Las estructuras de ingeniería 117 (2016) 274-286

listas de contenidos ofrecidos en ScienceDirect

Las estructuras de ingeniería

Página principal de la revista: www.elsevier .com / localizar / Engst RUCT

optimización estructural de las torres de transmisión de celosía de acero

I. Couceiro, J. Paris ⇑ , S. Martínez, I. Colominas Navarrina F., M. Casteleiro

Grupo de Métodos Numéricos en Ingeniería de la Universidad de A Coruña Campus, Elviña, 15071 La Coruña, España

articleinfo abstracto

Historia del artículo:
Recibido el 2 de de abril de el año 2015 Revisado 29 de de
febrero de el año 2016 aceptó 1 de marzo de el año 2016
Disponible en Internet el 21 de marzo de el año 2016
palabras clave:
En este trabajo se presenta una metodología para la optimización de las tres estructuras de celosía dimensionales y su aplicación a soportes
de líneas de transmisión de energía. Para ello, se desarrolla un fi ciente modificación versión fi ed ef del algoritmo de recocido simulado. La
validez del enfoque propuesto depende de características prácticas y constructivas de las estructuras considerablemente en este estudio. El
análisis de sensibilidad primer orden se implementa para mejorar el rendimiento del algoritmo y para evitar el cómputo de la gran cantidad de
análisis estructurales generalmente requeridos por el algoritmo de recocido simulado. El nuevo algoritmo SA se aplica con éxito en dos
problemas clásicos de referencia en el problema de diseño real y a gran escala.

optimización estructural torres de

2016 Elsevier Ltd. Todos los derechos reservados.
transmisión recocido simulado

1. Introducción
Trusses son tradicionalmente uno de los más utilizados en las estructuras de ingeniería,
cubriendo una amplia gama de soluciones para diferentes retos de ingeniería. También hay un gran
número de diferentes configuraciones de celosía con fi para cada propósito. Por lo tanto, el diseño o
el óptimo dimensional de las estructuras de celosía han sido ampliamente estudiado por muchos
autores, la aplicación de varios métodos diferentes, en un esfuerzo para diseñar la estructura óptima
bajo ciertas condiciones. Numerosos enfoques se han centrado en la optimización del
dimensionamiento [1-7] whos objetivo es hallar las barras Que fi cos conducir al diseño óptimo de una
cierta geometría fija; mientras que otros se enfrentan a la optimización del diseño de cerchas en la
búsqueda de la mejor geometría de la estructura incluso a través de la optimización de la topología [8-10]
. En este trabajo se define una metodología para el diseño y dimensionamiento combinado
optimización de las estructuras de celosía [11-15] y su aplicación en el campo de las torres de
transmisión de energía.
mización de las estructuras de celosía se aborda incluyendo todas las particularidades de las torres
de transmisión. El enfoque utiliza las variables continuas para la optimización y diseño de secciones
independientes para el dimensionamiento seleccionando objetos de un disponibles per fi l de
catálogo. También se consideran las limitaciones múltiples (desplazamiento, el estrés, el pandeo,
esbeltez) y casos de carga. En este contexto, y teniendo en cuenta el problema de ingeniería que
nos enfrentamos, proponemos una metodología basada en el algoritmo de recocido simulado
expuesto por Kirkpatrick
[16] y estudiar más a fondo en [17-29] . La modi fi y mejorada versión del algoritmo de recocido
simulado se define y demostraron ser eficaces para el diseño y dimensionamiento de estructuras de
celosía optimización. Además, se implementa el análisis de sensibilidad primer orden para reducir el
coste de todos los cálculos del algoritmo necesita para llevar a cabo, se incrementa deficiencia ef la
del método. El método se aplicó con éxito en estructuras de transmisión de potencia real.

2. Problema declaración
La gama de metodologías de optimización utilizados en este campo es muy amplia, pero, en el
pasado reciente, los algoritmos Metaheurísticas han ganado interés y han atraído la atención entre la
2.1. función objetivo
comunidad de optimización. Esta familia de algoritmos ofrece una gran capacidad de adaptación a
una amplia gama de diferentes problemas, aunque es bien sabido theyâ implica enormes requisitos
El problema general de optimización estructural se puede escribir como,
informáticos, especialmente cuando se trata de problemas reales y prácticas de ingeniería Que
implica un gran número de variables y restricciones. minimizar W ¼ F ð X Þ ð1Þ

sujeto a

El objetivo común en la optimización estructural es para obtener la estructura que, bajo ciertas
g j ð X Þ 6 0; j ¼ 1; . . . ; m ð2Þ
cargas y sujeta a condiciones particulares, utiliza la menor cantidad de material o, en otras palabras,
tienen el menor peso. En este estudio, el peso limitado optimismo
ð X y Þ me 6 X y 6 ð X y Þ max; y ¼ 1; . . . ; n ð3Þ

En la Ec. (1) - (3) , X representa el vector de n variables de diseño. Eq.

⇑ Autor correspondiente. (1) corresponde a la función objetivo de reducir al mínimo y representa el peso de la estructura, g j en
Dirección de correo electrónico: jparis@udc.es (J. Paris). la ecuación. (2) corresponde a la

http://dx.doi.org/10.1016/j.engstruct.2016.03.005
0141-0296 / 2016 Elsevier Ltd. Todos los derechos reservados.
 Couceiro I. et al. / Estructuras de ingeniería 117 (2016) 274-286 275

m considerablemente las limitaciones estructurales y desigualdades de la ecuación. (3) dadas las
limitaciones de la parte n variables de diseño.
La función objetivo del problema que nos enfrentamos se puede expresar en términos de la
suma de los pesos de cada barra o elemento de formación de la estructura.
RCEst la j es la restricción normalizada, o es el valor real de la magnitud analizada, W j es el valor de
referencia y m es el número de restricciones.
Una vez todo el problema de optimización se ha dicho, el siguiente paso es que define el
algoritmo de optimización.

W ¼ q X nb l y la y ð4Þ
y¼1 3. Optimización Algoritmo

RCEst q es la densidad del material, n b es el número de barras de la estructura y l y y la y son la zona

Elegimos el algoritmo de recocido simulado [16-30] para la optimización de las torres de celosía,
longitudinal y en sección transversal de la i- ésimo elemento, respectivamente.
ya que, naturalmente, permite el tratamiento de las variables discretas y continuas juntos. Además, el
algoritmo de recocido simulado es capaz de evitar posibles mínimo local, quees es esencial en este
caso desde ejemplos de aplicaciones reales implican un gran número de restricciones de diseño y
2.2. variables de diseño
variables. Su principal inconveniente es la gran cantidad de pruebas que necesita para llevar a cabo,
quees es una discapacidad común en algoritmos estocásticos y enfoques alternativos como los
Una estructura de armadura se define por las coordenadas de los nodos y la conectividad de los
algoritmos genéticos. Los autores desarrollaron un modelo numérico basado en de primer orden
bares. Por lo tanto, hay varios enfoques diferentes para hacer theire optimización: Optimización de
expansiones de Taylor para reducir las necesidades de computación. Henco, el número de análisis
tamaño discreto o continuo, optimización de la topología, la optimización del diseño de las posiciones
estructurales requeridas en el proceso de optimización se puede reducir drásticamente.
de los nodos de la estructura o enfoques mixtos entre otros. Muchas estructuras para entramados, y
torres de transmisión de energía En particular, se pueden separar en piezas que incluye un cierto
grupo de barras, generalmente llamados bloques. La geometría de la torre se forma uniendo A
continuación, algunos de estos bloques. La optimización del diseño puede ser considerablemente
mediante la modificación de las dimensiones de estas piezas, dejando la conectividad fija. Estas
El algoritmo genera un gran número de diseños de prueba, donde cada una de estas pruebas al
dimensiones representan las variables continuas de nuestro modelo.
azar análisis modi fi cación del presente diseño de la estructura utilizando expansiones de Taylor
para reducir los requisitos de computación. A continuación, cada decisión de diseño todo el módulo
donde puede ser aceptada o rechazada acuerdo con el valor de la función objetivo y la llment fi ful de
las restricciones. Cada diseño que viola la restricción no es factible y es rechazada inmediatamente.
Por otro lado, también podemos dividir cada bloque en las barras se formaron por. La búsqueda
Cuando el diseño es factible, los módulos de decisión puede adoptar una de las siguientes tres
para el área de la sección transversal óptima para cada barra representa la parte de optimización de
opciones posibles:
dimensionamiento del problema. Desde el punto de vista práctico, es más apropiado para el
tratamiento de estas variables con valores discretos ya que el mercado por lo general ofrece un
inventario discreto de áreas de sección transversal.

