es necesario recurrir

en ocasiones a otros algoritmos para obtener direcciones de modificación del diseño más
adecuadas. Ası́, por ejemplo cuando el diseño presenta restricciones fuertemente violadas
es posible que la dirección que proporcione el algoritmo de Programación Lineal no sea
adecuada o que incluso no se llegue a alcanzar ninguna solución. Es por ello necesario,
disponer de un algoritmo auxiliar que proporcione direcciones de avance que tiendan a
reintegrar el diseño actual dentro de la región de diseño para poder continuar con el proceso
de optimización aplicando el algoritmo de Programación Lineal y ası́ obtener soluciones
factibles del problema.
Este algoritmo de “dirección de entrada” basa su funcionamiento en la utilización de

los gradientes de las restricciones más violadas para obtener la dirección de avance más
adecuada, que se obtiene como:

dgj
X dρ ρk
sk = − gj 2 ∆ρk , (5.4)
j∈gv

dgj

dρ k
ρ
donde sk es la dirección de modificación sin normalizar de la iteración k, gv es el conjunto de

restricciones violadas del problema y ∆ρk es un vector que indica la máxima modificación
que puede experimentar el vector de variables de diseño en cada iteración.
Finalmente, la dirección de modificación del diseño se normaliza antes de continuar con
el proceso de optimización buscando el factor de avance.
5.2.4. Búsqueda del factor de avance
Una vez calculada la dirección de modificación del diseño (sk ) es necesario calcular el
factor de avance más adecuado (θk ). Realizaremos una búsqueda unidireccional cuadrática
en la dirección obtenida previamente. Para ello planteamos el desarrollo en serie de Taylor
de segundo orden tanto de la función objetivo como de las restricciones. De este modo, se
pretenden evitar los fenómenos oscilatorios que se producen habitualmente en torno a la
solución, debido al error que se comete con la aproximación de primer orden, favoreciendo
la convergencia del algoritmo hacia el óptimo (Navarrina, et al. [63]).
Para calcular el factor de avance necesitamos conocer, por tanto, las derivadas de
segundo orden tanto de la función objetivo como de las restricciones. Dado que la dirección
de modificación del diseño es conocida podremos evitar el cálculo de las derivadas completas
de segundo orden realizando un cálculo direccional de estas derivadas en la dirección de
modificación del diseño. A partir de estas derivadas planteamos el desarrollo en serie de
Taylor de 2o orden de la función objetivo y de las restricciones como:
(θk )2
F (ρk+1 ) ≈ F (ρk ) + Ds F θk + Dss
2
F
ρk ρk 2
(5.5)
(θk )2
gj (ρk+1 ) ≈ gj (ρk ) + Ds gj θk + Dss
2
gj j = 1, . . . , m.
ρ k ρk 2
Una vez planteado el desarrollo en serie de Taylor de segundo orden procedemos a
calcular el factor de avance. Para ello, es necesario calcular el valor mı́nimo y máximo
que puede tomar de modo que no se incumplan las restricciones laterales de las variables de
diseño. Una vez definidos estos lı́mites, el algoritmo comprueba el valor de la función objetivo
y de las restricciones en puntos equiespaciados suficientemente próximos (por ejemplo, 10−5 )
dentro del rango admisible de valores del factor de avance y selecciona el más adecuado,
que corresponderá a aquel que cumpla las restricciones y minimice la función objetivo.
Este algoritmo ha demostrado ser muy eficiente a pesar de que calcula el valor de
la función objetivo y de las restricciones de forma aproximada en un número de puntos,
generalmente, elevado.
5.3. Algoritmo MMA (Método de las Ası́ntotas Móviles)
El algoritmo de Programación Lineal propuesto en esta tesis ha proporcionado resul-

tados satisfactorios, pero presenta un coste computacional elevado cuando el número de
restricciones es elevado. Por este motivo se han analizado otras técnicas de optimización
con la finalidad de intentar reducir el tiempo de cálculo necesario por los algoritmos de
optimización para resolver el problema como el Método de las Ası́ntotas Móviles. Sin em-
bargo, esta técnica no presenta un comportamiento tan efectivo como las de Programación
Lineal que se han presentado en el apartado anterior. A pesar de que en esta tesis no se
han empleado para resolver los problemas y casos prácticos que se presentarán más ade-
lante, se propone aquı́ como una técnica que funciona adecuadamente cuando el número de
restricciones no es tan elevado como en este caso.
El Método de las Ası́ntotas Móviles fue propuesto inicialmente en 1987 por Svanberg
[115] y basa su funcionamiento en la proposición de un problema de optimización transfor-
mado que converge de forma iterativa a la solución del planteamiento original. Este problema
modificado se define como:
n
!
X pkji k
qji
fjk (x) = rjk + + (5.6)
i=1
Uik − xi xi − Lki
siendo
(
(Uik − xki )2 ∂fj /∂xi si ∂fj /∂xi > 0
pkji =
0 si ∂fj /∂xi ≤ 0
( (5.7)
k 0 si ∂fj /∂xi ≥ 0
qji =
−(xki − Lki )2 ∂fj /∂xi si ∂fj /∂xi < 0
n
!
X pkji k
qji
rjk k
= fj (x ) − + (5.8)
i=1
Uik − xki xki − Lki
donde todas las derivadas se calculan en el punto x = xk , siendo xk el vector de varia-

bles de diseño en la iteración k. Las funciones f0 y fik definen el objetivo a minimizar y
las restricciones del problema modificado, respectivamente, siendo Uik y Lki las “ası́ntotas
móviles” que se obtienen como:
Uik = xki + s(Uik−1 − xk−1

i )
(5.9)
Lki = xki + s(xk−1
i − Lk−1
i )
donde s ∈ (0.7, 1.2). De este modo:
Lki ≤ xki ≤ Uik (5.10)
El problema modificado resultante se resuelve mediante la utilización de la función

lagrangiana y su transformación al espacio dual.
Este algoritmo presenta algunas ventajas frente al algoritmo de Programación Lineal
Secuencial dado que los tiempos de cálculo son generalmente bastante menores especialmen-
te para problemas de grandes dimensiones. Sin embargo, también introduce una serie de
parámetros en el problema que es necesario calibrar y que en general suponen una dificultad
añadida para que el algoritmo proporcione resultados adecuados. Además, el comportamien-
to de este algoritmo para el problema que se plantea en esta tesis no es tan robusto y eficiente
como el que presenta el algoritmo de Programación Lineal Secuencial (SLP).
Al igual que ocurre con el algoritmo SLP es necesario complementar su funcionamiento
con los algoritmos de máximo descenso y de la dirección de entrada.
El funcionamiento y la explicación más detallada de este algoritmo puede encontrarse
en las publicación de Svanberg [113] y en posteriores revisiones de la misma [114].
5.4. Funciones barrera

Además de los algoritmos de optimización presentados anteriormente también se puede
plantear la obtención de soluciones al problema de optimización topológica de estructuras
mediante la utilización de “funciones barrera”. Este planteamiento no es aconsejable cuando
el número de restricciones es muy elevado pero funciona adecuadamente cuando el problema
no está muy condicionado. Ası́, en esta tesis se pueden utilizar estas técnicas para resolver
el problema de optimización con la restricción global dado que sólo presenta una única
restricción.
Los desarrollos más habituales de las funciones barrera incluyen funciones de tipo loga-
ritmo o inversas. Las funciones barrera pretenden transformar el problema de optimización
condicionada en un problema de optimización incondicionada mediante el establecimiento

de una nueva función objetivo que incorpora el efecto de las restricciones (Fletcher [27]).
El algoritmo que se propone en esta tesis desarrolla la función objetivo φ de acuerdo con
Fletcher [27] como:
m
[−gj (ρ)]−1
X
φ(ρ, r) = F (ρ) + r (5.11)
j=1
donde F (ρ) es la función objetivo del problema original y (gj (ρ) ≤ 0) son las restricciones
del problema original. El coeficiente r controla el efecto de las funciones barrera en cada
iteración penalizando en mayor o menor medida el efecto de las restricciones y m es el
número de restricciones de desigualdad. Para evitar problemas de escala entre los valores de
la función objetivo y los valores de las restricciones, se propone una formulación modificada
de la función barrera inversa que permite evitar o reducir los problemas de escala entre la
función objetivo y las restricciones del problema dado que sus valores numéricos pueden ser
muy diferentes dependiendo de la unidad de medida de cada una de las magnitudes. Por lo
tanto, la función objetivo modificada φ vendrı́a dada por:
 
m
[gj (ρ)]−1  ,
X
φ(ρ, r) = F (ρ) 1 − r (5.12)
j=1
donde gj son las restricciones y F (ρ) es la función objetivo a minimizar del problema
original. El parámetro de barrera r es siempre positivo y se define inicialmente con un valor
suficientemente elevado con el fin de evitar que las restricciones se incumplan. A medida
que el proceso de optimización avanza y la solución se aproxima al óptimo, el valor de r se
reduce con la finalidad de que la función barrera se ajuste en mayor medida a la función
objetivo evitando que las restricciones se incumplan (figura 5.1).
Para la resolución del problema resultante se utiliza el método de gradiente conjugado
propuesto por Fletcher [27]. Ası́, la dirección de modificación del diseño se obtiene como:
s(k+1) = −∇φ(k+1) + β (k) s(k) (5.13)
siendo
T
(k) ∇φ(k+1) ∇φ(k+1)
β = T y β (0) = 0, (5.14)
∇φ(k) ∇φ(k)
donde el vector ∇φ(k+1) es el vector de derivadas de la función barrera φ(ρ, r) con res-
pecto a las variables de diseño ρ en la iteración (k + 1). Además es habitual establecer un
Figura 5.1: Efecto del parámetro r sobre la función barrera φ(ρ, r) en un problema 1D con
F = x y x∗ − x ≤ 0 (Fletcher [27]).
lı́mite superior del parámetro β para evitar fuertes oscilaciones de la solución que pueden
estar motivadas tanto por errores numéricos como por los efectos de la no-linealidad de
las restricciones y de la función objetivo. De este modo, se evita la detención del avance
de la solución ante estas dificultades y el fenómeno de zig-zag subyacente. En esta tesis se
propone como lı́mite superior para este parámetro βmax = 10. Para valores muy altos del
parámetro, esta limitación apenas tendrá efectos sobre el funcionamiento del algoritmo pero
si este parámetro es muy bajo el método del gradiente conjugado dejará de funcionar como
tal porque β quedará limitado externamente por βmax en un mayor número de ocasiones.
Con este planteamiento se consigue obtener una dirección de avance adecuada con tiem-
pos de cálculo muy reducidos. Por el contrario, el número de iteraciones que es necesario
realizar con este algoritmo es considerablemente superior al número de iteraciones que re-
quiere el algoritmo de Programación Lineal Secuencial o el Método de las Ası́ntotas Móviles.
A pesar de esto y debido a su reducido coste computacional es un algoritmo adecuado para
problemas con muy pocas restricciones.
Una vez obtenida la dirección de modificación del diseño, el factor de avance se deter-
mina del mismo modo que para el algoritmo de Programación Lineal Secuencial sin tener
en cuenta la función barrera. El factor de avance se determina con la función objetivo y la
restricción del problema original porque proporciona mejores resultados que la obtención
de este factor sobre la función barrera φ(ρ, r).
Del mismo modo que ocurrı́a en el algoritmo de Programación Lineal, hay que comple-
mentar este algoritmo principal con otros algoritmos que actúan en situaciones particulares.
En este caso, y dado que la función barrera carece de sentido cuando la restricción está vio-
lada es necesario disponer de un algoritmo de entrada de nuevo a la región factible. Este
algoritmo sigue, del mismo modo que para el problema de Programación Lineal, la dirección
opuesta al gradiente de la restricción. En este caso, el cálculo de esta dirección de entrada a
la región factible es incluso más sencillo dado que el problema sólo presenta una restricción
en tensión. Por lo tanto, la dirección de modificación del diseño se obtiene en estos casos
como:

k dG
b ks
∆ρk ,
s =− (5.15)
dρ k
ρ
dG
siendo el vector de derivadas de la restricción global con respecto a las variables de
b ks
dρ
diseño.
Finalmente, será necesario normalizar esta dirección para continuar con el análisis de
sensibilidad direccional y para obtener el factor de avance.
En todo este planteamiento no se han incluido las restricciones laterales en la función
barrera dado que habitualmente no suponen una limitación importante para la obtención
del diseño si bien siempre entran a formar parte del mismo y en algunos casos pueden ser
determinantes y condicionar la solución final obtenida. Para el problema de optimización
que se plantea es fundamental incorporar en el proceso de obtención de la dirección las res-
tricciones laterales porque de lo contrario se producirán efectos indeseables que se explican
a continuación.
5.5. Restricciones laterales

Una vez presentados los algoritmos de optimización propuestos para este problema es
necesario realizar un estudio acerca de las restricciones laterales de las variables de diseño.
Tal y como se ha visto en los apartados anteriores la imposición de restricciones en tensión
no-lineales en el modelo requiere que las técnicas de optimización empleadas para resolverlos
sean cada vez más complejas. Sin embargo, los lı́mites laterales de las variables de diseño
son lineales y, por lo tanto, mucho más fáciles de tratar por los algoritmos de optimización
que las restricciones en tensión. Por este motivo, una parte importante de los algoritmos
de optimización no incorpora su efecto de forma activa en el proceso de diseño sino que
simplemente restringe la solución una vez ha sido calculada. De hecho en gran parte de los
modelos que obtienen la solución óptima en dos fases (dirección de modificación y factor
de avance) no se incorporan las restricciones laterales en el proceso de obtención de la
dirección de modificación debido a que son muy numerosas y, en consecuencia, añaden una
gran complejidad al problema. Simplemente, se modifica esta dirección s una vez que ha sido
calculada mediante el truncamiento de las componentes que incumplan los lı́mites laterales
de las variables de diseño. Por ejemplo, un problema con una única restricción en tensión
pasarı́a a tener 2Ne + 1 si se incorporan los lı́mites laterales de las variables de diseño, lo
que supone un coste adicional muy significativo.
Esta forma de truncar la dirección de modificación del diseño ha demostrado ser eficaz
en numerosas aplicaciones desarrolladas en el ámbito de la optimización porque general-
mente, en los problemas de optimización de dimensiones, las variables de diseño sólo están
limitadas inferiormente y normalmente no son determinantes, de modo que el algoritmo de
truncamiento funciona de forma adecuada evitando que el proceso se detenga debido a las
restricciones laterales.
Sin embargo, en la optimización topológica de estructuras este tratamiento de las res-
tricciones laterales ha demostrado ser muy peligroso dado que puede conducir a una falsa
convergencia del método de optimización cuando la solución aún está muy lejana del óptimo
real. Este hecho es muy importante porque condiciona fuertemente la utilización de métodos
de optimización que incorporen en su formulación las restricciones laterales de las variables
de diseño para que las soluciones óptimas obtenidas sean adecuadas.
De hecho, el efecto de las restricciones laterales en la formulación de optimización to-
pológica es aún más importante porque las variables de diseño presentan además un lı́mite
superior que alcanzan habitualmente y que, por lo tanto, debe ser considerado. La impor-
tancia de incorporar estas restricciones laterales superiores puede observarse fácilmente si,
por ejemplo, se realiza un estudio sobre una sección rectangular de 1 cm de espesor sometida
a un momento flector M tal y como se propone en la figura 5.3.
Figura 5.2: Planteamiento del problema de la sección a flexión pura

Si se aplica la teorı́a de resistencia de materiales bajo las hipótesis de elasticidad y de

Navier (las caras planas permanecen planas tras la deformación) se obtiene que la tensión
máxima de tracción o de compresión se produce en las fibras extremas y toma el valor:
M 2c
σc = (5.16)
I
donde M es el momento flector, c es el canto total de la viga e I es el momento de inercia
con respecto al eje que pasa por la fibra neutra y sigue la dirección del momento flector
aplicado. De acuerdo con esta expresión el comportamiento estructural de esta sección
depende únicamente del momento de inercia, que varı́a con la densidad relativa del material
en cada punto de la sección, puesto que M y c se consideran constantes.
De acuerdo con el planteamiento del problema de optimización topológica se pretende
obtener una solución estructural que minimice el peso sin incumplir las restricciones en
tensión, lo que equivale, en este ejemplo, a maximizar el momento de inercia de la sección
reduciendo a su vez el material utilizado. Para ello es necesario colocar el material lo más
alejado posible de la fibra neutra. Por lo tanto, el algoritmo de optimización aumentará la
densidad relativa del elemento más alejado de la fibra neutra y reducirá la densidad relativa
de los elementos más cercanos.
En todo este desarrollo no se han utilizado en absoluto las restricciones laterales de
las variables de diseño. Sin embargo, es fácil observar que a partir de ciertos valores del
momento flector o para mallas de Elementos Finitos más refinadas el elemento más alejado
de la fibra neutra alcanzará el valor máximo ρ = 1. Si la situación persiste en la siguiente
iteración, la técnica para continuar optimizando la sección consistirá de nuevo en disponer de
material en el elemento más alejado, y reducir la densidad relativa de los restantes elementos
sin tener en cuenta la restricción lateral. Si ahora se aplica la técnica del truncamiento de
las componentes se anula el término que incrementa el valor de la densidad relativa del
elemento más alejado. Sin embargo, los restantes términos siguen reduciendo la densidad
relativa de los restantes elementos. Ante esta situación, el proceso de optimización se detiene
porque se reduce la capacidad portante de la sección y, en consecuencia, se excede el valor
máximo de la tensión en el elemento más alejado de la fibra neutra. Para poder reducir la
densidad relativa de los elementos más cercanos a la fibra neutra sin violar las restricciones
es necesario aumentar la densidad del elemento más alejado y viceversa.
Por el contrario, si el algoritmo incorpora las restricciones laterales en su formulación la
situación es distinta. En el momento en el que la densidad relativa del elemento más alejado
alcanza su valor máximo el algoritmo trata de seguir mejorando la respuesta estructural a
través de la inercia de la sección. Como en este caso no se puede aumentar el momento de
inercia incorporando material en el elemento más alejado se procede a incrementar la densi-

dad relativa del siguiente elemento más alejado de la fibra neutra, que aún no ha alcanzado
el lı́mite superior de su variable de diseño. Este proceso puede repetirse indefinidamente de
modo que el algoritmo es capaz de seguir proporcionando soluciones mejores que trasladan
el material de los elementos más cercanos a los elementos más alejados de la fibra neutra.
Para representar gráficamente este problema se plantea un ejemplo simplificado de es-
ta viga. Discretizaremos la sección de la viga en 10 elementos verticales. Por simetrı́a sólo
será necesario estudiar 5 de los 10 elementos. A su vez para que este problema pueda ser
representado de forma gráfica asumimos que los tres elementos más próximos a la fibra
neutra presentan la misma densidad relativa (Ver figura 5.3). Esta simplificación no supone
una pérdida de generalidad dado que corresponde a una configuración habitual en las so-
luciones obtenidas en los problemas de optimización topológica y nos permite representar
gráficamente en tres dimensiones la evolución de la solución hacia el óptimo.
Figura 5.3: Variables de diseño del problema de la sección a flexión pura
De acuerdo con la ecuación (5.16) la tensión máxima que soportan los puntos centrales
de los elementos se consigue en la zona más alejada de la fibra neutra. Por lo tanto, la
tensión del elemento con densidad relativa ρ3 puede obtenerse como:
9M
σ= . (5.17)
4( 27
3 ρ1 + 37
3 ρ2 +
61
3 ρ3 )
de modo que la restricción en tensión se puede plantear como:
27 M
− σmax ≤ 0, (5.18)
4(27ρ1 + 37ρ2 + 61ρ3 )
cuya frontera corresponde a la ecuación de un plano en R3 :
27 M
− 27ρ1 − 37ρ2 − 61ρ3 ≤ 0. (5.19)
4 σmax
La función objetivo del problema consiste en minimizar el peso de modo que:
f = 3ρ1 + ρ2 + ρ3 (5.20)
Por lo tanto, si representamos ahora en tres dimensiones la región de diseño para este
27 M
problema tomando, por ejemplo, 4 σe = 105 cm3 podremos analizar el funcionamiento del
algoritmo de optimización y el efecto de las restricciones laterales (figura 5.4).
Figura 5.4: Representación gráfica del problema de optimización
A partir de esta formulación de las restricciones laterales de las variables de diseño y

de la restricción en tensión correspondiente podemos definir con mayor claridad la región
factible para este problema (figura 5.5), ası́ como la dirección del gradiente de la función
objetivo (máximo descenso).
Si ahora planteamos una evolución de la solución de acuerdo con los criterios plantea-
dos en el algoritmo de Programación Lineal Secuencial seguiremos la dirección del gradiente
cuando no haya restricciones activas y cuando haya restricciones activas seguiremos la lı́nea
que proporcione el máximo descenso teniendo en cuenta esta restricción activa. Para ello
Figura 5.5: Región factible del problema de la sección a flexión pura
partiremos de la solución inicial (1, 1, 1) y seguiremos la evolución del proceso de optimiza-

ción.
En una primera iteración seguimos la dirección de máximo descenso de la función
objetivo hasta que la restricción en tensión se activa (figura 5.6). En la segunda iteración
aplicaremos el algoritmo de Programación Lineal Secuencial siguiendo la lı́nea que produce
el máximo descenso sin violar la restricción activa hasta llegar al lı́mite superior de la
variable ρ3 (figura 5.6). En la tercera iteración el algoritmo proporciona la misma dirección
de avance que en la iteración anterior porque no tiene en cuenta la restricción lateral. Por
lo tanto, una vez obtenida la dirección se procede a truncarla para evitar que se violen
las restricciones laterales proyectando el vector de modificación del diseño sobre el plano
ρ3 = 1. A pesar de truncar la dirección de avance el algoritmo se para en este punto porque
no puede continuar avanzando sin incumplir las restricciones (figura 5.6), pero no ha llegado
a la solución óptima porque la dirección de avance no es la adecuada.
Si, por el contrario, el algoritmo utiliza las restricciones laterales para obtener la di-
rección de avance más adecuada este fenómeno no se produce. Tal y como se observa en la
figura 5.7 el cubo que rodea la solución en cada iteración evita que las restricciones laterales
se incumplan de forma automática. De hecho, si se utiliza un algoritmo de Programación
Lineal, la dirección de avance se dirigirá al vértice de la región factible, definida por las
restricciones laterales y por la restricción en tensión (polı́gono azul en la figura 5.7), que
minimiza la función objetivo. Si se utiliza otro algoritmo de optimización que incorpore
las restricciones laterales, la dirección de modificación del diseño obtenida puede ser más
Figura 5.6: Solución sin incorporar las restricciones laterales en la dirección de avance
ó menos eficiente pero siempre garantizará el cumplimiento de las restricciones laterales y

proporcionará la solución óptima para este problema ρ = (0.259, 1, 1).
Figura 5.7: Solución incorporando las restricciones laterales en la dirección de avance

Por lo tanto, y a la vista del ejemplo que se acaba de exponer es imprescindible que
los algoritmos de optimización que se utilicen para resolver un problema de optimización
topológica de estructuras con restricciones en tensión como el que se propone en esta tesis
incorporen en su formulación las restricciones laterales de forma activa. El algoritmo de
Programación Lineal Secuencial que se desarrolla en esta tesis y el Método de las Ası́ntotas
Móviles (Svanberg [115]) incorporan de forma natural las restricciones laterales en su formu-
lación pero en el algoritmo de las funciones barrera es necesario imponerlas adicionalmente
si se pretende obtener soluciones adecuadas para este problema.
5.6. Técnicas de refinamiento de la solución

Tal y como se ha mencionado en los apartados anteriores el número de variables de
diseño y de restricciones de los problemas de optimización hacen que sean mucho más com-
plicados y, por lo tanto, que su resolución requiera técnicas especı́ficas, robustas y eficaces.
Además el coste computacional que se requiere para resolver estos problemas depende fuer-
temente del número de restricciones y del número de variables entre otros factores. Por lo
tanto, la resolución de mallas de elementos más finas supone, en general, un coste compu-
tacional muy elevado. Por este motivo se han propuesto algoritmos que pretenden obtener
mallas adecuadas que permiten obtener soluciones con una mejor resolución espacial sin
incrementar en exceso el número de variables de diseño del problema. En este ámbito son
destacables los trabajos sobre refinamiento de malla de Maute y Ramm [51] y de Ramm,
et al. [88], que proponen unas técnicas de refinado adaptativas o bien refinando la malla en
las zonas de los contornos de las estructuras obtenidas o bien a través de la modificación de
la geometrı́a de los Elementos Finitos para orientarlos en las direcciones de los contornos
obtenidos con la optimización topológica (figura 5.8).
Figura 5.8: Refinamiento adaptativo de la malla de Elementos Finitos (Maute y Ramm [51])
Es obvio que estas técnicas de refinamiento están especialmente indicadas cuando las
necesidades computacionales son muy elevadas. Por lo tanto, estas técnicas, aunque podrán
aplicarse en todas las formulaciones presentadas, reportan mayores ventajas computaciona-
les en problemas que utilizan la formulación local de las restricciones en tensión debido al
elevado número de restricciones y a la complejidad del mismo.
Por otra parte, también es muy importante tener en cuenta que la formulación de op-
timización topológica es dependiente de la malla a medida que aumenta el grado de discre-
tización espacial. Por lo tanto, también es necesario tener en cuenta que al eliminar partes
de la estructura se pueden estar retirando elementos fundamentales que pueden resultar
cruciales para la nueva solución obtenida con la malla refinada. Este hecho es, en general,
posible debido a esta dependencia de la malla pero, en la práctica, esta eliminación permite
reducir considerablemente el número de elementos presentes en la malla refinada además
de simplificar la complejidad de la estructura transformando complicadas configuraciones
resistentes con un elevado número de elementos estructurales (barras) en distribuciones de
material más sencillas y fácilmente realizables.
A pesar de esta mejor solución desde un punto de vista práctico es necesario desta-
car que la solución obtenida mediante el refinamiento propuesto está condicionada a las
soluciones que proporcionen las mallas iniciales más gruesas, de modo que la configuración
resistente viene condicionada por ellas. La resolución del problema con una malla suficien-
temente fina desde el principio conducirá a diseños ligeramente diferentes que en general
contendrán un mayor número de elementos resistentes.
La técnica de eliminación de elementos de la estructura que se emplea en esta tesis
se basa en un algoritmo que excluye de la malla aquellos elementos que presentan una
densidad relativa menor que un valor de referencia establecido. Se eliminarán, por tanto,
aquellos elementos cuya variable de diseño no supere un valor predefinido muy próximo al
lı́mite inferior de la densidad relativa. Si, como es habitual, el valor mı́nimo de la densidad
relativa es ρmin = 0.001, tomaremos un valor de referencia para la eliminación de los
elementos ligeramente superior (por ejemplo, ρref = 0.002). Este valor de referencia no
tiene una trascendencia significativa para la solución final porque el uso de uno u otro
factor dentro de los rangos aconsejables apenas produce cambios en la malla de elementos
finitos resultante.
Una vez eliminados los elementos con densidad relativa inferior a la de referencia se
puede proceder a subdividir cada uno de estos elementos en cuatro elementos del mismo
orden basados en la distribución anterior. Además la renumeración de esta malla también
se realiza en función de la discretización anterior intentando reducir el ancho de banda de
la matriz de rigidez resultante para que el cálculo de estructuras por Elementos Finitos
suponga el menor coste computacional posible.
Figura 5.9: Malla original para el problema de una viga con carga descentrada (450 elemen-
tos)
Figura 5.10: Malla refinada eliminando elementos no necesarios (808 elementos)
Figura 5.11: Malla refinada por segunda vez eliminando elementos no necesarios (2352
elementos)
5.7. Resumen
Los problemas de optimización de estructuras requieren, en general, de técnicas es-
pecı́ficas para su resolución debido a la complejidad que presentan y a sus caracterı́sticas
particulares. El problema de optimización que se propone en esta tesis también presenta,
por tanto, caracterı́sticas particulares que motivan el uso de estos algoritmos especı́ficos.
Ası́, el número de variables de diseño y de restricciones del problema es muy elevado lo que
dificulta en gran medida la obtención de soluciones adecuadas y provoca que los tiempos
de cálculo para obtenerlas sean también elevados. Además, también hay que considerar que
tanto la función objetivo como las restricciones que se proponen son, en general, altamente
no-lineales, lo que complica en mayor medida la resolución del problema.
De los algoritmos que habitualmente se usan en optimización topológica de estructuras,
en esta tesis se ha analizado el comportamiento de un algoritmo de Programación Lineal
Secuencial con Búsqueda Unidireccional Cuadrática, del Método de las Ası́ntotas Móvi-
les y de un algoritmo basado en la utilización de funciones barrera. Todos los algoritmos
que se proponen son adecuados para resolver problemas de optimización condicionada. Sin
embargo, de estos tres algoritmos el que mejores resultados proporciona para el problema
de optimización topológica de estructuras con restricciones en tensión es el algoritmo de
Programación Lineal Secuencial y, por ello, es el que se emplea para resolver los ejemplos
prácticos de aplicación.
Otro aspecto relevante del problema de optimización que se plantea reside en la imposi-
ción de restricciones laterales para las variables de diseño, tanto inferiores como superiores.
Este aspecto cobra vital importancia para este problema porque condiciona fuertemente el
comportamiento de los algoritmos de optimización, que deben incorporarlas en su formu-
lación para que los resultados obtenidos sean satisfactorios. De lo contrario, es posible que
las soluciones obtenidas disten considerablemente del diseño óptimo esperable.
Además de los algoritmos que se proponen para resolver el problema de optimización
también se pueden aplicar técnicas que mejoren la eficiencia de los planteamientos a través
del refinamiento y eliminación selectiva de elementos. De este modo se pueden resolver
problemas con una discretización del dominio más fina sin incrementar excesivamente la
complejidad y el coste computacional necesario. En esta tesis se propone una técnica de
eliminación selectiva que excluye de la malla de cálculo a aquellos elementos que no superan
un valor mı́nimo predefinido (cercano al lı́mite inferior) de las variables de diseño. Una vez
eliminados estos elementos se procede a refinar la malla dividiendo de forma equitativa cada
celda en cuatro nuevas celdas.
A continuación procedemos a desarrollar la metodologı́a especı́fica seguida en esta tesis
doctoral para obtener los análisis de sensibilidad que requieren los algoritmos de optimiza-
ción presentados en este capı́tulo.
79
Despréndete de todas las impresiones de los

sentidos y de la imaginación, y no te fı́es sino
de la razón.
René Descartes (1596-1650)
Capı́tulo 6
Análisis de Sensibilidad
6.1. Introducción
Los planteamientos que habitualmente se emplean para resolver problemas de optimi-

zación con un gran número de variables de diseño y de restricciones requieren de técnicas
y algoritmos de resolución complejos. El buen funcionamiento de estos algoritmos depende
lógicamente de la calidad de los datos que se le proporcionen. En este punto cobra especial
importancia el análisis de sensibilidad, dado que proporciona las derivadas que requieren
los algoritmos de optimización. Además, en problemas como los que se pretende resolver, el
análisis de sensibilidad representa una parte muy considerable del tiempo total de cálculo
ası́ como de las necesidades de almacenamiento de datos a la hora de implementar numéri-
camente la formulación en las aplicaciones informáticas de cálculo.
El problema de optimización topológica que se presenta en el capı́tulo 4 consiste en:
hallar ρ = {ρi }, i = 1, . . . , n
que minimice F (ρ)
(6.1)
gj r oj , ρ ≤ 0,

verificando j = 1, . . . , m,
ρmin ≤ ρi ≤ ρmax , i = 1, . . . , n.
donde ρ son las variables de diseño, F es la función objetivo, gj son las restricciones y ρmin
y ρmax son las restricciones laterales.

Este problema se resuelve mediante las técnicas de optimización propuestas en el capı́tu-
lo 5. Por lo tanto, será necesario calcular las derivadas que se requieran en cada caso en
función del método de optimización empleado. De acuerdo con la metodologı́a general pro-
puesta en el capı́tulo 5 para el algoritmo de Programación Lineal Secuencial y para la
Función Barrera Inversa obtendremos la solución óptima de forma iterativa como:
ρk+1 = ρk + θk sk , (6.2)
donde la dirección de modificación del diseño sk se obtiene mediante Programación Lineal

o mediante la función barrera y el factor de avance se obtiene, a continuación, mediante
una búsqueda unidireccional cuadrática en la dirección establecida (sk ).
Este algoritmo requiere, en consecuencia, el cálculo del análisis de sensibilidad de primer
orden completo de la función objetivo y de las restricciones para calcular la dirección de
avance. Asimismo también requiere un análisis direccional de segundo orden para obtener
el factor de avance más adecuado.
Si utilizamos la función barrera inversa como algoritmo de optimización necesitaremos
las mismas derivadas que para el de Programación Lineal Secuencial. Sin embargo, el Método
de las Ası́ntotas Móviles solamente utiliza las derivadas de primer orden completas.
Todo el desarrollo que se expone a continuación se ha llevado a cabo de forma especı́fica
para el algoritmo de Programación Lineal Secuencial (SLP-QLS), dado que es la técnica de
optimización utilizada para resolver los ejemplos prácticos de aplicación.
6.2. Consideraciones previas
Antes de proceder a desarrollar la metodologı́a de obtención del análisis de sensibili-

dad requerido por los algoritmos de optimización que se utilizan en esta tesis doctoral es
necesario fijar los aspectos más relevantes de la notación matemática que se va a utilizar a
lo largo de todo el desarrollo posterior. Ası́, sea
 

 ρ
 1 

..

ρ= . , (6.3)

 
ρn
 
el vector de variables de diseño del problema.

Sea también una función
Capı́tulo 6. Análisis de Sensibilidad 81
P (ρ) = P (ρ1 , ρ2 , . . . , ρn ). (6.4)
Definimos:

dP ∂P ∂P ∂P
= ∇P = ··· . (6.5)
dρ ∂ρ1 ∂ρ2 ∂ρn
Derivando de nuevo obtenemos la matriz Hessiana como:
∂2P ∂2P ∂2P

 

 ∂ρ1 2 ∂ρ1 ∂ρ2 ··· ∂ρ1 ∂ρn


 
∂2P ∂2P ∂2P
 
d dP T ···

 

∂ρ2 ∂ρ1 ∂ρ2 2 ∂ρ2 ∂ρn
H(P ) = = .. .. .. .. , (6.6)
dρ dρ 
 . . . . 


 

∂2P ∂2P ∂2P
 
···
 
∂ρn ∂ρ1 ∂ρn ∂ρ2 ∂ρn 2
De modo similar, sea
 


 Q1 (ρ1 , . . . , ρn ) 


 
 Q2 (ρ1 , . . . , ρn )
 

Q(ρ) = .. . (6.7)


 . 



 

 Q (ρ , . . . , ρ ) 
m 1 n
Definimos las derivadas de primer orden completas como:

 
∂Q1 ∂Q1 ∂Q1

 ∂ρ1 ∂ρ2 ··· ∂ρn



 

∂Q2 ∂Q2 ∂Q2
···
 
dQ 
∂ρ1 ∂ρ2 ∂ρn

= ∇Q = .. .. .. .. (6.8)
dρ 
 . . . . 


 

∂Qm ∂Qm ∂Qm
 
···
 
∂ρ1 ∂ρ2 ∂ρn
y las derivadas de segundo orden como:
 
∂ 2 Qj ∂ 2 Qj ∂ 2 Qj


 ∂ρ1 2 ∂ρ1 ∂ρ2 ··· ∂ρ1 ∂ρn



 
∂ 2 Qj ∂ 2 Qj ∂ 2 Qj
 
d dQj T
 
···
 
H(Qj ) = = ∂ρ2 ∂ρ1 ∂ρ2 2 ∂ρ2 ∂ρn , j = 1, . . . , m. (6.9)
dρ dρ .. .. .. ..



 . . . .




∂ 2 Qj ∂ 2 Qj ∂ 2 Qj
 
···

 

∂ρn ∂ρ1 ∂ρn ∂ρ2 ∂ρn 2
La derivada direccional de primer orden de la función P (x) se puede establecer a partir

de (6.2) como:
dP dρ dP
Ds P = = s. (6.10)
dρ dθ dρ
Derivando de nuevo podemos obtener las derivadas direccionales de segundo orden

como:
d dP T dρ

2
Dss P = s = sT H(P ) s. (6.11)
dρ dρ dθ
De un modo similar podemos obtener las derivadas direccionales de Q(ρ) como:
 
 Ds Q1

 

..
 dQ dρ dQ
Ds Q = . = = s, (6.12)

 
 dρ dθ dρ
Ds Qm
 
y derivando de nuevo:
 
2
 Dss Q1

 

..