Descenso movimiento: El nuevo diseño de los niños ful todas las limitaciones y reduce la función
Este enfoque conduce a un problema de optimización mixta donde las variables de distinta
objetivo. El nuevo diseño está directamente aceptada.
naturaleza necesitan ser optimizados, quees aumentar la complejidad del problema, pero también
permite un mejor diseño del cumplidor. Este problema es crucial para decidir y elegir un algoritmo de
movimiento subiendo: El nuevo diseño satisface las restricciones pero implican un aumento de la
optimización, ya que tienen que lidiar no sólo con variables discretas pero con continua así, y ser
función objetivo. En este caso la probabilidad de aceptación de este diseño es definido por la
capaz de modificar de forma simultánea.
distribución de probabilidad Boltzmann-Gibbs ( P) De acuerdo con la teoría de Metropolis [30] .

2.3. tratamiento de las limitaciones

P ð E; t Þ ¼ y D E = kT ð6Þ

El problema se indica en (1) está sujeta a diferentes estructural (2)

RCEst y es la función de energía (por analogía, la función objetivo) D y es la diferencia de
y el lado (3) restricciones. En los problemas comunes de la ingeniería de la serie de limitaciones
energía entre la prueba y el presente diseño, k es constante y térmica la Boltzmann t es la cola
estructurales implicados suele ser grande. , Aunque la mayoría de las restricciones se dedican a
parámetro de temperatura controla la evolución del algoritmo.
frenar el comportamiento estructural de la estructura, Theya participan diferentes unidades de
medida ráfaga de viento observada las diferentes magnitudes físicas. Para evitar problemas
numéricos derivados de esta naturaleza, las limitaciones estructurales del problema se tratan de una
El módulo de decisión del algoritmo genera un número aleatorio 2½ 0; 1 con la función de
forma normalizada.
distribución de probabilidad uniforme. Este número es entonces una comparación con (6) como
esta expresión es considerablemente una aproximación a la probabilidad de transición entre
Para cada restricción, la relación se define entre el valor actual de la magnitud y para analizar el
estados en la analogía de recocido [30] . Si la probabilidad P ð E; t Þ es mayor que el número
valor de referencia. Por lo tanto, el estado de una cierta restricción puede ser fácilmente observado
aleatorio generado Entonces, el diseño de los ensayos se acepta a pesar de que aumentar la
por esta relación; valores próximos a 0 significan un fi ed satis Claramente restricción mientras que
función objetivo. Mover hacia arriba Rechazado: El nuevo diseño aumentan la función objetivo,
los valores próximos a 1 significan una restricción activa. Los valores superiores a 1 significa violado
pero no encaja la probabilidad de Boltzmann-Gibbs.
restricción. Vale la pena mencionar Que se permite una pequeña violación de las restricciones en las
primeras etapas del proceso con el fin de evitar el rápido aumento del número de restricciones
activas en algunos casos thatâ puede conducir rápidamente a un estancamiento del algoritmo.

En consecuencia, la tendencia natural del algoritmo consiste en realizar movimientos de

descenso disminución de la función objetivo en la búsqueda de un diseño óptimo. Sin embargo, el
algoritmo también realiza algunos movimientos hacia arriba se incrementa el valor de la función
De esta manera, las limitaciones estructurales indican en (2) Transformado en son:
objetivo, al parecer, se aleja del óptimo. Esta cuestión es crucial ya que permite a los diseños para
escapar de los mínimos locales y, finalmente, proceden al óptimo global cuesta abajo con nuevos
movimientos.

la j ð X Þ ¼ o j ð X Þ j ¼ 1; . . . ; m ð5Þ
W j ð X Þ 6 1;
276 Couceiro I. et al. / Estructuras de ingeniería 117 (2016) 274-286

3.1. función de energía
El recocido simulado se basa en la analogía entre el proceso de optimización y el proceso físico
de la reasociación de metales [16] . El método intenta simular el comportamiento de la estructura
interna en materiales sólidos a través del proceso de recocido, donde, desde el punto de fusión, ya
que la temperatura disminuye, la estructura cristalina tiende a lograr la más baja con la energía fi
guración. Este estado final Conseguido sería el diseño óptimo.
la velocidad de enfriamiento necesaria para garantizar la convergencia del algoritmo no se puede
aplicar en problemas reales, más bajos son los valores posibles de la velocidad de enfriamiento es
aconsejable. Por lo tanto, uno de los horarios de refrigeración más utilizada es la función exponencial [16,25,26]
. En este caso, la temperatura en cada iteración se obtendría como:
t k ¼ la k t 0 ð9Þ

RCEst la representa el factor de reducción.

Kuik y Salomon [25] Que establece el factor de reducción la
La función de energía del proceso de recocido representa directamente la función objetivo del
Debe estar entre 0,80 y 0,99. Sin embargo, estudios recientes realizadas en octubre de Orsila [26] reducido
problema. Los autores han implementado la función de energía normalizada con el fin de transformar
el intervalo de ½ 0:90; 0:99 . En este caso, el parámetro la ¼ 0:99 se utiliza ya que significa una
el problema de una forma no dimensional. Esto permite desarrollar más general algoritmos de
suficiente velocidad lenta que permite el enfriamiento para lograr la convergencia mientras que el
optimización que y múltiples problemas de aplicación legislativas. De esta manera, la función de
número de iteraciones requeridas no es demasiado grande.
energía se define como:

3.2.3. recalentamiento ciclos

y ¼ Fk
F0
RCEst F k es el peso en la iteración k y F 0 es el peso inicial
Esta formulación de la función objetivo que nos da el problema completamente normalizado.
3.2. temperatura
La temperatura es el parámetro clave Que controla todo el proceso del algoritmo de recocido
simulado. El proceso comienza en una cierta temperatura y inicialmente Luego, lentamente,
disminuye hasta que alcanza congelación los valores. Los valores más bajos de la temperatura
implican una menor probabilidad de aceptar mueve cuesta arriba Según (6) .
ð7Þ
A pesar de que el algoritmo de recocido simulado está diseñado para evitar los mínimos locales,
cuando el parámetro de temperatura disminuye la probabilidad de aceptar mueve cuesta arriba
tienden a cero (6) . Por lo tanto, el algoritmo pierde su capacidad de escapar de los mínimos locales
como las disminuciones de temperatura (ver Fig. 1 ). Para evitar este problema, una mejora del
recocido simulado, e introducido por Bonnemoy Hamma [27] , Se han implementado, quees por el
parámetro de temperatura no sólo está permitido disminuir sino a aumentar en ciertas etapas del
proceso de optimización. Este método se llama recalentamiento o recalentamiento ciclos ya que este
aumento de la temperatura se puede repetir muchas veces. También hay varios enfoques de
recalentamiento [28] , Pero hay dos opciones principales: o bien la temperatura se eleva lentamente,
paso a paso o se reinicia de repente a un valor alto.

3.2.1. temperatura inicial

Autores incluyen una función de recalentamiento repentina basado en el número de restricciones
El valor de la temperatura para la primera iteración de la Simulated Annealing se llama
activas del problema. El método establece directamente la temperatura a un valor determinado sin la
temperatura inicial. Esta temperatura inicial debe ser lo suficientemente alta como para permitir los
necesidad de acercarse a la temperatura deseada lentamente. El valor de la temperatura recalentado
movimientos de subida y dejar que tanto el algoritmo de llevar a cabo una búsqueda exhaustiva de la
es la función de la calidad de la mejor actual con fi guración.
región de diseño. A pesar de que no hay ningún criterio determinístico para ajustar la temperatura
inicial en la literatura, diferentes metodologías para obtenerlo se han analizado. Los parámetros del
De este modo, siempre que el algoritmo se estanca, incapaz de encontrar nuevas soluciones de
algoritmo de recocido simulado es problema dependiente [31] . De esta manera, los autores proponen
convergencia adecuado antes, se reinicia la temperatura y la nueva temperatura inicial se define
un valor inicial de la temperatura que es función del diseño inicial previsto. La temperatura inicial está
Según (8) . Entonces más diseños constreñidos alcanzarán temperaturas más altas recalentados.
en septiembre basa en lo cerca que la solución óptima es la inicial, Según (8) .
Esto permite grandes movimientos de subida y, en consecuencia, para realizar una mejor búsqueda
barrio para escapar de los mínimos locales. Este proceso de recalentamiento se repite para un
número fijo de ciclos de fi antes de alcanzar el congelación temperatura.

t 0 ¼ / ? m acto ð8Þ
m 3.2.4. temperatura de congelación

RCEst m acto estados para el número de restricciones activas del diseño inicial, m para el número total Por último, el proceso de optimización termina cuando el algoritmo no puede encontrar

de restricciones involucradas y parámetro de escala / año tomado como 0.1 De acuerdo con la soluciones aún más mejorada. La convergencia o congelación

experiencia de los autores, y después de un extenso proceso de calibración.

Por lo tanto, los diseños más restringido inicialmente implica temperaturas iniciales más altas a
fin de realizar una mejor exploración de los diseños vecino.

Una vez que se establece el valor inicial, el proceso de optimización comienza a disminuir el
parámetro de temperatura después de la refrigeración horario dado.

3.2.2. horario de enfriamiento

Basado en la analogía termodinámico, el parámetro de temperatura está destinado a ser

disminuido lentamente. Hay varios horarios de refrigeración diferentes para el recocido simulado en
la literatura
[19,20] . Se demostró por Geman [23] y Gida [24] Que la convergencia global del algoritmo puede
garantizarse si la velocidad de enfriamiento es proporcional a la inversa del logaritmo del número de
iteraciones ,, aunque este programa no se puede aplicar en la práctica, ya que requiere un número
extremadamente grande de iteraciones. sinco
Fig. 1. El estancamiento al menos localmente debido a la baja temperatura.
 Couceiro I. et al. / Estructuras de ingeniería 117 (2016) 274-286
temperatura alcanzada es el límite cuando Alcanzado Evitar adecuado la exploración del dominio. El
diseño es considerablemente congelado
cuando el algoritmo no puede realizar movimientos más cuesta arriba. Por lo tanto, los autores
proponen la temperatura de convergencia teniendo en cuenta que, el diseño se congela cuando la
probabilidad de un mueve Que cuesta arriba aumentar la fi función objetivo definido para enseñar /
porcentaje es menor que 10 3. Teniendo en cuenta la ley de Boltzmann-Gibbs (6) la congelación
temperatura se define como:
t ¼? / D y ð 10 Þ
k ln ð 10 3 Þ
Autores proponen / ¼ 0: 1 para el cálculo de la congelación
temperatura. Además, el término D y Que expresan la variación de la función objetivo es fijo a una
variación del 1% de la función objetivo del diseño inicial. También se ha encontrado la cola congelación
la temperatura debe incluir alguna información sobre el diseño. Por lo tanto, las limitaciones se
incluyen en la ecuación. Por lo tanto, la temperatura de convergencia puede obtenerse como:
la j X
ðÞ
t FZ ¼ 0: 001 F 0 ð 11 Þ
En ð 0: 001 Þ X m m
j¼1
RCEst F 0 es el valor inicial de la función objetivo, la j son las restricciones y normalizado m es el
número de restricciones.
Además de todos los detalles de la analogía entre la optimización y el proceso de recocido,
algunos aspectos especí fi cos del algoritmo tienen que ser adaptados a tratar correctamente las
variables del problema.
3.3. tratamiento de las variables
Como se ha indicado anteriormente, el recocido simulado es capaz de manejar el problema de
optimización mixta propuesto de forma natural. El algoritmo genera diseños al azar mediante la
modificación de las variables continuas y discretas simultáneamente. Sin embargo, algunos límites
deben ser impuestas a la máxima variación de las variables de diseño para la iteración siguiente
concepto de límites en movimiento. Estos límites impiden el algoritmo de hacer cambios bruscos Que
podría conducir fácilmente la estructura de los diseños factibles región. La perturbación para cada
variable de diseño se calcula aleatoriamente con una probabilidad uniforme dentro de los límites
establecidos para cada variable en cada paso del algoritmo.
Para las variables continuas este límite haber sido el final definida a cierto porcentaje de su valor
en la iteración actual. Para las variables discretas, los autores definen la cola barrio estados límite
this. Secciones de este barrio comparten propiedades mecánicas similares. Así, los cambios de las
variables discretas dentro de esta zona produce cambios suaves de la respuesta estructural. Estos
límites son un problema dependientes y necesitan ser ajustados para diferentes problemas de
escala.
Dado que el algoritmo tiene que lidiar con las dos variables juntas y tienen diferentes naturalezas
theyâ, sensibilidades y escalas, dos técnicas especí fi cos llamados compatibilidad y suavizado se
han desarrollado para improvisar el manejo de diferentes tipos de variables de optimización.
la compatibilidad módulo está diseñado para elegir whichis variables están perturbados en cada
iteración. El algoritmo primero intenta modificar ambas variables simultáneamente; pero cuando hay
una solución adecuada se encuentra a cinco iteraciones mundiales consecutivos, las compatibilidad
módulos eligen al azar, con una función de distribución de probabilidad uniforme, el grupo de
variables para ser cambiado: continua, discreta o ambos juntos de nuevo. Este procedimiento se
realiza mediante la generación de un número aleatorio de nuevo y comparándola con los valores de
umbral para las tres opciones. Los valores umbral se establecen para asignar a cada opción de la
misma probabilidad y theyâ se mantienen constantes en el proceso de optimización.
277
En los pasos finales del algoritmo, cerca del óptimo, pequeños cambios en la estructura puede
hacer que dejar la región diseñar fácilmente. Además, los cambios en las variables discretas implican
grandes variaciones de la función objetivo y las restricciones. Por lo tanto, es difícil de hallar
soluciones adecuadas Que modificar todas las variables discretas cuando se aproxima al óptimo. la suavizado
proceso se activa siempre que el compatibilidad módulo se aplica cinco veces consecutivas, sin
éxito. Se busca un nuevo proyecto, modificando sólo una variable de diseño discreto seleccionado al
azar.
La principal propiedad del recocido simulado es su búsqueda al azar. Con la información
necesaria acerca de la función objetivo y las restricciones que, naturalmente, se procede a la óptima.
Sin embargo, puesto que se trata de problemas reales de ingeniería, hay un gran número de
variables de diseño y limitaciones implicadas. Por lo tanto, esta búsqueda aleatoria podría llegar a
ser muy ineficientes cuando la región factible se contrae y el algoritmo genera varios diseños
inviables. la compatibilidad y suavizado técnicas permiten realizar una mejor exploración del dominio
y para suavizar la optimización de procesos en problemas altamente restringidas.
El algoritmo de recocido simulado tiene que comprobar las restricciones para un gran número de
diseños de prueba en cada iteración global. Por lo tanto, los autores incluyeron el análisis de
sensibilidad primer orden para aliviar el esfuerzo computacional del algoritmo.
3.4. análisis de sensibilidad
En la optimización estructural, desplazamientos y tensiones, o la respuesta estructural general,
bajo cargas estáticas o dinámicas depende de las variables de diseño. La técnica actual para obtener
la tasa de variación de la solución estructural con respecto a un determinado catión parámetro
modificado se denomina análisis de sensibilidad. Varios métodos de optimización se basan en el
cálculo de los gradientes de la función objetivo y las restricciones de encontrar una dirección
adecuada para la optimización.
A pesar de que el algoritmo de recocido simulado no necesita el uso de gradientes, se requiere
un gran número de evaluaciones estructurales Durante el proceso de optimización requiere recursos
informáticos Que considerables, principalmente en términos de tiempo de CPU. Aunque los efectos
de la variación aleatoria cada una de las variables de diseño se pueden obtener con precisión
mediante la realización de análisis estructural octubre para todas las posibles modificaciones, la
respuesta estructural puede estimarse utilizando análisis de sensibilidad. Por lo tanto, en cada diseño
del ensayo, el análisis de sensibilidad se utiliza para evaluar la función objetivo y la viabilidad del
diseño. Si el diseño se demostró inviable, otra dirección de búsqueda se selecciona al azar. Este
procedimiento requiere menos coste computacional de computación Todos los análisis en cuestión.
De esta manera, autores incluyen el análisis de sensibilidad primer orden con el fin de mejorar
aumentar la e fi ciencia general de la metodología. Además del costo menos computacional de las
evaluaciones requeridas, análisis de sensibilidad también dan un conocimiento más detallado sobre
la función objetivo y las limitaciones en relación a las variables de diseño.
El modelo numérico se basa en la aproximación de las funciones deseadas mediante el uso de
primer orden expansiones de Taylor que permiten evitar el análisis estructural de todos los diseños
de prueba. Por lo tanto, al evaluar la función objetivo y las restricciones para una variación dada de
las variables de diseño, las funciones se aproximan mediante la Taylor:
F ð X k þ 1 Þ ¼ F ð X k þ þ F 0 ð X k Th? ð X k þ 1 X k Þ ð 12 Þ
¼ F ð X k þ þ F 0 ð X k Th? D X k þ 1 ð 13 Þ
RCEst F Evaluado representa la función, X son las variables de diseño y, k y k þ 1 indica el estado
actual y el estado se da una variación de las variables de diseño. Por lo tanto, D X k þ 1 es la variación
de las variables de diseño en el diseño propuesto por el recocido simulado.
278 Couceiro I. et al. / Estructuras de ingeniería 117 (2016) 274-286