2
Dss Q= . (6.13)
 
 2
 
Dss Qm

siendo
d ∂Qj T dρ

2
Dss Qj = s = sT H(Qj )s, j = 1, . . . , m. (6.14)
dρ ∂ρ dθ
6.3. Análisis de sensibilidad de funciones dependientes de las

variables de diseño
Una vez establecida la notación que utilizaremos para obtener el análisis de sensibili-
dad procedemos a desarrollar la metodologı́a de cálculo de las derivadas que necesitamos.
Antes de comenzar el análisis es necesario distinguir entre dos grupos de funciones con ca-
racterı́sticas particulares que condicionan el desarrollo y la obtención de sus derivadas. Ası́,
podemos distinguir entre funciones que dependen directamente de las variables de diseño
(por ejemplo, el peso de la estructura) y funciones que dependen de las variables de diseño
a través de una ecuación de estado (por ejemplo, los desplazamientos o las tensiones en un
modelo de Elementos Finitos).
Las funciones que dependen directamente de las variables de diseño pueden derivarse
analı́ticamente de forma inmediata mediante la aplicación de la regla de la cadena de forma
adecuada. Sin embargo, el análisis de sensibilidad de las funciones que dependen de las
variables de diseño a través de funciones de estado merecen un desarrollo más especı́fico y
complejo que pasamos a detallar a continuación.
6.4. Análisis de sensibilidad de funciones dependientes de las

variables de estado y de las variables de diseño
El análisis de sensibilidad de funciones dependientes de las variables de estado presenta,

en general, una complejidad mucho mayor que las funciones que dependen directamente de
las variables de diseño. Por este motivo, para obtener estas derivadas se puede recurrir a
diferentes técnicas que pasamos a describir a continuación.
6.4.1. Diferenciación numérica
Una primera forma de abordar el cálculo del análisis de sensibilidad consiste en la

aproximación de las derivadas mediante métodos numéricos aproximados como los algo-
ritmos de Diferencias Finitas (véase por ejemplo, el trabajo de Choi y Kim [14]). Por lo
tanto, aplicando un esquema de diferencias finitas podemos obtener una aproximación de
las derivadas de la función gj (ρ) con respecto al vector de variables de diseño ρ como:

gj − gj
dgj (ρ) ρ+hδ i ρ
= + θ(h),
dρi h (6.15)
n o
ρ = ρi
i=1,...,n
donde θ(h) representa los términos de error de la aproximación utilizada y siendo

 


 δi1 



 .. 

.

 
 (
 
  1 si k=i
δi = δik −→ δik = (6.16)


 ..


 0 si k 6= i


 . 



 

 δin 
Esta aproximación corresponde a un esquema de diferencias finitas no centrado (for-

ward/backward difference method). También se podrı́a utilizar un esquema centrado (central
difference method) como el que se propone a continuación:

gj − gj
dgj (ρ) ρ−hδ i ρ+hδ i
= + θ(h2 ),
dρi 2h (6.17)
n o
ρ = ρi
i=1,...,n
Si además la restricción gj no depende directamente de las variables de diseño y está re-

lacionada con ellas mediante una ecuación de estado es necesario calcular de nuevo las varia-

bles de estado α para cada una de las derivadas que se quiera calcular. En problemas
ρ+hδ i
de cálculo de estructuras como los que se analizan en esta tesis, la ecuación de estado está li-
gada a la formulación de Elementos Finitos y, en consecuencia, será necesario resolver un
sistema de ecuaciones con diferente matriz y diferentes términos independientes para cada
derivada que se analice. Si tenemos en cuenta que el número de variables n puede ser muy
elevado y el de restricciones m también, el coste computacional de este esquema aproximado
es, en general, muy importante.
Por otra parte, para mejorar la aproximación realizada en (6.15) o (6.17) es necesario
reducir en la medida de posible el valor del parámetro h. Sin embargo, cuando se reduce el
valor de h, las operaciones a realizar introducen errores numéricos considerables ya que se
restan valores muy similares en el numerador y a su vez se realizan divisiones entre números
muy pequeños. Por tanto, la elección del parámetro h no es trivial y requiere, en general,
de una calibración previa.
Por todos estos motivos, estos algoritmos de diferenciación numérica no se utilizan
habitualmente para obtener el Análisis de Sensibilidad, salvo en problemas en los que no se
puedan aplicar otras técnicas más robustas.
6.4.2. Diferenciación analı́tica directa
Debido a los inconvenientes que presentan los métodos de diferenciación numérica es

necesario recurrir a técnicas de derivación analı́ticas que proporcionen el análisis de sen-
sibilidad requerido de forma precisa y fiable y con costes computacionales más reducidos.
Las formulaciones analı́ticas que se utilizan habitualmente se basan fundamentalmente en
planteamientos de tipo directo. En primer lugar, se calculan las derivadas de los desplaza-
mientos nodales de la estructura α a partir de la ecuación de estado para, a continuación,
incorporarla en la determinación del análisis de sensibilidad de la función que se pretende
analizar.
Derivadas de primer orden completas
Sea g̃j (t(α), ρ) una restricción que depende de las variables de diseño y de una función
t que, a su vez, depende de los desplazamientos nodales de la estructura, tal que

gj (ρ) = g̃j (t(α), ρ) , (6.18)
α(ρ)
donde

t(α) = tk (α) (6.19)
k=1,...,m
siendo m el número funciones t de que depende la restricción g˜j (por ejemplo, tensiones o
desplazamientos en puntos de la estructura).
De este modo podemos calcular ahora las derivadas de gj (ρ) como

dgj ∂g̃j dt dα ∂g̃j
= + , (6.20)
dρ ∂t t(α) dα

dρ ∂ρ t(α)
α(ρ)
α(ρ) α(ρ)
donde las derivadas de primer orden de los desplazamientos nodales se obtienen a partir de
la ecuación de estado.
Tal y como se ha presentado en el apartado 3.3.1 la ecuación de estado del Método de
los Elementos Finitos (3.15) se plantea mediante el sistema de ecuaciones:
Kα = f (6.21)
donde:
K = K(ρ) α = α(ρ) f = f (ρ), (6.22)
siendo K, α y f la matriz de rigidez de la estructura, el vector de desplazamientos nodales

y el vector de cargas nodales aplicadas, respectivamente.
Derivando (6.21) podemos obtener los términos necesarios para el análisis de sensibili-
dad propuesto en (6.20). Ası́:
dα df dK
K = − α. (6.23)
dρ dρ dρ
Los sumandos del término independiente de este sistema de ecuaciones se obtienen a
partir de la formulación del modelo de Elementos Finitos propuesta en el capı́tulo 3. Ası́, a
partir de (3.17b), teniendo en cuenta que las fuerzas nodales debidas a cargas superficiales
exteriores no dependen (para este problema) de las variables de diseño, se deduce que
ZZZ
df k
= (ΦTk b − (LΦk )T D(Lup ))dΩ, (6.24)
dρe Ee
siendo

f= fk (6.25)
k=1,...,N
donde N es el número de nodos de la malla de Elementos Finitos.

De este modo, f k representa el vector de fuerzas aplicado sobre el nodo k de la malla
de Elementos Finitos y ρe la variable de diseño con respecto a la cual estamos calculando
la derivada. El vector up contiene el valor de los desplazamientos nodales impuestos de la
estructura.
De acuerdo con (6.24), el análisis de sensibilidad de las cargas nodales se obtiene a partir
de las fuerzas volumétricas aplicadas sobre la estructura (por ejemplo, el peso propio) y de
los desplazamientos nodales impuestos up , sin más que imponer que la densidad relativa
ρe = 1. Como ya se ha comentado, las fuerzas exteriores aplicadas no dependen, en este
problema, de las variables de diseño y, en consecuencia, sus derivadas son nulas y no se
consideran en este desarrollo.
De modo similar, a partir de las ecuaciones (3.8) y (3.9) obtenemos que:
ZZZ
dK ji
= (LΦj )T D(LΦi ) dΩe . (6.26)
dρe Ωe
Como se puede observar, la derivada propuesta en (6.26) se obtiene del mismo modo
que la matriz de rigidez elemental del problema de análisis estructural (3.17a) imponiendo
que la densidad relativa vale ρe = 1. Por lo tanto, la derivada de la matriz de rigidez se
obtiene ensamblando los términos propuestos en (3.17a) e imponiendo que ρe = 1 para
todos los elementos.
De acuerdo con (6.23), la matriz de rigidez resultante de resolver el problema estructu-
ral con el Método de los Elementos Finitos es la misma que se utiliza para obtener el análisis
de sensibilidad. De este modo, si resolvemos el sistema de ecuaciones mediante un algoritmo
de factorización para matrices simétricas y definidas positivas como el de Cholesky y alma-
cenamos las matrices resultantes, la resolución de nuevos sistemas de ecuaciones adicionales
como los que se requieren para el análisis de sensibilidad se reduce a actualizar el vector de
términos independientes y realizar las sustituciones hacia adelante y hacia atrás.
Otra alternativa para calcular el análisis de sensibilidad de primer orden de la matriz
de rigidez (K) consiste en utilizar los algoritmos de diferencias finitas como los que se pro-
ponen en el apartado 6.4.1. De este modo, no se evitan los inconvenientes desde el punto de
vista numérico que presentan estas técnicas pero se reduce considerablemente el coste com-
putacional porque, como ya se ha comentado, la matriz del sistema de ecuaciones resultante
coincide con la matriz de rigidez de la estructura. Este tipo de análisis que combinan el
desarrollo analı́tico con las aproximaciones numéricas se denominan por este motivo méto-
dos semi-analı́ticos de derivación. Sin embargo, a pesar de las ventajas computacionales
que ofrecen estos algoritmos frente a las aproximaciones en diferencias finitas tampoco se
utilizan habitualmente en la práctica siempre que se pueda realizar el desarrollo analı́tico.

Una vez obtenidas las derivadas de primer orden completas por el método de diferencia-
ción directa podemos realizar el análisis de segundo orden completo sin más que derivar de
nuevo. Este desarrollo no se lleva a cabo en esta tesis porque los algoritmos de optimización
utilizados no lo requieren. Además, el cálculo de estas derivadas supone una complejidad im-
portante y unas necesidades computacionales inasumibles en la práctica para los problemas
de optimización que se plantean en esta tesis doctoral.
Sin embargo, a pesar de que no se requiere el cálculo de derivadas segundas completas,
sı́ que será necesario obtener las derivadas direccionales tanto de primer como de segundo
orden para establecer el factor de avance más adecuado.
Derivadas direccionales de primer y segundo orden
De acuerdo con los métodos propuestos en (6.10) el análisis de sensibilidad direccional

de primer orden en la dirección s de la restricción gj (ρ) se define como:
dgj
Ds gj = s. (6.27)
dρ
Ası́, teniendo en cuenta que el análisis de sensibilidad de primer orden completo de la
restricción gj se obtiene de acuerdo con (6.20),

∂g̃j dt ∂g̃j
Ds gj = Ds α + s (6.28)
∂t t(α) dα

∂ρ
α(ρ)
α(ρ)
donde Ds α se obtiene como:
K Ds α = Ds f − Ds K α. (6.29)
Como se puede observar, la matriz que define el sistema de ecuaciones a resolver coincide
con la matriz de rigidez del problema estructural y con la matriz del sistema utilizada en el
análisis de sensibilidad de primer orden completo. Por lo tanto, la resolución de este sistema
de ecuaciones se reduce a actualizar el vector de términos independientes y a aplicar las
sustituciones hacia adelante y hacia atrás.
Para obtener las derivadas segundas direccionales partimos de (6.28). Ası́,

2 d
Dss gj = (Ds gj ) s, (6.30)
dρ t(α)

α(ρ)
que aplicando la regla de la cadena se puede plantear como

 T  T

2 d  ∂g̃j dt dα  d  ∂g̃j
Dss gj = s s + s s. (6.31)

dρ ∂t t(α) dα

dρ dρ ∂ρ t(α)
 

α(ρ)
α(ρ) α(ρ)
2 g como:
Si se desarrollan las derivadas de los productos anteriores se puede obtener Dss j
T
∂ ∂g̃j T
 
∂ ∂g̃j
 ∂t ∂t t(α) t(α)
∂ρ ∂t " #
 Ds t
 α(ρ) α(ρ)

2 g = (D t)T

sT 

Dss j s
 +
s
 T T 
 ∂ ∂g̃j ∂ ∂g̃j
 

(6.32)

t(α) t(α)
∂t ∂ρ ∂ρ ∂ρ
α(ρ) α(ρ)
m
dtk T

∂g̃j dt 2
X ∂g̃j T d
+ Dss u + (Ds α) Ds α,
∂t t(α) dα

∂tk t(α) dα dα

α(ρ) k=1 α(ρ)
α(ρ) α(ρ)
donde la dirección s es conocida,

dt
Ds t = Ds α, (6.33)
dα

α(ρ)
2 α
y Ds α se obtiene de resolver el sistema de ecuaciones propuesto en (6.29). El término Dss
se obtiene de resolver el sistema de ecuaciones:
2 2 2
K Dss α = Dss f − Dss K α − 2 Ds K Ds α. (6.34)
Por lo tanto, dado que la matriz del sistema coincide con la empleada para el cálculo
estructural y las condiciones de derivadas de desplazamientos prescritos se aplican sobre los
mismos nodos podemos obtener la solución del sistema de ecuaciones (6.34) calculando el
valor de los términos independientes y resolviendo los sistemas triangulares resultantes tras
la factorización.
2 g se puede obtener sin más que sustituir en (6.32) el valor de D 2 α
De este modo, Dss j ss
obtenido de acuerdo con (6.34).
6.4.3. Diferenciación analı́tica por el Método de la Variable Adjunta
El algoritmo de diferenciación analı́tica directa que se ha presentado en el apartado

anterior proporciona el análisis de sensibilidad de las restricciones de forma analı́tica. Sin
embargo, tal y como se ha desarrollado el análisis es necesario resolver un número de sis-
temas de ecuaciones muy elevado (tantos como grados de libertad presente la malla de
Elementos Finitos utilizada) para obtener las derivadas de primer orden completas de las
restricciones. Además, es necesario almacenar las derivadas de primer orden completas de
los desplazamientos para poder calcular las derivadas de las restricciones que nos interesan.
Sin embargo, si se reordenan los algoritmos propuestos en el método de diferenciación direc-
ta es posible reducir el número de sistemas de ecuaciones que es necesario resolver ası́ como
evitar el almacenamiento de las derivadas de primer orden de los desplazamientos.
Derivadas de primer orden completas
De acuerdo con (6.20) la derivada de primer orden completa de la restricción gj es

dgj ∂g̃j dt dα ∂g̃j
= + . (6.35)
dρ ∂t t(α) dα

dρ ∂ρ t(α)
α(ρ)
α(ρ) α(ρ)
Si ahora tenemos en cuenta que la derivada de primer orden de los desplazamientos

nodales α se obtiene resolviendo
dα df dK
K = − α, (6.36)
dρ dρ dρ
podemos sustituir el término de derivadas de desplazamientos en (6.35) y plantear que

dgj ∂g̃j dt −1 df dK ∂g̃j
= K − α + . (6.37)
dρ ∂t t(α) dα

dρ dρ ∂ρ t(α)
α(ρ)
α(ρ) α(ρ)
En este punto definimos la variable adjunta como

∂g̃j dt
λTj = K −1 , (6.38)
∂t t(α) dα

α(ρ)
α(ρ)
que se determina mediante la resolución del sistema:

T T
T dt ∂g̃j
K λj = . (6.39)
dα ∂t
t(α)

α(ρ)
α(ρ)
Por lo tanto, una vez conocida λj ,

dgj df dK ∂g̃j
= λTj − α + . (6.40)
dρ dρ dρ ∂ρ t(α)

α(ρ)
Además, si la formulación de Elementos Finitos que se utiliza para resolver el problema

estructural es de tipo Galerkin, la matriz de rigidez de la estructura es simétrica y coincide
con la que se utiliza en (6.21), de modo que la resolución se reduce a calcular el término
independiente y a aplicar las sustituciones hacia adelante y hacia atrás utilizando las ma-
trices triangulares y diagonal resultantes de factorizar la matriz del sistema por el método
de Cholesky.
Derivadas direccionales de primer y segundo orden
La derivada de primer orden direccional de la restricción gj se puede obtener de un

modo similar a partir de (6.27), (6.28) y (6.29) como

∂g̃j dt −1 ∂g̃j
Ds gj = K [Ds f − Ds K α] + s, (6.41)
∂t t(α) dα

∂ρ t(α)
α(ρ)
α(ρ) α(ρ)
que teniendo en cuenta (6.38) se reduce a

∂g̃j
Ds gj = λTj [Ds f − Ds K α] + s (6.42)
∂ρ t(α)

α(ρ)
De modo análogo se obtiene la derivada segunda direccional a partir de (6.32) y (6.34)

como
∂ ∂g̃j T
 T 
∂ ∂g̃j
 ∂t ∂t ∂ρ ∂t 
 t(α) t(α) "
 Ds t
#
α(ρ) α(ρ)

2 g (Ds t)T T

Dss = s  +

j 
 ∂ ∂g̃ T

∂

∂g̃j T
 s
 j 
∂t ∂ρ ∂ρ ∂ρ
 
t(α) t(α)
α(ρ) α(ρ)
λTj 2 f 2 K

+ Dss − Dss α − 2 Ds K Ds α
m T
X ∂g̃j d dtk
+ (Ds α)T Ds α,
∂tk t(α) dα dα
k=1 α(ρ)
α(ρ)
(6.43)
donde Ds α se obtiene de acuerdo con (6.29).
6.5. Análisis de sensibilidad de restricciones en tensión

Para el caso particular de que las restricciones del problema sean de tensión, t ven-
drá definido, de forma general, por un vector que contiene los valores de una tensión de
comparación previamente establecida en unos puntos predefinidos de la estructura. Para el

problema de optimización topológica que se propone en esta tesis doctoral se ha planteado
el análisis de la tensión de comparación en el punto central de cada elemento de la malla
de Elementos Finitos. Por lo tanto,

te = σ
be (σ e ) e = 1, . . . , Ne (6.44)

σ(α)
donde σ e es el tensor de tensiones en el punto central del elemento e, de modo que

dte db
σe dσ e
= . (6.45)
dα dσ e

dα
σ e (α)
Ası́, si substituimos (6.45) en las expresiones de las derivadas obtenidas en los apartados
6.4.2 y 6.4.3 podemos plantear que
Ne
X db
σe dσ e
Ds t = Ds α (6.46)
dσ e σb e (σe ) dα

e=1 σ e (α)
σ e (α)
y
T Ne
dσ e T db σe T

d dte X d
= +
dα dα dα dα dσ e

e=1 σ e (α)
Ne T T (6.47)
X dσ e d db
σe dσ e
+ ,
dα dσ e dσ e dα
e=1 σ e (α)
quedando, de este modo, planteadas todas las derivadas necesarias para las restricciones en
tensión.
Como se puede observar en todo el planteamiento anterior, es necesario desarrollar de
forma especı́fica las derivadas de la tensión de comparación y del tensor de tensiones para
obtener el análisis de sensibilidad de las restricciones en tensión que se proponen en esta
tesis doctoral. Por lo tanto, a continuación procedemos a obtener las derivadas de la tensión
de comparación de Von Mises y las derivadas del tensor de tensiones.
6.5.1. Análisis de sensibilidad de la tensión de Comparación de Von Mises
Según la norma NBE-EA 95 de estructuras de acero [53], la tensión de comparación de

Von Mises se define como:
r h
1 i
σ
bVM = (σx − σy )2 + (σy − σz )2 + (σz − σx )2 + 6 τxy
2 + τ2 + τ2
yz zx (6.48)
2
donde
 

 σx 

 



 σy 


 
 σ  
z
σ= (6.49)
 τxy 

 

 
τ
 
yz 

 

 

τzx
 
son las componentes del tensor de tensiones σ en tres dimensiones en un punto en las
direcciones de los ejes (x, y, z). Las condiciones sobre el estado tensional que se imponen en
la NBE-EA 95 [53] para estructuras de acero son:
bVM ≤ σ
σ bmax , (6.50a)
σI ≤ 2 σ
bmax , si σ I , σ II , σ III > 0, (6.50b)
donde σ
bVM es la tensión de comparación, σ
bmax corresponde al lı́mite elástico del material y
σ I y σ III son la máxima y mı́nima tensión que soporta el material en ejes principales.
Si aplicamos este criterio a un problema bidimensional en tensión plana obtenemos que
q
σ
bVM = σx2 + σy2 − σx σy + 3τxy
2 (6.51)
y en ejes principales
q
σ
bVM = (σ I )2 + (σ II )2 − σ I σ II . (6.52)
En problemas bidimensionales en tensión plana las condiciones (6.50a) y (6.50b) se

reducen a:
bVM ≤ σ
σ bmax . (6.53)
De este modo, el análisis de sensibilidad de la tensión de comparación de Von Mises

con respecto al tensor de tensiones se define como:

db
σVM ∂b
σVM ∂b
σVM ∂b
σVM
= , (6.54)
dσ ∂σx ∂σy ∂τxy
de modo que:
∂b
σVM 2σx − σy
= (6.55a)
∂σx 2b
σVM
∂b
σVM 2σy − σx
= (6.55b)
∂σy 2b
σVM
∂b
σVM 6τxy
= (6.55c)
∂τxy 2b
σVM
(6.55d)
Las derivadas segundas se definen a partir de las derivadas anteriores como:

∂ ∂b
σVM ∂ ∂b
σVM ∂ ∂b
σVM

 ∂σx ∂σx ∂σx ∂σy ∂σx ∂τxy

 
 
T  
d dbσVM  ∂ ∂b
σVM ∂ ∂b
σVM ∂ ∂b
σVM 
=
  (6.56)
dσ dσ  ∂σy ∂σx ∂σy ∂σy ∂σy ∂τxy 

 
 
 ∂ ∂b σVM

∂

∂b
σVM

∂

∂b
σVM 
∂τxy ∂σx ∂τxy ∂σy ∂τxy ∂τxy
de modo que:
3σy2 + 12τxy
2
 
−3σx σy − 6τxy −6τxy (2σx − σy )
 4b 3
σVM 4b 3
σVM 4b 3
σVM 
 
 
T 
 −3σ σ − 6τ 2

2
3σx2 + 12τxy

d dbσVM x y xy −6τxy (2σy − σx ) 

= (6.57)

dσ dσ 3 3 3


 4bσVM 4b
σVM 4b
σVM 

 
2 2
 
 −6τxy (2σx − σy ) −6τxy (2σy − σx ) σVM − 9τxy
3b 
4b 3
σVM 4b 3
σVM σ 3
bVM
6.5.2. Análisis de sensibilidad del tensor de tensiones
Una vez desarrollado el análisis de sensibilidad de la tensión de comparación es nece-

sario desarrollar el análisis de sensibilidad del tensor de tensiones σ(α) con respecto a los
desplazamientos α. Ası́, a partir de (3.2) y (3.18) se puede calcular el tensor de tensiones
σ en un punto (r o ) para formulaciones de Elementos Finitos de tipo Galerkin como:
σ(r o ) = DLu(r o ) (6.58)
donde u(r o ) son los desplazamientos del punto r o considerado.

De acuerdo con la discretización utilizada para la resolución del problema estructural,

el tensor de tensiones σ(r o ) se calcula a partir de los desplazamientos nodales α como:
N
X
o
σ(r ) = DLΦi (r o )αi , (6.59)
i=1
siendo N el número de nodos de la estructura,
 
 αi1

 

..
n o 
α = αi y αi = . , (6.60)
i=1,...,N 
 

αid
 
siendo d el número de dimensiones del problema. Para el problema de estudio en esta tesis
d = 2.
En consecuencia,

dσ 1
= DLΦi (r o )
,
dαi1 0

dσ o 0 (6.61)
= DLΦi (r ) ,
dαi2 1
i = 1, . . . , N
donde el operador diferencial L se aplica sobre la matriz Φi (r o ) que contiene la función de

forma correspondiente al nodo i particularizada en el punto r o .
Tal y como se propone en (3.4a) y (3.4b) la matriz Φi (r o ) se obtiene para problemas
bidimensionales como:
Φi (r o ) = φi (r o )I 2 , (6.62)
siendo φi la función de forma correspondiente al nodo i particularizada en el punto r o .

Como se puede observar tanto la matriz constitutiva del material D como la matriz
resultante de operar L con la matriz Φi en el punto r o son constantes para la malla de
Elementos Finitos utilizada y no varı́an con la densidad relativa del material.
Por este motivo, se deduce de forma inmediata que:

d dσ
= 0, ∀ i, j = 1, . . . , N y ∀ `, k = 1, 2 (6.63)
dαjk dαi`
6.6. Análisis de sensibilidad de la función objetivo

El análisis de sensibilidad de la función objetivo propuesta en el capı́tulo 4 se desarrolla
derivando de forma directa a partir de (4.4) ya que no depende de las variables de estado
del problema.
6.6.1. Derivadas de primer orden completas
Las derivadas de primer orden completo se obtienen como:
1 ( p1 −1)
Z
dF
= ρe γmat dΩe , e = 1, . . . , Ne (6.64)
dρe Ωe p
siendo p el factor de penalización de las densidades intermedias y γmat la densidad del
material.
6.6.2. Derivadas direccionales de primer y segundo orden
Las derivadas direccionales de primer orden se calculan a partir de (6.64) como
e N
dF X ∂F
Ds F = s= se (6.65)
dρ ∂ρe
e=1
De modo análogo, se deducen la derivada direccional de segundo orden como:

2 ∂ T ∂F
Dss F =s s (6.66)
∂ρ ∂ρ
donde

0 si k 6= e
∂2F


= 1 − p ( p1 −2) (6.67)
Z
∂ρk ∂ρe  ρ γmat dΩk si k=e

Ωk p2 k
de modo que:
Ne
1 − p ( p1 −2)
X Z
2
Dss F = s2e ρ e γmat dΩe (6.68)
Ωe p2
e=1
6.6.3. Análisis de sensibilidad de la función perı́metro
Si a la función objetivo presentada en el apartado anterior se le incorpora el efecto

de una penalización por perı́metro como la que se propone en el apartado 4.8 es necesario
desarrollar el análisis de sensibilidad correspondiente para incorporarlo en los algoritmos de

optimización.
Para ello partimos de la aproximación de la función valor absoluto que se propone en
el capı́tulo 4. De acuerdo con este planteamiento la función perı́metro viene dada por
X 1
P (ρ) = (1 + 2ξ)(ρj − ρk )2 + ξ 2 2 − ξ Li , (6.69)
i
siendo i cada una de las fronteras entre elementos o entre elementos y el borde de la malla
y (ρj − ρk ) el salto de densidad relativa que se produce entre los elementos adyacentes a
la frontera i. Es importante destacar que esta formulación también permite representar la
función valor absoluto de forma exacta cuando ξ = 0. Por lo tanto, el análisis de sensibili-
dad que se desarrolla a continuación también permite calcular las derivadas de la función
perı́metro cuando se utiliza la función valor absoluto.
El análisis de sensibilidad de primer orden de esta función perı́metro se obtiene como:
4
∂P X (1 + 2ξ)(ρe − ρk )
= p Li0 (6.70)
∂ρe 0 (1 + 2ξ)(ρ e − ρ k )2 + ξ2
i =1
siendo i0 cada una de las cuatro fronteras de los elementos cuadriláteros en dos dimensiones
y ρk la densidad relativa del elemento contiguo al elemento e en la frontera i0 . En tres
dimensiones esta suma habrı́a que extenderla a todas las caras de los elementos de la malla
y las longitudes Li0 serı́an en este caso las superficies de estas caras.
Las derivadas direccionales de primer orden se obtienen como
Ne 4
!
X X (1 + 2ξ)(ρe − ρk )
Ds P = p Li0 se (6.71)
e=1 i0 =1
(1 + 2ξ)(ρe − ρk )2 + ξ 2
siendo ρe cada una de las variables de diseño, i0 los lados del elemento e y ρk la densidad
relativa del elemento contiguo al elemento e en la frontera i0 .
En esta ecuación hay que tener en cuenta que para las fronteras de los elementos que
definen el contorno de la malla y, por tanto, no están en contacto con otros elementos, la
variable de diseño ρk toma el valor nulo. Por el contrario, si se resuelve un modelo en el que
se impone una condición de simetrı́a en el contorno, no deben de incluirse esas fronteras en
el cálculo del perı́metro de la estructura.
Las derivadas direccionales de segundo orden se desarrollan como
Ne X
"N " 4 ! # #
2
X e X (1 + 2ξ)(δeh − δkh )ξ 2
Dss P = 3 Li0 se sh . (6.72)
h=1 e=1 i0 =1 ((1 + 2ξ)(ρe − ρk )2 + ξ 2 ) 2
siendo δ la función Delta de Kronecker.
6.7. Análisis de sensibilidad de las restricciones en tensión

locales
Una vez establecidas la metodologı́a general del análisis de sensibilidad de funciones
dependientes de la ecuación de estado podemos desarrollar estos cálculos de forma especı́fica
para cada formulación de las restricciones en tensión que se plantean en esta tesis doctoral.
Tal y como se ha propuesto en el capı́tulo 4 todas las formulaciones y desarrollos que se
realizan se aplican sobre el campo de desplazamientos (uh (ρ)) y en consecuencia sobre

campos de tensiones (σ h (ũ) ) calculados por el método de los Elementos Finitos.
h ũ=u (ρ)
Sin embargo, para simplificar la notación matemática, en los desarrollos que se realizan a
continuación utilizaremos como tensor de tensiones σ y como campo de desplazamientos u
en su forma discretizada mediante los desplazamientos nodales α, teniendo en cuenta que
toman los valores calculados de forma numérica.
Las derivadas de primer orden completas se pueden obtener mediante el método de la

variable adjunta a partir de (6.39) y (6.40). Ası́, a partir de (4.18) se plantea la restricción
en tensión como:

ge (ρ) = g̃e (b
σVM,e , ρe ) =
σbvm,e (σe )
σ (α)
e
α(ρ)
h i (6.73)
ρeq

ε
= bVM,e − σ
σ bmax 1 − ε + ρe ≤ 0.
σbvm,e (σe )
σ (α)
e
α(ρ)
siendo, para problemas bidimensionales en tensión plana,
q
σ
bVM,e = 2 + σ2 − σ σ
σx,e y,e x,e y,e + 3τxy,e (6.74)
y
 
 σx,e

 


σe = σy,e (6.75)

 

 τ 
xy,e
que corresponde al tensor de tensiones del punto central del elemento e.

De este modo se obtienen las derivadas de primer orden completo, teniendo en cuenta
los apartados 6.5.1 y 6.5.2, como:

dge ∂g̃e db
σVM,e dσ e dα ∂g̃e
= + δie , (6.76)
dρi ∂b
σVM,e σbvm,e (σe ) dσ e σe (α) dα

dρi ∂ρi σbvm,e (σe )
σ (α) α(ρ) σ (α)
e α(ρ) e
α(ρ) α(ρ)
donde

dge dge
= (6.77)
dρ dρi i=1,...,Ne
Ası́, si substituimos las derivadas de los desplazamientos nodales con respecto a la

variable de diseño i, de acuerdo con (6.36), en (6.76) obtenemos que:

dge ∂g̃e db
σVM,e dσ e −1 df dK ∂g̃e
= K − α + δie .
dρi ∂b

dρi dρi ∂ρi σbvm,e (σe )
σ (α) α(ρ) σ (α)
e α(ρ) e
α(ρ) α(ρ)
(6.78)
Si definimos ahora la variable adjunta, de acuerdo con (6.38), como:

∂g̃e db
σVM,e dσ e
λTe = K −1 , (6.79)
∂b

σ (α) α(ρ)
e α(ρ)
α(ρ)
las derivadas de primer orden completas vienen dadas por:

dge df dK ∂g̃e
= λTe − α + δie . (6.80)
dρi dρi dρi ∂ρi σbvm,e (σe )
σ (α)
e
α(ρ)
Los términos resultantes se obtienen a su vez, o bien derivando directamente la expre-
sión de la función de restricción o bien a través de las ecuaciones (6.54), (6.55) y (6.61).
Ası́,
∂g̃e
= ρqe , (6.81)
∂b
σVM,e
y
(
ρq−1

∂g̃e e bVM,e − σ
qσ bmax (−2ε + qϕe ) si i=e
= , (6.82)
∂ρi 0 si i 6= e
donde, tal y como se ha planteado en (4.17),
ε
ϕe = 1 − ε + (6.83)
ρe
Una vez calculadas las derivadas de primer orden completas mediante el método de
la variable adjunta también se pueden calcular las derivadas direccionales de un modo
similar. Sin embargo, de acuerdo con (6.42) es necesario que se almacenen todas las variables
adjuntas de las restricciones para obtener las derivadas direccionales, lo que supone para
el problema de optimización topológica que se analiza un coste de almacenamiento muy
significativo. Además, tampoco podremos utilizar las derivadas de primer orden completas
para obtener las derivadas direccionales ya que los algoritmos de optimización que se utilizan
en esta tesis doctoral (por ejemplo, el Simplex) modifican esta información para obtener
la dirección de avance en cada iteración. Por otra parte, la duplicación de almacenamiento
para guardar este análisis de sensibilidad de primer orden completo sin modificaciones es
muy costosa en términos computacionales, lo que desaconseja su utilización en la práctica.
Otro motivo importante para realizar el análisis de sensibilidad direccional de forma
directa consiste en la total independencia de este desarrollo sobre el realizado para obtener
las derivadas completas de primer orden. De este modo podremos evitar el cálculo del
análisis de sensibilidad de primer orden de las restricciones que no nos interesen en cada
iteración. Ası́, sólo calcularemos las derivadas de primer orden de las restricciones activas en
cada iteración para obtener la dirección de avance mediante los algoritmos de optimización
propuestos en el capı́tulo (5), pero calcularemos las derivadas direccionales de todas las
restricciones para incorporarlas en el cálculo del factor de avance más adecuado.
Por todos estos motivos, el análisis de sensibilidad direccional se realiza en esta tesis
doctoral mediante el método de diferenciación directa. Por otra parte, este método de deri-
vación requiere la resolución de un sistema de ecuaciones adicional pero, como la matriz del
mismo coincide con la utilizada en el modelo estructural, este cálculo no supone un coste
adicional significativo frente al resto de operaciones realizadas para obtener el análisis de
sensibilidad de las restricciones.
Ası́, a partir del planteamiento de diferenciación directa propuesto en 6.4.2 y de 6.5 se
obtiene la derivada direccional Ds ge como:

∂g̃e db
σVM,e dσ e ∂g̃e
Ds ge = Ds α + se , (6.84)
∂b

∂ρe σbvm,e (σe )
σ (α) α(ρ) σ (α)
e α(ρ) e
α(ρ) α(ρ)
donde el término Ds α se calcula previamente de acuerdo con (6.29).

Como se puede observar, los restantes términos de (6.84) coinciden con los calculados
para obtener las derivadas de primer orden completas ((6.76), (6.81) y (6.82)).
El cálculo de las derivadas direccionales de segundo orden se lleva a cabo de modo
2 α obtenido al resolver el sistema de
análogo a partir de (6.32) sustituyendo el término Dss
ecuaciones (6.34), de modo que:
 
∂ ∂g̃e ∂ ∂g̃e

 ∂b
 σvm,e ∂b σvm,e ∂ρe ∂b σvm,e   " #
2 g = [D σ
D s σ
b VM,e
Dss s bVM,e se ] +
 
e 

 ∂

∂g̃e

∂

∂g̃e

σbvm,e (σe ) se
σ (α)
∂bσvm,e ∂ρe ∂ρe ∂ρe e
α(ρ)

∂g̃e db
σVM,e dσ e 2
+ Dss α+
∂b

σ (α) α(ρ)
e α(ρ)
α(ρ)
dσe T σVM,e T

∂g̃e T d db dσe
+ (Ds α) Ds α,
∂b
σVM,e σbvm,e (σe ) dα

dσ e dσ e dα

σ (α)

σ (α) α(ρ) e α(ρ)
e α(ρ)
α(ρ)
(6.85)
siendo

∂ ∂g̃e
= 0, (6.86a)
∂b
σVM,e ∂b
σVM,e
(
∂ ∂g̃e 1 si q = 1
= , (6.86b)
∂b
σVM,e ∂ρe 0 si q = 0
(
∂ ∂g̃e 1 si q = 1
= , (6.86c)
∂ρe ∂b σVM,e 0 si q = 0
(
0 si q = 1

∂ ∂g̃e
= (6.86d)
∂ρe ∂ρe σmax ρ2ε3
−b si q=0
e
6.8. Análisis de sensibilidad de la restricción en tensión glo-

bal
El análisis de sensibilidad de la formulación global propuesta en esta tesis doctoral se
puede realizar de un modo similar al empleado para obtener las derivadas de la función de
restricción local sin más que desarrollar de forma especı́fica los términos que se requieran.
El análisis de sensibilidad de primer orden completo se puede obtener aplicando el

método de la variable adjunta a partir de (6.39) y (6.40). Para ello definimos

σ
b VM = σ
bVM,e . (6.87)
e=1,...,Ne
De este modo, la función global de restricciones definida en el capı́tulo 4 a partir de la

función global propuesta por Kreisselmeier y Steinhauser [42] puede reescribirse como

GKS (ρ) = G̃KS (b
σ VM , ρ) , (6.88)
σbvm,e (σe )
σ (α)
e
α(ρ)
siendo
  ! 
σ
bVM,e
Ne µ ε −1 
 1 X σ
bmax (1 − ε + ρe )  1

G̃KS =  ln  exp  − ln(Ne ) ≤ 0, (6.89)
  
µ  e=1
 µ 
de modo que

dGKS df dK ∂ G̃KS
= λT − α + , (6.90)
dρ dρ dρ ∂ρ σbvm,e (σe )
σ (α)
e
α(ρ)
siendo
Ne !T
X ∂ G̃KS db
σVM,e dσ e
KT λ = , (6.91)
∂b

e=1 σ (α) α(ρ)
e α(ρ)
α(ρ)
Si definimos como:
Ne
σe∗ − 1) ,
exp µ (b
X
S= (6.92)
e=1
donde

σ
bVM,e
σ̄e∗ = , (6.93)
σ
bmax ϕe σbvm,e (σe )
σ (α)
e
α(ρ)
se obtiene el primer término de la derecha de (6.91) como
∗
∂ G̃KS 1 exp µ(bσe −1)
= (6.94)
∂b
σVM,e S σbmax ϕe
y el último término de la derecha de (6.90) como
bVM,e ρε2
!
σ
∂ G̃KS
=
1 e σe∗ − 1)
exp µ (b (6.95)
∂ρe S bmax ϕ2e
σ
siendo
ε
ϕe = 1 − ε + . (6.96)
ρe
Las derivadas direccionales de primer orden de la restricción global se obtienen, al igual

que para las restricciones locales, mediante el método de la diferenciación analı́tica directa.
Ası́, de acuerdo con el análisis desarrollado en (6.28) las derivadas direccionales de

primer orden de la restricción global se pueden obtener como:
Ne !
X ∂ G̃KS db
σVM,e dσ e ∂ G̃KS
Ds GKS = Ds α + s (6.97)
∂b

∂ρ σbvm,e (σe )
e=1 σ (α) α(ρ) σ (α)
e α(ρ) e
α(ρ) α(ρ)
donde Ds α se obtiene de acuerdo con (6.29).
La derivada direccional de segundo orden de la restricción global se obtiene a partir

del planteamiento general propuesto en (6.32), teniendo en cuenta (6.63), como:
 !T !T 
∂ ∂ G̃KS ∂ ∂ G̃KS
 
 ∂σ
b VM ∂σb VM ∂ρ ∂σb VM  " #
2 G
T T
  Ds σ
b VM
Dss = (Ds σ
b VM ) s  +
 
KS 
 !T !T  s
 ∂ ∂ G̃KS ∂ ∂ G̃KS
 
σbvm,e (σe )

∂σ
b VM ∂ρ ∂ρ ∂ρ σe (α)
α(ρ)
Ne !
X ∂ G̃KS db
σVM,e dσ e 2

+ Dss α +
∂b

e=1 σ (α) α(ρ)
e α(ρ)
α(ρ)
Ne T T
X ∂ G̃KS T dσ e d db
σ VM,e dσ e

+ (Ds α) Ds α,
∂b
σVM,e σbvm,e (σe )
dα dσ e dσ e
dα
e=1 σ (α) α(ρ) σ (α) α(ρ)
e e
α(ρ) α(ρ)
(6.98)
siendo,
∗ ∗
!
∂ ∂ G̃KS 1 exp µ(σbk −1) exp µ(bσe −1)
= − 2 +
∂b
σVM,k ∂b
σVM,e S σ
bmax ϕk σbmax ϕe
∗
(6.99a)
1 µ exp µ(bσe −1)
+ δke 2
,
S σ bmax ϕ2e
! ∗ ∗
∂ ∂ G̃KS bVM,k exp µ(bσk −1) exp µ(bσe −1)
µε σ
= − +
∂ρk ∂b
σVM,e S2 ρ2k σ 2
bmax ϕ2k ϕe
∗
(6.99b)
ε exp µ(bσe −1) µ σ

bVM,e
+ δke +1 ,
S σbmax ρ2e ϕ2e σ bmax ϕe
! !
∂ ∂ G̃KS ∂ ∂ G̃KS
= , (6.99c)
∂b
σVM,e ∂ρk ∂ρk ∂b σVM,e
!
ε2

∂ ∂ G̃KS σ
bVM,e σe∗ −1) σ
bVM,k ∗
= − 2 2 exp µ(b
exp µ(bσk −1) +
∂ρk ∂ρe S σ
bmax ρ2e ϕ2e ρ2k ϕ2k
1 2εbσVM,e 1 − ρe ϕe ∗
+ δke exp µ(bσe −1) + (6.99d)
S σ bmax ρ4e ϕ3e
2
1 εσ bVM,e ∗
+ δke µ 2 2
exp µ(bσe −1)
S ρe σ
bmax ϕe
Los restantes términos que aparecen en (6.98) se obtienen directamente a partir de las
formulaciones generales que se han propuesto en los apartados 6.5 y 6.5.1.
6.9. Análisis de sensibilidad de las restricciones en tensión

por bloques
El análisis de sensibilidad de las restricciones por bloques se obtiene de forma similar

al propuesto para la formulación global mediante el método de la variable adjunta sin más
que tener en cuenta los elementos de la malla que forman parte de cada bloque. Para ello
definimos

b bVM =
σ σ
bVM,e . (6.100)
e∈Bb
De acuerdo con la formulación propuesta en el capı́tulo 4 las restricciones por bloques

se plantean como

b

GKS,b (ρ) = G̃KS,b (b
σ VM , ρ) (6.101)
σbvm,e (σe )
σ (α)
e
α(ρ)
siendo
  ! 
σ
bVM,e
µ ε −1 
1 X σ
bmax (1 − ε + ρe )  1

G̃KS,b =  ln  exp  − ln(Neb ) ≤ 0, (6.102)
  
µ   µ 
e∈Bb
y Neb el número de elementos que contiene cada bloque b.

De este modo, de acuerdo con (6.40) y (6.90), se puede plantear que

dGKS,b df dK ∂ G̃KS,b
= λTb − α + . (6.103)
dρ dρ dρ ∂ρ σbvm,e (σe )
σ (α)
e
α(ρ)
La variable adjunta λb se obtiene como
!T
X ∂ G̃KS,b db
σ ,e
dσ e

KT λ =
VM
, (6.104)
∂b
e∈Bb σ (α) α(ρ)
e α(ρ)
α(ρ)
Si definimos como:
σe∗ − 1) ,
exp µ (b
X
Sb = (6.105)
e∈Bb
siendo

σ
bVM,e
be∗
σ = , (6.106)
σ
bmax ϕe σbvm,e (σe )
σ (α)
e
α(ρ)
∂ G̃KS,b σe∗ − 1)
1 exp µ (b
= con e ∈ Bb (6.107)
∂bσVM,e Sb σ
bmax ϕe
bVM,e ρε2
!
σ


 1 e σe∗ − 1)
exp µ (b si e ∈ Bb
∂ G̃KS,b 
S b bmax ϕ2e
σ
= (6.108)
∂ρe 

0 si e∈
/ Bb

Las derivadas direccionales de primer y segundo orden se obtienen de modo análogo

al propuesto para la formulación global de las restricciones sin más que tener en cuenta el
conjunto de elementos Bb que pertenecen a cada bloque b. Ası́,
!
X ∂ G̃KS,b db
σVM,e dσ e ∂ G̃KS,b
Ds GKS,b = Ds α + s
∂bσVM,e σbvm,e (σe ) dσ e σe (α) dα

∂ρ σbvm,e (σe )
e∈Bb σ (α) α(ρ) σ (α)
e α(ρ) e
α(ρ) α(ρ)
(6.109)
donde Ds α se obtiene de acuerdo con (6.29) y los restantes términos ya han sido planteados
en (6.107) y (6.108).
El análisis de sensibilidad direccional de segundo orden se puede obtener de forma
análoga que para la formulación global a partir de (6.32), y teniendo en cuenta (6.63),
como:
 !T !T 
∂ ∂ G̃KS,b ∂ ∂ G̃KS,b
 b b

i b VM ∂ σ
 ∂σ b VM ∂ρ ∂ σb bVM  " #
2
h
b T T
 Ds σ b VM
Dss GKS,b = (Ds σb VM ) s  +
 

 !T !T  s
 ∂ ∂ G̃KS,b ∂ ∂ G̃KS,b
 
σbvm,e (σe )
b

∂σb VM ∂ρ ∂ρ ∂ρ σe (α)
α(ρ)
!
X ∂ G̃KS,b db
σVM,e dσ e 2
+ Dss α+
∂b σVM,e σbvm,e (σe ) dσ e σe (α) dα

e∈Bb σ (α) α(ρ)
e α(ρ)
α(ρ)
T
σVM,e T
X ∂ G̃KS,b

T dσ e d db dσ e
+ (Ds α) Ds α,
∂b
σVM,e σbvm,e (σe ) dα

dσ e dσ e dα
σe (α)

e∈Bb σ (α) α(ρ) α(ρ)
e α(ρ)
α(ρ)
(6.110)
Las derivadas parciales de segundo orden de la función G̃KS se obtienen, al igual que
para la formulación global, a partir de (6.99a), (6.99b), (6.99c) y (6.99d); teniendo en cuenta
los elementos que pertenecen a cada bloque y que S pasa a ser ahora Sb .
6.10. Análisis de Sensibilidad de la Función Barrera Inversa

Tal y como se ha indicado en el capı́tulo 5, la Función Barrera Inversa es un algoritmo de
optimización adecuado para la resolución del problema de optimización topológica cuando
se plantea una formulación global de las restricciones en tensión. Además, tal y como se
ha indicado en el capı́tulo 4, las restricciones laterales de las variables de diseño pueden
ser decisivas para el buen funcionamiento de los algoritmos de optimización. Por lo tanto,
en este análisis de sensibilidad también se incluirán las restricciones laterales en la función
barrera inversa.
Definimos la función barrera inversa de acuerdo con la ecuación general propuesta en

5.12 incluyendo las restricciones laterales inferiores y superiores de las variables de diseño
como:
N
" #
e
1 X 1 1
φ(ρ, r, rl ) = F (ρ) 1−r − rl + , (6.111)
GKS ρe − ρe,max ρe,min − ρe
e=1
donde r y rl son los parámetros de barrera para la restricción global y las restricciones
laterales respectivamente.
De acuerdo con este planteamiento se desarrolla el análisis de sensibilidad de primer
orden completo como:
Ne
" #
dφ dF 1 X 1 1
= 1−r − rl + +
dρe dρe GKS ρe − ρe,max ρe,min − ρe
e=1 (6.112)

1 dGKS 1 1
+ F r 2 − rl − + ,
GKS dρe (ρe − ρe,max )2 (ρe,min − ρe )2
A partir del análisis de sensibilidad de primer orden completo se puede obtener la

dirección de modificación del diseño de acuerdo con la metodologı́a propuesta en el apartado
5.4. Sin embargo, para obtener el factor de avance es necesario desarrollar las derivadas
direccionales de primer y segundo orden de la función barrera. Por lo tanto, para obtener
las derivadas direccionales de primer orden partimos de la expresión de la función barrera
propuesta en (6.111), de modo que:
N
" #
e
1 X 1 1
Ds φ = Ds F 1−r − rl + +
e=1
(6.113)
Ne
" #
1 X se se
+F r 2 Ds GKS − rl − + ,
GKS (ρe − ρe,max )2 (ρe,min − ρe )2
e=1
Las derivadas direccionales de segundo orden se obtienen de forma análoga como:
Ne
" #
2 2 1 X 1 1
Dss φ = Dss F 1−r − rl + +
e=1
Ne
" #
1 X se se
+ 2Ds F r 2 Ds GKS − rl − + +
GKS (ρe − ρe,max )2 (ρe,min − ρe )2
e=1 (6.114)

1 2 1 2
+ F −r 3 (Ds GKS ) + r 2 Dss GKS +
2GKS GKS
" N #
rl X e
s2e s2e
+F + .
2 (ρe − ρe,max )3 (ρe,min − ρe )3
e=1
2 G
Los términos Ds GKS y Dss KS se pueden obtener directamente del análisis de sensi-
bilidad de la restricción global desarrollado en el apartado 6.8.
6.11. Resumen
El análisis de sensibilidad es una parte fundamental en la resolución de los problemas

de optimización de estructuras porque proporciona información vital a los algoritmos de
optimización para su correcto funcionamiento. Además, el cálculo de estas sensibilidades
supone generalmente una parte considerable del esfuerzo computacional que se requiere,
tanto en tiempo de cálculo como en memoria de almacenamiento de datos.
Las técnicas de cálculo de estas sensibilidades van desde métodos numéricos aproxima-
dos como el uso de diferencias finitas hasta planteamientos de derivación analı́ticos.
Los modelos que se basan en la aplicación de algoritmos de diferencias finitas suponen
generalmente un coste computacional muy elevado. Además, presentan inconvenientes desde
el punto de vista numérico ya que requieren la elección de un factor de paso adecuado para
obtener soluciones precisas sin motivar la aparición de errores computacionales importantes.
Por este motivo, estos métodos se usan, habitualmente, en aquellos problemas en los que
no es posible calcular las derivadas de forma analı́tica.
Las técnicas de diferenciación analı́tica pueden dividirse a su vez en semi-analı́ticas
(calculan una parte de los términos de las derivadas de forma aproximada) y analı́ticas
(calculan de forma analı́tica todas las derivadas).
En esta tesis doctoral se desarrolla una técnica de diferenciación analı́tica que permite
calcular las sensibilidades de primer orden completas y las derivadas direccionales de primer
y segundo orden de la función objetivo, de la función perı́metro y de las restricciones.
Además el procedimiento que se ha presentado en este capı́tulo se ha desarrollado de forma
especı́fica para este problema con la finalidad de conseguir una eficiencia elevada tanto de
almacenamiento de variables en memoria como de tiempo de cálculo.
El análisis de sensibilidad de la función objetivo ası́ como el de la función perı́metro se
obtiene mediante técnicas de diferenciación analı́tica directa. Sin embargo, las derivadas de
primer orden completas de las restricciones se calculan mediante un algoritmo de derivación
analı́tica por el método de la variable adjunta dado que para este problema en particular
presenta considerables ventajas computacionales. Las derivadas direccionales de primer y
segundo orden, por el contrario, se calculan mediante diferenciación analı́tica directa para
evitar tener que almacenar un número elevado de variables intermedias.
Además de la función objetivo y de las restricciones también es necesario calcular
las derivadas de la función barrera para poder incorporarlas en la formulación cuando se
requiera.
Tal y como se puede comprobar en este capı́tulo se ha dedicado especial importancia
a las necesidades computacionales que requiere el cálculo de sensibilidades debido a la
complejidad del problema de optimización topológica que se presenta.

Por este motivo, procedemos a analizar a continuación toda la metodologı́a que se ha
desarrollado para resolver el problema de optimización topológica de estructuras continuas
prestando especial atención a los aspectos numéricos y computacionales de los algoritmos
que se han incorporado en las aplicaciones informáticas de cálculo.
111
Es poco válido que hombres excelentes pierdan horas

como esclavos en la labor de cálculo que podrı́a ser
relegada con seguridad a cualquier otra persona si
se utilizaran máquinas.
G. W. Leibniz (1646-1716)
Capı́tulo 7
Metodologı́a de diseño óptimo e

implementación numérica
7.1. Introducción
Tal y como se ha presentado en los capı́tulos anteriores el problema de optimización

topológica de estructuras que se estudia en esta tesis doctoral puede ser analizado mediante
diferentes planteamientos. Ası́, para el problema de mı́nimo peso con restricciones en tensión
también se pueden proponer diferentes técnicas y modelos para resolverlo. En esta tesis se
plantean diferentes alternativas de análisis del problema para cada una de las fases del
proceso de optimización con la finalidad de comprobar su correcto funcionamiento y su
eficiencia desde un punto de vista computacional.
La elección de cada uno de estos planteamientos se realiza de forma especı́fica para
el problema concreto que se plantea en función de sus caracterı́sticas particulares (número
de variables de diseño, número de restricciones, no-linealidad de la función objetivo y de
las restricciones, fenómenos de dependencia de la malla y de singularidad de las tensiones,
entre otros).
Además, tal y como se ha indicado en los capı́tulos anteriores, la resolución de estos
planteamientos está fuertemente condicionada por las capacidades de cálculo disponibles
debido al elevado número de operaciones que requieren. Además de utilizar técnicas y algo-
ritmos robustos que proporcionen resultados finales adecuados, es necesario prestar atención
a los aspectos computacionales. De lo contrario, los algoritmos utilizados pueden resultar
muy complejos y exigir capacidades de cálculo que no se alcanzan con las herramientas de
computación actuales.
Será necesario, por lo tanto, justificar todas las técnicas que se han propuesto a lo largo
de esta tesis para obtener la solución final del problema ası́ como prestar especial atención
a la forma de implementación numérica de estos algoritmos en las aplicaciones informáticas
de cálculo que se desarrollan.
7.2. Metodologı́a de diseño óptimo

De acuerdo con las consideraciones establecidas en los capı́tulos anteriores, las metodo-
logı́as de diseño empleadas para resolver los problemas de optimización dependen en gran
medida de cada caso particular a resolver ası́ como de las necesidades de cálculo que se
requieran. No existe un planteamiento único para resolver los problemas de optimización
sino que es necesario desarrollar algoritmos de forma especı́fica en cada caso. De este modo,
se consiguen adaptar las técnicas de resolución de forma especı́fica obteniendo un mejor
comportamiento de los algoritmos y una mayor eficiencia computacional.
La metodologı́a de diseño óptimo que se propone en esta tesis doctoral está fundamen-
tada en estos dos aspectos básicos. Por una parte, debido a la complejidad del problema
y al elevado número de variables de diseño y de restricciones altamente no-lineales es ne-
cesario utilizar algoritmos robustos que proporcionen soluciones adecuadas. Además, estos
planteamientos deben ofrecer ventajas desde el punto de vista computacional para que su
implementación en la práctica permita resolver el problema en tiempos de cálculo asumibles
con la tecnologı́a de cálculo disponible en la actualidad.
En la figura 7.1 se muestra un esquema con el procedimiento a seguir para obtener el
diseño óptimo del problema de optimización topológica de estructuras de mı́nimo peso con
restricciones en tensión que se propone en esta tesis doctoral. De forma general, el proceso
consta de los siguientes pasos fundamentales:
1. Entrada de datos y preproceso: En esta primera fase se plantea el problema

estructural (cargas, geometrı́a, número de elementos, . . .) ası́ como las distintas for-
mulaciones que se van a emplear en el proceso de optimización (función objetivo,
restricciones en tensión, algoritmo de optimización, . . .). También es necesario definir
en esta fase los valores iniciales de las variables de diseño y de los parámetros que
Capı́tulo 7. Metodologı́a de diseño óptimo e implementación numérica 113
Figura 7.1: Metodologı́a de cálculo para el problema de optimización topológica

utilizan los modelos que se proponen.
2. Cálculo de estructuras por Elementos Finitos: Una vez establecidos todos los
parámetros y conocidos los valores de las variables de diseño se procede a realizar el
cálculo estructural. Para ello se utiliza el modelo de Elementos Finitos con densidad
relativa propuesto en el capı́tulo 3 y se obtienen los campos de desplazamientos y de
tensiones.
3. Cálculo de la función objetivo: Una vez definida la geometrı́a, las variables de

diseño y los parámetros que se van a utilizar en el problema se procede a calcular el
valor de la función objetivo, tal y como se propone en el capı́tulo 4. Para ello es ne-
cesario considerar el factor de penalización de las densidades intermedias establecido.
Además, en la función objetivo de mı́nimo coste que se propone se puede incorporar
la penalización por perı́metro con la finalidad de evitar fenómenos de dependencia de
la malla y de obtener diseños con un número de elementos resistentes menor y, por lo
tanto, más fácilmente realizables en la práctica.
4. Cálculo y comprobación de las restricciones en tensión: Una vez realizado el

cálculo estructural y analizado el valor de la función objetivo es necesario comprobar
las restricciones en tensión. Para ello se calcula el tensor de tensiones en cada uno de
los puntos centrales de los elementos de la malla para incorporarlos en las distintas
formulaciones de las restricciones que se proponen. En esta tesis se plantean tres
formulaciones distintas para considerar las restricciones en tensión: la formulación
local, la global y el análisis por bloques de elementos. Tal y como se ha comentado en
el capı́tulo 4, la formulación local impone una restricción en tensión en el punto central
de cada elemento de la malla. Este planteamiento garantiza el cumplimiento del estado
tensional desde un punto de vista local, pero requiere un coste computacional muy
elevado. Por otra parte, la formulación global intenta aproximar la formulación local
mediante la agrupación de restricciones en una única función global. De este modo se
reduce considerablemente el coste computacional pero no se garantiza el cumplimiento
de las restricciones desde un punto de vista local. El planteamiento por bloques de
elementos se basa en la aplicación de una función global sobre grupos de elementos.
De este modo se garantiza de forma más eficaz el cumplimiento de las tensiones desde
un punto de vista local con un número reducido de restricciones.
5. Análisis de sensibilidad de primer orden completo: Una vez comprobadas las

restricciones en tensión de la estructura se calcula el análisis de sensibilidad de primer
orden completo tanto de la función objetivo como de las restricciones para incorpo-
rarlos en los algoritmos de optimización. Como ya se ha indicado en el capı́tulo 6 el

análisis de sensibilidad de primer orden completo se realiza de forma analı́tica. Las
derivadas de primer orden completas de la función objetivo se obtienen por diferen-
ciación directa. Sin embargo, las derivadas de las restricciones en tensión se calculan
por el método de la variable adjunta ya que con este método de derivación se consi-
guen ventajas computacionales muy importantes, tanto en capacidad de memoria de
almacenamiento como en tiempo de cálculo.
6. Cálculo de la dirección de modificación del diseño: Una vez comprobadas las

restricciones en tensión del problema y conocido el análisis de sensibilidad de primer
orden se procede a buscar una solución que mejore el diseño actual. Este proceso de
optimización se realiza en dos fases diferenciadas. En la primera fase se obtiene la
dirección de modificación del diseño más adecuada para obtener en una fase posterior
el factor de avance. La dirección de modificación del diseño se propone en función
del estado que presenten las restricciones en tensión. Si el diseño actual no presenta
restricciones activas se utiliza como dirección de avance la opuesta al gradiente de la
función objetivo. Si el diseño presenta restricciones activas la dirección de avance se
obtiene mediante el algoritmo de Programación Lineal que se propone en el capı́tulo 5 y
que se desarrolla de forma más exhaustiva en el apéndice A. Si el problema estructural
presenta restricciones violadas se utiliza un algoritmo de entrada a la región factible
que se desarrolla en el capı́tulo 5.
7. Análisis de sensibilidad direccional de primer y segundo orden: Una vez

obtenida la dirección de modificación del diseño es posible realizar un análisis de sen-
sibilidad direccional de la función objetivo y de las restricciones que se utilizará poste-
riormente en el algoritmo de cálculo del factor de avance. Este análisis de sensibilidad
direccional se calcula mediante diferenciación analı́tica directa debido a las ventajas
computacionales que ofrece.
8. Cálculo del factor de avance: Una vez calculada la dirección de modificación

del diseño de acuerdo con los planteamientos establecidos en el punto 6 y obtenido
el análisis de sensibilidad direccional, se calcula el factor de avance más adecuado
mediante un algoritmo de comprobación de la solución en puntos equiespaciados que
se propone en el capı́tulo 5. Para ello se aproxima el valor de la función objetivo y de
las restricciones mediante el desarrollo en serie de Taylor direccional de segundo orden.
De este modo se consiguen evitar los fenómenos de zig-zag en torno a la solución que
se producen cuando se utiliza una aproximación de primer orden.
9. Actualización de variables y comprobación de convergencia: Para finalizar

el proceso de optimización es necesario actualizar el valor de las variables de diseño
siguiendo la dirección de modificación del diseño obtenida en el punto 6 considerando
el factor de avance más adecuado que se ha obtenido en el punto 8. Una vez actualizado
el valor de las variables de diseño se comprueba la convergencia analizando la variación
que ha experimentado la solución en esta iteración. Si se produce convergencia de la
solución, el proceso de optimización finaliza. De lo contrario, se comienza de nuevo
todo el proceso de optimización propuesto desde el punto 2 con el nuevo valor de las
variables de diseño obtenido.
7.3. Implementación numérica y aspectos computacionales
Una vez presentada toda la metodologı́a de optimización utilizada en esta tesis doctoral
es fundamental analizar las distintas fases del proceso desde un punto de vista computacional
con la finalidad de justificar la elección de estos algoritmos de cálculo y obtener mejoras en
la eficiencia de los mismos. En este sentido es muy importante analizar tanto la capacidad
de almacenamiento en memoria como el número de operaciones (tiempo de cálculo) que se
requiere en cada fase del proceso de optimización.
A continuación se realiza un análisis más especı́fico sobre estos aspectos para los algo-
ritmos más importantes y más costosos en términos computacionales de la metodologı́a de
optimización que se propone.
7.3.1. Análisis estructural por Elementos Finitos
De acuerdo con el planteamiento desarrollado en el capı́tulo 3, el cálculo estructural

de los problemas que se plantean se resuelve mediante el Método de los Elementos Fini-
tos. Para ello es necesario incorporar el efecto de la densidad relativa en el cálculo de las
contribuciones de cada elemento a la matriz de rigidez global. Como se puede observar en
el apartado 3.3, esta metodologı́a apenas supone un incremento del coste computacional
frente a las formulaciones convencionales del método de los Elementos Finitos. El aspecto
más desfavorable de este desarrollo reside en la necesidad de actualizar la matriz de rigidez
en cada iteración y, a su vez, de resolver el nuevo sistema de ecuaciones resultante. Esto
supone un coste considerable dado que es necesario conocer el comportamiento estructural
en cada iteración.
Por otra parte, dado que en el algoritmo de análisis de sensibilidad las derivadas se
calculan de forma analı́tica, es preciso resolver un número, generalmente elevado, de sistemas
de ecuaciones como el planteado para realizar el cálculo estructural. De hecho la matriz de

estos sistemas es la misma matriz de rigidez que se plantea en el modelo de Elementos
Finitos.
La resolución de estos sistemas se realiza mediante el algoritmo de factorización de
Cholesky ya que de este modo se puede realizar la descomposición de la matriz de rigidez
una sola vez y resolver nuevos sistemas de ecuaciones con esta matriz ya factorizada. De este
modo, es necesario almacenar las matriz triangular y los términos de la diagonal resultantes
de la descomposición sobre la matriz original para poder utilizarla en la resolución de nuevos
sistemas de ecuaciones. De este modo, una vez realizada la factorización, la resolución de
nuevos sistemas de ecuaciones sólo requiere la aplicación de las sustituciones hacia adelante
y hacia atrás para cada valor del vector de términos independientes.
Esto supone un ahorro en tiempo de computación muy considerable dado que el número
de sistemas de ecuaciones a resolver para realizar el análisis de sensibilidad completo de
primer orden es, generalmente, bastante elevado. En el caso más desfavorable será necesario
resolver tantos sistemas de ecuaciones como restricciones tenga el problema tal y como se
ha indicado en el capı́tulo 6.
Por otra parte, para reducir tanto el coste en memoria como el tiempo de ejecución se
propone el almacenamiento de la matriz de rigidez de la estructura en perfil por columnas
(“Sky-Line”) en un único vector. Como es sabido, con este procedimiento se consigue reducir
el coste de almacenamiento dado que no se guardan los términos que van a permanecer nulos
a lo largo de todo el proceso de cálculo. Además, tampoco se almacena la matriz de rigidez
por completo debido a la simetrı́a.
El ahorro que se consigue con estas técnicas es muy considerable y tiene especial relevan-
cia en este problema debido a la elevada capacidad de cálculo que se exige. Una resolución
efectiva del sistema de ecuaciones resultante supone enormes ventajas que nos permiten
abordar problemas mucho más complicados sin perder precisión y en tiempos de ejecución
razonables que de otra forma no serı́an posibles.
7.3.2. Análisis de sensibilidad
Como ya se ha indicado en el apartado anterior, el análisis de sensibilidad es una parte

fundamental de todo el proceso de optimización y además tiene una incidencia notable en el
tiempo de cálculo empleado para resolver el problema. Por este motivo, es necesario analizar
la metodologı́a y los algoritmos más adecuados para este fin.
7.3.2.1 Derivadas de la función objetivo
El primer paso para la obtención de todas las variables que requieren los algoritmos de
optimización presentados es la obtención del análisis de sensibilidad de la función objetivo.
Este cálculo no supone un coste computacional excesivo dado que la función objetivo
tiene una expresión matemática definida explı́citamente que, por lo tanto, podemos deri-
var directamente sin grandes dificultades. Además el almacenamiento de los vectores de
derivadas tampoco supone un coste elevado. De hecho, en la práctica, tanto el tiempo de
cálculo como las necesidades de almacenamiento pueden considerarse despreciables frente a
las requeridas por otros algoritmos y variables del problema.
En el caso de las derivadas completas de primer orden de la función objetivo el número
de operaciones requeridas es reducido y la capacidad de almacenamiento también dado que
sólo se necesita espacio en memoria para un vector cuya dimensión corresponde al número
de variables de diseño del problema.
Las derivadas direccionales de primer y segundo orden se obtienen también de forma
similar y apenas requieren de almacenamiento dado que son dos términos escalares.
7.3.2.2 Derivadas de primer orden completas de las restricciones
Al contrario de lo que ocurre con las derivadas de la función objetivo, las derivadas de
primer orden de las restricciones sı́ que suponen un coste computacional muy elevado. De
hecho, pueden alcanzar porcentajes muy importantes del tiempo de cálculo total ası́ como
la práctica totalidad de las necesidades de almacenamiento (junto con la matriz de rigidez
de la estructura). Por este motivo analizamos de forma más especı́fica la metodologı́a de
análisis para mejorar su eficiencia en términos computacionales.
Tal y como se ha planteado en el capı́tulo 6 las derivadas de primer orden se obtienen
aplicando una técnica analı́tica de derivación mediante el método de la variable adjunta.
Esta metodologı́a de cálculo permite evitar el cálculo y el almacenamiento de las derivadas
de primer orden de los desplazamientos que se requieren con los algoritmos de diferenciación
directa para obtener el análisis de sensibilidad de primer orden de las restricciones en tensión.
El cálculo de estas derivadas de los desplazamientos nodales supone un coste muy elevado
tanto en tiempo de cálculo como en capacidad de almacenamiento. El elevado número de
operaciones a realizar y de tiempo de ejecución se debe a que es necesario resolver tantos
sistemas de ecuaciones como grados de libertad tiene la estructura. Del mismo modo, el
tamaño de la matriz que se requiere para almacenar las soluciones de estos sistemas de
ecuaciones es del orden del número de grados de libertad de la estructura por el número de
variables.
Para hacernos una idea de lo que suponen estos valores analizamos un problema de
ejemplo y calculamos los recursos computacionales que se requieren. Para ello, definimos
una malla cuadrangular homogénea de 100 × 100 = 10000 elementos cuadrangulares se-
rendı́pitos de 8 nodos como las que se utilizarán en los ejemplos de esta tesis doctoral. Esta
malla presenta 60802 grados de libertad y con la formulación de optimización topológica de
estructuras que se propone establece 10000 variables de diseño. Esto supone el almacena-
miento de aproximadamente 6.08 108 términos para guardar la matriz de derivadas de los
desplazamientos. Si cada término se establece como una variable real con 8 bytes de preci-
sión, la matriz de derivadas de los desplazamientos requiere aproximadamente de 4.86 109
bytes (≈ 4.53 Gb) de memoria para poder almacenarla. Además, será necesario almacenar
la matriz de derivadas primeras de las restricciones que requiere ,en este caso, 8 108 bytes
(≈ 763 Mb) adicionales, lo que supone un total de 5.66 109 bytes (≈ 5.33 Gb) de memoria.
Si el problema dispone de 22500 elementos (150 × 150) este número asciende a la cantidad
de 24.51 109 + 4.05 109 = 28.56 109 bytes (≈ 26.6 Gb). Como se puede observar la necesidad
de almacenamiento presenta un crecimiento cuadrático con el número de elementos, lo que
en la práctica supone una limitación importante.
Por otra parte, el número de sistemas de ecuaciones que es necesario resolver en cada
caso también es muy elevado. Ası́, para el problema con 10000 elementos hay que resol-
ver, como máximo, 60802 sistemas de ecuaciones si se utiliza diferenciación directa. Esto
supone, en la práctica, un tiempo de cálculo superior a una hora en un ordenador personal
convencional (Pentium 4 a 2.4 GHz y 1.5 Gb de RAM).
Además de estos cálculos es necesario obtener a continuación las derivadas de las res-
tricciones con respecto a las variables de diseño, lo que supone un coste adicional importante
aunque menor que el necesario para las derivadas de desplazamientos.
Por este motivo el análisis de sensibilidad de primer orden se realiza por el método de la
variable adjunta. Con este método se consigue evitar el cálculo y el almacenamiento de las
derivadas de los desplazamientos de la estructura. Para ello, es necesario resolver un sistema
de ecuaciones que nos permite obtener el valor de la variable adjunta correspondiente a cada
restricción (ecuación (6.39)). Con este planteamiento será necesario resolver tantos sistemas
de ecuaciones como restricciones tiene el problema mientras que, con el método de diferen-
ciación directa, se resuelven tantos sistemas como grados de libertad tiene la estructura.
Además, el valor de la variable adjunta de cada problema se puede sobreescribir para cada
restricción dado que no se volverá a utilizar de nuevo, lo que supone un ahorro de memoria
de almacenamiento muy importante. Por lo tanto, con este planteamiento hay que resolver
un número mucho menor de sistemas de ecuaciones y la capacidad de almacenamiento que
se necesita es del orden de 763 Mb para el problema con 10000 elementos, lo que supone
una reducción de memoria necesaria de aproximadamente 4.53 Gb.