La aproximación de Taylor de las funciones deseadas se escinden considerablemente theire 4.1. Ejemplo 1: 25-bar optimización cercha dimensionamiento

dependencia continua de las variables continuas y discretas. Por lo tanto, la variación de las
variables de diseño D X k þ 1 en el caso de variables discretas será discreta también. Este supuesto se El punto de referencia elegido es una torre de transmisión de potencia formado por 25 whichis
puede hacer desde el catión modificado de las variables de diseño está limitada a las pequeñas bares se han utilizado previamente como un punto de referencia con el ejemplo Varios autores [1-7] . Fig.

variaciones en cada iteración. 2 representa la geometría de la estructura. La densidad del material es 2,77 t / m 3 y el módulo de
Young es de 69 GPa.

Autores considerablemente el método de diferenciación directa para el cálculo de los derivados [32,33]
desde theire expresiones analíticas se pueden obtener fácilmente, el proceso requiere menos tiempo La estructura está obligado a permanecer simétrica respecto al X y y

de CPU y el número de variables de diseño es mucho menor que el número de restricciones. eje de modo que la barras 25 ha definido con 8 variables discretas que corresponde a 8 grupos de
barras en función de Tabla 1 . Hay dos casos aplica la carga que se muestran en Tabla 2 . La tensión
de tracción permisible es de 275 MPa, y la tensión máxima de compresión para cada grupo de barras

dejar K denotar la matriz de rigidez global y o y F el vector de desplazamientos nodales y las se muestra en Tabla 1 . La torre también está sujeta a las limitaciones desplazamiento en cada nodo

fuerzas nodales respectivamente. Entonces, el problema estructural se puede establecer como: en las direcciones de coordenadas X, Y

y Z con un límite de 10 ± 8,89 3 m. Para la optimización discreta, el tamaño mínimo de los miembros
ku ¼ F ð 14 Þ
es 0,0645 cm 2.

La diferenciación directa de lo anterior conduce a un problema: Tabla 3 muestra una comparación entre los resultados del trabajo de optimización y presentar
las mejores soluciones encontradas en la literatura.
@K
oþK@o ¼@F ð 15 Þ
@ ny @ ny @ ny

Tabla 1
@K
K@o ¼@F o ð 16 Þ compresión variable y la vinculación de los límites de tensión de la torre de transmisión de 25 bar.
@ ny @ ny @ ny
variable miembros Limit (MPa)
ser n y la i- variable de diseño XX.
1 1-2 242
La matriz de rigidez K del sistema de (14) necesita ser calculado para cada n y con los costos
2 1-4, 2-3, 1-5, 2-6 79.9
involucrados. Sin embargo, teniendo en cuenta el análisis de sensibilidad, el sistema de (16) necesita ser 3 2-4, 2-5, 1-6, 1-3 119
resuelto de nuevo para cada n y pero el uso de la misma K. A continuación, las respuestas estructurales 4 4-5, 3-6 242
5 3-4, 5-6 242
se pueden obtener directamente con la variación de las variables de diseño y la expansión de Taylor de
6 3-10, 6-7, 5-8, 4-9 46.6
primer orden.
7 4-7, 3-8, 5-10, 6-9 48.0
8 6-10, 3-7, 4-8, 5-9 76.4
El análisis de sensibilidad junto con las otras mejoras propuestos del algoritmo de recocido
simulado se prueba en algunos problemas de referencia de las estructuras de celosía para verificar la
mejora deficiencia ef.
Tabla 2
Casos de carga para el punto de referencia cercha 25-bar en kN.

4. Ejemplos de referencia caso de carga nodo X y Z

1 1 04:45 44.5 22:25

Para demostrar su eficacia, la metodología propuesta se prueba en esta sección y los resultados 2 00:00 44.5 22:25
3 2225 00:00 00:00
se comparan con la literatura. Un caso típico de la armadura de referencia de 25 bar se estudia
4 2225 00:00 00:00
teniendo en cuenta dos enfoques diferentes: (i) la optimización de tamaño discreto; (Ii) la
2 5 00:00 89.00 22:25
optimización de diseño apresto mezclado.
6 00:00 89.00 22:25

Fig. 2. 25-barra de la torre de transmisión de potencia.

 Couceiro I. et al. / Estructuras de ingeniería 117 (2016) 274-286 279

Tabla 3
resultados de optimización y comparación con la literatura para el problema de optimización dimensionamiento de la torre de 25 bar. Las secciones se expresan en cm 2 y los pesos totales en kg. r t r y
r c r representar el llment fi ful de las limitaciones de tracción y esfuerzo de compresión en el valor relativo de la corriente máxima y la tensión mínima sobre el límite de restricción correspondiente.