Por otra parte, con este procedimiento se consigue reducir considerablemente el tiem-
po de computación dado que los algoritmos de optimización sólo requieren el análisis de
sensibilidad de las restricciones que se encuentran activas en cada iteración (las que están
próximas al lı́mite superior de la restricción). De este modo conseguimos reducir el número
de sistemas de ecuaciones a resolver y consecuentemente el tiempo de cálculo. En la prácti-
ca, esto supone que la reducción efectiva sea del orden del 50 %, dependiendo del problema,
en las iteraciones finales del proceso y mucho mayor en las iniciales dado que el número de
restricciones activas es mucho menor.
Como se ha podido comprobar, el uso del método de la variable adjunta reporta enormes
ventajas en el cálculo de las derivadas completas de primer orden de las restricciones porque
permite realizar los cálculos de forma analı́tica en tiempos de cálculo reducidos y con unas
necesidades de almacenamiento de datos mı́nimas.
A pesar de todas estas ventajas, el cálculo de las derivadas completas de primer orden
de las restricciones supone todavı́a uno de los puntos crı́ticos de la formulación dado que
las necesidades computacionales continúan siendo muy exigentes para problemas con un
número de elementos elevado.
7.3.2.3 Derivadas direccionales de las restricciones
Una vez calculadas las derivadas completas de primer orden se puede calcular la direc-
ción de modificación del diseño. De este modo podemos plantear la obtención de derivadas
de orden superior de modo direccional tal y como se ha indicado en el capı́tulo 6.
Por lo tanto, en general podemos afirmar que este punto del cálculo no requiere unas
necesidades de computación tan elevadas como las derivadas completas de primer orden. De
hecho, se aplica el método de la diferenciación analı́tica directa porque no supone un coste
elevado y evita otros inconvenientes que presenta el método de la variable adjunta como la
necesidad de almacenar todas las variables adjuntas de todas las restricciones.
Con este método es necesario resolver dos sistemas de ecuaciones adicionales: uno para
las derivadas direccionales de primer orden y otro para las derivadas direccionales de segundo
orden. El método de la variable adjunta no necesita resolver estos sistemas de ecuaciones
pero, por el contrario, requiere el almacenamiento de las variables adjuntas intermedias de
todas las restricciones del problema, lo que en la práctica supone un coste de almacenamiento
mucho más restrictivo que la resolución de los dos sistemas de ecuaciones adicionales que
exige el análisis directo. Por otra parte, el almacenamiento en memoria también es muy
reducido porque sólo se necesita el almacenamiento de cuatro vectores: un par de vectores
(de dimensión el número de grados de libertad de la estructura) que contengan las derivadas
direccionales de los desplazamientos nodales y otro par de vectores (de dimensión el número
de restricciones del problema) que almacenen las derivadas direccionales de primer y segundo
orden de las restricciones.
7.3.3. Implementación del algoritmo SLP-QLS
La implementación numérica del algoritmo SLP-QLS es también una parte fundamental

de la formulación que se presenta y además supone una parte muy importante del coste en
tiempo de cálculo requerido. Por otra parte, el almacenamiento en memoria también tiene
una relevancia considerable en este planteamiento porque utiliza la derivada de primer
orden completa de la función objetivo y de las restricciones. Todos estos aspectos, además
de otros propios del algoritmo, se analizan con mayor detalle en el apéndice A que se dedica
explı́citamente a este problema.
En este punto sólo haremos referencia a la matriz de derivadas de las restricciones dado
que ésta es la parte más limitante del algoritmo en cuanto a memoria de almacenamiento.
Este punto tiene mucha importancia dado que el algoritmo SLP-QLS modifica la matriz de
derivadas de las restricciones, de modo que ésta información ya no se puede utilizar en pasos
posteriores. De hecho, podrı́a ser muy útil la comprobación de la validez de la dirección de
modificación del diseño pero, para ello, serı́a necesario disponer de las derivadas originales
al finalizar el cálculo de la dirección de modificación del diseño. Esta comprobación requiere
la duplicación de la matriz de derivadas de las restricciones y la consiguiente duplicación
de espacio en memoria, lo que no es viable para el problema que se plantea.
7.4. Cálculo en paralelo
7.4.1. Introducción
Una de las alternativas computacionales que se pueden considerar para acelerar el

proceso de optimización consiste en la preparación del código fuente para realizar cálculos
de forma simultánea en varios procesadores (cálculo en paralelo). Esta alternativa conduce,
en general, a reducciones considerables en los tiempos de cálculo siempre que se disponga
de un número suficientemente elevado de procesadores de cálculo que se puedan utilizar y
que el algoritmo empleado para la obtención de la solución pueda ser desarrollado de forma
distribuida en diferentes procesadores de cálculo.
En general, no podremos paralelizar todos los bloques de código que contiene un pro-
grama. De hecho esto no será habitualmente beneficioso dado que el cálculo en paralelo
incorpora unos costes intrı́nsecos al proceso de paralelización que en una parte importante
de los algoritmos serán incluso superiores a los necesarios para realizar el mismo cálculo
de forma secuencial con único procesador. Por lo tanto, para abordar el cálculo en paralelo
de los algoritmos de un programa informático es fundamental conocer y decidir qué partes
son susceptibles de paralelización y, lo más importante, en qué partes esta paralelización
será determinante y acelerará el proceso de cálculo de forma efectiva.
A pesar de las ventajas en tiempo de cálculo que puede ofrecer esta técnica es necesario
mencionar que la implementación de algoritmos en paralelo implica un coste considerable
de horas de programación. Por lo tanto, las técnicas de paralelización tienen especial interés
en aquellos programas en los que el ahorro en tiempo de cálculo vaya a ser muy significativo
y el número de simulaciones a realizar con el mismo sea muy elevado.
7.4.2. Técnicas informáticas de paralelización
En la actualidad existen diferentes recursos informáticos para realizar las operaciones de

cálculo de forma distribuida en varios procesadores y también existen diferentes configura-
ciones de las máquinas de cálculo de acuerdo con las técnicas informáticas de paralelización
de que se dispone. Ası́, se pueden distinguir los cluster de computación, las granjas de orde-
nadores “pc-farm” y, más recientemente, los procesadores de múltiples núcleos (“dual core”,
“quad core”). En general, se requiere de unas técnicas de paralelización especı́ficas para ca-
da configuración, si bien existen técnicas de paralelización que son aplicables en cualquier
configuración informática de las planteadas anteriormente.
De hecho el método de paralelización más extendido y más utilizado es el denominado
MPI (“Message Passing Interface”). Esta técnica permite el traspaso de paquetes o mensa-
jes de información de un procesador a otro, de modo que cada procesador realiza la parte
de cálculo que le corresponde estando todos ellos coordinados por el “procesador maestro”
o master thread . Además, esta configuración permite el uso de memoria fı́sicamente dis-
tribuida en equipos diferentes, ası́ como el cálculo en un número de equipos muy elevado,
proporcionando rendimientos muy buenos. Por el contrario, esta técnica presenta un incon-
veniente importante dado que su implementación sobre un programa creado para ejecución
secuencial supone la modificación de una parte muy considerable del código fuente. Además,
la programación en paralelo mediante estas técnicas requiere conocimientos avanzados de
paralelización y una profunda remodelación del código fuente desarrollado para ejecución
secuencial.
Por el contrario, existe una técnica más reciente que la paralelización mediante MPI que
consiste en la paralelización mediante directivas OpenMP. Las directivas son secuencias de
código que le indican al ordenador cómo distribuir el trabajo entre los distintos procesadores
de cálculo. Estas directivas se pueden incorporar fácilmente y sin apenas modificaciones en
un código de programación secuencial ya existente. Esta técnica es mucho menos versátil
en cuanto a la configuración de los equipos, pero permite realizar cálculos en paralelo con
relativamente poco esfuerzo y con resultados altamente satisfactorios cuando el número de
procesadores no es excesivamente elevado. Este método sólo es aplicable en aquellos equipos
que dispongan de varios procesadores en una misma unidad o nodo, o bien en equipos que
dispongan de procesadores de múltiples núcleos. En la actualidad existen configuraciones
que contemplan las dos alternativas conjuntamente incorporando varios procesadores en un
mismo nodo donde cada procesador a su vez dispone de varios núcleos de cálculo (2 ó 4
habitualmente). Este tipo de configuraciones también permiten la programación mediante
directivas OpenMP y corresponden al tipo de ordenador que se ha empleado para obtener
las soluciones que se presentarán en los ejemplos de aplicación del capı́tulo siguiente.
Las directivas OpenMP se utilizan generalmente como una técnica de “paralelización
a nivel de lazo”. Cuando las operaciones a realizar en cada iteración del lazo son inde-
pendientes (o pueden independizarse) se pueden repartir entre el número de procesadores
disponibles. De este modo, cada procesador ejecuta una porción del número total de itera-
ciones del lazo de forma completamente independiente, lo que supone un ahorro importante
de tiempo de CPU. También se pueden plantear otros niveles y tipos de paralelización
mediante directivas OpenMP, pero su implementación es más compleja y, en general, no
produce una aceleración tan efectiva del cálculo como la que produce la paralelización a
nivel de lazo.
Por otra parte, en los grades centros de supercomputación es habitual el uso, para
cálculo en paralelo, de varios nodos que a su vez contienen varios procesadores de múltiples
núcleos. En consecuencia, no es posible utilizar directivas OpenMP para programar en
paralelo debido a la existencia de varios nodos de cálculo. En estos casos, es necesario
utilizar, por ejemplo, las técnicas de paralelización MPI.
7.4.3. Paralelización de algoritmos de optimización
Si se hace un análisis básico de los algoritmos desarrollados en la formulación de opti-

mización topológica propuesta se deduce fácilmente que hay tres puntos fundamentales que
suponen la práctica totalidad del tiempo de cálculo.
Por una parte, en problemas de gran tamaño la resolución del problema estructural
por Elementos Finitos con la correspondiente factorización de la matriz de rigidez supone
un coste computacional considerable si bien no es excesivamente restrictivo. Además la
paralelización de la factorización de Cholesky (que es la parte más restrictiva) no es fácil

de llevar a cabo y no son esperables grandes rendimientos en paralelo dado que hay que
establecer un número elevado de sincronizaciones y barreras para ajustar el funcionamiento
de los distintos procesadores involucrados y evitar operaciones inadecuadas (por ejemplo,
accesos a posiciones de memoria idénticas por procesadores distintos o cálculos en orden
incorrecto)
Otro conjunto de operaciones que se pueden paralelizar sin grandes dificultades corres-
ponde al análisis de sensibilidad de primer orden completo. Tal y como se ha visto en el
capı́tulo 6, este cálculo se abordará con el método de la variable adjunta y, en consecuencia,
las derivadas de cada restricción se pueden obtener de forma independiente calculando los
términos correspondientes y la variable adjunta para cada restricción de forma individual e
independiente. Por otra parte, las derivadas completas de primer orden suponen la práctica
totalidad del tiempo de cálculo del análisis de sensibilidad desarrollado, lo que provoca que
los rendimientos obtenidos sean muy buenos sin incrementar en exceso el almacenamien-
to requerido. En este caso aplicaremos una paralelización a nivel de lazo que nos permite
distribuir el cálculo de estas derivadas de primer orden entre los procesadores disponibles.
Cada procesador sólo se encargará de obtener las sensibilidades de primer orden de una
parte de las restricciones. Esta metodologı́a ası́ presentada puede aplicarse a todas las for-
mulaciones en general, si bien para el caso de la función global única no tiene sentido dado
que sólo hay una restricción. Sin embargo, para la formulación con restricciones locales y la
formulación con restricciones agrupadas en bloques los resultados obtenidos son altamente
satisfactorios.
El último punto crı́tico del problema de optimización planteado radica en la obtención
de la dirección de modificación del diseño. Como se ha explicado en el capı́tulo 5 y en el
apéndice A, tanto el algoritmo SLP-QLS como el Método de las Ası́ntotas Móviles presentan
un coste computacional significativo dentro de todo el proceso de optimización superando
habitualmente el tiempo de cálculo necesario para obtener el análisis de sensibilidad de pri-
mer orden de las restricciones. Por lo tanto, el cálculo en paralelo de estos algoritmos podrı́a
proporcionar también grandes ventajas desde el punto de vista del tiempo de cálculo. Sin
embargo, debido a la secuencia de operaciones que es necesario realizar en el algoritmo de
Programación Lineal Secuencial sólo puede ejecutarse en paralelo una parte de todo el pro-
ceso ya que algunos pasos importantes deben ser ejecutadas en modo secuencial para evitar
conflictos en el orden de las operaciones. En concreto, en el algoritmo de Programación
Lineal Secuencial solo es recomendable el cálculo en paralelo de las operaciones de diagona-
lización de la matriz del problema una vez ha sido definida la variable a diagonalizar. Una
explicación más detallada de las operaciones necesarias se presenta en el apéndice A o en los
libros de Programación Lineal de Dantzig ([15] y [16]). El rendimiento de la paralelización

en esta situación es, previsiblemente, más reducido que para el análisis de sensibilidad, y
por ello no se ha implementado en esta tesis. Además si hay una parte considerable del
código que es necesario ejecutar de forma secuencial el rendimiento de la paralelización es
bajo porque como máximo conseguiremos reducir el tiempo de cálculo total al que consume
la parte secuencial de la ejecución.
Como conclusión podemos afirmar que la paralelización del código fuente es muy venta-
josa y fácil de llevar a cabo en el análisis de sensibilidad de las restricciones. Sin embargo, la
paralelización de los algoritmos de optimización es muy compleja y no produce rendimientos
tan buenos como los obtenidos en el análisis de sensibilidad.
La paralelización del código fuente de la aplicación informática desarrollada para la
resolución del problema propuesto no se ha implementado porque no es el objetivo fun-
damental de esta tesis y además no afecta a los resultados obtenidos con la metodologı́a
de optimización desarrollada. Sin embargo, es muy importante que los cálculos puedan
realizarse en paralelo para ası́ poder reducir el coste computacional.
7.5. Resumen
En esta tesis doctoral se propone una metodologı́a especı́fica de análisis para resolver
problemas de optimización topológica de estructuras continuas de mı́nimo peso con res-
tricciones en tensión. Esta metodologı́a se ha desarrollado de forma especı́fica para este
problema atendiendo a sus caracterı́sticas particulares (número de variables del problema,
función objetivo, restricciones, ...). Todos los planteamientos desarrollados para resolver
cada una de las fases del proceso atendiendo al correcto funcionamiento de las mismas pa-
ra este problema e intentando reducir en la medida de lo posible el coste computacional
necesario para obtener su solución.
Por este motivo, se analizan especialmente los tres algoritmos más caros en términos
computacionales del modelo que se desarrolla: el cálculo estructural por Elementos Finitos,
la obtención de las sensibilidades y los algoritmos de optimización.
El método de los Elementos Finitos es una técnica perfectamente conocida y amplia-
mente desarrollada, de modo que una mejora de la eficiencia computacional es difı́cil de
alcanzar. Además, el cálculo estructural no supone un coste computacional excesivo en
comparación con el resto de algoritmos que componen la metodologı́a de optimización com-
pleta.
Por contra, el cálculo del análisis de sensibilidad sı́ que requiere un coste computacional
considerablemente mayor que el requerido para el cálculo estructural. En esta tesis doctoral
se plantea una metodologı́a que combina dos técnicas analı́ticas de derivación con la fina-
lidad de reducir las necesidades computacionales. Ası́, para obtener las derivadas primeras
completas de las restricciones utilizamos una técnica de derivación mediante la variable
adjunta y para obtener las derivadas direccionales aplicamos una técnica de diferenciación
directa. De este modo se consigue un ahorro significativo tanto en tiempo de CPU como
en memoria de almacenamiento. Además esta técnica nos permite calcular solamente las
derivadas de aquellas restricciones que están activas en cada iteración. Por otra parte, el
análisis de sensibilidad de primer orden de las restricciones en tensión es susceptible de
ser calculado en ordenadores multiprocesador mediante directivas OpenMP en paralelo de
forma muy eficiente.
Finalmente, los algoritmos de optimización que se proponen, y especialmente el algorit-
mo de Programación Lineal Secuencial, también requieren unos recursos computacionales
muy elevados debido al gran número de operaciones que es necesario realizar.
Una vez presentada la metodologı́a completa que se propone en esta tesis doctoral para
la optimización topológica estructural, procederemos a resolver algunos ejemplos tanto para
verificar la validez del modelo como para demostrar su viabilidad en la resolución de casos
de interés práctico.
127
La inteligencia consiste no sólo en el conocimiento,

sino también en la destreza de aplicar los conoci-
mientos en la práctica.
Aristóteles (384-322 a.C.)
Capı́tulo 8
Ejemplos de aplicación
8.1. Introducción
En este capı́tulo se presentan diversos ejemplos de aplicación en problemas estructura-
les de interés en la ingenierı́a. Los ejemplos que se proponen son estructuras bidimensionales
en tensión plana y en elasticidad lineal. Las formulaciones propuestas se podrı́an aplicar a
problemas tridimensionales sin más que incorporar en el cálculo por Elementos Finitos y
en el análisis de sensibilidad los parámetros correspondientes para este tipo de problemas.
Todos las formulaciones de diseño óptimo que se han desarrollado en esta tesis son fácil-
mente extrapolables a problemas tridimensionales, aunque no se ha calculado ningún caso
debido al elevado coste computacional que requieren. Estas necesidades de cálculo se deben
fundamentalmente al considerable número de elementos, variables de diseño y restricciones
que es necesario utilizar para resolver estos problemas.
Los ejemplos que se muestran se han dividido en tres apartados fundamentales. En el
primero se analizan algunos casos habitualmente empleados en la optimización topológica
de estructuras con la finalidad de validar las formulaciones numéricas propuestas. En el
segundo apartado se analizan ejemplos prácticos con la finalidad de compararlos con las
soluciones propuestas por otros autores como Duysinx y Bendsøe [20] o Pereira, et al. [84]
que emplean tanto formulaciones de máxima rigidez como de mı́nimo peso con restricciones
en tensión. Además, también se incluyen en este apartado ejemplos que resuelven problemas
habituales en ingenierı́a. Por último, en el tercer apartado se presentan las soluciones obte-
nidas combinando adecuadamente diferentes formulaciones para las restricciones en tensión
ası́ como técnicas de refinamiento de malla y eliminación selectiva de elementos. De este
modo se consiguen soluciones adecuadas reduciendo las necesidades computacionales de los
métodos empleados.
Tal y como se ha propuesto en el capı́tulo 3 el modelo de cálculo estructural es el
Método de los Elementos Finitos. El material utilizado en todos los ejemplos es acero y,
por ello, se utiliza el criterio de comparación de Von Mises para imponer las restricciones
en tensión. El análisis de este problema para otro tipo de materiales que no presenten el
mismo comportamiento a tracción que a compresión se puede realizar incorporando en el
cálculo de estructuras y en el análisis de sensibilidad un criterio de rotura adecuado. Ası́,
por ejemplo, Duysinx [19] propone el uso de otros criterios de comparación para materiales
con distinto lı́mite de rotura a tracción y a compresión. Sin embargo, este tipo de materiales
no son objeto de estudio en esta tesis porque no suponen una limitación para el problema
de optimización topológica que se propone.
Todos los ejemplos de aplicación parten de una solución inicial con todo el dominio
de la estructura lleno de material. Por otra parte, las soluciones iniciales del problema son,
generalmente, factibles. En caso contrario, el algoritmo de optimización se encargará de
obtener una solución factible del problema (siempre que ésta exista) antes de proceder a
optimizarla. Por lo tanto, es importante destacar que, al contrario de lo que ocurre con las
formulaciones de máxima rigidez, no se puede garantizar que todos los problemas de mı́nimo
peso que se planteen tengan solución porque cabe la posibilidad de que no exista debido a
las restricciones en tensión. Es decir, si se aplican unas cargas excesivas sobre el dominio
es posible que ninguna solución sea capaz de soportarlas. Este hecho encaja perfectamente
con la realidad y con los desarrollos habitualmente utilizados en el cálculo de estructuras.
En todos los ejemplos que se plantean se ha empleado un valor de densidad relativa
mı́nimo ρmin = 0.001 para evitar la singularidad de las matrices de rigidez de los elementos.
Este valor es el utilizado habitualmente por otros autores en sus trabajos de optimización
topológica de estructuras. A pesar de esto, pueden considerarse otros valores más pequeños
de la densidad relativa sin condicionar el funcionamiento de las técnicas propuestas.
Por otra parte, los parámetros requeridos por cada una de las formulaciones utilizadas
se han ido modificando a lo largo del proceso de optimización. Esto se debe a que el problema
planteado es, en general, no convexo y, por tanto, no se puede garantizar la obtención de
un óptimo global. Además, estos parámetros influyen en la no convexidad de la formulación
provocando que los algoritmos de optimización puedan detenerse en óptimos locales. Por
ello, los problemas se resuelven partiendo de valores que favorecen la convexidad de la
Capı́tulo 8. Ejemplos de aplicación 129
región de diseño para aproximarnos a la solución óptima y se modifican a continuación para

obtener los resultados deseados (distribuciones lleno-vacı́o, sin fenómenos de singularidad
en las tensiones, . . . ).
En otro orden de cosas, es muy conveniente utilizar un factor de penalización de las
variables de diseño p = 1 en las primeras iteraciones ası́ como un valor del factor de relajación
ε también muy pequeño debido al carácter no convexo del espacio relajado que se genera
(Stolpe y Svanberg [108]). Por lo tanto, los valores de los parámetros que se indican en los
ejemplos corresponden a los valores finales empleados en las últimas fases de la optimización
pero han ido evolucionando a lo largo de todo este proceso. Esta problemática también ha
sido constatada por otros autores que utilizan técnicas similares para favorecer el proceso
de optimización (Burger y Stainko [10]).
Los ejemplos de aplicación que a continuación se detallan se han calculado en un or-
denador que dispone de un nodo de computación con 4 procesadores Intel Xeon de doble
núcleo (Dual Core) con frecuencia de reloj de 3.0 GHz, bus frontal de datos (FSB) de
800 MHz y 16 Gb de RAM DDR2 de 400 MHz (SMP) compartida entre ellos. El sistema
operativo del equipo es una distribución de Linux con arquitectura de 64 bits para cluster
denominada Rocks Cluster.
Las aplicaciones informáticas que se han empleado para realizar estos cálculos se han
desarrollado en lenguaje Fortran con ayuda del compilador Intel Fortran Compiler for Linux
9.1. A pesar de que el análisis de sensibilidad se puede calcular en paralelo se ha ejecutado
de modo secuencial porque el tiempo de computación es reducido frente al que requiere el
algoritmo de Programación Lineal Secuencial y, por lo tanto, no se aprovecha la potencia
de cálculo de los procesadores de forma adecuada dado que permanecen inactivos durante
una parte muy considerable del tiempo total de cálculo.
Las imágenes que se muestran se han obtenido mediante una aplicación informática
programada en lenguaje Fortran que produce un archivo de imagen en formato Postscript a
partir de los ficheros de resultados que proporciona el programa de optimización, tanto para
las densidades relativas como para las tensiones. La representación gráfica de las soluciones
no se ha sometido a ninguna técnica de tratamiento de imágenes tales como interpolaciones
o suavizados. Todos los parámetros se representan como constantes para cada elemento
tal y como se propone en la formulación de diseño óptimo. Los esquemas que representan
la geometrı́a y cargas del problema se han realizado con Autocad 2002. Las figuras que
representan las mallas de Elementos Finitos empleadas también se han generado mediante
otro programa Fortran que proporciona imágenes en formato Postscript a partir del archivo
de geometrı́a del problema.
8.2. Ejemplos de validación de la formulación propuesta
8.2.1. Solución en arco
El primer ejemplo corresponde a una estructura de tipo arco con apoyos fijos en los
extremos y con desplazamientos horizontales coartados. Este ejemplo se estudia porque
su solución es conocida, lo que permite comprobar la validez de las formulaciones que se
proponen.
La figura 8.1 muestra un esquema con las dimensiones del dominio de este problema
ası́ como la posición de las cargas externas aplicadas. Además, se ha incluido el peso propio
de la estructura como una acción estructural. El dominio de la estructura se discretiza
mediante una malla regular de 144 × 54 = 7776 elementos cuadráticos de 8 nodos. El
espesor de la estructura es de 1 m.
La carga externa aplicada de 2.5 105 kN se ha distribuido sobre 6 elementos contiguos
para evitar fenómenos de concentración de tensiones. El material empleado en esta estruc-
tura es acero con una densidad de material γmat = 7650 kg/m3 , un módulo de Young
E = 2.1 105 MPa, un coeficiente de Poisson ν = 0.3 y un lı́mite elástico σ
bmax = 230 MPa.
Las figuras 8.2, 8.3, 8.4, 8.5, 8.6 y 8.7 representan la evolución de los diseños durante el
proceso de optimización ası́ como las soluciones finales obtenidas con las tres formulaciones
propuestas: local, global y por bloques. Como se puede observar la formulación global pro-
porciona una solución diferente a las otras dos formulaciones. Esta solución no corresponde
a la solución óptima de acuerdo con la experiencia ingenieril. Por lo tanto, la formulación
global no se comporta de forma adecuada en condiciones de compresión pura como la que se
obtiene en este caso. En general, este hecho se agudiza con el refinamiento de la malla debi-
do a que en el lı́mite el problema no tiene solución única y es necesario desarrollar técnicas
adicionales para controlar este efecto. Ası́, en ejemplos posteriores se analizará el efecto de
incorporar una penalización sobre el perı́metro de la estructura, lo que ha demostrado ser
muy eficaz para evitar estos problemas.
De todos modos y a pesar de no incorporar el efecto de la penalización sobre el perı́me-
tro, las formulaciones local y por bloques presentan soluciones mucho mejores con distribu-
ciones de material casi idénticas.
Del mismo modo, en las figuras 8.8, 8.9 y 8.10 se representa el estado tensional de
las soluciones obtenidas con las distintas formulaciones que se proponen. De acuerdo con
estas figuras se puede observar que la formulación local de las restricciones garantiza la
factibilidad de las restricciones en tensión para todos los elementos mientras que en el caso
de la formulación global las restricciones en tensión se incumplen ligeramente desde un
punto de vista local. En el caso de la formulación por bloques el estado tensional se asemeja
en mayor medida al obtenido con la formulación local que al obtenido con la formulación
global.
En la tabla 8.1 se recogen los parámetros más representativos del problema ası́ como
los aspectos más relevantes del proceso de optimización para las distintas formulaciones.
El parámetro de penalización p corresponde al exponente que se incorpora en la función
objetivo propuesta en la ecuación (4.4). Asimismo, el parámetro ε corresponde al factor de
relajación que se propone en las ecuaciones (4.16) y (4.17). El parámetro µ corresponde al
factor de agregación de la función global que se propone en la ecuación (4.22).
Como se puede observar, los tiempos de cálculo de la formulación local son superiores
en más de un orden de magnitud a los que necesitan tanto la formulación global como la
formulación por bloques.
Del mismo modo, la memoria de almacenamiento que se requiere se reduce esencial-
mente a la necesaria para la matriz de rigidez estructural en el caso de las formulaciones
con restricciones agregadas. Sin embargo, y como era de esperar, en la formulación local el
análisis de sensibilidad completo de primer orden requiere una capacidad de almacenamiento
mucho mayor que la matriz de rigidez de la estructura.
Por otra parte, el número de iteraciones del algoritmo de optimización empleado es
mucho menor en el caso de la formulación local debido a que la información del análisis de
sensibilidad es mucho más especı́fica que en el caso de las otras dos formulaciones. Esto se
debe al efecto de la agregación de las restricciones y a la alta no-linealidad de la función de
Kreisselmeier-Steinhauser empleada para agregar las restricciones.
Figura 8.1: Arco. Planteamiento del problema (unidades en m)

Iteración 0 Iteración 20
Figura 8.2: Arco. Evolución de la solución obtenida con la formulación local
Figura 8.3: Arco. Solución óptima obtenida con la formulación local

Figura 8.4: Arco. Evolución de la solución obtenida con la formulación global
Figura 8.5: Arco. Solución óptima obtenida con la formulación global

Figura 8.6: Arco. Evolución de la solución obtenida con la formulación por bloques
Figura 8.7: Arco. Solución óptima obtenida con la formulación por bloques
Figura 8.8: Arco. Tensión normalizada obtenida con la formulación local
Figura 8.9: Arco. Tensión normalizada obtenida con la formulación global
Figura 8.10: Arco. Tensión normalizada obtenida con la formulación por bloques
El ejemplo que aquı́ se estudia se ha utilizado como test para validar los algoritmos
desarrollados en esta tesis ya que la solución óptima para este problema es conocida y con-
siste en la utilización de dos barras casi rectilı́neas formando un arco, que trasladan la carga
aplicada hasta los apoyos. Esta solución es la esperable desde un punto de vista estructu-
ral y ha sido contrastada en otras aplicaciones del problema de optimización topológica de
máxima rigidez (Bendsøe [5]).
De acuerdo con los resultados que se obtienen en las figuras 8.3, 8.5 y 8.7, los plan-
teamientos local y por bloques de las restricciones proporcionan configuraciones resistentes
idénticas, si bien la formulación por bloques permite que las tensiones se incumplan ligera-
mente. Por el contrario, la solución que proporciona la formulación global no es adecuada
porque no consigue obtener la estructura en arco.
El modelo que proporciona una mejor solución es el de la formulación por bloques
porque obtiene la estructura resistente óptima y requiere un tiempo de cálculo mucho menor
que la local, tal y como se puede apreciar en la tabla 8.1. La formulación local de las
restricciones también proporciona la solución óptima del problema y garantiza la factibilidad
de todas las restricciones aunque el tiempo de cálculo que requiere hace que sea inviable su
aplicación en la práctica.
F. Local F. Global F. Bloques

ARCO (Fig. 8.3) (Fig. 8.5) (Fig. 8.7)
Número de elementos 7776 7776 7776
Número de restricciones 7776 1 144
Número de iteraciones 203 804 804
Penalización (p) 6.67 4 4
Relajación (ε) 0.01 0.01 0.02
Agregación (µ) - 40 40
Peso final/Peso inicial 7.22 % 6.05 % 6.84 %
Tiempo de cálculo (s×103 ) 1809.8 9.4 123.3
Memoria (Mb) 588.7 105.0 113.9
Tabla 8.1: Arco. Resumen de los principales parámetros y requerimientos computacionales

8.2.2. Problema del voladizo de Michell
Este ejemplo corresponde a una estructura en voladizo que se encuentra anclada en su

parte izquierda sobre una circunferencia. Esta estructura ha sido estudiada en profundidad
por Michell [52], que obtuvo de forma teórica la solución óptima para este tipo de problemas.
De acuerdo con este análisis teórico, Michell propuso la solución óptima (figura 8.11)
ası́ como el volumen de material mı́nimo requerido como:

a 1 1
V = F a ln + (8.1)
ro P Q
siendo F la fuerza vertical aplicada, a la separación entre el punto de aplicación de la carga

y el centro de la circunferencia, ro el radio de la circunferencia y P y Q los valores máximos
de tensión a tracción y compresión respectivamente.
La figura 8.12 (izquierda) muestra un esquema con las dimensiones del dominio de este
caso ası́ como la posición de las cargas externas aplicadas. Al contrario que en el ejemplo
anterior, el peso propio de la estructura no se considera.
El dominio de la estructura se discretiza mediante una malla regular de 6000 elementos
cuadráticos de 8 nodos (figura 8.12 derecha). El espesor de la estructura es de 0.01 m.
La carga externa aplicada de 6 kN se ha distribuido sobre 2 elementos contiguos para
reducir los fenómenos de concentración de tensiones.
El material empleado en esta estructura es acero con una densidad de material γmat =
7650 kg/m3 , un módulo de Young E = 2.1 105 MPa, un coeficiente de Poisson ν = 0.3 y
un lı́mite elástico σ
bmax = 230 MPa. De acuerdo con estos datos y a partir de la solución
óptima propuesta por Michell podemos deducir que el valor óptimo del volumen para esta
estructura es de:

0.06 1 1
3
V [m ] = 6 0.06 ln + = 5.61 10−6 m3 (8.2)
0.01 2.3 105 2.3 105
La figura 8.13 muestra la evolución de la solución hasta el óptimo (figura 8.14) para la
formulación local de las tensiones. La figura 8.15 representa, a su vez, el estado tensional del
diseño final optimizado. Las figuras 8.16 y 8.17 representan la evolución de la solución óptima
y la figura 8.18 muestra su estado tensional para la formulación global de las restricciones.
Las figuras 8.19 y 8.20 exponen la distribución óptima de material con el planteamiento
por bloques de las restricciones y su estado tensional se representa en la figura 8.21. Los
resultados obtenidos con las formulaciones propuestas en esta tesis doctoral (figuras 8.14,
8.17 y 8.20) pueden compararse con la solución teórica propuesta por Michell [52].
De acuerdo con el estado tensional obtenido en cada caso se puede observar que la
formulación local garantiza la factibilidad de las restricciones en tensión para todos los
elementos mientras que, en el caso de la solución con la formulación global, las restricciones
en tensión locales no se cumplen de forma estricta, como era previsible. Sin embargo, las
restricciones que se incumplen exceden levemente el valor máximo de la tensión permitida.
En el caso del planteamiento por bloques, el estado tensional garantiza en mayor medida la
factibilidad de las restricciones que la formulación global.
En la tabla 8.2 se muestran los principales parámetros del problema ası́ como los
aspectos más significativos del proceso de optimización. Además, también se comparan
las soluciones obtenidas con la teórica de Michell [52].
Figura 8.11: Voladizo Michell. Solución teórica del problema (Michell [52])
Figura 8.12: Voladizo Michell. Planteamiento del problema de optimización (izqda.) y malla
de Elementos Finitos empleada en la resolución (derecha). Unidades en cm
Figura 8.13: Voladizo Michell. Evolución de la solución obtenida con la formulación local
Figura 8.14: Voladizo Michell. Solución óptima obtenida con la formulación local
Figura 8.15: Voladizo Michell. Tensión normalizada de la solución obtenida con la formula-
ción local
Figura 8.16: Voladizo Michell. Evolución de la solución obtenida con la formulación global
Figura 8.17: Voladizo Michell. Solución óptima obtenida con la formulación global
ción global
Figura 8.19: Voladizo Michell. Evolución de la solución obtenida con la formulación por
bloques
Figura 8.20: Voladizo Michell. Solución óptima obtenida con la formulación por bloques
ción por bloques
Este ejemplo se ha presentado con la finalidad de probar la validez de los resultados

obtenidos con las diferentes formulaciones de esta Tesis Doctoral en un caso con solución
analı́tica conocida (Michell [52]). Como se puede observar en las soluciones obtenidas (figuras
8.14, 8.17 y 8.20), los diseños óptimos se aproximan en gran medida a la distribución teórica
de material de la figura 8.11. Además, las configuraciones resistentes obtenidas presentan
una simetrı́a entre la parte superior y la inferior de la estructura debido a que se utiliza un
modelo estructural lineal y a que el material presenta el mismo comportamiento a tracción
que a compresión. Asimismo, el valor de la cantidad de material empleada también es similar
al obtenido analı́ticamente como se puede observar en la tabla 8.2, si bien es ligeramente
inferior al teórico debido a que el diseño final presenta elementos con densidades relativas
intermedias y a que las cargas aplicadas, a pesar de considerarse puntuales, se aplican de
forma distribuida en una zona reducida de la estructura.
La solución obtenida con la formulación local es la más adecuada porque proporciona
una distribución de elementos resistentes muy similar a la solución analı́tica. Las formulacio-
nes global y por bloques proporcionan soluciones adecuadas que no aproximan de forma tan
especı́fica la solución teórica porque presentan un número de elementos resistentes mucho
menor, pero requieren unos tiempos de cálculo mucho más reducidos. Por lo tanto, en este
ejemplo también consideramos que el algoritmo más adecuado para resolver el problema es
el de la agrupación de restricciones en bloques dado que proporciona una buena solución en
un tiempo de cálculo asumible desde un punto de vista ingenieril.

VOLADIZO MICHELL (Fig. 8.14) (Fig. 8.17) (Fig. 8.20)
Penalización (p) 4 4 4
Relajación (ε) 0.03 0.03 0.03
Volumen obtenido (m3 ) 5.23 10−6 5.00 10−6 5.27 10−6
Volumen teórico (m3 ) 5.61 10−6 5.61 10−6 5.61 10−6
Memoria (Mb) 397.0 109.0 113.8
Tabla 8.2: Voladizo Michell. Resumen de los principales parámetros y requerimientos

computacionales
8.2.3. Problema de la viga en voladizo
En este ejemplo se pretende obtener el diseño óptimo de una viga en voladizo con un
apoyo completamente empotrado en su canto izquierdo y con una carga vertical aplicada
en la zona central del canto de la derecha. Las dimensiones del dominio utilizado y la
posición de las cargas externas aplicadas se representan en la figura 8.22. El peso propio de
la estructura también se ha incluido como una acción estructural.
El dominio de la estructura se discretiza mediante una malla regular de 120×60 = 7200
elementos cuadráticos de 8 nodos. El espesor de la estructura es de 0.2 m.
La carga externa aplicada de 2 103 kN se ha distribuido sobre el borde de 7 elementos
contiguos verticalmente para evitar fenómenos de concentración de tensiones.
7650 kg/m3 , un módulo de Young E = 2.1 105 MPa, un coeficiente de Poisson ν = 0.3 y un
lı́mite elástico σ
bmax = 230 MPa
Las figuras 8.23 y 8.24 representan la evolución de la solución óptima para este problema
con la formulación local de las restricciones y la figura 8.25 representa su estado tensional.
Las figuras 8.26 y 8.27 muestran la evolución y la solución óptima cuando se plantean las
restricciones en tensión desde el punto de vista global y la figura 8.28 muestra el estado
tensional. Del mismo modo, las figuras 8.29 y 8.30 muestran la evolución de la solución con
el planteamiento por bloques de las restricciones y la figura 8.31 representa el valor de las
tensiones para esta configuración.
Al igual que ocurre con el ejemplo de la viga en voladizo de Michell las soluciones
obtenidas presentan simetrı́a entre la parte inferior y la superior de la estructura debido
a que el comportamiento a tracción y a compresión es análogo y a que el modelo estruc-
tural empleado es lineal (no se han considerado no-linealidades como pandeo o grandes
desplazamientos).
Como se puede observar, la tipologı́a estructural es muy similar para los tres plan-
teamientos. Sin embargo, la formulación local es capaz de definir de forma más precisa la
ubicación de los elementos resistentes. Por otra parte, el número de elementos resistentes
que proporcionan en este caso las formulaciones con restricciones agregadas es elevado dado
que no se impone ninguna condición que limite este efecto. Por el contrario, si se impone
la penalización sobre el perı́metro propuesta en este trabajo, la solución óptima presenta
una distribución de material mucho más concentrada (figuras 8.32 y 8.33) reduciendo no-
tablemente el número de elementos resistentes. La figura 8.34 muestra el estado tensional
de la solución óptima del problema utilizando la restricción por bloques y con penalización
sobre el perı́metro. El grado de cumplimiento de las restricciones de la solución obtenida
es, en general, similar al obtenido sin penalizar el perı́metro ya que, como era previsible, las
restricciones locales no se garantizan estrictamente si bien sólo se incumplen ligeramente.
En la tabla 8.3 se recogen los aspectos más relevantes de todo el proceso de optimiza-
ción para las distintas formulaciones propuestas y se indican los parámetros utilizados para
la resolución de este problema. Los tiempos de cálculo necesarios para resolver el problema
con la formulación local son superiores en más de un orden de magnitud a los necesarios
con las formulaciones global o por bloques. Por otra parte, la necesidad de almacenamiento
en memoria de las formulaciones con restricciones agregadas también es mucho menor dado
que las derivadas de primer orden completas requieren mucha menos capacidad de almace-
namiento que la matriz de rigidez de la estructura. El peso de la estructura resultante es
similar para las tres formulaciones si bien la formulación global presenta un valor ligera-
mente menor debido a que en algunos elementos puede llegar a excederse la tensión máxima
permitida debido a la agregación de las restricciones. La solución con penalización sobre el
perı́metro (figura 8.33) también presenta un peso similar al obtenido sin penalización, lo
que indica que el peso de la estructura es muy poco sensible a modificaciones en la topologı́a
de la estructura. Esto motiva que la disposición y el número de barras que la componen
cambien ligeramente en función de la formulación empleada en cada caso, lo que dificulta
la obtención de una única tipologı́a estructural óptima.
Figura 8.22: Voladizo. Planteamiento del problema (unidades en m)

Figura 8.23: Voladizo. Evolución de la solución obtenida con la formulación local

Figura 8.24: Voladizo. Solución óptima obtenida con la formulación local
Figura 8.25: Voladizo. Tensión normalizada de la solución obtenida con la formulación

local
Figura 8.26: Voladizo. Evolución de la solución obtenida con la formulación global

Figura 8.27: Voladizo. Solución óptima obtenida con la formulación global
Figura 8.28: Voladizo. Tensión normalizada de la solución obtenida con la formulación global
Figura 8.29: Voladizo. Evolución de la solución obtenida con la formulación por bloques
Figura 8.30: Voladizo. Solución óptima obtenida con la formulación por bloques
Figura 8.31: Voladizo. Tensión normalizada de la solución obtenida con la formulación por
bloques
Figura 8.32: Voladizo. Evolución de la solución obtenida con la formulación por bloques y
penalización sobre el perı́metro
Figura 8.33: Voladizo. Solución óptima obtenida con la formulación por bloques y penali-
zación sobre el perı́metro
Figura 8.34: Voladizo. Tensión normalizada de la solución obtenida con la formulación por
bloques y penalización sobre el perı́metro
La resolución del problema de la viga en voladizo se ha analizado en esta tesis porque

es uno de los ejemplos utilizados habitualmente en optimización topológica de estructuras
(Bendsøe y Kikuchi [5] y [3]). Tal y como se puede apreciar en las figuras 8.24, 8.27, 8.30 y
8.33 las soluciones obtenidas con los modelos que se proponen en esta tesis son adecuadas.
Sin embargo, es necesario destacar que si no se utiliza penalización sobre el perı́metro, el
número de elementos resistentes que aparecen en los diseños finales es muy elevado (tal y
como se puede apreciar en la figura 8.33).
Si no se utiliza penalización sobre el perı́metro la aproximación local de las tensiones
produce una solución mejor que las formulaciones global y por bloques porque define perfec-
tamente la estructura resistente y además es simétrica. La formulación global presenta una
solución que además de no ser simétrica no define claramente la distribución de material y
la formulación por bloques presenta una distribución de material similar a la formulación
local aunque no alcanza el mismo grado de concreción de los elementos resistentes, como es
esperable.
Sin embargo, si se utiliza la penalización sobre el perı́metro, la formulación por bloques
proporciona una solución correcta que presenta un número de elementos resistentes reducido
y garantiza de forma estricta el cumplimiento de las restricciones en tensión. Además las
necesidades computacionales que requiere esta formulación son mucho menores que para la
formulación local.
F. Local F. Global F. Bloques F. Perı́m.