variable Ref. [2] Ref. [3] Ref. [4] Ref. [5] Ref. [6] Ref. [7] esta obra rtr rcr

la 1 0303 0064 0064 0064 0064 0064 0110 0134 0000

la 2 13045 12819 12781 13381 13740 12825 13432 0170 0590
la 3 19032 19313 19244 19103 18623 19299 18480 0125 0395
la 4 0064 0064 0064 0064 0064 0065 0110 0000 0064
la 5 0090 0064 0064 0064 0064 0064 0070 0175 0090
la 6 4439 4448 4411 4458 4382 4405 4150 0102 0850
la 7 10690 10819 10806 10432 10372 10823 10710 0134 0998
la 8 17181 17175 17205 17252 17372 17187 17.728 0098 0488

peso 247,15 247.50 247.60 247.60 247,12 247,29 247,45

Se puede ver Que la metodología desarrollada conduce a una solución similar a la mejor encontrado está sujeta a. En este caso, las restricciones de desplazamiento se descuidan y la tensión máxima de
en las referencias citadas, a pesar de que nuestro enfoque está diseñado para llevar a cabo una compresión se cambia de acuerdo a la ley de Euler pandeo. La tensión de tracción permisible sigue
optimización del dimensionamiento y el diseño mixto, y con este punto de referencia los algoritmo siendo 275 MPa. El esfuerzo de pandeo crítico se determina por la siguiente ecuación, Según [11-15] .
trata solamente con la optimización de tamaño discreto parte. Tabla 3 También muestra la llment fi ful
de la tracción y restricciones en tensión de compresión. La restricción de desplazamiento se
satisface, así como con un desplazamiento máximo de 8890 10 3 m en la carga primer caso fi y
r c ¼ 100: 01 p EA y ð 17 Þ
8 L2y

8887 10 3 m en la segunda carga de casos, ambos de los nodos 1 y 2. En el presente proceso de

RCEst E = 69 GPa es el módulo de Young y la y y L y son el área de la sección transversal y la longitud
optimización algoritmo completado dentro de los 3524 análisis estructurales referenciado mientras
de cada miembro, respectivamente.
que otros algoritmos tales como
Los resultados de la optimización se mencionan junto con los llment limitaciones fi en ful Tabla 4 y
[6,7] 9090 y 4910 necesitan análisis estructurales, respectivamente. También, los autores de [3,4] Que
la geometría global de la estructura se muestra en la Fig. 3 . Se puede ver Que el algoritmo SA
limitaciones reportadas fueron ligeramente violados en theire diseños óptimos.
propuesto diseños de la mejor estructura mediante la reducción del peso estructural 0,95 kg con
respecto a la mejor solución citado en la literatura. La optimización se llevó 3561 análisis
estructurales para lograr el diseño óptimo.

4.2. Ejemplo 2: Disposición de armadura 25-bar y optimización de encolado

La misma estructura del ejemplo anterior se ha optimizado, pero con un enfoque diferente. En
este caso, tanto el tamaño y el diseño de la torre están optimizados. Por lo tanto, las variables de
diseño son las áreas transversales de los mismos grupos que figuran en el Tabla 1 y cuatro variables
continuas para la geometría del diseño de la torre ( X 4, y 4, X 8 y 8)
ya que la geometría debe permanecer a la simétrica XZ y YZ
planes. Otros enfoques similares en la literatura para ser quinto incluye el diseño variable continua, Z 4,
por la altura del bloque primero. Esta variable se descuida en nuestros hogares como la metodología
ha sido desarrollada para estructuras de transmisión reales donde las dimensiones altura se basan
en parámetros eléctricos. Coordenadas para los nodos superiores (1 y 2) no ha incluido las variables
de diseño.
Los casos de carga aplicados se muestran de nuevo en Tabla 2 . material
propiedades también son los mismos, pero no las restricciones de la estructura
4.3. Discusión sobre los resultados de los ejemplos de referencia
Dos bien conocidos los problemas de diseño de celosía ampliamente en la literatura el punto de
referencia que hemos estudiado para comprobar la e fi ciencia del enfoque propuesto: (i) la
optimización del dimensionamiento con variables discretas y la optimización de encolado-layout (ii)
combinado de la línea de alimentación de 25 bar. Sorprendentemente, la presente SA algoritmo
siempre era muy competitivo con otros métodos de optimización del estado de la técnica [1-7,11- 15] .
Sin embargo, las estructuras reales de transmisión son mucho más complejos y tienen un mayor
número de variables de diseño y limitaciones que participan de los puntos de referencia analizados.
Las siguientes secciones explican los detalles de la aplicación del algoritmo propuesto para torres de
transmisión reales.

Tabla 4
resultados de optimización y comparación con la literatura para el problema de optimización de tamaño-diseño combinado de la torre de 25 bar. Las secciones se expresan en cm 2, cm en dimensiones y pesos en kg. r t r y r c r representar el llment fi
ful de las limitaciones de tracción y esfuerzo de compresión en el valor relativo de la corriente máxima y la tensión mínima sobre el límite de restricción correspondiente.

variable Ref. [11] Ref. [12] Ref. [13] Ref. [14] Ref. [15] esta obra rtr rcr

la 1 0206 N/A N/A 12:58 0222 0150 0662 0000

la 2 3638 N/A N/A 4.96 2586 2800 0297 0965
la 3 5232 N/A N/A 04:38 5677 5756 0571 0985
la 4 0180 N/A N/A 12:51 0292 0250 0144 0479
la 5 0303 N/A N/A 12:06 0552 0868 0546 0717
la 6 0625 N/A N/A 12:06 0928 0880 0024 0572
la 7 4832 N/A N/A 03:09 4080 4892 0473 0994
la 8 3554 N/A N/A 03:09 3794 3560 0346 0580

X4 32.76 55.82 57.09 31.97 49460 56.700

y4 121.99 110,66 124,23 221.99 120110 99970
Z4 246.98 245,97 255.49 254.00 248790 254.000
X8 93.98 35.89 64.03 158.97 44261 44052
y8 238.98 206,09 249,25 254.00 233220 198390

peso 60.55 6001 59.55 59.51 59.44 58.49

280 Couceiro I. et al. / Estructuras de ingeniería 117 (2016) 274-286

Las variables discretas de las áreas de sección transversal para la optimización de tamaño y las
dimensiones de los bloques para la optimización del diseño toman cado especial significación en este
caso. Además, las limitaciones estructurales impuestas deben ser representativas de las normas
aplicables estructurales.

5.1. variables de diseño

En las torres de transmisión de energía, la construcción modular formado por prede fi nidas
bloques con conectividad fija es buen papel ya que representa la técnica de construcción real. Las
torres son en realidad construida por unión de un conjunto vertical de estos bloques.

Los bloques también pueden ser agrupados de acuerdo a theire propósito dentro de la
estructura: bloques de base, y de la cruz cuerpo bloquea brazos (whichis ha tratado de mantener los
conductores eléctricos). Las variables de diseño continuas del problema son las dimensiones de
estos bloques ( Fig. 4 ) (Dimensiones a lo largo de las direcciones principales), pero la altura de los
bloques y la longitud de los brazos de la cruz están excluidos del proceso de optimización ya que
están determinados por los parámetros eléctricos y que se enfrentan a una optimización en términos
estructurales. Los cambios en estas variables indirectamente implican cambios en la longitud de las
barras y así, en la función objetivo.

Fig. 3. diseño optimizado de la torre de transmisión de 25 bar.
5. Aplicación de estructuras de transmisión de potencia reales
El objetivo principal de este trabajo es aplicar el algoritmo desarrollado a la disposición y el
dimensionamiento de la optimización de las estructuras de acero de transmisión de celosía. La
transmisión de potencia se eleva estructuras de celosía es común con ciertas particularidades Que
afecta el proceso de optimización de las variables de diseño y las limitaciones, principalmente. la
La forma más común usado como miembros de acero en las torres de transmisión de potencia
tiene ángulos iguales piernas pro fi les ( Fig. 5 ). Cada sección se de fi nedby apair ð b; t Þ RCEst b es la
angewidthand fl t el espesor. Para hacer frente a la optimización de tamaño discreto, que define el
per fi l de la lista ordenada según b y t formando una rejilla ( Fig. 6 ), Donde las áreas de sección
transversal disponibles se definen. Por lo tanto, la algorithmwill realizar una búsqueda en el barrio
que rodea centrado en el área de sección transversal de corriente, identificar el índice Edwith k, de
cada artículo en particular. Cada variable de diseño discreto tiene su propia vecindad de áreas de
sección transversal en cada paso de la optimización

Fig. 4. prede fi nida bloques de ejemplo. variables de diseño continuos.

Fig. 5. perfiles angulares de lados iguales. variables de diseño discreto ( b; t).

 Couceiro I. et al. / Estructuras de ingeniería 117 (2016) 274-286 281

Por lo tanto, las limitaciones estructurales que deben tenerse en cuenta son:

Área de sección transversal de esbeltez: Con el fin de evitar el pandeo local de los elementos
que forman la estructura bajo el esfuerzo de compresión, se establece la relación geométrica
entre la anchura fl ange y espesor. La formulación propuesta haber sido definido en satisfacer
tanto, la Eurocódigos y la ASCE 10-97 y la limitación más restrictiva se supone. entonces:

b
15 ð 18 Þ
t
q, ser F y el límite de elasticidad en MPa.
235
RCEst ¼ ffiffiffiffiffiffi
Fy

Por lo tanto, la restricción de esbeltez sección transversal se puede escribir como:

s ffiffiffiffiffiffiffiffiffi
235
g l; y ð b y; t y Þ ¼ b y 15 t y 60 y ¼ 1; . . . ; n m ð 19 Þ
Fy

RCEst n m es el número total de los diferentes grupos de barras de la estructura.

esbeltez Elemento: Dado que los miembros de la estructura están conectados por medio de
pernos con rotaciones parcialmente restringidas, para controlar la estabilidad y la respuesta de
la estructura bajo vibraciones y deformaciones, la norma define otra relación entre la longitud de
las barras y el radio de giro de theire cruz -seccionales área. Por lo tanto, la restricción elemento
de esbeltez se puede escribir como:

Fig. 6. Per fi l de la lista de la red y espacio de búsqueda para cada iteración para la optimización de tamaño discreto.

g y yo ð l y; r y Þ ¼ l y ry g0y6 0 y ¼ 1; . . . ; n b ð 20 Þ

Algoritmo. Si el algoritmo para hallar incapaces adecuada solutionswithin este barrio, el tamaño de la
vecindad en sí es gradualmente de 3 aumentó 3 celdas de la cuadrícula, con cada iteración sin éxito
para aumentar el número de áreas de sección transversal disponible puede tomar la variable. La
celda de la cuadrícula se increasedbyone ineachdirectionwhen los algorithmdoes no tienen que nd
solución adecuada. Cada vez que se logra una solución satisfactoria, se restablece eachvariable
neighborhoodof a 3 3 celdas de la cuadrícula. Barrios se limitan a 13 a 13 celdas de la cuadrícula, es
decir, seis celdas adicionales en cada dirección.
Vale la pena mencionar que, dentro de cada bloque hay elementos o barras Que compartir el
mismo propósito. Además, algunas simetrías deben ser considerablemente por las razones
estructurales y prácticos, whichis Que implica algunos bares dentro del mismo bloque pueden ser
agrupadas usando la misma sección transversal. Este aspecto es útil ya que los elementos del
mismo grupo comparten la misma área de sección transversal y son así con la representación de la
misma variable de diseño discreto. Por lo tanto, no es una variable de diseño discreto para cada
elemento de la estructura, sino a cada grupo de barras dentro de cada bloque.
RCEst l y y r y son la longitud y el radio de giro de elemento y
respectivamente, y n b es el número de barras de la estructura. el límite g 0 y establecido por la
norma De acuerdo con las diferentes finalidades de las barras dentro de la estructura se define
como:
- Los miembros primarios) g 0 y ¼ 150.
- Los elementos de arriostramiento) g 0 y ¼ 200.
- miembros redundantes) g 0 y ¼ 250.
esfuerzo de tracción: miembros de acero de la estructura bajo cargas de tensión están limitados
físicamente por theire límite de elasticidad. De este modo, ambas normas estatales Que la fuerza de
tensión que actúa sobre la sección transversal de cualquier elemento debe ser menor que theire
resistencia a la tracción la y F y.
Sin embargo, es claro como el ángulo pro conectados por una pierna, que es el caso más
común para las conexiones en las estructuras de transmisión de energía, la ASCE 10-97 reduce
este valor a 90% de la resistencia a la tracción teórico. Por lo tanto, la restricción estructural para
la tensión de tracción es el expresso:

g s, i, j ð n Ed; i; j; b y; t y Þ ¼ n Ed, y j la y 0:90 F y 6 0 y ¼ 1; . . . ; n b y

j ¼ 1; . . . ; n lc ð 21 Þ
5.2. limitaciones estructurales
ser n Ed, y j la fuerza de tensión en la barra de y en el j y caso de carga n lc

limitaciones estructurales para aplicaciones prácticas son por lo general definido por los el número de diferentes casos de carga. esfuerzo de compresión: Los miembros sometidos a

requisitos de las normas y estándares. El problema de optimización estructural en este campo fuerzas de compresión deben ser verificados en condiciones materiales y el colapso de pandeo.

requiere la consideración de algunas de las condiciones impuestas definido por los Eurocódigos [34] y Los propósitos Eurocódigos del factor de reducción de la resistencia al pandeo v Eso depende
/ o la ASCE [35] normas. Tanto estándar define las condiciones fi c Que torres de transmisión de de la esbeltez adimensional k

acero enrejado específicas necesitan satisfacer. Estas condiciones incluyen las proporciones
geométricas, restricciones de tamaño y límites a la respuesta estructural. Si bien ambas normas (los (¿Cuál es la relación entre la resistencia a la compresión y la carga de pandeo de Euler [34] ).

Eurocódigos y la ASCE 10-97) son similares en muchos requisitos, también difieren en algunos Esta dependencia está incluido y considerablemente en las curvas de pandeo europeos. Sin

aspectos particulares. Por lo tanto, ya que el interés de este trabajo es el desarrollo de una embargo, la ASCE 10-97 FUNDADA una resistencia al pandeo diferente en función de diferentes

metodología para la optimización de las torres de transmisión lo más general posible, se requieren valores de la relación de área de esbeltez de la sección transversal. Esta formulación es muy

diseños para satisfacer las dos normas. Esto significa que la aplicación de todas las limitaciones que diferente de la de los Eurocódigos. Sin embargo, se puede escribir así en cuanto a la alteración

participan en ambos estándares. Sin embargo, cuando la magnitud física es equivalente en ambos factor de reducción Que es la resistencia a la compresión, de manera similar a la formulación

estándares, sólo la restricción más limitante en cada condición es considerablemente Que Garantizar Eurocódigos.

la ful fi ll diseña un estándar, así como la otra.

El código ASCE para propósitos diferentes fuerzas de compresión de diseño basado en el w = t valor
del área de la sección transversal ( Fig. 7 ).
282 Couceiro I. et al. / Estructuras de ingeniería 117 (2016) 274-286

" #
2
KL = R Con todo lo expuesto, podemos comparar los requisitos de compresión fi especificados por
n t Rd ¼ 1 1 / F KL ð 22 Þ
ambos códigos. Dada la ecuación. (22) y (24) :
2 Cc R 6 Cc

KL = R
n t Rd ¼ p 2 y F KL ð 23 Þ
q ð ASCE Þ ð $ eurocódigos Þ k ¼ l k = R q ð 29 Þ
2y y
KL 2
R> C c p ffiffiffiffi
fy
p ffiffiffify
R

RCEst n t Rd es la resistencia a la compresión, KL es la longitud no soportada, R el radio de giro y siendo a la vez, KL y l k la longitud no soportada, la ecuación se puede ASCE Expresado en

C c se define como: términos de k como:

q KL = R
C c ¼ p ffiffiffiffiffiffiffiffiffiffiffiffi
2E=fy ð 24 Þ ) ¼ kp
ffiffiffi ð 30 Þ
Cc 2

El coeficiente / Obtenido es el siguiente: La introducción de (30) en (22) :

8 >>>>>> <>>>>>>:
Fy p
w t < 209: 6
ffiffiffi
fy n t Rd ¼ 1 1 F KL ð 31 Þ
" # 4 k2 F y R 6 Cc