VIGA VOLADIZO (Fig. 8.24) (Fig. 8.27) (Fig. 8.30) (Fig. 8.33)
Número de elementos 7200 7200 7200 7200
Número de restricciones 7200 1 100 100
Número de iteraciones 157 971 1106 1508
Penalización (p) 4 10 10 6.67
Relajación (ε) 0.01 0.03 0.03 0.02
Agregación (µ) - 40 40 40
Peso final/Peso inicial 18.27 % 16.05 % 17.03 % 16.93 %
Tiempo de cálculo (s×103 ) 2626.0 37.5 183.1 142.2
Memoria (Mb) 522.3 107.6 113.4 113.4
Tabla 8.3: Voladizo. Resumen de los principales parámetros y necesidades computacionales

8.3. Ejemplos prácticos de aplicación

8.3.1. Viga MBB
Este ejemplo corresponde a una estructura utilizada habitualmente en aeronáutica para

soportar las cargas de la cubierta de un avión trasladándolas al fuselaje. Esta viga recibe
su nombre de la empresa alemana Messerschmitt-Bölkow-Blohm1 que la diseñó inicialmen-
te. Se trata de una viga bi-apoyada con movimientos horizontales permitidos y con unas
caracterı́sticas geométricas perfectamente definidas de acuerdo con la figura 8.35. Esta viga
está sometida a una carga vertical distribuida en una longitud de 0.4 m en la parte central
y sobre el borde superior de la viga. Además de esta carga distribuida, la viga está sometida
a la acción de su propio peso.
El dominio de la estructura se discretiza mediante una malla rectangular y regular de
120 × 40 = 4800 elementos cuadráticos de 8 nodos. El espesor de la estructura es de 1 m.
Obviamente, sólo calcularemos la mitad de la estructura debido a la simetrı́a para reducir
las necesidades computacionales y el tamaño del problema de optimización.
En este ejemplo se ha aplicado una carga externa de 13.3 103 kN distribuida sobre una
zona de 0.4 m de longitud.
bmax = 230 MPa.
Las figuras 8.39, 8.40 y 8.41 muestran la evolución de la solución óptima para la formu-
lación local de las restricciones y la figura 8.42 muestra el estado tensional del diseño óptimo.
En las figuras 8.43, 8.44 y 8.45 se puede observar el proceso evolutivo ası́ como la solución
óptima del problema considerando un análisis global de las restricciones y en la figura 8.46
podemos comprobar su estado tensional. Del mismo modo, en las figuras 8.47, 8.48 y 8.49
se representa la evolución de la solución hasta el óptimo para el problema con restricciones
por bloques y en la figura 8.50 se muestra su nivel tensional.
Como se puede observar, las tres soluciones son muy similares en cuanto a tipologı́a
y distribución de elementos resistentes. De acuerdo con la figura 8.51 las soluciones de
máxima rigidez que se obtienen son distintas que las de mı́nimo peso, tal y como se puede
comprobar en los trabajos de Duysinx y Bendsøe [20]. En este caso, las soluciones también
son distintas debido a que en el ejemplo de la figura 8.51 se ha empleado una restricción
en volumen de aproximadamente un 33 % del total y en el ejemplo que aquı́ se plantea se
obtienen soluciones con unas fracciones de material entre el 13.62 % y el 15.41 % del volumen
1
Messerschmitt-Bölkow-Blohm fue una de las mayores empresas aeronáuticas de Alemania en el siglo XX
y ha sido precursora de la actual EADS europea.
total. Esta diferencia en la cantidad de material a emplear provoca que las configuraciones
obtenidas sean diferentes. Este hecho realza la limitación que supone la imposición de una
restricción en volumen no justificada desde un punto de vista estructural estructural.
La formulación local proporciona un diseño en el que todas las restricciones locales se
cumplen estrictamente. Por el contrario, la formulación global y por bloques permiten que
algunas restricciones locales se incumplan ligeramente.
En la tabla 8.4 se indican los parámetros que se han utilizado para la resolución del
problema que se plantea ası́ como los aspectos más relevantes del proceso de optimización
para las distintas formulaciones utilizadas. En esta tabla se pueden comparar parámetros
muy importantes relativos a los tiempos de ejecución requeridos en cada caso o el número
de iteraciones necesarias del algoritmo de optimización. De acuerdo con esta tabla el tiempo
de cálculo necesario para obtener la solución óptima con la formulación local es casi dos
órdenes de magnitud mayor que para la formulación global. En el caso de la formulación por
bloques los requerimientos computacionales también son considerables dado que el número
de bloques empleado para este problema y el número de restricciones activas son elevados.
Por otra parte, el peso de la estructura es similar para los tres planteamientos, si bien la
formulación global proporciona valores menores debido al efecto de la agrupación de las
restricciones.
Figura 8.35: Viga MBB. Planteamiento del problema (unidades en m)
Figura 8.36: Viga MBB. Solución teórica (Lewinski, et al. [44])

Figura 8.37: Viga MBB. Viga en la sección central del fuselaje del avión Airbus A380.
(www.diplomatie.gouv.fr/en/album.php3?id article=4375&debut image=2)
Figura 8.38: Viga MBB. Detalle de viga de fuselaje de Airbus A380. (Aviation Week &
Space Technology, 20 de noviembre de 2006, pág. 34)
Iteración 0
Iteración 20
Iteración 50
Iteración 80
Figura 8.39: Viga MBB. Evolución de la solución obtenida con la formulación local
Iteración 120
Iteración 150
Figura 8.40: Viga MBB. Evolución de la solución obtenida con la formulación local (conti-
nuación)
Figura 8.41: Viga MBB. Solución óptima obtenida con la formulación local
Figura 8.42: Viga MBB. Tensión normalizada de la solución obtenida con la formulación
local
Iteración 0
Iteración 50
Iteración 120
Iteración 200
Figura 8.43: Viga MBB. Evolución de la solución obtenida con la formulación global
Iteración 400
Iteración 600
Figura 8.44: Viga MBB. Evolución de la solución obtenida con la formulación global (con-
tinuación)
Figura 8.45: Viga MBB. Solución óptima obtenida con la formulación global
global
Iteración 0
Iteración 50
Iteración 200
Iteración 400
Figura 8.47: Viga MBB. Evolución de la solución obtenida con la formulación por bloques
Iteración 600
Iteración 800
Figura 8.48: Viga MBB. Evolución de la solución obtenida con la formulación por bloques
(continuación)
Figura 8.49: Viga MBB. Solución óptima obtenida con la formulación por bloques
por bloques
Este ejemplo se ha resuelto en esta tesis doctoral como una de las aplicaciones prácti-
cas más habituales de las formulaciones de optimización topológica de estructuras que se
proponen en la bibliografı́a. De este modo, podremos comparar los diseños obtenidos para
esta viga con los propuestos por otros autores como Bendsøe [5] o Duysinx y Bendsøe [20].
Los diseños que se obtienen con las tres formulaciones son esencialmente equivalentes para
este ejemplo porque presentan una configuración resistente y con un número de elemen-
tos estructurales (barras) muy similar. Además, con la formulación propuesta en esta tesis
doctoral se puede garantizar que la estructura final soportará las cargas a las que está some-
tida. Por otra parte, la distribución de material que proporciona la formulación de máxima
rigidez es diferente de la que se obtiene con los modelos de mı́nimo peso como los que se
proponen en esta tesis doctoral o como los que propone Duysinx y Bendsøe [20].
Tal y como se ha planteado anteriormente, las tres formulaciones que se desarrollan
en esta tesis producen soluciones estructurales adecuadas. Por lo tanto, el algoritmo de
resolución más adecuado será el que proporcione un mejor control sobre las restricciones en
tensión y que requiera un coste computacional menor. En este caso, tanto la formulación
global como por bloques requieren unas necesidades computacionales reducidas y controlan
de forma precisa los valores de las tensiones en todo el dominio.
Como se puede observar, las soluciones obtenidas con cualquiera de los métodos que se
proponen son mejores que las obtenidas por Duysinx incorporando restricciones en tensión
(figura 8.51) y que las obtenidas mediante planteamientos de máxima rigidez, sin necesidad
de utilizar técnicas de filtrado y suavizado para evitar disposiciones en damero.
Figura 8.51: Viga MBB. Solución de máxima rigidez de Duysinx y Bendsøe [20]

VIGA MBB (Fig. 8.41) (Fig. 8.45) (Fig. 8.49)
Relajación (ε) 0.01 0.01 0.02
Memoria (Mb) 233.0 48.7 51.8
Tabla 8.4: Viga MBB. Resumen de los principales parámetros y necesidades computacionales
8.3.2. Viga en forma de L
Este ejemplo corresponde a otra estructura frecuentemente empleada como test en

problemas de optimización topológica de estructuras (por ejemplo, Duysinx y Bendsøe [20]
o Werme y Svanberg [119], entre otros). Se trata de una viga con forma de L que se encuentra
completamente anclada en su borde superior y que soporta una carga vertical en la parte
central del borde derecho tal y como se muestra en la figura 8.52. Esta carga vertical es
una carga puntual de 3 103 kN que se aplica de forma distribuida sobre dos elementos para
evitar fenómenos de concentración de tensión. El peso propio de la estructura también se
ha considerado, en este caso, como una acción estructural.
El dominio de la estructura se discretiza mediante una malla de 6400 elementos cuadrá-
ticos de 8 nodos. El espesor de la estructura es de 1 m.
El material empleado es acero con una densidad de material γmat = 7650 kg/m3 , un
módulo de Young E = 2.1 105 MPa, un coeficiente de Poisson ν = 0.3 y un lı́mite elástico
σ
bmax = 230 MPa.
Las figuras 8.53 y 8.54 muestran la evolución del diseño hasta la solución final para
el planteamiento local de las restricciones, cuyo estado tensional se puede observar en la
figura 8.55. Las figuras 8.56 y 8.57 representan el proceso evolutivo desde la solución inicial
de partida hasta el diseño óptimo final de la formulación global de las restricciones y la
figura 8.58 muestra la tensión normalizada de los elementos de la malla en la configuración
óptima obtenida. Las figuras 8.59 y 8.60 representan la evolución de la solución hasta el
diseño óptimo para el problema con restricciones agrupadas por bloques y la figura 8.61
muestra el nivel tensional de los elementos de la malla utilizada para su resolución.
Como puede observarse en las soluciones obtenidas, la distribución óptima de material
es muy similar para los tres modelos si bien la formulación global proporciona soluciones
con un menor número de elementos resistentes. En general, la formulación global de res-
tricciones permite una relajación adicional de las tensiones debido al efecto de agregación
de las mismas, lo que permite que en el diseño final predominen las barras principales de la
estructura y se eliminen barras con una capacidad portante menor. Este efecto se contempla
de forma natural debido a la formulación utilizada para las restricciones en tensión. Si se
desea obtener un efecto similar con los planteamientos por bloques y local de las restriccio-
nes es necesario imponer una penalización sobre el perı́metro para ası́ reducir el número de
elementos resistentes de la solución.
La figura 8.62 muestra la solución obtenida por Duysinx y Bendsøe [20] aplicando la
formulación de máxima rigidez. Como puede observarse la formulación de máxima rigidez
y las soluciones de mı́nimo peso propuestas presentan algunas diferencias en la distribución
de los elementos resistentes de las mismas, si bien estas diferencias no son muy significativas
en este caso. Sin embargo, si la fracción de volumen que se utiliza como restricción en el
modelo de máxima rigidez fuese diferente la solución también lo serı́a independientemente
de la carga aplicada, lo que es inexplicable desde un punto de vista estructural. En este
problema, por ejemplo, la restricción en la cantidad de material impone el uso de un 30 %
del volumen total mientras que los ejemplos que aquı́ se resuelven proporcionan diseños
optimizados que presentan en torno a un 14 %. Además, la formulación de máxima rigidez
no garantiza que la solución estructural obtenida soporte las cargas aplicadas.
En la tabla 8.5 se muestran los parámetros más importantes del problema ası́ como
los aspectos más relevantes del proceso de optimización para las distintas formulaciones
utilizadas. En esta tabla se pueden comparar parámetros muy importantes relativos a los
tiempos de cálculo requeridos en cada caso o el número de iteraciones empleadas por el
algoritmo de optimización.
En este ejemplo también es destacable que el tiempo de cálculo requerido por el plan-
teamiento con restricciones locales supera en más de un orden de magnitud los tiempos de
cálculo empleados por cualquiera de los dos modelos con restricciones agregadas. Además,
la memoria de cálculo necesaria también es mucho mayor que en el caso de las formulaciones
con restricciones agregadas debido fundamentalmente a la necesidad de almacenamiento del
análisis de sensibilidad completo de primer orden de las restricciones.
Figura 8.52: Viga en L. Planteamiento del problema (unidades en m)

Figura 8.53: Viga en L. Evolución de la solución obtenida con la formulación local

Figura 8.54: Viga en L. Solución óptima obtenida con la formulación local
Figura 8.55: Viga en L. Tensión normalizada de la solución obtenida con la formulación

local
Figura 8.56: Viga en L. Evolución de la solución obtenida con la formulación global

Figura 8.57: Viga en L. Solución óptima obtenida con la formulación global
Figura 8.58: Viga en L. Tensión normalizada de la solución obtenida con la formulación

global
Figura 8.59: Viga en L. Evolución de la solución obtenida con la formulación por bloques
Figura 8.60: Viga en L. Solución óptima obtenida con la formulación por bloques
Figura 8.61: Viga en L. Tensión normalizada de la solución obtenida con la formulación por
bloques
Figura 8.62: Viga en L. Solución óptima de máxima rigidez (Duysinx y Bendsøe [20])
El ejemplo de la viga en L también es una de las aplicaciones prácticas que se utilizan

para comprobar la validez de las soluciones obtenidas con formulaciones de problemas de
optimización topológica (Bendsøe [5], Duysinx y Bendsøe [20]). Tal y como se puede observar
en las figuras 8.54, 8.57 y 8.60 las soluciones que se obtienen son esencialmente iguales si
bien hay pequeñas diferencias en el número de elementos resistentes. Ası́, la formulación
local proporciona una distribución de material que cumple estrictamente las restricciones
en tensión y proporciona un esquema resistente de forma concisa aunque con un número de
barras elevado dado que no se impone una penalización sobre el perı́metro. La formulación
global proporciona una solución con un menor número de elementos resistentes a pesar de
que tampoco se impone la penalización sobre el perı́metro debido a la relajación de las
tensiones que se aplica de forma implı́cita en la función global. Sin embargo, este diseño
presenta zonas que incumplen ligeramente los valores lı́mite de la tensión. Por otra parte, la
formulación por bloques de las restricciones proporciona una solución similar a la obtenida
con la aproximación local si bien no garantiza de forma tan estricta el cumplimiento de las
tensiones.
Aparentemente, la solución más adecuada para este problema es la proporcionada por
la aproximación global debido a su simplicidad. Sin embargo, las restricciones en tensión se
incumplen desde un punto de vista local. El planteamiento local de las tensiones propor-
ciona una solución con un número mayor de elementos resistentes pero garantiza el estado
tensional. De acuerdo con estos resultados parece más adecuado utilizar la formulación local
de las restricciones que los modelos con restricciones agregadas. Además, como se puede
observar en la tabla 8.5, el peso de las soluciones obtenidas con las tres formulaciones es
muy similar a pesar de que las distribuciones de material de las mismas son claramente
diferentes, lo que indica que la función objetivo apenas varı́a para distintas tipologı́as resis-
tentes. Consecuentemente, la obtención de la solución óptima más adecuada se vuelve más
complicada.

VIGA EN L (Fig. 8.54) (Fig. 8.57) (Fig. 8.60)
Relajación (ε) 0.02 0.01 0.02
Memoria (Mb) 401.98 74.30 79.42
Tabla 8.5: Viga en L. Resumen de los principales parámetros y aspectos computacionales

8.3.3. Viga continua de dos vanos
Este ejemplo corresponde a una estructura hiperestática formada por una viga continua
de dos vanos. La viga se encuentra apoyada en sus extremos y el centro. Los movimientos
horizontales están permitidos y se aplica una carga vertical de 6 103 kN en la parte central
del vano izquierdo (fig. 8.63) que se aplica de forma distribuida sobre dos elementos. El peso
propio de la estructura también se ha considerado en este caso como una acción estructural.
El dominio de la estructura se discretiza mediante una malla rectangular y regular de
200 × 20 = 4000 elementos cuadráticos de 8 nodos. El espesor de la estructura es de 0.30 m.
bmax = 230 MPa
Las figuras 8.64 a 8.72 muestran el proceso evolutivo de la solución óptima ası́ como el
estado tensional para los distintos modelos que se proponen en esta tesis. Como se puede
observar en las soluciones obtenidas la distribución óptima de material es muy similar para
los tres planteamientos si bien la formulación global proporciona soluciones con un menor
número de elementos resistentes de forma natural. El estado tensional de la formulación
global no satisface estrictamente las restricciones desde un punto de vista local pero tampoco
permite que se excedan de forma importante.
En la tabla 8.6 se indican los aspectos más significativos del proceso de optimización
ası́ como los parámetros más importantes del problema para las distintas formulaciones
que se utilizan. En esta tabla se pueden analizar datos relativos a los tiempos de cálculo
utilizados en cada caso o el número de iteraciones del algoritmo de optimización.
Figura 8.63: Viga 2 vanos. Planteamiento del problema (unidades en m)

Iteración 0
Iteración 30
Iteración 70
Iteración 120
Iteración 200
Iteración 300
Figura 8.64: Viga 2 vanos. Evolución de la solución obtenida con la formulación local
Figura 8.65: Viga 2 vanos. Solución óptima obtenida con la formulación local
Figura 8.66: Viga 2 vanos. Tensión normalizada de la solución obtenida con la formulación
local
Iteración 0
Iteración 50
Iteración 200
Iteración 420
Iteración 640
Iteración 860
Figura 8.67: Viga 2 vanos. Evolución de la solución obtenida con la formulación global
Figura 8.68: Viga 2 vanos. Solución óptima obtenida con la formulación global
global
Iteración 0
Iteración 50
Iteración 200
Iteración 420
Iteración 640
Iteración 860
Figura 8.70: Viga 2 vanos. Evolución de la solución obtenida con la formulación por
bloques
Figura 8.71: Viga 2 vanos. Solución óptima obtenida con la formulación por bloques
por bloques
El problema de la optimización de la viga de dos vanos que se propone en este ejemplo

se plantea como una solución estructural diferente debido a que su solución no se determina
de forma estática inicialmente (es hiperestática). Además, la solución óptima para este
planteamiento no es conocida a priori. Sin embargo, sı́ que se conocen perfectamente los
esfuerzos a los que está sometida esta configuración estructural en elasticidad lineal. De
acuerdo con estas ideas, se puede observar en las figuras 8.65, 8.68 y 8.71 que las soluciones
distribuyen el material de la forma más adecuada para soportar los esfuerzos en cada sección.
Ası́, en las zonas en las que predomina el esfuerzo de flexión el algoritmo de optimización
distribuye el material en los bordes superior e inferior aumentando ası́ la inercia de la sección
y en las zonas en las que predomine el esfuerzo cortante se distribuye material en la zona
central. Por este motivo, bajo la zona de aplicación de la carga vertical se coloca material en
los bordes superiores e inferiores pero no se coloca en la zona central debido a que, justo en
este punto, el esfuerzo cortante es nulo. De un modo similar, entre el punto de aplicación de
la carga y el apoyo central hay un punto de la sección que sólo soporta esfuerzo cortante y no
está sometido a esfuerzo flector. En este punto, por tanto, el algoritmo decide disponer una
rótula plástica que sólo transmite esfuerzos cortantes. A su vez entre las fibras superiores
e inferiores que soportan el esfuerzo de flexión es necesario colocar barras en diagonal que
transmiten el esfuerzo rasante entre los bordes inferior y superior.
Este análisis, sin embargo, no se reproduce de forma estricta en los modelos de máxima
rigidez porque están muy influenciados por la restricción en la cantidad de volumen a
utilizar. Ası́, cuando la restricción de volumen es menor del 50 % del volumen total el
algoritmo distribuye casi todo el material en el vano de la izquierda. Sin embargo, cuando
la restricción es superior al 50 % el algoritmo distribuye el material de forma que el vano
izquierdo presenta material en casi todo su dominio y la porción restante se reparte de
forma adecuada en el vano de la derecha. Este hecho se puede comprobar resolviendo este
problema mediante formulaciones de máxima rigidez como la que se propone en la página
web [104]
De acuerdo con este razonamiento todas las soluciones obtenidas en esta tesis propor-
cionan soluciones adecuadas porque siguen las leyes de distribución de material que se han
planteado anteriormente. Por lo tanto, la solución más adecuada del problema corresponde
a la obtenida mediante la formulación por bloques porque esencialmente es igual que la
obtenida con la formulación local y requiere un coste computacional mucho menor.

VIGA 2 VANOS (Fig. 8.65) (Fig. 8.68) (Fig. 8.71)
Relajación (ε) 0.01 0.02 0.02
Memoria (Mb) 149.4 21.4 24.6
Tabla 8.6: Viga 2 vanos. Resumen de los principales parámetros y aspectos computacionales
8.3.4. Soporte en voladizo
Este ejemplo corresponde a una estructura de soporte en voladizo que se sustenta en

el contorno definido por los dos agujeros dispuestos en la parte derecha y sobre la que
se aplica una carga sobre el contorno del agujero de la parte izquierda de la misma (fig.
8.73). Estos agujeros tienen geometrı́a circular y están diseñados para albergar elementos
como tornillos, pasadores, ejes,... que o bien transmiten cargas exteriores a esta pieza (zona
izquierda) o bien trasladan las cargas a otras piezas o a otros soportes (zona derecha). Este
problema corresponde a un problema real que ha sido estudiado previamente por Zhang
[124] mediante técnicas de optimización de formas, tal y como se ha indicado previamente
en el capı́tulo de introducción (figura 1.2), obteniendo soluciones muy diferentes en cuanto
a tipologı́a estructural se refiere (figura 8.84).
La carga vertical aplicada es de 15kN. El peso propio de la estructura también se ha
considerado como una acción estructural a pesar de tener una influencia muy reducida en
la solución final.
El dominio de la estructura se discretiza mediante una malla estructurada compuesta
por 5808 elementos cuadráticos de 8 nodos. El espesor de la pieza es de 0.01 m.
bmax = 230 MPa
Las figuras 8.75 y 8.76 muestran la evolución de la solución hasta el óptimo para el
planteamiento local de las restricciones y la figura 8.77 muestra su estado tensional. Las
figuras 8.78 y 8.79 representan el proceso evolutivo de la solución con la aproximación
global de las restricciones y la figura 8.80 muestra el nivel tensional para este modelo.
Las figuras 8.81 y 8.82 presentan la evolución de la solución hasta el diseño óptimo final
obtenido con la formulación por bloques de las restricciones y la figura 8.83 muestra la
tensión normalizada de los elementos para este diseño óptimo. Como se puede observar
en las soluciones presentadas la distribución óptima de material es similar para las tres
propuestas, si bien la formulación local proporciona una solución más detallada y compleja
que la global (con un número mayor de barras). Asimismo la solución obtenida con el análisis
por bloques se aproxima en mayor medida a la analizada con la formulación local que a la
global.
El estado tensional de la formulación global no satisface estrictamente las restricciones
desde un punto de vista local pero tampoco permite que se excedan de forma importante. Por
el contrario, la aproximación local cumple estrictamente todas las restricciones en tensión.
En la tabla 8.7 se muestran los parámetros más significativos del problema de optimiza-
ción. Además, también se incorporan aspectos relativos a las necesidades computacionales

que se requieren en cada una de las formulaciones que se proponen como la memoria de
almacenamiento o el tiempo de cálculo. Ası́, por ejemplo, se puede observar que los tiempos
de cálculo empleados para la formulación local son considerablemente mayores que para las
restricciones por bloques y la global. Sin embargo, las soluciones obtenidas ası́ como las
reducciones de peso conseguidas son bastante similares. En este ejemplo, se ha utilizado
un valor del parámetro de agregación µ = 20, lo que provoca que el número de iteraciones
requeridas por el algoritmo de optimización sea menor frente a las necesarias en otros ejem-
plos en los que se utiliza µ = 40 para garantizar de forma más estricta la factibilidad de las
soluciones.
Figura 8.73: Soporte en voladizo. Planteamiento del problema (unidades en cm) y malla de
elementos finitos utilizada
Figura 8.74: Soporte en voladizo. Malla de elementos finitos utilizada

Figura 8.75: Soporte en voladizo. Evolución de la solución obtenida con la formulación

local
Figura 8.76: Soporte en voladizo. Solución óptima obtenida con la formulación local
Figura 8.77: Soporte en voladizo. Tensión normalizada de la solución obtenida con la for-
mulación local
Figura 8.78: Soporte en voladizo. Evolución de la solución obtenida con la formulación global
Figura 8.79: Soporte en voladizo. Solución óptima obtenida con la formulación global
mulación global
Figura 8.81: Soporte en voladizo. Evolución de la solución obtenida con la formulación por
bloques
Figura 8.82: Soporte en voladizo. Solución óptima obtenida con la formulación por bloques
mulación por bloques
El problema del soporte en voladizo propuesto en este ejemplo es una estructura que
podrı́a corresponder al diseño resistente de un elemento de fijación como puede ser un
soporte de un motor o de cualquier otro tipo de dispositivo. Las dimensiones de la pieza
y la geometrı́a de la misma se han adaptado para que representen de forma adecuada las
condiciones habituales de este tipo de elementos resistentes.
Como se puede apreciar en las figuras 8.76, 8.79 y 8.82 las soluciones obtenidas con
los tres planteamientos proporcionan esquemas resistentes adecuados. La formulación local
de las restricciones proporciona una solución con un número de barras adecuado y una
geometrı́a perfectamente definida. Además, esta estructura resistente guarda cierta similitud
con la propuesta en el ejemplo del voladizo de Michell dado que parte de la estructura se
comporta del mismo modo que en este caso. Además, al igual que ocurrı́a con el ejemplo
del voladizo de Michell, el diseño final presenta una configuración simétrica debido a que el
modelo estructural es lineal y el material presenta un comportamiento análogo a tracción
y a compresión.
La solución obtenida con el análisis global de las restricciones también proporciona
una solución adecuada aunque el número de elementos resistentes es más reducido. La
formulación por bloques proporciona una distribución de material similar a la obtenida con
la restricción global pero, además de mejorar el estado tensional de la solución, presenta un
número mayor de barras.
Los diseños que se obtienen con la formulaciones propuestas en esta tesis doctoral
confirman que los esquemas resistentes iniciales utilizados en otras disciplinas como la opti-
mización de formas pueden ser erróneos y en consecuencia los diseños finales también lo son.
Este hecho se puede comprobar fácilmente en este problema dado que la solución mediante
optimización de formas fue propuesta por Zhang (figura 8.84). Como se puede comprobar
la distribución de elementos resistentes es diferente.
Por lo tanto, a partir de los resultados obtenidos se puede deducir que cualquiera
de los tres algoritmos propuestos produce una solución adecuada. Sin embargo, el diseño
obtenido mediante el planteamiento local no se considera viable debido a las necesidades
computacionales que requiere. El modelo más adecuado para este problema corresponde a
la aproximación por bloques porque proporciona una solución más refinada que la formula-
ción global, garantiza en mayor medida las restricciones en tensión y no requiere un coste
computacional excesivo.
1.7 : Le modèle initial et la solution du problème obtenue par Zhang

Figura 8.84: Soporte en voladizo. Solución obtenida mediante optimización de formas por
Zhang [124]

S. VOLADIZO (Fig. 8.76) (Fig. 8.79) (Fig. 8.82)
Relajación (ε) 0.01 0.01 0.015
Memoria (Mb) 427.3 157.4 161.50
Tabla 8.7: Soporte en voladizo. Resumen de los principales parámetros y necesidades

computacionales
8.4. Ejemplos de aplicación combinando técnicas de optimi-

zación y refinamiento de malla
Las técnicas y formulaciones que se utilizan en los ejemplos anteriores pueden a su vez
aplicarse de forma combinada de la forma que mejor convenga en cada caso. De acuerdo con
esta idea, pueden emplearse distintos planteamientos para cada fase del diseño y en función
del grado de refinamiento de la malla.
Si se tienen en cuenta las limitaciones en tiempo de cálculo que impone la formulación
local parece adecuado utilizar este método para obtener la solución más adecuada con una
malla no muy fina y ası́ conseguir una primera solución fiable en un tiempo de cálculo
razonable y luego refinar la malla con las técnicas que se han planteado en el capı́tulo 5. Las
sucesivas mallas refinadas pueden resolverse con cualquiera de los tres algoritmos propuestos
en función del número de elementos resultantes tras el remallado. Si las mallas presentan
un número de elementos reducido pueden resolverse con la aproximación local pero si el
número de elementos es elevado es necesario utilizar la formulación global o por bloques.
Además, los modelos que agregan las tensiones funcionan mejor con mallas refinadas dado
que el número de restricciones locales activas es mucho mayor que en las originales y, por
lo tanto, representa de forma más adecuada el modelo local.
8.4.1. Viga con carga centrada de Michell
Como ejemplo de aplicación práctica de estas técnicas se propone la optimización to-

pológica de una viga con carga centrada analizada por Michell, que propuso su solución
óptima de forma teórica en 1904 (Michell [52]).
Las caracterı́sticas geométricas de esta viga se presentan en la figura 8.85 (izqda.).
Debido a la simetrı́a se ha estudiado sólo una mitad de la estructura completa. El espesor
de la estructura es de 1 cm y la carga total aplicada es de 25 kN.
Para resolver el problema se ha utilizado una malla de 1800 elementos cuadráticos de
8 nodos tal y como se puede observar en la figura 8.85 (derecha).
A partir de la solución obtenida (figura 8.87) se puede plantear la resolución de un
problema con un mayor grado de refinamiento eliminando los elementos que no aportan
capacidad portante (con densidades relativas muy bajas) y dividiendo los restantes en cuatro
nuevos elementos para obtener una malla refinada. Esta técnica permite la resolución de
problemas con un mayor grado de refinamiento de la solución sin incrementar excesivamente
el número de variables de diseño ni de restricciones en tensión.
Por otra parte, dado que la malla refinada representa el esquema resistente de la so-
Figura 8.85: Viga Michell. Planteamiento del problema (izqda.) y malla de elementos finitos
(dcha.). Unidades en cm
lución, los algoritmos que agregan las restricciones locales de tensión funcionarán de forma
más eficiente dado que el número de restricciones activas en las mallas refinadas es mucho
mayor que para las mallas originales. De este modo, las restricciones globales garantizan en
mayor medida el cumplimiento de las restricciones locales incluso si se utilizan valores más
pequeños del factor de agregación µ.
Por lo tanto, a partir de la solución de la figura 8.87 (arriba) podemos obtener una
malla refinada (figura 8.88) eliminando aquellos elementos que cumplen que ρe < 0.002.
Sobre esta malla refinada se puede aplicar el algoritmo de optimización que agrupa las
restricciones por bloques para evitar emplear unos tiempos de cálculo demasiado elevados.
De este modo se obtiene una solución más refinada tal y como se puede apreciar en la
figura 8.90 y con un número de variables de diseño más reducido.
Las distribuciones obtenidas se pueden comparar con las soluciones teóricas que propuso
Michell [52] para este problema, que indican que el volumen de material necesario para
soportar una carga F se obtiene como:

1 π 1 1
V = Fa + + (8.3)
2 4 P Q
siendo F la carga aplicada, 2a la luz de la viga, P el lı́mite elástico a tracción y Q el lı́mite
elástico a compresión.
Figura 8.86: Viga Michell. Evolución de la solución obtenida con la formulación local
Figura 8.87: Viga Michell. Solución óptima (arriba) y tensión normalizada (abajo) obtenida
con la formulación local
Figura 8.88: Viga Michell. Malla refinada eliminando los elementos con ρe < 0.002
Figura 8.89: Viga Michell. Evolución de la solución del problema remallado obtenida con la
formulación por bloques
Figura 8.90: Viga Michell. Solución óptima del problema remallado obtenida con la formu-
lación por bloques
Figura 8.91: Viga Michell. Tensión normalizada del problema remallado obtenida con la
formulación por bloques
Figura 8.92: Viga Michell. Solución óptima teórica (Michell [52])
La obtención del diseño óptimo para el problema de la viga de Michell con carga
centrada también se ha utilizado de forma habitual como ejemplo de la validez de los
modelos de optimización topológica. Este problema se resuelve, además, para comprobar
la validez de la metodologı́a de refinamiento de malla que se propone porque se pueden
comparar las soluciones obtenidas ası́ como la cantidad de material utilizada con la teórica.
Esta comparativa se puede analizar en la tabla 8.8 y en las figuras 8.90 y 8.92.
Este ejemplo se ha resuelto con la aproximación local de las restricciones dado que
tanto el número de elementos de la malla original como de la refinada no es muy elevado, lo
que nos permite obtener el diseño óptimo en un tiempo de cálculo elevado pero asumible.
Además, también se ha incorporado la penalización por perı́metro de la función objetivo
obteniendo una distribución de material mejor definida aunque con un número menor de
elementos resistentes que los que se proponen en la solución teórica. Es importante destacar
que los diseños obtenidos mantienen la simetrı́a entre la parte superior e inferior de la
estructura debido a que el material es elástico y lineal y presenta el mismo comportamiento
a tracción que a compresión.
La solución obtenida con la malla original aproxima de forma adecuada la distribución

óptima de material propuesta por Michell en la figura 8.92. Sin embargo, debido a que
no se utiliza una malla suficientemente fina no se obtienen todos los elementos resistentes
que proporciona la solución teórica. A pesar de esto, la solución obtenida permite obtener
mediante la técnica de eliminación y refinado propuesta. Además, el tiempo de cálculo
requerido por este algoritmo de refinamiento de la malla es despreciable frente al tiempo
total de cálculo. Por lo tanto, esta técnica nos permite obtener una malla muy adecuada para
aplicar de nuevo las técnicas de optimización propuestas y obtener una solución mejor. Como
se puede observar en la figura 8.90 la solución que se obtiene tras el remallado presenta una
distribución de material como la que se propone en la solución teórica y además la cantidad
de material a emplear coincide, de forma muy aproximada, con el valor teórico propuesto
por Michell [52], tal y como se puede comprobar en la columna de la derecha de la tabla 8.8.
F. Local F. L. Rem.
VIGA MICHELL (Fig. 8.87) (Fig. 8.90)
Número de elementos 1800 1688
Número de iteraciones 406 404
Penalización (p) 2 2
Relajación (ε) 0.004 0.005
Peso final (kN) 2.02 10−3 2.16 10−3
Volumen obtenido (m3 ) 2.64 10−5 2.82 10−5
Volumen teórico (m3 ) 2.79 10−5 2.79 10−5
Tiempo de cálculo (s×103 ) 47.2 91.9
Memoria (Mb) 36.6 35.36
Tabla 8.8: Viga Michell. Resumen de los parámetros y aspectos computacionales más
importantes
8.4.2. Biela de motor
Este ejemplo corresponde a la optimización topológica de la biela de un motor de com-

bustión interna. Las dimensiones exactas de dicha estructura no han sido extraı́das especı́fi-
camente de ningún modelo real en automoción. Sin embargo, sus caracterı́sticas geométri-
cas son perfectamente representativas para este tipo de problemas y permiten comprobar
el correcto funcionamiento de la técnica de optimización que se propone. Las dimensiones
reales de la pieza se pueden observar en la figura 8.93 (izquierda). Debido a la simetrı́a se ha
calculado sólo una mitad de la estructura completa. Además, y por motivos constructivos,
se dispone de una zona de material sólido de forma circular alrededor de los agujeros inferior
y superior de la biela para comprender en mayor medida la solución estructural obtenida y
garantizar su aplicación práctica.
El dominio de la estructura se discretiza mediante una malla estructurada compuesta
por 9410 elementos cuadráticos de 8 nodos (figura 8.93 dcha.). El espesor de la estructura
es de 0.02 m.
La carga vertical de 81kN se aplica de forma distribuida sobre la mitad inferior de la
circunferencia que define el hueco superior. El hueco circular inferior corresponde a la zona
de apoyo de la estructura y por tanto todos los movimientos están coartados en esta zona.
El peso propio de la estructura también se ha considerado como una acción estructural,
a pesar de tener una influencia muy reducida en la solución final.
bmax = 230 MPa.
La figura 8.97 (izquierda) representa la solución obtenida con la formulación propuesta.
Como se puede observar en el diseño obtenido la distribución óptima de material tiende a
colocar todo el material en la zona de compresión pura si bien la solución no alcanza
completamente esta situación.
Por otra parte, la figura 8.97 (dcha.) muestra el estado tensional de la solución obtenida
con la formulación por bloques. Como se puede apreciar la formulación por bloques presenta
una configuración resistente que cumple de forma adecuada las restricciones en tensión.
Tal y como se ha realizado en el caso anterior, las soluciones obtenidas pueden utilizarse
de nuevo para definir nuevas mallas más finas que eliminan las partes del dominio que
no aportan resistencia estructural. De este modo, a partir de la distribución de material
obtenida en la figura 8.97 (dcha.) podemos eliminar las zonas del dominio vacı́as y emplear
una malla más refinada para las zonas sólidas. De este modo podremos resolver mallas
más finas sin incrementar excesivamente el número de variables de diseño. Además y dado
Figura 8.93: Biela. Planteamiento del problema (unidades en cm) (izqda.) y malla de Ele-
mentos Finitos empleada para su resolución (dcha.)
que el dominio ahora se ajusta en mayor medida a la solución final es previsible que un
mayor número de restricciones se encuentren activas durante el proceso de optimización,
lo que garantiza que las restricciones globales que se utilizan representen de forma más
adecuada las restricciones locales. Por este motivo es posible reducir el valor del parámetro
de agregación (µ) sin disminuir de forma apreciable la eficacia de las restricciones globales.
Por tanto, si ahora se plantea la resolución del mismo problema eliminando los ele-
mentos con densidades relativas muy bajas (ρ < 0.005, por ejemplo) y dividiendo cada uno
de ellos en cuatro nuevos se obtiene una malla de 13600 elementos cuadráticos de 8 nodos
(figura 8.98) en vez de los 37640 (4×9410) que, teóricamente, serı́an necesarios.
En la figura 8.101 (izqda.) se representa la solución obtenida con la formulación por
bloques sobre la malla refinada sin imponer una penalización sobre el perı́metro de la estruc-
tura. Debido a esto, la distribución de material no se corresponde con la más intuitiva desde
un punto de vista ingenieril. Sin embargo, esta solución es correcta ya que ante solicitaciones
de compresión o de tracción pura, como ocurre en este caso, el problema no presenta una
única distribución óptima de material. El problema de optimización se reduce, en este caso,
a obtener la mı́nima sección transversal que soporte las cargas. Su ubicación no determina
de forma unı́voca la capacidad resistente ante esfuerzos de compresión o de tracción pura.
Para conseguir una distribución de material más compacta es necesario imponer la penali-
zación sobre el perı́metro. De este modo se consigue que los distintos elementos resistentes
a compresión pura obtenidos en la figura 8.101 (izqda.) se concentren en un único elemento
con la misma sección resistente, tal y como se puede apreciar en la figura 8.101 (centro).
Esta solución es la esperable desde un punto de vista ingenieril y muestra la validez de la
penalización sobre el perı́metro para obtener problemas bien planteados. El estado tensional
de esta solución se puede observar, a su vez, en la figura 8.101 (dcha.).
En la tabla 8.9 se muestran algunos de los parámetros más representativos de las
formulaciones que se proponen y los datos más relevantes en términos computacionales
(tiempo de cálculo y almacenamiento en memoria) con la finalidad de comparar los modelos
y las soluciones obtenidas con las distintas formulaciones y con las técnicas de refinamiento
y eliminación selectiva de elementos.
Figura 8.94: Biela. Evolución de la solución obtenida con la formulación por bloques
Figura 8.95: Biela. Evolución de la solución obtenida con la formulación por bloques (con-
tinuación I)
Figura 8.96: Biela. Evolución de la solución obtenida con la formulación por bloques (con-
tinuación II)
Figura 8.97: Biela. Solución óptima del problema obtenida con la formulación por bloques
(izqda.) y tensión normalizada (dcha.)
Figura 8.98: Biela. Malla de Elementos Finitos refinada eliminando los elementos con ρ <
0.005
Iteración 0 Iteración 30 Iteración 80
Figura 8.99: Biela. Evolución de la solución obtenida con la formulación por bloques con
penalización sobre el perı́metro
Iteración 140 Iteración 200 Iteración 280
Figura 8.100: Biela. Evolución de la solución obtenida con la formulación por bloques con
penalización sobre el perı́metro (continuación)
Figura 8.101: Biela. Solución óptima obtenida con la formulación por bloques sin penali-
zación en el perı́metro (izqda.), solución óptima obtenida con penalización en el perı́metro
(centro) y tensión normalizada (dcha.)
El ejemplo de la biela a compresión se analiza en este apartado debido a que su solu-

ción óptima presenta algunas particularidades. Como se puede apreciar en la figura 8.93,
el dominio de la estructura va a estar sometido fundamentalmente a un esfuerzo de com-
presión pura entre la zona superior de aplicación de la carga y la zona inferior de apoyo.
Por este motivo la distribución de material en esta zona no es única dado que el único
factor restrictivo es la capacidad portante a compresión, que depende del área de la sección
resultante. En consecuencia, se podrı́an colocar tantas barras verticales como se desee siem-
pre que la sección total de las mismas garantice que no se superan las tensiones máximas.
Por lo tanto, es necesario imponer condiciones adicionales sobre el diseño para evitar este
inconveniente. Para ello se ha propuesto la penalización de la función objetivo de acuerdo
con el perı́metro de la solución. Ası́, en la figura 8.101 (izquierda) se puede apreciar la
distribución de material sin la penalización por perı́metro (y la consiguiente aparición de
las barras verticales) mientras que en la figura 8.101 (centro) se presenta la solución con
penalización. Como se puede observar al incorporar el efecto de la penalización las barras
que aparecen en la zona central de la solución se agrupan en una única. Esta limitación de
la formulación que se propone se debe al análisis lineal de estructuras que se realiza y al
tipo de restricciones que se imponen. De hecho, si se incorpora un modelo más complejo
que considere las inestabilidades por pandeo se solventarı́a este problema en los casos de
compresión pura.
Al igual que ocurrı́a en el ejemplo anterior, la solución obtenida con la malla inicial de
elementos finitos no parece adecuada pero, mediante la técnica de eliminación y refinado
que se propone, proporciona una nueva malla que nos permite resolver el problema con un
mayor grado de discretización espacial sin incrementar en exceso el número de elementos. De
hecho, en la práctica, el problema con la malla refinada requiere un menor tiempo de cálculo
que el problema original, tal y como se puede apreciar en la columna de la derecha de la tabla
8.9. Además, el tiempo de cálculo necesario para obtener la nueva malla refinada mediante
la eliminación y subdivisión de elementos es despreciable frente al coste que requiere la
posterior resolución del problema resultante.
Finalmente, este problema se ha resuelto con la formulación por bloques de las res-
tricciones dado que la aproximación local de las mismas provocarı́a tiempos de cálculo
prohibitivos debido al elevado número de elementos que se emplean para su resolución.
Además, los resultados obtenidos con el planteamiento que se propone son adecuados.
F. Bloques F. B. Rem.
BIELA (Fig. 8.97) (Fig. 8.101)
Número de restricciones 94 100
Número de iteraciones 425 334
Penalización (p) 2 2
Relajación (ε) 0.005 0.01
Agregación (µ) 40 20
Peso final (kN) 5.838 10−3 5.685 10−3
Tiempo de cálculo (s×103 ) 79.2 118.6
Memoria (Mb) 178.4 215.4
Tabla 8.9: Biela. Resumen de los parámetros y aspectos computacionales más importantes
8.5. Conclusiones
En este capı́tulo se han presentado nueve ejemplos de problemas estructurales que se

optimizan mediante las formulaciones que se proponen en esta tesis doctoral con la finalidad
de comprobar su validez. A su vez, hemos dividido los ejemplos en tres grupos que analizan
tres aspectos fundamentales: la comprobación de la validez de las soluciones por compara-
ción con soluciones óptimas conocidas, la resolución de problemas prácticos que han sido
tratados tradicionalmente con los modelos de máxima rigidez y problemas prácticos reales
y, finalmente, el análisis de problemas reales con una discretización espacial fina median-
te las técnicas de refinamiento selectivo de la malla y la correspondiente comprobación de
resultados con las soluciones teóricas.
Como se puede observar en los casos que se han estudiado, el problema de optimización
topológica de estructuras de mı́nimo peso con restricciones en tensión proporciona soluciones
mejores que las obtenidas con las formulaciones de máxima rigidez porque produce esquemas
resistentes perfectamente definidos sin necesidad de aplicar técnicas de suavizado. Además
este planteamiento minimiza la cantidad de material a emplear en función de la carga
aplicada. Por el contrario, en la formulación de máxima rigidez la solución final no depende
directamente de la carga aplicada sino que sólo depende de su posición espacial. Ası́, para
una distribución de cargas definida, la solución óptima no depende de la magnitud de las
mismas, de modo que si se calcula un nuevo problema duplicando todas las cargas el diseño
final no cambia. Este hecho también se puede analizar desde el punto de vista resistente dado
que, como no se comprueba el estado tensional, todas los problemas que se presentan tienen
solución a pesar de que estructuralmente no sean capaces de soportar las solicitaciones a
las que están sometidos.
A pesar de las claras ventajas que ofrece la formulación de mı́nimo peso con restric-
ciones en tensión también presenta alguna limitación debida fundamentalmente al modelo
de análisis estructural que se utiliza. Ası́, tal y como se ha comentado en el ejemplo de
optimización de la biela de motor los estados de compresión o tracción pura no se resuel-
ven de forma adecuada con el modelo original. Para evitar este inconveniente es necesario
incorporar una penalización sobre la función objetivo que incorpora el efecto del perı́metro
de la estructura. Esta penalización sobre el perı́metro permitirá a su vez reducir los efectos
de dependencia de la malla que aparecen con el refinamiento evitando ası́ la aparición de
estructuras muy complejas y con un número elevado de elementos resistentes.
De las tres formulaciones que se proponen para incorporar las restricciones en tensión
se puede concluir a partir de los ejemplos que la aproximación local proporciona resultados
adecuados pero requiere unos costes computacionales inasumibles en la práctica. Por lo
tanto, es necesario utilizar o bien la aproximación global o bien la agrupación por bloques
de las restricciones para reducir el coste computacional. Tal y como se ha comprobado con los
ejemplos de aplicación práctica analizados la formulación global presenta, en algunos casos,
soluciones que no son adecuadas para una parte significativa de los problemas tratados. Por
este motivo, se propone la formulación por bloques de restricciones como la técnica más
fiable para resolver los problemas que se han planteado y en un tiempo de cálculo asumible.
Además, si el grado de discretización de las mallas utilizado aumenta la formulación local
pasará a requerir tiempos de cálculo mucho mayores y la formulación global tendrá que
representar todas las restricciones en tensión a través de una única función, lo que supone
dificultades e inestabilidades numéricas debido a la elevada no-linealidad de la misma. La
formulación por bloques es más versátil porque permite modificar el número de restricciones
a utilizar y, en consecuencia, el grado de control que se establece sobre las tensiones.
En los ejemplos que se han analizado en esta tesis se ha propuesto la utilización de
bloques de distintos tamaños en función del número de elementos del problema. La elección
del tamaño más adecuado de estos bloques responde en gran medida a las necesidades com-
putacionales que se requieren en cada caso y al grado de aproximación de las restricciones
locales exigido. Los ejemplos estudiados muestran que la utilización de bloques con menos
de 100 elementos produce resultados adecuados. Sin embargo, si se considera que el núme-
ro de elementos utilizados en la formulación global es mucho mayor, es previsible que el
número de elementos por bloque pueda aumentarse considerablemente. En los ejemplos que
se proponen en esta tesis se han utilizado, de forma aproximada, tantas restricciones (blo-
ques) como elementos se agrupan en cada bloque y los resultados obtenidos son altamente
satisfactorios.
219
Darı́a todo lo que sé, por la mitad de lo que ignoro.
René Descartes (1596-1650)
Capı́tulo 9
Conclusiones y futuras lı́neas de

investigación
9.1. Conclusiones
9.1.1. Resumen
En esta tesis doctoral se lleva a cabo el estudio del problema de optimización topológica
de estructuras continuas a través de planteamientos que minimizan el peso e imponen res-
tricciones sobre las tensiones máximas admisibles. La formulación que se propone es general
y permite a su vez utilizar restricciones adicionales de diferentes tipos ası́ como una función
objetivo diferente.
Esta formulación se desarrolla como alternativa a los planteamientos de máxima ri-
gidez que tradicionalmente se han utilizado para abordar este problema y ası́ evitar los
graves inconvenientes que presentan. El modelo desarrollado en esta tesis doctoral aborda
un problema, mucho más habitual en ingenierı́a que el de máxima rigidez, que consiste en el
diseño óptimo de mı́nimo peso o coste que soporta las restricciones estructurales impuestas,
normalmente, a través de leyes o normas.
Para plantear el problema se han desarrollado diferentes formulaciones que incorporan
el efecto de las restricciones. Un primer planteamiento del problema consiste en establecer
una restricción en tensión en cada elemento de la malla elementos finitos. Este planteamiento
se denomina por este motivo formulación local de las restricciones. Otra de las metodologı́as
para imponer restricciones en tensión que se ha propuesto en esta tesis doctoral consiste
en la agrupación de todas las tensiones locales presentadas anteriormente a través de una
función global. Por este motivo este planteamiento se denomina habitualmente formulación
global. Asimismo también se propone en esta tesis doctoral el planteamiento de restricciones
sobre bloques de elementos. Para ello se utiliza la función global propuesta anteriormente
aplicada sobre un número predefinido de grupos de elementos en los que se divide la malla.
El problema estructural resultante se resuelve mediante el Método de los Elementos
Finitos para problemas bidimensionales en tensión plana. Sin embargo, todo el desarrollo
que se propone en esta tesis es fácilmente extrapolable a problemas en tres dimensiones sin
más que realizar el cálculo estructural y el análisis de sensibilidad correspondiente.
El problema de optimización se resuelve utilizando un algoritmo de Programación Li-
neal Secuencial (SLP) con búsqueda unidireccional cuadrática (QLS) para evitar los fenóme-
nos oscilatorios en torno a la solución.
9.1.2. Conclusiones generales
A continuación se exponen las conclusiones más importantes que se han obtenido a lo

largo del desarrollo de esta tesis doctoral. Ası́, de forma general podemos afirmar que las
formulaciones de máxima rigidez:
• No resuelven el problema de diseño óptimo que se plantea habitualmente en otras

ramas de la optimización de estructuras.
• Tienen una aplicación práctica muy reducida en estructuras reales de Ingenierı́a.
• Están sujetas a fenómenos de dependencia de la malla que provocan que la solución

no converja al aumentar el grado de refinamiento de la malla.
• Producen, de forma natural, soluciones indeseadas que presentan disposiciones de

material en damero (checkerboard).
• Requieren la utilización de técnicas de estabilización de la solución (filtrado, suavizado

de imagen, ...) sobre los diseños obtenidos con el modelo de cálculo para conseguir
soluciones estructurales aceptables.
• Requieren la definición de parámetros de forma arbitraria (como la restricción en

volumen) que son fundamentales para la solución final obtenida pero que no están
justificados desde un punto de vista fı́sico.
Capı́tulo 9. Conclusiones y futuras lı́neas de investigación 221
• No contemplan la posibilidad de incorporar de forma natural varios estados de carga

simultáneamente.
• No incluyen, en general, el peso de la estructura como una acción estructural.
Por el contrario la formulación de mı́nimo peso que se propone en esta tesis:
• Presenta un planteamiento del problema de diseño óptimo mucho más realista que
minimiza el coste de la estructura bajo restricciones en tensión.
• Establece restricciones en tensión de forma adecuada y evita los consiguientes fenóme-

nos de singularidad.
• Permite la incorporación de nuevas restricciones adicionales (en desplazamientos, por

ejemplo) de forma sencilla y directa.
• Presenta una función objetivo que permite minimizar el coste de la estructura además
de penalizar la existencia de elementos de la malla con densidad relativa intermedia.
• Incorpora un término en la función objetivo que penaliza el perı́metro de la estructura,

de modo que se evitan los fenómenos de dependencia de la malla y se reduce el número
de elementos resistentes del diseño óptimo.
• No requiere de técnicas de filtrado y suavizado ya que las restricciones en tensión

garantizan que la distribución de material sea adecuada y que no se produzcan dispo-
siciones de material en damero (checkerboard).
• No necesita imponer parámetros artificiales que carecen de interpretación fı́sica y

estructural. Los parámetros que se utilizan con esta formulación son perfectamente
justificables desde un punto de vista resistente y su valor más adecuado es fácilmente
deducible en la práctica.
Para resolver el planteamiento de diseño óptimo que se presenta se han desarrollado

técnicas de optimización especı́ficas y adecuadas. Asimismo también se ha realizado un
análisis de sensibilidad de forma analı́tica prestando especial atención a los aspectos com-
putacionales. Por otra parte, y con la incorporación de la penalización del perı́metro para
evitar los fenómenos de dependencia de la malla, el planteamiento que se propone ha de-
mostrado ser muy robusto y no se han encontrado limitaciones en su campo de aplicación
a problemas reales.
El estado tensional se comprueba mediante la utilización de tres formulaciones de las
restricciones diferentes:
• Un planteamiento local de las restricciones que limita el valor de la tensión en el punto

central de cada uno de los elementos de la malla.
• Un planteamiento global de las restricciones que agrega el efecto de todas las restriccio-
nes locales mediante una única función que las representa: la función de Kreisselmeier-
Steinhausser.
• Un planteamiento que permite establecer un número predefinido de grupos de elemen-

tos (bloques) sobre los que se aplica una restricción en tensión mediante una función
de agregación similar a la utilizada en la formulación global.
La formulación local de las restricciones es muy restrictiva y garantiza fielmente el es-

tado tensional del punto central de todos los elementos de la malla. La formulación global
no establece un control tan estricto sobre las restricciones locales dado que permite que
algunos elementos superen ligeramente la tensión máxima admisible. Sin embargo, las nece-
sidades computacionales que requiere son mucho menores que para la formulación local. El
planteamiento por bloques de las restricciones requiere unas necesidades computacionales
ligeramente mayores que la formulación global pero, por el contrario, garantiza en mayor
medida la factibilidad de las tensiones.
Por otra parte, los planteamientos con un mayor número de restricciones proporcio-
nan, a través del análisis de sensibilidad, una información más especı́fica que provoca que
los algoritmos de optimización obtengan de forma más sencilla el diseño óptimo, evitando
ası́ posibles inestabilidades o soluciones inadecuadas. Además, el análisis de sensibilidad que
se ha planteado reduce en la medida de lo posible el coste computacional tanto de memoria
de almacenamiento como de tiempo de cálculo mediante la ejecución en paralelo usando
directivas OpenMP.
9.1.3. Conclusión final
Una vez presentado el problema de optimización topológica y desarrollados todos los

planteamientos y formulaciones que se proponen en esta tesis doctoral podemos concluir
que para analizar de forma correcta el problema de optimización topológica de estructuras
continuas es imprescindible utilizar formulaciones que minimicen el peso de la estructura
(la cantidad de material a utilizar) y que impongan restricciones sobre la resistencia del
material o sobre los desplazamientos admisibles. Solamente de este modo se conseguirán
los objetivos que se proponen habitualmente en las aplicaciones de ingenierı́a (minimizar el
coste) cumpliendo las exigencias estructurales (tensiones o desplazamientos).
Capı́tulo 9. Conclusiones y futuras lı́neas de investigación 223
Otros planteamientos del problema de optimización topológica ofrecen menores tiem-

pos de cálculo, pero no son útiles porque no satisfacen las necesidades prácticas reales. La
resolución del problema de optimización de mı́nimo peso con restricciones en tensión pre-
senta un coste computacional más elevado pero resuelve el planteamiento del problema más
apropiado y evita los múltiples problemas de estabilidad que presentan las formulaciones
de máxima rigidez. Además, tal y como se ha desarrollado a lo largo de esta tesis doctoral
es posible utilizar formulaciones de las restricciones ası́ como técnicas especı́ficas de análisis
que ofrecen ventajas computacionales muy importantes para la resolución del problema de
mı́nimo peso con restricciones en tensión.
9.2. Futuras lı́neas de investigación

Tal y como se ha mencionado anteriormente, el planteamiento de formulaciones de
mı́nimo peso con restricciones en tensión para el problema de optimización topológica de
estructuras continuas es una lı́nea de investigación relativamente reciente en el ámbito de
la optimización estructural. Por este motivo estos modelos y aplicaciones se encuentran
actualmente en fase de desarrollo, lo que provoca que se requiera un intenso trabajo de
investigación futuro para alcanzar el grado de difusión y conocimiento del que disponen otras
técnicas de la optimización estructural como la optimización de dimensiones o de formas. En
este sentido es necesario proponer aquellos aspectos que deben ser analizados para continuar
con el desarrollo de este problema. Los más importantes que aquı́ se consideran son:
• Estudiar nuevas fórmulas para establecer de forma más adecuada la función objetivo
y estudiar problemas con funciones objetivo distintas a la de mı́nimo peso o coste.
• Desarrollar nuevas formulaciones para abordar el problema de las restricciones en

tensión. Para ello será necesario estudiar tanto el número de restricciones a consi-
derar (fundamentalmente por motivos computacionales) como la forma de definirlas
matemáticamente teniendo en cuenta los fenómenos de singularidad.
• Plantear formulaciones de las restricciones en tensión que permitan considerar dife-

rentes lı́mites elásticos a tracción y a compresión en los materiales como es habitual
en ingenierı́a.
• Aplicar las técnicas propuestas a nuevos modelos de materiales con comportamiento

no elástico.
• Desarrollar formulaciones de Elementos Finitos que permitan resolver problemas con

grandes deformaciones y grandes desplazamientos e incorporen, por tanto, el efecto

del pandeo en los elementos sometidos a compresión.
• Desarrollar nuevas técnicas y algoritmos de optimización que permitan resolver de

forma más rápida y eficiente los problemas que se plantean con un número elevado
de restricciones y de variables de diseño. De acuerdo con esta idea, es vital que los
algoritmos desarrollados puedan ejecutarse en paralelo en entornos de computación
distribuida para que se puedan obtener soluciones a problemas muy complejos en
tiempos de cálculo razonables.
• Diseñar técnicas de refinamiento selectivo en los contornos de las estructuras obteni-

das con la finalidad de obtener una mejor definición geométrica combinando incluso
diferentes tipos de elementos finitos.
• Plantear el uso de nuevos métodos que reduzcan los efectos de dependencia de la malla
y proporcionen soluciones con un menor número de elementos resistentes que, por lo
tanto, serán más fáciles de construir en la práctica.
• Proponer técnicas de parametrización de la geometrı́a de la estructura resultante tras

el proceso de optimización topológica para poder aplicar las técnicas de optimización
de formas y ası́ obtener soluciones definitivas con topologı́a adecuada y dimensiones
geométricas óptimas que puedan ejecutarse de forma inmediata en la práctica.
• Aplicar las técnicas desarrolladas en la optimización de problemas tridimensionales

para abarcar una mayor gama de situaciones posibles.
225
Comencé observando que la región factible es un cuerpo convexo, es decir,

un conjunto poliédrico. Por tanto, el proceso se podrı́a mejorar si se hacı́an
movimientos a lo largo de los bordes desde un punto extremo al siguiente.
Sin embargo, este procedimiento parecı́a ser demasiado ineficiente. En tres
dimensiones, la región se podı́a visualizar como un diamante con caras,
aristas y vértices. En los casos de muchos bordes, el proceso llevarı́a a todo
un recorrido a lo largo de ellos antes de que se pudiese alcanzar el punto
de esquina óptimo del diamante.(...) La mayor parte de las ocasiones el
método simplex resolvı́a problemas de m ecuaciones en 2m o en 3m pasos,
algo realmente impresionante.
George Bernard Dantzig (1914-2005)
(Padre de la Programación Lineal)
Apéndice A
Desarrollo de un algoritmo de
Programación Lineal Secuencial
A.1. Introducción
Los problemas de optimización y, en particular, los de diseño óptimo de estructuras

están normalmente fuertemente condicionados, es decir, además de buscar la mejor solución,
ésta debe cumplir un número de restricciones o condiciones generalmente elevado. Cuando
el número de restricciones o condiciones de diseño aumenta, el problema de optimización
se hace cada vez más complicado y es necesario desarrollar algoritmos eficaces para poder
resolverlo.
El algoritmo Simplex es un método adecuado para resolver problemas de optimización
condicionada que se aplica con gran éxito en numerosos ámbitos del conocimiento, desde
aplicaciones en economı́a hasta soluciones estructurales. Además, el algoritmo proporciona,
en general, mejores resultados en problemas con un número de restricciones elevado.
El algoritmo Simplex ha sido desarrollado para resolver problemas de Programación
Lineal que, por lo tanto, deben disponer de función objetivo y restricciones lineales. Sin
embargo, si se aplica el algoritmo de forma iterativa podemos obtener una metodologı́a más
general que funciona para un mayor número de problemas de optimización y que, en general,
proporciona soluciones adecuadas para problemas no lineales de optimización condicionada.

Este algoritmo recibe la denominación de Programación Lineal Secuencial y se ha utilizado
habitualmente para resolver problemas de optimización de estructuras a través de librerı́as
comerciales de cálculo.
A continuación se presenta un método de resolución de problemas de optimización con
la técnica de la Programación Lineal Secuencial aplicada en el ámbito de la optimización
de estructuras.
A.2. Planteamiento del problema general de optimización
De forma general, todo problema de optimización pretende
Hallar x = {xi }, i = 1, . . . , n
que minimice F (x)
(A.1)
verificando Gj (x) ≤ 0, i = 1, . . . , m
ρmin ≤ ρi ≤ ρmax , i = 1, . . . , n
donde x son las variables de diseño, F es la función objetivo del problema y Gj son las
restricciones que se imponen. El parámetro m corresponde al número de restricciones y el
parámetro n corresponde al número de variables de diseño del problema.
Las variables de diseño son aquellos parámetros (geometrı́a, propiedades del material...)
que se pueden modificar para obtener la configuración óptima. De modo similar, las cons-
tantes de diseño son los parámetros de la estructura que permanecen invariables y que, por
lo tanto, no entran a formar parte activa del proceso de optimización.
La función objetivo es el indicador del parámetro o caracterı́stica del problema (peso,
coste, rigidez...) que se pretende optimizar. En general, gran parte de los problemas de
optimización pretenden minimizar el valor de la función objetivo. De un modo similar, los
problemas de maximización se resuelven minimizando la función objetivo opuesta.
Las restricciones, como ya se ha indicado en la introducción, son las condiciones que
limitan el rango de validez de las variables de diseño y, por lo tanto, las posibles soluciones
finales. Un caso particular de restricciones son aquellas que se establecen directamente sobre
el valor de cada una de las variables de diseño limitando su valor (mı́nimo y/o máximo).
Este tipo de restricciones recibe el nombre de restricciones laterales y serán tratadas de
forma especial por sus caracterı́sticas particulares durante el proceso de optimización.
En la mayor parte de los problemas de optimización de estructuras las variables de di-
seño x son dimensiones de elementos (optimización de dimensiones), dimensiones geométri-
Apéndice A. Desarrollo de un algoritmo de Programación Lineal Secuencial 227
cas (optimización de formas) o bien propiedades del material de la estructura (optimización

topológica, ...). La función objetivo más habitual es el peso o una medida del coste económico
de la estructura basada en el peso de la misma. Las restricciones más habituales se plan-
tean en desplazamientos y en tensiones, aunque pueden utilizarse otras como el volumen
o las frecuencias de vibración. De hecho, es muy poco habitual tratar con problemas no
condicionados en optimización de estructuras.
Por lo tanto, el tratamiento y resolución de problemas de optimización con restricciones
tiene una gran importancia en los problemas estructurales y es necesario contar con la ayuda
de algoritmos y programas de cálculo para abordar este tipo de problemas. En este caso, se
presenta un algoritmo de resolución de problemas de optimización condicionada capaz de
resolver ejemplos con un elevado número de restricciones.
Por otra parte, este tipo de problemas, no es muy habitual en otras ramas de la optimi-
zación ya que presentan habitualmente una función objetivo extremadamente complicada
y pocas restricciones que, además, son sencillas y lineales. En las aplicaciones de diseño
óptimo de estructuras la función objetivo es, normalmente, sencilla y lineal (peso) y las
restricciones (desplazamientos, tensiones, ...) son numerosas y, en general, muy no-lineales.
Por este motivo, los algoritmos de optimización que resuelven este tipo de planteamientos
suelen estar asociados con el diseño óptimo de estructuras.
A.3. Programación Lineal Secuencial (SLP)
A.3.1. Planteamiento general
El método de la Programación Lineal Secuencial se fundamenta en las técnicas de pro-

gramación matemática desarrolladas en el Algoritmo Simplex. Esta técnica de optimización
proporciona directamente la solución del problema si la función objetivo y restricciones del
problema son lineales. Además, mediante la resolución iterativa del problema utilizando
aproximaciones lineales de la función objetivo y de las restricciones se puede obtener el
diseño óptimo para problemas más complejos y generales. El método es, en consecuencia,
general y funciona correctamente incluso para problemas con un número de variables de
diseño y de restricciones elevado.
A.3.2. El algoritmo Simplex
El algoritmo Simplex fue planteado originalmente por George B. Dantzig en 1947 para
la optimización de sistemas de logı́stica y distribución en los servicios militares estadouni-
denses (Dantzig [15]). Su funcionamiento se basa en el aprovechamiento de las propiedades
que presenta la región de diseño cuando se consideran restricciones linealizadas ya que el

dominio se convierte en un poliedro. Partiendo de esta idea, el óptimo del problema corres-
ponde a uno de los vértices del poliedro cuando la función objetivo es también lineal. Por
lo tanto, el algoritmo Simplex es una técnica de búsqueda orientada que recorre los vértices
del poliedro hasta obtener la solución óptima.
Esta particularidad puede observarse fácilmente si se plantea un ejemplo en dos dimen-
siones. Consideremos el problema:
f = −x1 − x2
(A.2)
g = −2x1 + x2 + 2 ≤ 0,
siendo f la función objetivo a minimizar, g la restricción y x1 , x2 las variables de diseño.
Además de esta restricción, el algoritmo incorpora de forma natural un lı́mite lateral
inferior que garantiza que las variables de diseño sean positivas.
La figura A.1 representa el problema de optimización planteado en (A.2). Como se
puede observar, la solución óptima corresponde a uno de los dos extremos del intervalo.
Figura A.1: Planteamiento de un problema de Programación Lineal (Dantzig [15])
En el modo en que ha sido presentado, este algoritmo no parece resolver el problema de

forma eficiente dado que serı́a necesario recorrer todos los vértices del espacio para obtener
el óptimo. Sin embargo, según la formulación original propuesta por George B. Dantzig
[15], el número de soluciones que es necesario recorrer para obtener el óptimo es mucho
menor que el número de vértices del subespacio. Esta particularidad es la que provoca que
este algoritmo pueda aplicarse a problemas con un número elevado de restricciones y de
variables de diseño.
En general, los problemas de optimización que se pueden resolver con las técnicas de
Programación Lineal se plantean de forma general como:
minimizar cT x
sujeto a Ax = b, A:m×n (A.3)
0 ≤ xi ≤ ui , i = 1, . . . , n
donde x es el vector de variables de diseño, c es el vector de coeficientes que linealiza la

función objetivo y la matriz A contiene los coeficientes que linealizan las restricciones.
En su planteamiento original el algoritmo de Programación Lineal Secuencial se desa-
rrolla para problemas en los que el número de restricciones es menor que el número de
variables de diseño. En caso contrario, pueden aplicarse las propiedades de dualidad sobre
el planteamiento original y aplicar esta técnica sobre el espacio dual, que sı́ tendrá un mayor
número de variables de diseño que de restricciones. Además, las restricciones son siempre
restricciones de igualdad a pesar de que en los problemas de optimización estructural se
utilizan habitualmente restricciones en desigualdad. Posteriormente en este desarrollo se
indicará el modo de evitar este inconveniente.
El algoritmo inicialmente propuesto por G. B. Dantzig sólo contemplaba la restricción
lateral inferior de las variables de diseño, de modo que éstas siempre toman valores positivos.
Esta particularidad tiene especial importancia en ciertas disciplinas de la optimización en las
que las variables de diseño nunca pueden tomar valores negativos (economı́a, ...). Además la
utilización de lı́mites laterales inferiores nulos supone ventajas considerables en la aplicación
del algoritmo Simplex. Es por ello, que la mayor parte de los algoritmos de Programación
Lineal utilizan restricciones laterales inferiores nulas. Sin embargo, en otras disciplinas es
posible que las variables de diseño tomen valores negativos y, por lo tanto, el planteamiento
anterior no es válido. Obviamente, este problema se soslaya de forma sencilla haciendo una
traslación en las variables de diseño.
Además, también hay que tener en cuenta que en algunas aplicaciones las variables de
diseño también presentan restricciones laterales superiores. Ası́, Dantzig propuso posterior-
mente un algoritmo más general que el original que permite establecer tanto restricciones
laterales inferiores como superiores (Dantzig [15]).
Por lo tanto, y de acuerdo con esta idea, el algoritmo modificado con restricciones
laterales superiores consiste en
minimizar cT x
sujeto a Ax = b, A:m×n (A.4)
li ≤ xi ≤ ui , i = 1, . . . , n
donde li y ui son los lı́mites inferiores y superiores, respectivamente, de las variables de
diseño (xi ). El lı́mite inferior se toma habitualmente como li = 0 para simplificar la formu-
lación.
Este problema de Programación Lineal presentado de forma compacta puede desarro-
llarse en forma matricial de acuerdo con una forma de presentación estándar (standard
form) que facilita la posterior aplicación del algoritmo Simplex. La forma estándar propues-
ta propuesta por Dantzig [15] es
a11 x1 + a12 x2 + ··· + a1n xn = b1

a21 x1 + a22 x2 + ··· + a2n xn = b2
.. .. .. .. ..
. . . . .
am1 x1 + am2 x2 + ··· + amn xn = bm ,
(A.5)
c1 x1 + c2 x2 + ··· + cn xn = f (Mı́n)
x1 ≥ l1 , x2 ≥ l2 , ··· , xn ≥ ln , y
x1 ≤ u1 , x2 ≤ u2 , ··· , xn ≤ un .
que de forma simplificada escribiremos en la forma matricial:
a11 a12 ··· a1n b1

a21 a22 ··· a2n b2
.. .. .. .. ..
. . . . . (A.6)
am1 am2 · · · amn bm ,
c1 c2 ··· cn f
El algoritmo de optimización de Programación Lineal aplica de forma adecuada trans-
formaciones por filas (similares a las que se realizan para resolver un sistema de ecuaciones
por el método de diagonalización de Gauss) con el fin de reducir el valor de la función ob-
jetivo f , sin incumplir las restricciones de igualdad. Estas transformaciones no cambian las
ecuaciones del problema y, elegidas convenientemente, proporcionarán la solución óptima
del problema. Debido a que el número de restricciones es menor que el número de variables
de diseño la forma estándar propuesta en (A.5) corresponde a un sistema de ecuaciones
lineales compatible no determinado. Por lo tanto, será necesario fijar el valor de tantas
variables del problema como sean necesarias para que el sistema quede determinado y se
minimice la función objetivo.
Ası́, durante todo este proceso el algoritmo de Programación Lineal se puede escribir
en su forma canónica como:
b − Ax
IxB = b b N, (A.7)
donde I es la matriz identidad que multiplica al conjunto de variables básicas o dependientes