/¼ 1: 677 0: 677 w = t F y 209: 6 p 6ffiffiffi

wt6 377: 28 p ffiffiffi ð 25 Þ n t Rd ¼ p 2 y F KL ð 32 Þ
p ffiffiffi
209: 6
fy fy ¼1
fy
KL 2
k2F y R> C c
R

0: 0332 p 2 y w t> 377: 28

p ffiffiffi
ðw = t Þ 2 fy También podemos expresar la KL
R6 C c en términos de condición k:

Los límites de la relación w = t Se puede comparar con la de la sección transversal de esbeltez KL = R 6 C c () KL = R 6 (1) KL = R q ð 33 Þ
zona de restricción de los Eurocódigos. Por lo tanto, teniendo en cuenta b ¼ w þ t þ r RCEst r es Cc 2y
p ffiffiffiffi
fy
el radio de la raíz del per fi l:
p
() k ffiffiffi p? (1) k 6 ffiffiffi 2 ð 34 Þ
w rt 2
q ()ffiffiffiffiffi
bt q 6ffiffiffiffiffi
< 209: ð 26 Þ
t < 209: 6
Fy Fy Por último, el diseño ASCE esfuerzo de compresión se puede escribir de la siguiente manera:

() b q þffiffiffiffiffi
1þr ð 27 Þ
t < 209: 6 t
p
Fy n t Rd ¼ 1 1 F k 6 ffiffiffi 2 ð 35 Þ
4 k2 F y
p
En ángulo común secciones transversales r t = 2? 0: 5; 2: 5 Þ. Por lo tanto:
n t Rd ¼ 1 F k> ffiffiffi 2 ð 36 Þ
k2F y
b
q þffiffiffiffiffi
1: 5 ð 28 Þ De este modo, tanto las fortalezas de pandeo pueden ser comparados por theire factor de reducción. El
t < 209: 6
Fy
resultado de la comparación de ambos factores de reducción se muestra en la Fig. 8 .

la Tabla 5 revela, satisfaciendo sección transversal restricción esbeltez incluido en los

Por lo tanto, el coeficiente es siempre inferior en el modelo Eurocódigos que en el enfoque
Eurocódigos significa la hipótesis de
q por lo que puede ser aceptado / puede ser tomado como F y accord-
ffiffiffiffiffi ASCE (excepto para valores de k menor que
w = t < 209: 6 = Fy 0,2 donde los efectos de pandeo se pueden despreciar). En consecuencia, la declaración
eurocódigos es más restrictivo que el enfoque ASCE 10-97, por lo que la limitación de esfuerzo
iNG (25) .
de compresión se puede establecer como:

g s; y ð n Ed, y; b y; t y Þ ¼? c M 1 n Ed; y v y la y F y 6 0 y ¼ 1; . . . ; n b ð 37 Þ

ser c M 1 ha tomado el factor de seguridad y 1:00 v el factor de pandeo dado por:

!
1
v ¼ máx 1: 0; p ð 38 Þ
T2k2
T þ ffiffiffiffiffiffiffiffiffiffiffiffi ffiffi ffiffiffi

Euler

eurocódigos

ASCE

0.8 1
Fig. 7. Transversales dimensiones de la zona por la norma ASCE.

0.6
χ

Tabla 5
0.4
Comparación de esbeltez área de sección transversal ð b = t Þ las limitaciones prescritas por la ASCE y Eurocódigos.

. q ffiffiffiffiffi . q ffiffiffiffiffi 0.2

F y ( MPA)
ASCE: b = t < 209: 6 Fy þ 1: 5: Eurocódigos b = t < 229: 95 Fy

235 15173 15000 0

0 0.2 0.5 1 1.5 2 2.5 3
275 14140 13867
355 12624 12205
420 11727 11.220
Fig. 8. Pandeo factor de reducción de resistencia para las normas Eurocódigo y ASCE.
 I. Couceiro et al. / Engineering Structures 117 (2016) 274–286 283

donde: se han estudiado previamente en los dos primeros ejemplos para poner a prueba la eficacia del

T ¼ 0 5 1 þ la ð k 0: 2 þ þ k 2 algoritmo. Un problema completamente real se presenta en este caso para mostrar las capacidades
q
la F y
de la actual metodología propuesta por los autores.
k ¼ ffiffiffiffiffiffi
n cr
2 EI
n cr ¼ p El ejemplo corresponde a una torre de transmisión de altura
Lk
39.80 m utilizan típicamente en AC 220 líneas eléctricas kV. Está formado por 23 bloques como se
describe en Tabla 6 , Y 684 elementos conectados
ser la un factor de imperfección tomada la 12:34 para la curva de pandeo b en secciones
iguales de ángulo de la pierna [34] , L k la longitud no soportada del elemento y y y yo el material
de módulo elástico y la sección transversal inercia respectivamente. Table 7
Load cases for the real transmission tower in kN (The x axis is parallel to the overhead wires).

Las restricciones propuestas se apliquen de forma normalizada con el fin de evitar Case Position Fx1 Fy1 Fz1 Fx2 Fy2 Fz2
inestabilidades numéricas como lo fue en la Sección Explicación 2.3 . El estado de una cierta
1 A 0.00 4.66 9.62 0.00 4.66 9.62
restricción puede ser fácilmente estudiado Entonces basa en el valor de su forma normalizada. Cada
B 0.00 4.66 9.62 0.00 4.66 9.62
restricción es que deben tomar valores inferiores a 1. Por lo tanto, las limitaciones estructurales que C 0.00 4.66 9.62 0.00 4.66 9.62
se formulan en forma normalizada e implementados en el algoritmo de la siguiente manera: D 0.00 2.79 5.77

2 A 0.00 0.00 16.04 0.00 0.00 16.04

B 0.00 0.00 16.04 0.00 0.00 16.04
C 0.00 0.00 16.04 0.00 0.00 16.04
D 0.00 0.00 9.620
a campo traviesa la sección de esbeltez l; y ð b y; t y Þ ¼ b i = t y q ð 39 Þ
3 A 5.16 0.00 16.04 5.16 0.00 16.04
235 = F y
15 ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
B 5.16 0.00 16.04 5.16 0.00 16.04
C 5.16 0.00 16.04 5.16 0.00 16.04
D 3.10 0.00 9.62
Elemento de esbeltez y yo ð l y; r y Þ ¼ l y ð 40 Þ
r y g 0; y 4 A 26.46 0.00 15.88 0.00 0.00 16.04
B 0.00 0.00 16.04 0.00 0.00 16.04
C 0.00 0.00 16.04 0.00 0.00 16.04
D 0.00 0.00 9.62
esfuerzo de tracción del t; y ð n Ed, y; b y; t y Þ ¼ n Ed; y ð 41 Þ
0:90 la y F y 5 A 0.00 0.00 16.04 0.00 0.00 16.04
B 26.46 0.00 15.88 0.00 0.00 16.04
C 0.00 0.00 16.04 0.00 0.00 16.04

el esfuerzo de compresión c; y ð n Ed, y; b y; t y Þ ¼ n Ed; y ð 42 Þ D 0.00 0.00 9.62

v la y F y
6 A 0.00 0.00 16.04 0.00 0.00 16.04
B 0.00 0.00 16.04 0.00 0.00 16.04
C 26.46 0.00 15.88 0.00 0.00 16.04
5.3. Un ejemplo de aplicación a gran escala D 0.00 0.00 9.62

7 A 0.00 0.00 16.04 0.00 0.00 16.04

Como se mencionó antes, el algoritmo ha-sido diseñado y programado para hacer frente a la B 0.00 0.00 16.04 0.00 0.00 16.04
verdadera optimización de las torres de transmisión de energía y la construcción teniendo en cuenta C 0.00 0.00 16.04 0.00 0.00 16.04
D 21.17 0.00 5.29
los aspectos prácticos. casas de referencia

Tabla 6 Table 8
Bloques dimensiones (en m) para el diseño inicial del ejemplo de aplicación a gran escala. H Cross-sectional areas of the bars for the initial design of the full-scale application example. Each equal leg angle
es la altura del bloque, W la anchura de la base ( b para la parte inferior, t y para la tapa X y y profile is defined by its flange width and thickness (mm).
para el eje) L como es la longitud de los brazos de la cruz.