(xB ) que se obtienen resolviendo el sistema (A.7) y Ab es la matriz resultante de aplicar las
transformaciones por filas a la matriz original (A) y multiplica al conjunto de variables no
básicas o independientes (xN ) que tomarán los valores de la restricción lateral inferior o
superior según convenga.
Las variables dependientes (xB ) toman los valores de los términos independientes (bj )
resultantes tras las operaciones de diagonalización (la resolución del sistema de ecuaciones)
y las variables independientes (xN ) toman el valor correspondiente de la restricción lateral
superior o la inferior en cada caso. En el caso de un problema que no presente restricciones
laterales superiores, las variables independientes siempre toman el valor nulo (xN = 0). De
este modo una vez fijados los valores de las variables independientes, las variables dependien-
tes se obtienen diagonalizando el sistema de modo que IxB = b. El correcto funcionamiento
de esta técnica radica en la elección más adecuada de las variables independientes que
minimicen la función objetivo.
Como las variables de diseño no pueden tomar valores negativos, los términos indepen-
dientes bj nunca podrán ser negativos a lo largo de todo el proceso de optimización. El valor
de la función objetivo se obtiene finalmente despejando el valor de f en la primera ecuación
de la forma estándar una vez realizadas las operaciones indicadas anteriormente.
El número de variables dependientes (xB ) e independientes (xN ) permanece constante
a lo largo de todo el proceso de optimización de modo que cuando una variable se convierte
en dependiente (entra en la base de las variables dependientes) una variable dependiente
pasa a ser independiente.
Es importante destacar que la técnica propuesta se puede aplicar siempre que se haya
obtenido previamente una solución inicial que cumpla las restricciones impuestas en el
problema. De lo contrario, será necesario buscar en primer lugar una solución válida del
problema para a continuación proceder a buscar el óptimo.
Una solución inicial válida es aquella que está definida por una base de variables de-
pendientes de modo que se cumplan todas las restricciones laterales de las variables de
diseño.
Por lo tanto, si partimos de una solución inicial válida dispondremos de una base de
variables dependientes (xB ) ası́ como de las variables independientes (xN ) del problema. A
partir de esta solución inicial, el algoritmo Simplex se encargará de encontrar la solución
que además de ser válida sea la óptima.
El proceso de obtención de una solución inicial válida puede resultar, en ocasiones,
incluso más complejo que la propia optimización. Por este motivo se propondrá un algoritmo
especı́fico basado también en el algoritmo Simplex para calcularla. De acuerdo con este
planteamiento de Programación Lineal se desarrolla, normalmente, en dos fases diferentes.
La fase I corresponde a la búsqueda de la solución básica inicial y la fase II corresponde al
proceso de optimización de esa solución una vez ha sido encontrada.
En esta parte del desarrollo supondremos que la solución inicial del problema ha sido
previamente calculada y, por lo tanto, nos centraremos ahora en la optimización de la
solución obtenida con el algoritmo de Programación Lineal (Simplex). Posteriormente, se
explicará una forma adecuada de obtenerla.
Debido al carácter lineal de la función objetivo y de las restricciones, la solución óptima
del problema corresponde a uno de los vértices de la región de diseño linealizada. Por lo
tanto, su valor se obtiene como resultado de la intersección de las restricciones. Para que
la solución al sistema de ecuaciones resultante de imponer las restricciones del problema
sea compatible y determinado, es necesario utilizar como incógnitas tantas variables como
restricciones tenga el problema y fijar el valor del resto de las variables siempre que el número
de variables de diseño sea mayor que el de restricciones. En caso contrario, aplicaremos estas
técnicas sobre el espacio dual.
Tal y como se ha planteado previamente, las variables que toman un valor predefinido
de antemano son las independientes (xN ) y las que se plantean como incógnita son las
variables independientes (xB ). La obtención de la solución óptima radicará en la correcta
elección de la base de variables dependientes ası́ como de los valores que tomen las variables
independientes. Por lo tanto, para proponer una solución mejorada a partir de una solución
inicial válida debemos seguir los siguientes pasos:
• En primer lugar, es necesario determinar cual es la variable independiente que debe

entrar en la base de variables dependientes. El criterio de selección se basa en los
valores que presentan las constantes (c) que multiplican a las variables de diseño (x)
en la función objetivo. Ası́, se decide que entra en la base la variable que provoca un
descenso mayor en la función objetivo, de modo que:
(
`∈L
s = argmin {cb` , −cbk } , con (A.8)
k∈U
donde L y U son los conjuntos de variables independientes que toman el valor de sus
restricciones laterales inferiores y superiores respectivamente. Es importante destacar
que para las variables dependientes del problema (xB ), los coeficientes ci toman el
valor nulo.
De acuerdo con este planteamiento, la solución óptima debe cumplir que
ci ≥ 0
b para i ∈ L (restricción lateral inferior) ó
(A.9)
ci ≤ 0
b para i ∈ U (restricción lateral superior).
Si no encontramos ninguna variable que incumpla las condiciones establecidas en

(A.9) habremos alcanzado la solución óptima. De lo contrario, aún podremos seguir
reduciendo la función objetivo buscando la variable independiente s que entrará en la
base de variables dependientes de acuerdo con (A.8)
• Una vez conocida la variable que entra es necesario determinar cual es la variable de-
pendiente que debe salir de la base. Seleccionaremos aquella que produce una mayor
reducción de la función objetivo sin incumplir las restricciones laterales de las varia-
bles. Por lo tanto, debemos tener en cuenta si la variable que entra en la base está en
el lı́mite superior (xs = us ) o en el lı́mite inferior (xs = ls ). Para ello definimos el
parámetro δ como
δ = 1 si xs = ls
(A.10)
δ = −1 si xs = us
• De este modo la variable independiente pasa a ser ahora dependiente y toma el valor
xs = xos + δ r, (A.11)
donde xos es el valor que toma la variable independiente xs antes de aplicar la trans-
formación de la base de variables básicas y
r = argmin(θs , θl , θu )
θs = us − ls
xoij − lij
!
θl = min ,∞ ≥ 0 si δ b
ajs > 0, (A.12)
δb
ajs
uij − xoij

θu = min ,∞ ≥ 0 si δ b
ajs < 0,
−δb
ajs
El valor de θs indica la máxima modificación que puede presentar la variable s pasando

de su lı́mite inferior (ls ) a su lı́mite superior (us ) o viceversa. Asimismo, el valor de
θu indica la mayor variación que puede sufrir la variable antes de que alguna de las
variables alcance su lı́mite superior y el valor de θl indica la mayor variación que
puede experimentar el valor de la variable antes de que alguna de las variables alcance
su lı́mite inferior. De este modo, la variable s que entra en la base tomará el valor
que produzca un mayor descenso en la función objetivo sin incumplir las restricciones
laterales de todas las variables de diseño.
• Los valores de las variables dependientes (xB ) se modifican de acuerdo con
xB = xoB − δ r b
a•s , (A.13)
siendo xoB el valor que toma la variable dependiente xB antes de aplicar la transfor-
mación de la base de variables básicas.
• En consecuencia, la variable dependiente (xB,j ) que sale de la base queda con el valor
de su restricción lateral inferior (lj ) cuando r se obtiene a partir de θl o con el valor de
la restricción lateral superior (uj ) cuando r se calcula mediante (θu ). Si r se define a
partir de θs , la base de variables básicas no cambia. Sólo cambia el valor de la variable
independiente xs de su lı́mite inferior (xs = ls ) al superior (xs = us ) o viceversa
dependiendo del valor que tome inicialmente.
• Los valores de la matriz A

b se modifican de acuerdo con el criterio de diagonalización
de Gauss tomando como elemento de pivote el correspondiente a la variable xs y la
restricción i obtenida de acuerdo con (A.12). Una vez realizada la transformación se
habrán modificado convenientemente la base de variables dependientes y la matriz
A. Para entender mejor el funcionamiento de este algoritmo, en el apartado A.6 se
presenta un caso resuelto en el que se pueden seguir los pasos realizados durante todo
el proceso de optimización.
El proceso finaliza cuando no hay ninguna variable independiente xB,j que cumpla las
condiciones establecidas en (A.9) porque ante esta situación no es posible encontrar una
nueva solución que reduzca la función objetivo. Tal y como ya se ha indicado previamente
la solución se obtiene a través de los términos independientes bj de la forma estándar para
el caso de las variables dependientes y de las restricciones laterales (bien sea la inferior o la
superior según corresponda) para las variables independientes.
A.3.3. Cálculo de una solución inicial válida
La obtención de una solución inicial válida del problema de Programación Lineal no es

en absoluto trivial y requiere, en la mayor parte de las ocasiones, un esfuerzo superior al de
optimizar la solución inicial válida mediante el algoritmo Simplex.
Los algoritmos propuestos para este fin son bastante numerosos a la vez que complejos y
costosos. De todos ellos, uno de los más habituales es el denominado Método de las Variables
Artificiales (Dantzig [15], Hernández [36]). Este es el algoritmo que se emplea en este trabajo
dado que funciona de forma muy adecuada incluso cuando el número de variables y de
restricciones es elevado. Además, debido al número de variables de diseño y de restricciones,
las matrices que es necesario almacenar adquieren dimensiones muy importantes. Por lo
tanto, es importante utilizar algoritmos de resolución que no incrementen en exceso el coste
de almacenamiento. El Método de las Variables Artificiales no supone, si se implementa de
forma adecuada, un coste importante de almacenamiento adicional al que ya se requiere
para calcular la solución óptima con el algoritmo Simplex.
Su funcionamiento es, conceptualmente, sencillo y consiste en aplicar el algoritmo Sim-
plex ya presentado a un problema ligeramente modificado. Para ello se añaden tantas va-
riables artificiales (yj ) como restricciones tiene el planteamiento original. De este modo las
variables artificiales (yj ) conformarán la base de variables dependientes mientras que las
variables reales del problema formarán parte del conjunto de variables independientes y
tomarán el valor nulo. Estrictamente, no son necesarias tantas variables artificiales como
restricciones. Sin embargo, en nuestra implementación del algoritmo se han utilizado tan-
tas variables artificiales como restricciones porque apenas supone un coste adicional y su
funcionamiento es más fácil de comprender.
Además de incorporar las variables artificiales es necesario añadir una nueva función
objetivo artificial (f 0 ) que penalice el valor de las variables artificiales en favor de las varia-
bles reales (variables de diseño) que inicialmente están fuera de la base. Cualquier función
objetivo que cumpla esta condición es válida porque provocará que las todas las variables
artificiales salgan de la base de variables básicas del problema artificial y puedan eliminar-
se. En este caso se toman los coeficientes c0i = 1 para las variables auxiliares y c0i = 0 para
el resto de variables del problema modificado. El valor de c0i para las variables auxiliares
no es importante siempre que sea positivo, pero es necesario tomarlo de forma adecuada
para evitar problemas de escala. Los valores que aquı́ se indican han demostrado funcionar
adecuadamente en los ejemplos de diseño óptimo de estructuras analizados en esta tesis.
La forma estándar del nuevo problema puede escribirse como
a11 a12 ··· a1n 1 0 ··· 0 b1

a21 a22 ··· a2n 0 1 ··· 0 b2
.. .. .. .. .. .. . . .. ..
. . . . . . . . .
(A.14)
am1 am2 · · · amn 0 0 · · · 1 bm ,
c1 c2 ··· cn 0 0 ··· 0 f
0 0 ··· 0 1 1 ··· 1 f0
Este planteamiento, tal y como se ha presentado, no corresponde a una solución inicial
básica porque las variables artificiales yj (ahora variables dependientes) no están multipli-
cando a una matriz identidad (I) ya que los términos de la función objetivo artificial no
son nulos. Para conseguir anular estos términos se utiliza el algoritmo de diagonalización de
Gauss. Ası́, si queremos eliminar la contribución a la función objetivo artificial de la variable
artificial i tenemos que restarle a la función objetivo artificial la ecuación de la restricción
i (fila i) de modo que:
c0j = c0j − aij j = 1, . . . , n (A.15)

siendo el valor inicial de la función objetivo auxiliar c0j = 0. Si realizamos esta misma
operación para todas las variables artificiales estaremos restando todas las restricciones
por columnas. Por lo tanto, podemos reescribir el problema aplicando estas modificaciones
como:
a11 a12 ··· a1n 1 0 ··· 0 b1

a21 a22 ··· a2n 0 1 ··· 0 b2
.. .. .. .. .. .. . . .. ..
. . . . . . . . .
am1 am2 ··· amn 0 0 ··· 1 bm , (A.16)
c1 c2 ··· cn 0 0 ··· 0 f
m m m
f0
P P P
− aj1 − aj2 · · · − ajn 0 0 · · · 0
j=1 j=1 j=1
De este modo, si se aplica ahora el algoritmo Simplex a este nuevo problema hasta
que todas las variables artificiales introducidas salgan de la base se obtiene la solución
óptima del problema artificial que corresponde a un planteamiento inicial válido sin variables
artificiales. Es decir, las variables artificiales habrán tomado todas el valor de su restricción
lateral yj = 0 y, por lo tanto, podrán ser eliminadas del problema.
Es importante destacar que el valor de la función objetivo f 0 también deberı́a modifi-
carse con el criterio establecido en (A.15). Sin embargo, no se realiza esta operación porque
el valor de la función objetivo artificial no tiene relevancia alguna en este método.
Una vez alcanzada la solución inicial básica, la función objetivo artificial debe retomar
los valores que aparecen en la ecuación (A.14) para garantizar que este proceso se ha reali-
zado de forma adecuada. De este modo, podemos reducir el problema artificial al problema
original con una solución inicial que no es la óptima pero que cumple las restricciones. Una
vez hallada la solución inicial se procede a optimizarla mediante el algoritmo Simplex tal y
como se ha explicado en la sección anterior.
A.3.4. Aplicación del algoritmo de Programación Lineal Secuencial a la

resolución de problemas estructurales
El algoritmo de Programación Lineal Secuencial consiste, básicamente, en resolver me-

diante una aproximación lineal de la función objetivo y de las restricciones el problema de
forma iterativa. Si el problema original presenta una función objetivo y restricciones lineales
será suficiente con aplicar una única iteración porque ésta proporcionará la solución exacta.
De lo contrario, es necesario realizar tantas iteraciones como sea necesario en cada caso para
alcanzar el óptimo.
A continuación se desarrolla todo el planteamiento que es necesario realizar hasta plan-
tear el problema de diseño óptimo de estructuras como un problema de Programación Lineal.
Para otras disciplinas de la optimización este planteamiento será muy similar.
En primer lugar actualizaremos el valor de las variables de diseño (x) de forma iterativa.
Por tanto, en cada iteración podemos plantear que
xk+1 = xk + ∆xk , ∆xk = θk sk , (A.17)
donde xk son las variables de diseño de la iteración k-ésima, sk es la dirección de modifica-

ción del diseño en la iteración k-ésima y θk es el valor del factor de avance en la dirección
sk correspondiente.
Ahora, planteamos el problema de optimización (A.1) linealizando, mediante el des-
arrollo en serie de Taylor de primer orden, la función objetivo y las restricciones a partir de
(A.17) como:

k k dF k
F (x + ∆x ) ≈ F (x ) + ∆xk ,
dx

xk

k kdGj k (A.18)
Gj (x + ∆x ) ≈ Gj (x ) + ∆xk
dx

xk
j = 1, . . . , m
El problema ası́ planteado se ha convertido en un problema lineal que se podrá resolver
con las técnicas ya explicadas de Programación Matemática donde las variables de este
planteamiento son ahora las definidas en el vector ∆xk .
Por otra parte, de acuerdo con (A.1) el valor de Gj (xk+1 ) debe ser negativo y, por
tanto, podemos reescribir las restricciones como
n
X dGj
∆xki ≤ −Gj (xk ) j = 1, ..., m. (A.19)
dxi

i=1 xk
De acuerdo con la ecuación (A.18) el valor de F (xk + ∆xk ) se obtiene de forma aproxi-

mada sumándole al valor en la iteración k el término dF ∆xk . Por lo tanto, si queremos
dx
xk
reducir la función objetivo en cada iteración tendremos que minimizar el valor de este
término. La función objetivo para el problema linealizado será, en consecuencia:

∗ k dF k
F (x + ∆x ) = ∆xk . (A.20)
dx
xk
Es importante resaltar que no importa en este punto el valor exacto de la reducción de
la función objetivo. Sólo nos interesa calcular el vector ∆xk , que proporciona la dirección
de modificación del diseño que reduce lo máximo posible la función objetivo F ∗ (xk ).
Una vez hechas estas consideraciones, el problema linealizado ha generado un nuevo
planteamiento ((A.19) y (A.20)) más simple que el original y que resolveremos con las
técnicas de Programación Lineal que se proponen. Este problema puede considerarse de
forma directa ,tal y como se presenta en las ecuaciones (A.19) y (A.20), o bien normalizando
los gradientes tanto de la función objetivo como de las restricciones para evitar problemas
de escala entre variables, restricciones y función objetivo.
Por otra parte, se ha comprobado que aunque no se normalicen estos gradientes no se
producen inestabilidades computacionales para los problemas de optimización topológica
de estructuras que se han analizado en esta tesis. En general, se recomienda utilizar los
vectores normalizados para evitar posibles problemas de escala pero se podrı́a prescindir de
esta operación para reducir ligeramente el tiempo de cálculo del algoritmo de Programación
Lineal si no se observan inestabilidades en la solución.
Además de estas consideraciones, hay que tener en cuenta que el vector ∆xk que define
la dirección de modificación del diseño lleva asociadas restricciones laterales relacionadas
con las propias de las variables de diseño del problema de optimización original. Estas
restricciones laterales cambian, por tanto, en cada iteración ası́ como el resto de variables
que hemos obtenido tras linealizar el problema.
Por lo tanto, de acuerdo con (A.20), los coeficientes ci del problema de Programación
Lineal son los valores de las componentes
del vector de derivadas de la función objetivo con
respecto a las variables de diseño dF
dx en el problema real de optimización. Del mismo
xk
modo, de acuerdo con la ecuación (A.19), los valores de la matriz A son los correspondientes
(por filas) a los valores de las componentes
de las derivadas de cada restricción con respecto
dGj
a las variables de diseño reales dxi .
x k
Los términos independientes bj de las restricciones también corresponden, según la

inecuación (A.19), al valor opuesto de la restricción real en cada iteración. El valor de estos
términos deberı́a ser habitualmente positivo, ya que las restricciones Gj serán normalmente
negativas. Sin embargo, el método propuesto permite que haya restricciones violadas (Gj >
0) y proporcionará soluciones igualmente buenas en este caso, lo que garantiza un buen
comportamiento del método en cualquier configuración posible de las variables siempre que
el problema linealizado tenga solución.
Además también será necesario establecer las restricciones laterales de las componentes
del vector (∆xk ), que serán ahora las variables del problema de Programación Lineal. Por
lo tanto, a partir de ahora definiremos las variables de diseño ∆xki como xi para simplificar
la notación y definirán la dirección de modificación del diseño una vez finalizado el proceso
de optimización.
Una vez indicado esto, también hay que tener en cuenta que aunque las variables de
diseño originales no puedan ser negativas nunca (e.g. áreas, dimensiones de piezas, propie-
dades de los materiales, ...) el vector de modificación de las mismas puede tomar valores
positivos o negativos (incremento o reducción del valor de las variables de diseño reales). Por
lo tanto, debe considerarse la posibilidad de que las variables del problema de Programación
Lineal tomen valores negativos.
Esta particularidad supone un problema adicional porque, como ya se ha explicado, el
algoritmo Simplex considera que las variables de diseño siempre son positivas. Sin embargo,
este inconveniente se resuelve fácilmente haciendo una traslación de todas las variables de
la siguiente forma:
bi = xi − li
x i = 1, . . . , n. (A.21)
donde xi es el vector vector de variables del problema linealizado y x

bi es el vector corres-
pondiente al problema con variables trasladadas. De este modo, todas las componentes x
bi
son positivas ahora.
Una vez realizada esta aclaración, el problema en la forma estándar se puede reescribir
como
n
P
g11 g12 ··· g1n −G1 − li g1i
i
n
P
g21 g22 ··· g2n −G2 − li g2i
i
.. .. .. .. .. (A.22)
. . . . .
P n
gm1 gm2 · · · gmn −Gm − li gmi .
i
f1 f2 ··· fn F
Es importante destacar que esta transformación también deberı́a afectar a la función

objetivo F ∗ pero aquı́ no se incluye dado que su valor no es necesario en esta fase del
algoritmo. Únicamente es importante saber que una vez alcanzado el óptimo, su valor será el
menor posible. Por este motivo, en todo el desarrollo que sigue a continuación no se modifica
el valor de la función objetivo.
Además, será necesario transformar el valor del lı́mite superior de las variables del
problema de Programación Lineal para ser consecuente con la traslación efectuada en (A.21).
De este modo las restricciones laterales superiores quedan ahora como
bi = ui − li
u i = 1, . . . , n. (A.23)
De acuerdo con este planteamiento el lı́mite inferior de cada variable (b

li ) toma ahora
el valor nulo, que es lo habitual en los algoritmos de Programación Lineal.
Una vez que el proceso de optimización haya finalizado recuperaremos la solución real
del problema de Programación Lineal deshaciendo las traslaciones realizadas en (A.21).
Por otra parte, las inecuaciones de las restricciones no se pueden introducir directa-
mente porque no son ecuaciones de igualdad. Tenemos que conseguir que las desigualdades
se conviertan en igualdades añadiendo unas variables auxiliares (siempre positivas) deno-
minadas habitualmente variables de holgura porque complementan el término de la derecha
de la inecuación propuesta en (A.19).
Si el término independiente bj corresponde a un valor negativo una vez hecha la tras-
lación, tendremos que multiplicar toda esa inecuación (fila) por −1 para que ese término
sea positivo. En consecuencia, el signo de la desigualdad cambia y se convierte en ”≥”. Por
lo tanto, en las restricciones en las que esto ocurra, las variables de holgura que se añadan
(que siempre son positivas) deberán aparecer restando en vez de sumando.
Una vez aclarada esta salvedad tremendamente importante, podemos reescribir A.19
como
n n
k
X X dGj
−Gj (x ) − li gji = xki ± hj j = 1, . . . , m (A.24)
dρi

i=1 i=1 xk
donde hj son las variables de holgura añadidas para transformar las inecuaciones en ecua-
ciones de igualdad. Por lo tanto, el problema puede escribirse ahora como:
n
P
g11 g12 ··· g1n ±1 0 ··· 0 −G1 − li g1i
i
n
P
g21 g22 ··· g2n 0 ±1 · · · 0 −G2 − li g2i
i
.. .. .. .. .. .. .. .. .. (A.25)
. . . . . . . . .
P n
gm1 gm2 · · · gmn 0 0 ··· ±1 −Gm − li gmi .
i
f1 f2 ··· fn 0 0 ··· 0 F
Como ya se ha indicado, estas variables son auxiliares y no forman parte de la solución

del problema original. Simplemente son herramientas de cálculo intermedias.
Por otra parte, todo el planteamiento anterior no nos garantiza, en general, que el
problema presente una solución inicial válida. Esto sólo ocurrirá cuando los términos inde-
pendientes del problema con las variables trasladadas bbj sean todos positivos, es decir, las
variables de holgura introducidas se sumen a las variables de diseño del problema. En este
caso, la base de variables dependientes estará compuesta por todas las variables de holgura
(hj ) y las variables x
bi serán independientes y su valor corresponderá al lı́mite inferior de la
restricción lateral (l = 0).
Esta situación serı́a la ideal y supondrı́a que este problema podrı́a resolverse directa-
mente con el algoritmo Simplex. Sin embargo, se trata de un caso muy poco habitual y
generalmente tendremos que realizar operaciones adicionales, tal y como hemos visto en el
apartado A.3.3 añadiendo variables artificiales para obtener una solución inicial válida y, a
partir de ella, comenzar el proceso de optimización con el algoritmo Simplex.
Por lo tanto, el planteamiento en la forma estándar de un problema general de optimi-
zación sin solución inicial válida con variables de holgura, variables artificiales y la traslación
(para permitir que las variables del problema de Programación Lineal puedan tomar valores
negativos) puede representarse, a partir de (A.14) y (A.25), como:
n
P
g11 g12 ··· g1n ±1 0 ··· 0 1 0 ··· 0 −G1 − li g1i
i
n
P
g21 g22 ··· g2n 0 ±1 · · · 0 0 1 ··· 0 −G2 − li g2i
i
.. .. .. .. .. .. .. .. .. .. .. .. ..
. . . . . . . . . . . . . (A.26)
P n
gm1 gm2 · · · gmn 0 0 ··· ±1 0 0 · · · 1 −Gm − li gmi .
i
f1 f2 ··· fn 0 0 ··· 0 0 0 ··· 0 F

0 0 ··· 0 0 0 ··· 0 1 1 ··· 1 F0
Este problema tal y como está planteado tampoco presenta una solución básica inicial
sencilla. Sin embargo, si conseguimos transformar la función objetivo auxiliar de modo que
los términos correspondientes a las variables artificiales se anulen podremos formar una base
de variables básicas con las variables artificiales y el resto de variables del problema serán
variables no básicas. Esto se consigue realizando las operaciones propuestas en la ecuación
(A.16). Esta modificación se puede reescribir, por lo tanto, como:
n
P
g11 ··· g1n ±1 · · · 0 1 ··· 0 −G1 − li g1i
i
.. .. .. .. .. .. .. .. .. ..
. . . . . . . . . .
n
(A.27)
P
gm1 ··· gmn 0 ··· ±1 0 · · · 1 −Gm − li gmi .
i
f1 ··· fn 0 ··· 0 0 ··· 0 F∗
m m
F0
P P
− gj1 · · · − gjn ∓1 · · · ∓1 0 · · · 0
j=1 j=1
Con este planteamiento ya deberı́amos haber encontrado una solución básica inicial con
ayuda de las variables artificiales. Ahora sólo falta optimizar este problema para eliminar
las variables artificiales y ası́ disponer de una solución inicial básica con la que continuar el
proceso de optimización como se propone en el apartado A.3.2.
Una vez resuelto el problema anterior es necesario recuperar los valores de las variables
de diseño. Las variables que quedan dentro de la base de variables dependientes toman el
valor del término correspondiente del vector b y las variables independientes toman el valor
del lı́mite inferior o del lı́mite superior de las mismas según corresponda en cada caso. Por
último, sólo queda deshacer la traslación de las variables realizada en (A.21) sumándole al
valor de cada variable el valor del lı́mite inferior de la misma. Por otra parte, el vector de
modificación del diseño x debe ser normalizado para continuar con todo el proceso de cálculo
que a continuación se detalla. Este vector de avance normalizado se define habitualmente

en la literatura como s.
Finalmente, y una vez determinada la dirección de avance óptima (sk ) en la aproxima-
ción lineal, únicamente falta determinar el factor de avance θk más adecuado de acuerdo
con (A.18). En ocasiones, puede plantearse la necesidad de obtener mejores aproximaciones
en la dirección s tanto de la función objetivo como de las restricciones para hallar un factor
de avance más aproximado que evite, en la medida de lo posible, las oscilaciones en torno
a la solución del problema. Para ello, se pueden calcular derivadas segundas direccionales
de la función objetivo y de las restricciones para ası́ obtener una mayor aproximación en
la búsqueda del factor de avance. De lo contrario, la aproximación lineal puede ocasionar
problemas de convergencia cuando la solución se aproxima al óptimo (Navarrina, et al. [60],
[63], [64]).
Para obtener el factor de avance puede utilizarse cualquiera de los algoritmos habitual-
mente propuestos en la bibliografı́a sobre optimización. En general, todos los algoritmos
proporcionan un valor del factor de avance adecuado. En este caso, se ha utilizado un al-
goritmo que comprueba la solución en un número de valores de θ suficientemente elevado
y toma el valor (dentro del rango admisible) que mejora la aproximación que se hace de la
función objetivo y de las restricciones. A pesar de que el número de comprobaciones pueda
resultar elevado, en casos prácticos y con precisiones adecuadas, el número de operaciones
a realizar es bastante reducido y el tiempo de cálculo destinado a obtener el mejor factor
de avance es casi despreciable frente al empleado para obtener la dirección de modificación
del diseño mediante el algoritmo de Programación Lineal propuesto.
A.4. Implementación numérica del algoritmo de Programa-

ción Lineal Secuencial
Los algoritmos de optimización en general y el de Programación Lineal Secuencial re-

quieren un número elevado de operaciones matemáticas para obtener la solución óptima.
Por este motivo, es muy importante prestar especial atención a la implementación numérica
en los programas de cálculo. La programación eficiente de cualquier algoritmo debe perse-
guir dos aspectos fundamentales: el tiempo de cálculo que es necesario dedicar para resolver
el problema y la necesidad de almacenamiento de datos. Estos aspectos tienen mucha im-
portancia aunque quedan más o menos determinados una vez que se ha decidido el método
de optimización a emplear. A pesar de esto, se pueden hacer pequeñas modificaciones en los
algoritmos y en su forma de implementación para reducir el tiempo de cálculo, mejorando
ası́ su eficiencia. En el caso de los planteamientos de Programación Lineal ambos aspectos

suelen ser fuertes condicionantes de la aplicabilidad del algoritmo si bien sólo podemos ac-
tuar de forma realmente activa sobre la capacidad de almacenamiento de datos requerida.
Por ello, en este apartado haremos referencia fundamentalmente a este último aspecto.
• En primer lugar hay que destacar que, de acuerdo con (A.26), será necesario almacenar
una matriz que contenga los coeficientes relativos a las derivadas de las restricciones
del problema. Esta parte es la que supone una mayor capacidad de almacenamiento
de datos porque en problemas con un número elevado de variables de diseño y de
restricciones esta matriz adquiere dimensiones muy importantes (m×n). Además, esta
matriz será, en general, una matriz llena porque no es de esperar que las derivadas
sean nulas. De hecho, aunque alguna de estas derivadas fuese nula para un problema
dado, en otro caso cualquiera no tendrı́a porque ocurrir esto y, por tanto, no podemos
actuar para reducir la capacidad de almacenamiento en este sentido, al menos en
problemas de optimización topológica de estructuras con restricciones en tensión. Una
forma de reducir, en parte, el coste de almacenamiento y de cálculo es incorporar en
el proceso solamente aquellas restricciones que están realmente próximas a su lı́mite
(restricciones activas) y no considerar, en esa iteración, las que están muy alejadas.
De este modo, dado que en la configuración óptima no tienen porqué estar todas las
restricciones activas, conseguiremos trabajar con matrices más pequeñas sin perjudicar
el resultado final del algoritmo.
• Por otra parte, el problema propuesto en la forma estándar en (A.26) tiene ciertas
peculiaridades en la parte que se refiere tanto a variables de holgura como a variables
artificiales. Los bloques de matriz en forma estándar correspondiente a estos dos ti-
pos de variables son diagonales. El bloque correspondiente a las variables de holgura
está formado por 1 o −1 dependiendo del signo de los términos independientes resul-
tantes (bj ≥ 0 o bj ≤ 0). En el caso de las variables artificiales la matriz corresponde
a una matriz identidad Im . Además, se puede comprobar fácilmente en el ejemplo
resuelto en el apartado A.6 que esta configuración diagonal se mantiene invariable a
lo largo de todo el proceso de optimización. Simplemente hay que llevar a cabo unas
transformaciones en la forma de almacenar los datos de forma muy sencilla y que
apenas supone un incremento del coste computacional. Por lo tanto, no será necesario
almacenar matrices completas ni para las variables de holgura ni para las variables
artificiales, lo que supone un ahorro importante en memoria de almacenamiento de
datos.
• Por otro lado, el almacenamiento de la función objetivo tampoco requiere un coste

elevado en comparación con el que supone la matriz principal. De hecho, la función
objetivo del problema y la artificial requieren solamente el almacenamiento de n y
n + m términos, respectivamente.
• Además, también es necesario almacenar los términos independientes del problema

de Programación Lineal. Sin embargo, estos términos tampoco suponen un coste con-
siderable para el problema porque tendremos tantos términos como restricciones en
cada iteración.
• Por otra parte, también tendremos que almacenar de alguna forma la base de variables
dependientes e independientes. Para ello, se ha empleado una identificación de estas
variables a través de números enteros que apenas suponen un incremento en la capaci-
dad de almacenamiento. Del mismo modo, en el caso de las variables independientes,
habrá que almacenar su valor a través del lı́mite lateral en que se encuentren. Este
proceso puede realizarse con variables lógicas que tampoco suponen un incremento de
capacidad de almacenamiento importante.
• De forma adicional, también será necesario almacenar algunas variables auxiliares

para el cálculo que tampoco tienen un coste considerable.
En resumen, hay que destacar que la capacidad de almacenamiento requerida, a falta

de términos de menor importancia, es de aproximadamente m × n términos cuando todas
las restricciones están activas.
A.4.1. Aplicabilidad del método propuesto
Este algoritmo ha sido utilizado con éxito en problemas de optimización topológica

de estructuras con un número de variables de diseño bastante elevado (en torno a 6000)
y con otras tantas restricciones en tensión proporcionando resultados altamente satisfac-
torios. Además, el algoritmo se comporta de forma estable a pesar del elevado número de
operaciones y transformaciones realizadas. También se ha comprobado que, en general, la
búsqueda de una solución inicial válida requiere una parte muy importante del tiempo de
cálculo porque el número de modificaciones sobre la base de variables básicas artificial que
es necesario realizar es habitualmente superior al necesario para optimizar posteriormente
esta solución inicial.
El Método de las Variables Artificiales también ha demostrado un funcionamiento ade-
cuado y eficiente incluso en problemas con un número muy elevado de variables de diseño
y de restricciones.
Dada la complejidad del problema puede indicarse que el algoritmo de Programación

Lineal propuesto es eficiente y eficaz, esto es, proporciona soluciones correctas con unos
requerimientos computacionales ajustados. De hecho, se han resuelto problemas de opti-
mización topológica de estructuras con varios miles de variables de diseño y otras tantas
restricciones en tensión en un número iteraciones reducido del algoritmo del Programación
Lineal Secuencial con resultados altamente satisfactorios. Quizás el único aspecto desfavo-
rable de este método es que, debido a la complejidad de los problemas con gran número de
variables de diseño y de restricciones, el coste computacional que implica, tanto en tiempo
de cálculo como en capacidad de almacenamiento, es muy elevado.
A.5. Recapitulación
En este trabajo, nos hemos planteado la resolución de problemas de optimización con un
número elevado de variables de diseño y de restricciones no lineales y con función objetivo no
lineal. Para ello, se ha propuesto un algoritmo basado en la aplicación iterativa de técnicas
de Programación Lineal Secuencial a partir de aproximaciones lineales tanto de la función
objetivo como de las restricciones que se resuelven con técnicas de Programación Lineal en
cada iteración.
A pesar de resolver de forma iterativa un problema linealizado el algoritmo finalmente
no requiere de un número excesivo de pasos para alcanzar la solución óptima. No obstante,
este algoritmo necesita unos requerimientos computacionales muy importantes (tanto de
tiempo de computación como de almacenamiento de datos) debido al elevado número de
variables y de restricciones.
El algoritmo que se propone utiliza la información que aportan las derivadas de primer
orden tanto de las variables de diseño como de las restricciones para hallar el óptimo, aunque
los cálculos necesarios puedan ser muy costosos cuando el problema tiene muchas variables
de diseño y muchas restricciones.
Este algoritmo permite considerar todo tipo de restricciones, tanto de igualdad como
de desigualdad, si bien para los problemas de optimización de estructuras que se proponen
lo más habitual es plantear únicamente restricciones de desigualdad (gj ≤ 0).
Además, también se contempla la posibilidad de que las variables de diseño puedan
tomar valores negativos, lo que proporciona una mayor generalidad y un mayor rango de
aplicación a problemas reales.
El algoritmo funciona especialmente bien cuando el problema de optimización está fuer-
temente condicionado, es decir, presenta un número considerable de restricciones frente al
número de variables. Por otra parte, cuando el número de restricciones es menor tampo-
co se han observado anomalı́as de funcionamiento y las soluciones obtenidas también son

correctas.
En general, se ha comprobado que el algoritmo proporciona diseños adecuados que
garantizan el cumplimiento de las restricciones de partida independendientemente de la
solución inicial.
A.6. Ejemplo de cálculo

Con este ejemplo se pretende plantear un problema teórico con sólo dos variables de
diseño y dos restricciones sobre el que se aplicarán las técnicas de optimización anteriormente
explicadas. De este modo se podrá representar gráficamente tanto las restricciones como la
función objetivo y se pueden seguir los pasos realizados con las técnicas de Programación
Lineal.
Ası́, sean x1 y x2 dos variables de diseño de un problema de optimización. Dichas
variables tienen como restricciones laterales:
−1 ≤ x1 ≤ 2
−2 ≤ x2 ≤ 3 (A.28)
De modo similar, las restricciones que se establecen son:
2x1 + x2 ≤ 5
−x1 − x2 ≤ 1. (A.29)
La función objetivo a minimizar es
x1 + 3x2 = f. (A.30)
Gráficamente, el problema a resolver queda representado en la figura A.2. La zona

sombreada corresponde al espacio de soluciones válidas del problema o región factible.
Si ahora colocamos estos datos en la forma matricial estándar podremos empezar a
resolver el problema con las técnicas que se han propuesto en los apartados anteriores.
2 1 5
−1 −1 1 (A.31)
1 3 f
Figura A.2: Representación gráfica del problema lineal inicial
Una vez planteado el problema en su forma estándar tenemos que tener en cuenta que
las restricciones laterales del problema real no corresponden con las que establece el algo-
ritmo de Programación Lineal para su funcionamiento. Para ello realizaremos la traslación
de las variables tal y como se propone en (A.21) y (A.22) de modo que las restricciones
laterales de las variables de diseño quedarı́an ahora como:
0 ≤ x1 ≤ 3
(A.32)
0 ≤ x2 ≤ 5
Por lo tanto, el problema propuesto puede escribirse ahora en la forma estándar como:
2 1 9
−1 −1 −2 (A.33)
1 3 f∗
Sin embargo, en el anterior planteamiento no hemos considerado las restricciones en
desigualdad y tenemos que añadir las variables de holgura correspondientes.
x1 x2 x3 x4
2 1 1 0 9
(A.34)
−1 −1 0 1 −2
1 3 0 0 f∗
El nuevo problema quedarı́a representado gráficamente en la figura A.3.
Figura A.3: Representación gráfica del problema lineal trasladado
De acuerdo con el planteamiento propuesto en (A.34) podrı́amos definir que la base

de variables básicas corresponde a las variables de holgura y las variables independientes
corresponden a las variables de diseño. Sin embargo, como se puede apreciar las variables
básicas no son todas positivas y, por tanto, la solución inicial no es válida. Esto también se
puede comprobar gráficamente ya que el punto (x1 , x2 )=(0,0) que corresponde a la solución
de este planteamiento no pertenece a la región factible (área sombreada). Por lo tanto,
tendremos que obtener una solución inicial válida añadiendo las variables artificiales y
resolver el problema de Programación Lineal en las dos fases propuestas.
A.6.1. Fase I: Cálculo de la solución inicial válida
Añadimos las variables de holgura y las variables artificiales y presentamos el problema

en forma matricial indicando el estado de las variables no básicas con l si está activa la
restricción lateral inferior o u si está activa la restricción lateral superior. Es importante
destacar que para conseguir que los términos independientes sean todos positivos cambiamos
el signo a todos los términos de la segunda ecuación y añadimos las correspondiente variables
de holgura de modo que el problema resultante se puede plantear como:
x1 x2 x3 x4
2 1 1 0 1 0 9
(A.35)
1 1 0 −1 0 1 2
1 3 0 0 0 0 f∗
El problema resultante sı́ que presenta una base inicial de variables dependientes e
independientes porque todas las variables auxiliares pasan a ser ahora variables básicas y
el resto de variables son no básicas y toman el valor nulo por estar en su lı́mite inferior. A
partir del problema presentado en (A.35) podemos proceder a imponer la función objetivo
auxiliar y a buscar la solución inicial válida tal y como se propone a continuación.
En primer lugar operamos con la función objetivo auxiliar, de acuerdo con (A.27), para
conseguir que los términos de las variables auxiliares sean nulos.
x1 x2 x3 x4 y1 y2
2 1 1 0 1 0 9
1 1 0 −1 0 1 2
1 3 0 0 0 0 f∗
0 0 0 0 1 1 f0
xB,1 xB,2
(A.36)
2 1 1 0 1 0 9
1 1 0 −1 0 1 2
1 3 0 0 0 0 f∗
−3 −2 −1 1 0 0 f0
l l xB,1 xB,2
A partir de este planteamiento buscamos la variable que entrará en la base de variables
básicas siguiendo el criterio establecido en (A.8). Por lo tanto, en este caso entra en la base
de variables dependientes x1 y sale la segunda variable auxiliar, de modo que se obtiene:
0 −1 1 2 1 −2 5
1 1 0 −1 0 1 2
0 2 0 1 0 −1 f∗ (A.37)
0 1 −1 −2 0 3 f0
xB,2 l xB,1 θl = 2
Aplicando de nuevo el mismo criterio, ahora entra en la base de variables dependientes

x4 y sale la variable x1 , que quedará ası́ en el lı́mite superior.
2 1 1 0 1 0 3
−1 −1 0 1 0 −1 1
1 3 0 0 0 0 f∗ (A.38)
−2 −1 −1 0 0 1 f0
u l xB,2 xB,1 θu = 1
Una vez obtenida esta solución ahora debe entrar en la base de variables dependientes
x2 y salir, en consecuencia, la primera variable auxiliar.
2 1 1 0 1 0 3
1 0 1 1 1 −1 4
−5 0 −3 0 −3 0 f∗ (A.39)
0 0 0 0 1 1 f0
u xB,1 xB,2 θl = 3
Tal y como se puede observar la función objetivo auxiliar presenta ahora la misma
configuración que al inicio del problema, pero ahora ya disponemos de una base inicial de
variables y, por lo tanto, podremos eliminar las variables auxiliares ya que ahora no forman
parte del problema.
Una vez hallado el óptimo en la ecuación (A.39) se puede deducir fácilmente que la
solución básica inicial es el vector (x1 , x2 , x3 , x4 ) = (3, 3, 0, 4) que corresponde con el punto
geométrico (3,3). En la figura A.3 se puede apreciar que el punto calculado es uno de los
vértices de la región de diseño.
Por lo tanto, ahora podemos olvidarnos de las variables auxiliares y optimizar el pro-
blema resultante con el algoritmo Simplex propuesto.
252
A.6.2. Fase II: Optimización de la solución obtenida
Si ahora eliminamos las variables auxiliares del problema podemos plantear la forma
estándar como:
x1 x2 x3 x4
2 1 1 0 3
1 0 1 1 4 (A.40)
−5 0 −3 0 f∗
u xB,1 xB,2
De acuerdo con este planteamiento ahora debe entrar en la base de variables básicas
x3 y, en consecuencia, salir x2 , que tomará ahora el valor de su lı́mite lateral inferior.
2 1 1 0 3
−1 −1 0 1 1
(A.41)
1 3 0 0 f∗
u l xB,1 xB,2 θl = 3
Dado que el planteamiento anterior no cumple las condiciones del óptimo debemos
seguir modificando la base de variables dependendientes. En este caso, entrará la variable
x1 y saldrá la variable x4 .
0 −1 1 2 5
1 1 0 −1 2
(A.42)
0 2 0 1 f∗
xB,2 l xB,1 θl = 1
En este momento ya se ha alcanzado el óptimo porque se cumple lo establecido en
la ecuación (A.9). Por lo tanto, el óptimo corresponde al vector de variables de diseño
(x1 , x2 ) = (2, 0), que corresponde al vértice (2,0) de la figura A.3. Como se puede comprobar
gráficamente, el punto hallado es el óptimo.
Por último, deshacemos la traslación de acuerdo con la ecuación (A.23) y obtenemos
el vector de variables de diseño del problema original como (x1 , x2 ) = (1, −2) que minimiza
la función objetivo. Puede observarse fácilmente en la figura A.2 que la solución óptima
corresponde al punto calculado. Es importante resaltar también que, en este caso, las va-
riables de diseño finales toman valores negativos, lo que es muy habitual en problemas de
optimización. Si, por el contrario, el algoritmo no permite que las variables tomen valores
negativos el óptimo hallado podrı́a no ser el óptimo real.
253
Bibliografı́a
[1] Alexandrov O. y Santosa F., A topology preserving Level Set Method por shape opti-
mization, Journal of Computational Physics, 204:121–130, 2004.
[2] Allaire G., Jouve F., Maillot H., Topology optimization for minimum stress design with
the homogenization method, Structural and Multidisciplinary Optimization, 28:87–98,
2004.
[3] Bendsøe M. P. y Kikuchi N., Generating optimal topologies in structural design using
a homogenization method, Computer Methods in Applied Mechanics and Engineering,
71:197–224, 1988.
[4] Bendsøe M. P., Optimal shape design as a material distribution problem, Structural
Optimization, 1:193–202, 1989.
[5] Bendsøe M. P., Optimization of Structural Topology, Shape, and Material, Springer-
Verlag, 1995.
[6] Bendsøe M. P., Variable-topology optimization: status and challenges, Proceedings of

the European Conference on Computational Mechanics, ECCM’99, Ed. W. Wunderlich,
TUM, Munich, 1999.
[7] Bendsøe M. P., Sigmund O., Material interpolation schemes in topology optimization,
Archive of Applied Mechanics, 69:635–654, 1999.
[8] Box G. E. P., Evolutionary operation: A method for increasing industrial productivity.
Journal of the Royal Statistical Society, 6(2):81–101, 1957.
[9] Bruyneel M. y Duysinx P., Note on topology optimization of continuum structures in-
cluding self-weight, Structural and Multidisciplinary Optimization, 29(4):245–256, 2005.
254
[10] Burger M., Stainko R., Phase-Field Relaxation of Topology Optimization with Local
Stress Constraints, IUTAM Symposium on Topology Design Optimization of Structures,
Machines and Materials, Rungsted, Dinamarca, 2005.
[11] Colominas I., Navarrina F. y Casteleiro M., Minimum weight with stress constraints
topology optimization, Proceedings de la VIII International Conference on Computer
Aided Optimum Design of Structures, Detroit, USA, 2003.
[12] Cheng G. D. y Jiang Z., Study on topology optimization with stress constraints, En-
gineering Optimization, 20:129–148, 1992.
[13] Cheng G. D. y Guo X., ε-relaxed approach in structural topology optimization, Struc-
tural Optimization, 13:258–266, 1997.
[14] Choi, K. K. y Kim, N. H., Structural sensitivity analysis and optimization, Springer,
2005.
[15] Dantzig G. B. y Thapa M. N., Linear Programming I:Introduction, Springer-Verlag,

New York, 1997.
[16] Dantzig G. B. y Thapa M. N., Linear programming. II: Theory and extensions,
Springer-Verlag, New York, 2003.
[17] Dı́az A. y Sigmund O., Checkerboard patterns in layout optimization, Structural Op-
timization, 10:40–45, 1995.
[18] Duysinx P., Optimisation Topologique: du Milieu Continu a la Structure Elastique, PhD
Thesis, Université de Liegè, Liegè, Bélgica 1996.
[19] Duysinx P., Topology optimization with different stress limits in tension and compres-
sion, International report: Robotics and Automation, Institute of Mechanics, University
of Liege, Liege, Bélgica, 1998.
[20] Duysinx P. y Bendsøe M. P., Topology optimization of continuum structures with local
stress constraints, International Journal of Numerical Methods in Engineering, 43:1453–
1478, 1998.
[21] Duysinx P. y Sigmund O., New Developments in Handling Stress Constraints in Opti-
mal Material Distributions, 7th AIAA/USAF/NASA/ISSMO Symposium on Multidis-
ciplinary Design Optimization, Saint Louis, Missouri, USA, 1998.
255
[22] Duysinx P. y Bruyneel J., Libro de artı́culos seleccionados de la 3r d Conference on

Integrated Design and Manufacturing in Mechanical Engineering IDMME2000 / Forum
2000 of SCGM/CSME, Chedmail P., Cognet G., Fortin C., Mascle C., & Pegna J. (Eds.),
Kluwer Publications, 2000.
[23] Eschenauer H. A. y Schumacher A., Bubble Method: a special strategy for finding best
possible initial designs. Proceedings of the ASME Design Technical Conference - 19 th
Design Automotion Conference, Albuquerque, Nuevo México, 65–2:437–443, 1993.
[24] Eschenauer H. A., Kobelev V. V. y Schumacher A., Bubble method for topology and
shape optimization of structures, Structural Optimization, 8:42–51, 1994.
[25] Eschenauer H.A. y Schumacher A., Simultaneous Shape and Topology Optimization
of Structures, Proc. on First World Congress of Structural and Multidisciplinary Op-
timization (WCSMO1), (eds. Olhoff N., Rozvany G. I. N.), Pergamon, pp. 177–184,
1995.
[26] Eschenauer H. A., Olhoff N., Topology optimization of continuum structures: A review,
Applied Mechanics Review, 54:331–389, 2001.
[27] Fletcher R., Practical Methods of Optimization, Wiley, Scotland, UK, 2000.
[28] Fogel I. J., Owens A. J., Walsh M. J., Artificial intelligence through simmulated evolu-
tion, Wiley, Nueva York, USA, 1966.
[29] Friedman G. J., Digital simulation of an evolutionary process. General Systems Year-
book, 4:171–184, 1959.
[30] Fujii D. y Kikuchi N., Improvement of numerical instabilites in topology optimization

using the SLP method, Structural and Multidisciplinary Optimization, 19:113–121, 2000.
[31] Guo X. y Cheng G., ε-continuation approach for truss topology optimization, Procee-
dings 3rd World Congress of Structural and Multidisciplinary Optimization (WCSMO3)
Keneth, E.; Kevin, H.; Eliot, W. (Eds.), 2:437-–439, Buffalo, USA, 1999.
[32] Haber R. B., Jog C. S. y Bendsøe M. P., Variable-topology shape optimization with a
control on perimeter, Advance in design automotion, 69:261–272, 1994.
[33] Haber R. B., Jog C. S. y Bendsøe M. P., The perimeter method: a new approach to
variable-topology shape optimization, Structural and Multidisciplinary Optimization (N.
Olhoff y G. I. N. Rozvany eds.), WCSMO-1, Elsevier Science, Oxford, 153–160, 1995.
256
[34] Haber R. B., Bendsøe M. P. y Jog C. S., A new approach to variable-topology shape
design using a constraint on perimeter, Structural Optimization, 12:35–45, 1996.
[35] Haung, E. J., Choi, K. K., Komkov V. Design sensitivity analysis of structural systems,
Academic Press, 1986.
[36] Hernández, S., Métodos de Diseño Óptimo de Estructuras, Colegio de Ingenieros de

Caminos, Canales y Puertos, Madrid, 1990.
[37] Hughes, T. J. R., The finite element method: linear static and dynamic finite element
analysis, Dover Publishers, 2000.
[38] Kirsch U., On singular topologies in optimum structural design, Structural Optimiza-
tion, 2:133–142, 1990.
[39] Kirsch U. y Topping B. H. V., Minimum Weight Design of Structural Topologies,

Journal of Structural Engineering, American Society of Civil Engineers, 118:1770–1785,
1992.
[40] Klein B., Direct use of extremal principles in solving certain optimization problems in-
volving inequalities, ORSA journal on computing Operations Research Society of Ame-
rica, 3:168–175, 1955.
[41] Kohn R. V. y Strang G., Optimal design and relaxation of variational problems, Com-
munications on Pure and Applied Mathematics, 39:1–25 (Part I), 139–182 (Part II),
353–377 (Part III), 1986.
[42] Kresisselmeier G. y Steinhauser R., Systematic control design by optimizing a vec-

tor performance index, International Federation of Active Controls Symposium on
Computer-Aided Design of Control systems, Zurich, Suiza, 1979.
[43] Lewinski T., Zhou M. y Rozvany G.I.N., Extended Exact Least-weight Truss Layouts–
Part I: Cantilever with a Horizontal Axis of Symmetry, International Journal of Mecha-
nical Sciences, 36(5), 375–398, 1994.
[44] Lewinski T., Zhou M. y Rozvany G.I.N., Extended Exact Least-weight Truss Layouts–
Part II: Unsymmetric Cantilevers, International Journal of Mechanical Sciences, 36(5),
399–419, 1994.
[45] Liang Q. Q., Xie Y. M. y Steven G. P., Optimal selection of topologies for the minimum-
weight design of continuum structures with stress constraints, Journal of Mechanical
257
Engineering Science, Proceedings of The Institution of Mechanical Engineers, Part C,

213(8):755–762, 1999.
[46] Liang Q. Q. y Steven G. P., A performance-based optimization method for topology

design of continuum structures with mean compliance constraints, Computer Methods
in applied Mechanics and Engineering, 191:1471–1489, 2002.
[47] Liu J. S., Parks G. T. y Clarkson P. J., Methamorfic development: a new topology
optimization method for continuum structures, Structural and Multidisciplinary Opti-
mization, 20:288–300, 2000.
[48] Lurie K., Cherkaev A., Effective characteristics of composite materials and the optimal
design of structural elements, Uspekhi. Mekh., 123(2):91–100, 1997.
[49] Ma Z.D., Kikuchi N. y Cheng H. C., Toplogical design for vibrating structures, Com-
puter methods in applied mechanics and engieering, 121:259–280, 1995.
[50] Martins J. R. R. A. y Poon N. M. K., On Structural Optimization Using Constraint

Aggregation, Proceedings of the VI World Congress of Structural and Multidisciplinary
Optimization (WCSMO6), Rio de Janeiro, Brasil, 2005.
[51] Maute K. y Ramm E., Adaptive topology optimization, Structural Optimization,

10:100–112, 1995.
[52] Michell A. G. M., The limit of economy of material in frame structures, Philosophical
Magazine, 8(6):589–597, 1904.
[53] Ministerio de Fomento, NBE EA-95 Estructuras de acero en edificación, Centro de

Publicaciones del Ministerio de Fomento, Madrid, 1998.
[54] Mlejnek H. P., Schirrmacher R., An engineer´s approach to optimal material distribu-
tion and shape finding, Computational Methods in Applied Mechanics and Engineering,
106:1–26, 1993.
[55] Muı́ños I., Optimización Topológica de Estructuras: Una Formulación de Elementos

Finitos para la Minimización del Peso con Restricciones en Tensión, Proyecto Técnico,
ETSICCP, Universidade da Coruña, 2001.
[56] Muı́ños I., Colominas I., Navarrina F. y Casteleiro M., Una formulación de mı́nimo
peso con restricciones en tensión para la optimización topológica de estructuras, Métodos
Numéricos en Ingenierı́a y Ciencias Aplicadas, Oñate E., Zárate F., Ayala G., Botello
S. & Moreles M.A. (Eds.), CIMNE, Barcelona, pp. 399–408, 2002.
258
[57] Muı́ños I., Colominas I., Navarrina F. y Casteleiro M., A minimum weight with stress
constraints FEM approach for topology structural optimization problems, Proceedings
del V World Congress on Computational Mechanics,Viena, Austria, 2002.
[58] Murat F., Tartar L., Calcul des variations e homogénéisation, Les Méthodes de l’ Ho-
mogénéisation Théorie et Applications en Physique Coll. Dir. Etudes et Recherches EDF,
57:319–369, 1985.
[59] Navarrina F., Una metodologı́a general para optimización estructural en diseño asistido
por ordenador, Tesis Doctoral, Universidad Politécnica de Cataluña, Barcelona, 1987.
[60] Navarrina F. y Casteleiro M., A general methodologycal analysis for optimum design,
International Journal of Numerical Methods in Engineering, 31:85–111, 1991.
[61] Navarrina F., López S., Colominas I., Bendito E. y Casteleiro M., High Order Shape
Design Sensitivity: An Unified Approach, Computational Mechanics: New Trends and
Applications (CD-ROM), Parte VI: “Inverse Problems and Optimization”, Sección 4:
“Shape Sensitivity”, Idelsohn S.R., Oñate E., Dvorkin E. (Eds.); Centro Internacional
de Métodos Numéricos en Ingenierı́a CIMNE, Barcelona, España, 1998.
[62] Navarrina F., López S., Colominas I., Bendito E. y Casteleiro M., High order shape
design sensitivity: A unified approach, Computer Methods in Applied Mechanics and
Engineering, 188:681–696, 2000.
[63] Navarrina F., Tarrech R., Colominas I., Mosqueira G., Gómez-Calviño J. y Casteleiro
M., An efficient MP algorithm for structural shape optimization problems, Computer
Aided Optimum Design of Structures VII, Hernández S. y Brebbia C.A. (Eds.), WIT
Press, Southampton, pp. 247–256, 2001.
[64] Navarrina T., Tarrech R., Colominas I., Mosqueira G., Gómez-Calviño J. y Castelei-
ro M., Efficient structural shape optimization: using directional high order sensitivity
analysis to improve MP algorithms, Proceedings del 6th US National Congress on Com-
putational Mechanics, Dearborn, USA,2001.
[65] Navarrina F., Colominas I., Juanes R., Bendito E. y Casteleiro M., A unified approach
for high order sensitivity analysis, Computer Aided Optimum Design of Structures VII,
327–336, Hernández S., Brebbia C.A. (Eds.); WIT Press, Southampton, Reino Unido,
2001.
[66] Navarrina F., Muı́ños I., Colominas I. y Casteleiro M., Optimización Topológica de
Estructuras: Una formulación de mı́nimo peso con restricciones en tensión. Métodos
259
Numéricos en Ingenierı́a V, J.M. Goicolea, C. Mota Soares, M. Pastor & G. Bugeda

(Eds.), SEMNI, Barcelona, 2002.
[67] Navarrina F., Muı́ños I., Colominas I. y Casteleiro M., Topology Optimization of Struc-
tures: A minimum weight FEM approach, Proceedings del II Congreso Internacional de
Métodos Numéricos en Ingenierı́a y Ciencias Aplicadas (en CD-ROM), Guanajuato,
México, 2002.
[68] Navarrina F., Muı́ños I., Colominas I. y Casteleiro M., Topology optimization of struc-
tures: A minimum weight approach with stress constraints, Proceedings del 7th US Na-
tional Congress on Computational Mechanics, Albuquerque, USA, 2003.
[69] Navarrina, F., Muı́ños, I., Colominas, Casteleiro, M., Topology Optimization of struc-
tures: A minimum weight approach with stress constraints, Advances in Engineering
Software, 36:599–606, 2005.
[70] Novotny A. A., Feijóo R. A. y Taroco E., Topological Sensitivity Analysis for Three-
dimensional Linear Elasticity Problem, Proceedings of the VI World Congress of Struc-
tural and Multidisciplinary Optimization (WCSMO6), Rio de Janeiro, Brasil, 2005.
[71] Olhoff N., Eschenauer H. A., On optimum topology design in mechanics, Proceedings of
the European Conference on Computational Mechanics, ECCM’99, Ed. W. Wunderlich,
TUM, Munich, Alemania, 1999.
[72] Oñate E.,Cálculo de Estructuras por el Método de Elementos Finitos: Análisis estático
y lineal, Segunda edición, CIMNE, Barcelona, 1995.
[73] Parı́s J., Muı́ños I., Navarrina F., Colominas I. y Casteleiro M., A minimum weight
FEM formulation for Structural Topological Optimization with local stress constraints,
Proceedings of the VI World Congress of Structural and Multidisciplinary Optimization
(WCSMO6), Rio de Janeiro, Brasil, 2005.
[74] Parı́s J., Navarrina F., Colominas I. y Casteleiro M., Una nueva formulación de ele-
mentos finitos para la optimización topológica de estructuras basada en la minimización
del peso con restricciones en tensión, Proceedings del Congreso de Métodos Numéricos
en Ingenierı́a 2005, Granada, España, 2005.
[75] Parı́s J., Navarrina F., Colominas I. y Casteleiro M., A minimum weight FEM formu-
lation for Structural Topological Optimization with stress constraints, Proceedings del
VII World Congress on Computational Mechanics, Los Ángeles, USA, 2006.
260
[76] Parı́s J., Navarrina F., Colominas I. y Casteleiro M., Optimización topológica de es-
tructuras: una formulación de mı́nimo peso con restricciones en tensión, Proceedings
del 7o Simposio Internacional de Estructuras, Geotecnia y Materiales de Construcción,
Santa Clara, Cuba, 2006.
[77] Parı́s J., Casteleiro M., Navarrina F. y Colominas I., Topology optimization of struc-
tures with local and global stress constraints, Proceedings of International Conference
on Computational & Experimental Engineering and Sciences (ICEES’07), Miami, USA,
2007.
[78] Parı́s J., Navarrina F., Colominas I. y Casteleiro M., Global versus local statement of
stress constraints in topology optimization of continuum structures, Computer Aided
Optimum Design of Structures X, Hernández S. y Brebbia C.A. (Eds.), WIT Press,
Southampton, UK, pp. 13–23, 2007.
[79] Parı́s J., Navarrina F., Colominas I. y Casteleiro M., Block aggregation of stress cons-
traints in topology optimization of structures, Computer Aided Optimum Design of
Structures X, Hernández S. y Brebbia C.A. (Eds.), WIT Press, Southampton, UK, pp.
25–34, 2007.
[80] Parı́s J., Navarrina F., Colominas I. y Casteleiro M., Agrupación de restricciones en
tensión por bloques en optimización topológica de estructuras continuas, Proceedings del
Congresso de Métodos Numéricos em Engenharia (CMNE 2007), Porto, Portugal, 2007.
[81] Park Y. K., Extensions of optimal layout design using the homogeneization method,
PhD Thesis, University of Michigan, Ann Arbor, 1995.
[82] Park K. S. y Youn S.K., Globally Convergent Topology Optimization unisng Level
Set Method, Proceedings of the VI World Congress of Structural and Multidisciplinary
Optimization (WCSMO6), Rio de Janeiro, Brasil, 2005.
[83] Pedersen C. B. W., Buhl T. y Sigmund O., Topology synthesis of large-displacement

compliant mechanisms, International Journal for Numerical Methods in Engineering,
50:2683–2705, 2001.
[84] Pereira J. T., Barcellos C. S. y Fancello E. A., Topology Optimization of Continuum

structures with Material Failure Constraints, Structural and Multidisciplinary Optimi-
zation, 26 (1–2):50–66, 2004.
261
[85] Perezzán J. C., Análisis de Sensibilidad y Optimización de Estructuras de Barras de

Nudos Rı́gidos en Teorı́a Lineal y no Lineal, Tesis Doctoral, Universidade da Coruña,
1999.
[86] Petersson J. y Sigmund O., Slope constrained topology optimization, International

Journal for Numerical Methods in Engineering, 41:1417–1434, 1998.
[87] Petersson J., Some convergence results in perimeter-controlled topology optimization,

Computer Methods in Applied Mechanics and Engineering, 171:123–140, 1999.
[88] Ramm E., Maute E. y Schwarz S., Adaptive topology and shape optimization, Compu-
tational Mechanics: New trends and applications, Proceedings of the IV-World Confe-
rence on Computational Mechanics, Idelshon S., Oñate E. & Dvorkin E. (Eds.), CIMNE,
Barcelona, España, 1998.
[89] Ramm E., Schwarz S., Kemmler R., Advances in structural optimization including
nonlinear mechanics, Proc. of the European Congress on Computational Methods in
Applied Sciences and Engineering [ECCOMAS 2000], Barcelona: ECCOMAS, 2000.
[90] Rechenberg I., Cybernetic Solution Path of an Experimental Problem, Ministry of Avia-
tion, Royal Aircraft Establishment, Reino Unido, 1965.
[91] Rossow H. P., Taylor J.E., A finite element method for the optimal design of variable
thickness sheets, AIAA Journal, 11:1566–1569, 1973.
[92] Rozvany G.I.N., Exact analytical solutions for some popular benchmark problems in to-
pology optimization, Structural and Multidisciplinary Optimization, 15(1):42–48, 1997.
[93] Schmit, L. A., Structural design by systematic synthesis, Proceedings of the Second
ASCE Conference on Electronic Computation, 105–122, Pittsburgh, Pennsylvania, USA,
1960.
[94] Sethian J. A., Wiegmann A., Structural Boundary Design Via Level Set and Immersed
Iterface Methods.Journal of Computational Physics, 163:489–528, 2000.
[95] Shim P. Y. y Manoochehri S., Generating optimal configurations in structural design

using simulated annealing, International Journal for Numerical Methods in Engineering,
40(6):1053–1069, 1997.
[96] Sigmund O., Design of material structures using topology optimization, DCAMM Re-
port S.69, Ph. D. Thesis, Department of Solid Mechanics, DTU, Lyngby, Denmark,
1994.
262
[97] Sigmund O., Materials with prescribed constitutive parameters: an inverse homogeni-
zation problem, International Journal of Solids and Structures, 31(17):2313–2329, 1994.
[98] Sigmund O. y Torquato S., Composites with extremal thermal expansion coefficients,
Applied Physics Letters, 69(21):3203–3205, 1996.
[99] Sigmund O., On the design of compliant mechanisms using topology optimization,
Mechanics Based Design of Structures and Machines, 25:493–524, 1997.
[100] Sigmund O., Systematic design of electrothermomechanical microactuators using to-

pology optimization, Modelling and simulation of Microsystems, semiconductors, sen-
sors and actuators MSM, 1492–1500, Santa Clara, California, USA, 1998.
[101] Sigmund O., Topology optimization in multiphysics problems, 7 th AAA / USAF

/ NASA / ISSMO Symposium on multidisciplinary analysis and optimization, AIAA,
USA, 1:1492–1500, 1998.
[102] Sigmund O. y Torquato S., Design of smart composite materials using topology opti-
mization, Smart Materials and Structures, 8:365–379, 1999.
[103] Sigund O., A 99 line topology optimization code written in Matlab, Structural and
Multidisciplinary Optimization, 21:120–127, 2001.
[104] Sigmund O., Pedersen P., Pedersen C. B. W. y Buhl T., The TOPOPT homepage,
www.topopt.dtu.dk, 2001
[105] Silva E. C. N., Nishiwaki S. y Kikuchi N., Design of piezoelectric transducers using
topology optimization, Proceedings of the IV-World Conference on Computational Me-
chanics, Editores: S. Idelshon, E. Oñate,E. Dvorkin; CIMNE Publi, Barcelona; publicado
en Computational Mechanics: New Trends and Applications, 1998.
[106] Stainko R., An Adaptive Multilevel Approach to the Minimal Compliance Problem
in Topology Optimization,
[107] Stainko R. y Burguer M., A one shot approach to topology optimization with local
stress constraints, Proceedings of IUTAM-Symposium 2005 on Topology Design Opti-
mization of Structures, Machines and Materials, publicado en Solid Mechanics and its
Applications, 137:181–184, 2006.
[108] Stolpe M. y Svanberg K., On the trajectories of the epsilon-relaxation approach for
stress-constrained truss topology optimization, Structural and Multidisciplinary Opti-
mization, 21 (2):140–151, 2001.
263
[109] Stolpe M., On Models and Methods for Global Optimization of Structural Topology
PhD Thesis, Department of MAthematics, Royal Institute of Technology, Estocolmo,
Suecia, 2003.
[110] Stolpe M. y Stidsen T., A hierarchical method for discrete structural topology de-
sign problems with local stress and displacement constraints, International Journal for
Numerical Methods in Engineering, 69(5):1060–1084, 2007.
[111] Sui Y. K., Peng X. R., Feng J. L. y Ye H. L., ICM Method of Topology Optimization
for Continuum Structure with Globalization of Stress Constraints, Proceedings of the VI
World Congress of Structural and Multidisciplinary Optimization (WCSMO6), Rio de
Janeiro, Brasil, 2005.
[112] Suzuki K. y Kikuchi N., A Homogeneization Method for Shape and Topology Op-
timization. Computer Methods in Applied Mechanics and Engineering, 93(3):291–318,
1991.
[113] Svanberg K., The Method of Moving Asymptotes - A New Method for Structural
Optimization, International Journal for Numerical Methods in Engineering, 24:359–
373, 1987.
[114] Svanberg K., The Method of Moving Asymptotes (MMA) with some Extensions,
Optimization of Large Structural Systems (Rozvany, G.I.N., Ed.) Vol. I, 231:567–578,
1993.
[115] Svanberg K., The MMA for modeling and solving optimization problems, Proceedings
3rd World Congress of Structural and Multidisciplinary Optimization (WCSMO3) Ke-
neth, E.; Kevin, H.; Eliot, W. (Eds.), Buffalo, USA, 1999.
[116] Tanskanen P., The evolutionary structural optimization method: theoretical aspects,
Computer Methods in Applied Mechanics and Engineering, 191:5485–5498, 2002.
[117] Wang M. Y., Wang X. M. y Guo D., A level set method for structural topology
optimization, Computer Methods in Applied Mechanics and Engineering, 192:227–246,
2003.
[118] Wang M. Y. y Wei P., Topology Optimization with Level Set Method Incorporating
Topological Derivative, Proceedings of the VI World Congress of Structural and Multi-
disciplinary Optimization (WCSMO6), Rio de Janeiro, Brasil, 2005.
264
[119] Werme M. and Svanberg K., A hierarchical neighbourhood search method for stress-
constrained topology optimization, Proceedings of the VI World Congress of Structural
and Multidisciplinary Optimization (WCSMO6), Rio de Janeiro, Brasil, 2005.
[120] Xie Y. M. y Steven G. P., A simple evolutionary procedure for structural optimization,
Computers and Structures, 49(5):885–896, 1993
[121] Xie Y. M. y Steven G. P., Evolutionary Structural Optimization, Springer, London,

1997.
[122] Yang R. J. y Chen C. J., Stress-based topology optimization, Structural Optimization,

12:98–105, 1996.
[123] Youn S. K. y Park S. H., A study on the shape extraction process in the structural
topology optimization using homogenized material, Computers & Structures, 62(3):527–
538, 1997.
[124] Zhang W.H., Calcul des Sensibilités et Optimisation de Forme par la Méthode des
Eléments Finis, Tesis Doctoral, Universidad de Liège, Bégica, 1991.
[125] Zienkiewickz O. C. y Taylor R. L., El métodos de los elementos finitos, Vol. 1 y 2,

CIMNE, Barcelona, 2004.

ParisLopez Jose TD

Hochgeladen von

Dokumentinformationen

Originaltitel

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

ParisLopez Jose TD

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDADE DA CORUÑA

JOSÉ PARÍS LÓPEZ

MANUEL CASTELEIRO MALDONADO

A CORUÑA - DICIEMBRE 2007

JOSÉ PARÍS LÓPEZ

MANUEL CASTELEIRO MALDONADO

A CORUÑA - DICIEMBRE 2007

Índice de figuras VII

Índice de tablas XIII

2. Estado actual del conocimiento 11

3. Formulación del problema estructural 29

3.2.1. Modelo numérico de Elementos Finitos . . . . . . . . . . . . . . . . . 31

4. Formulación del problema de optimización topológica 37

6.6.2. Derivadas direccionales de primer y segundo orden . . . . . . . . . . 95

7. Metodologı́a de diseño óptimo e implementación numérica 111

8. Ejemplos de aplicación 127

9. Conclusiones y futuras lı́neas de investigación 219

A. Desarrollo de un algoritmo de Programación Lineal Secuencial 225

1.1. Soporte en voladizo. Esquema del problema de optimización (Zhang [124]) . 4

2.1. Esquema de evolución del Método de la Burbuja. . . . . . . . . . . . . . . . 17

4.1. Exponente de la función objetivo para distintos valores de penalización. . . 40

4.8. Función global de restricciones para distintos valores de µ con número de

5.1. Efecto del parámetro r sobre la función barrera φ(ρ, r) en un problema 1D

7.1. Metodologı́a de cálculo para el problema de optimización topológica . . . . 113

8.1. Arco. Planteamiento del problema (unidades en m) . . . . . . . . . . . . . . 131

8.19. Voladizo Michell. Evolución de la solución obtenida con la formulación por

A.1. Planteamiento de un problema de Programación Lineal (Dantzig [15]) . . . 228

8.1. Arco. Resumen de los principales parámetros y requerimientos computacionales136

Esta Tesis Doctoral se presentó el dı́a 13 de Marzo de 2008 en la Escuela Técnica

Superior de Ingenierı́a de Caminos, Canales y Puertos de A Coruña.

El Tribunal de Tesis Doctoral lo componı́an los siguientes doctores:

Presidente Dr. Fermı́n Luis NAVARRINA MARTÍNEZ

Vocal Dr. Gabriel BUGEDA CASTELLTORT

Vocal Dr. Pascual MARTÍ MONTRULL

Vocal Dr. Carlos Alberto DA CONCEIÇÃO ANTÓNIO

Secretario Dr. Santiago HERNÁNDEZ IBÁÑEZ

La calificación otorgada fue SOBRESALIENTE CUM LAUDE por unanimidad.

La optimización topológica de estructuras continuas es una disciplina que pretende

Stress Contraints and Weight Minimization: A General Methodology for Topology

José Parı́s López

Topology optimization of continuum structures is a technique that pretends to find the

in other structural optimization techniques (dimension or shape optimization). The stated

Las creencias antiguas son difı́ciles de erradicar

Edward Osborne Wilson (1929)

que reside en el diseño de los elementos resistentes se sigue proponiendo, fundamentalmente,

1.2. Evolución de la optimización de estructuras: la optimi-

El desarrollo de las técnicas de optimización aplicadas al diseño de estructuras tuvo, por

En estas formulaciones el ingeniero sigue tomando parte activa en el proceso de con-

1.7 : Le modèle initial et la solution du problème obtenue par Zhang

1.3. Objetivos de la tesis

El principal objetivo de esta tesis es desarrollar una metodologı́a para la resolución

• Estudiar el estado del conocimiento actual con la finalidad de disponer de la mayor

• Plantear y desarrollar un modelo para cálculo de estructuras basado en una formu-

• Formular el problema de optimización topológica de estructuras de mı́nimo peso con

• Estudiar algunos aspectos teóricos fundamentales acerca de las singularidades y par-

• Analizar y desarrollar algoritmos de optimización eficientes que resuelvan de forma

• Plantear técnicas de refinamiento de malla que permitan resolver problemas de ma-

• Desarrollar algoritmos especı́ficos para realizar el análisis de sensibilidad requerido por

• Llevar a cabo el estudio e implementación eficiente de los algoritmos planteados utili-

• Resolver ejemplos prácticos de optimización habituales en ingenierı́a y comparar las

1.4. Organización de la tesis

En el capı́tulo 5 se presentan los algoritmos de optimización que se han estudiado para

El conocimiento es de dos clases: O sabemos algo