bloque tipo H W b; x W b; y W t; x W t; y L como Block Group 1 Group 2 Group 3 Group 4 Group 5 Group 6 1

1 Braced X 06:00 7.20 7.20 6.25 6.25 – L150 14 L70 6 L70 6 L110 10 L160 14 –
2 Braced X 6.00 6.25 6.25 5.30 5.30 – 2 L180 14 L70 6 L70 6 L110 8 L150 14 –
3 Braced X 6.00 5.30 5.30 4.35 4.35 – 3 L180 13 L60 6 L70 6 L80 7 L110 10 –
4 Braced super X 6.00 4.35 4.35 3.40 3.40 – 4 L180 13 L70 6 L70 6 L75 6 L90 8 L80 6
5 X 2.00 3.40 3.40 3.08 3.08 – 5 L120 10 L110 10 – – – –
6 X 2.00 3.08 3.08 2.76 2.76 – 6 L110 10 L100 10 – – – –
7 X 2.00 2.76 2.76 2.45 2.45 – 7 L110 10 L110 8 – – – –
8 X 2.00 2.45 2.45 2.13 2.13 – 8 L100 10 L90 8 – – – –
9 X 2.00 2.13 2.13 1.82 1.82 – 9 L120 10 L80 7 – – – –
10 Super X 2.00 1.82 1.82 1.50 1.50 – 10 L100 10 L90 9 L75 6 – – –
11 Short cross arm 1.10 1.50 1.50 1.50 1.50 4.10 11 L90 7 L60 6 L45 5 L80 6 L35 3 L50 5
12 X 1.10 1.50 1.50 1.50 1.50 – 12 L90 8 L70 6 – – – –
13 X 1.10 1.50 1.50 1.50 1.50 – 13 L90 7 L70 6 – – – –
14 Super X 1.10 1.50 1.50 1.50 1.50 – 14 L80 7 L70 6 L80 6 – – –
15 Short cross arm 1.10 1.50 1.50 1.50 1.50 4.30 15 L75 7 L80 6 L35 4 L75 7 L35 3 L50 5
16 X 1.10 1.50 1.50 1.50 1.50 – 16 L70 6 L80 6 – – – –
17 X 1.10 1.50 1.50 1.50 1.50 – 17 L70 6 L80 6 – – – –
18 Super X 1.10 1.50 1.50 1.50 1.50 – 18 L60 6 L80 6 L80 6 – – –
19 Short cross arm 1.10 1.50 1.50 1.50 1.50 4.10 19 L60 6 L75 7 L35 4 L80 7 L35 3 L50 5
20 Super lambda 1.80 1.50 1.50 0.94 0.94 – 20 L90 8 L70 6 L35 3 – – –
21 Super lambda 1.50 0.94 0.94 0.50 0.50 – 21 L75 6 L50 5 L35 3 – – –
22 Super lambda 1.00 0.50 0.50 0.15 0.15 – 22 L70 6 L35 3 L35 3 – – –
23 Peak 0.50 0.15 0.15 0.00 0.00 – 23 L60 5 – – – – –
284 I. Couceiro et al. / Engineering Structures 117 (2016) 274–286

by 219 nodes. The structure is subject to 7 different load cases exposed in Table 7 that cover all the unbraced length, and therefore a better behavior under buckling which allows the use of smaller
types of loads that may act on this type of structures according to the specific standards. cross-sections for the elements. The optimum design has 207 constraints active.

Table 8 shows the initial cross-sections for each group of discrete variables within each block. The Fig. 11 shows the objective function evolution vs number of structural analyses for the standard
design constraints are described in Section 5.2 . There are a total of 14,440 constraints, 76 discrete Simulated Annealing algorithm in comparison with the proposed enhancements. First, it
variables and 47 continuous variables. The overall geometry is shown in Fig. 9 . The initial weight of
the structure is 16.38 tonnes. The initial design of the tower (i.e. that of the real structure), regarding
the cross-sectional areas, is achieved by a sizing algorithm that iteratively reduces the cross-sectional
areas taking into account the same constraints of the optimization process. The algorithm reduces the
Table 9
variables until none can be further reduced without violating the constraints. During this process the
Cross-sectional areas of the bars for the optimum design of the full-scale application example.
geometry remains fixed, and the loads considered are the same as those for the optimization. The
initial design starts with 35 active constraints.
Block Group 1 Group 2 Group 3 Group 4 Group 5 Group 6

1 L150 14 L70 5 L70 5 L50 4 L70 5 –

2 L150 12 L70 5 L70 5 L40 3 L50 5 –
3 L150 12 L70 5 L60 5 L40 4 L45 4 –
4 L150 12 L70 5 L70 5 L45 5 L45 5 L70 7
5 L110 10 L75 8 – – – –

The optimized design for this tower is detailed in Tables 9 and 10 . The optimized weight is 9.05 6 L110 10 L75 7 – – – –
7 L100 10 L75 8 – – – –
tonnes, which means 44.73% less than the initial design. The present algorithm performs 7274
8 L110 8 L70 7 – – – –
iterations and completes the optimization process in 8850 s. The optimization process has been
9 L100 10 L75 7 – – – –
performed with and without including the sensitivity analysis proposed. Considering the sensitivity 10 L90 9 L75 8 L70 5 – – –
analysis, the computational cost involved per iteration leads to the 8850 s of CPU time mentioned. 11 L70 7 L60 6 L40 4 L70 5 L35 3 L50 4

However, with the traditional approach without the first order sensitivity analysis, the CPU time 12 L75 6 L70 5 – – – –
13 L70 7 L60 5 – – – –
required for the 7274 iterations increases to 109,095 s.
14 L75 6 L70 6 L60 5 – – –
15 L70 6 L60 6 L40 4 L80 6 L40 3 L50 4
16 L70 7 L60 6 – – – –
17 L70 5 L60 6 – – – –
18 L60 6 L70 5 L70 6 – – –
The overall optimized design is shown in Fig. 10 . The optimum
19 L60 6 L50 5 L35 3 L75 6 L40 3 L45 5
design tends to be much more slender than the initial one. This aspect determines not only the
20 L70 5 L60 5 L40 3 – – –
geometry but the sizes of the cross-sectional areas too. As continuous variables decrease, the 21 L60 6 L45 5 L35 4 – – –
elements become shorter. Shorter elements mean a reduction of the 22 L45 5 L35 4 L35 4 – – –
23 L40 4 – – – – –

Fig. 9. Initial design of the full-scale application example. Fig. 10. Optimum design of the full-scale application example.
 I. Couceiro et al. / Engineering Structures 117 (2016) 274–286 285

Table 10
Full-scale example optimized design dimensions (m) and comparison with the initial design.

Block W b;x W b;y W t;x W t;y D W b;x D W b;y D W t;x D W t;y

1 4.4013 3.6958 3.1861 2.6535 2.7987 3.5042 3.0639 3.5965

2 3.1861 2.6535 2.9279 2.0315 3.0639 3.5965 2.3721 3.2685
3 2.9279 2.0315 3.0216 2.1636 2.3721 3.2685 1.3284 2.1864
4 3.0216 2.1636 1.9824 1.8058 1.3284 2.1864 1.4176 1.5942
5 1.9824 1.8058 2.0860 1.8259 1.4176 1.5942 0.9940 1.2541
6 2.0860 1.8259 2.1774 1.8110 0.9940 1.2541 0.5826 0.9490
7 2.1774 1.8110 1.9219 1.6800 0.5826 0.9490 0.5281 0.7700
8 1.9219 1.6800 1.5677 1.6757 0.5281 0.7700 0.5623 0.4543
9 1.5677 1.6757 1.4033 1.2756 0.5623 0.4543 0.4167 0.5444
10 1.4033 1.2756 1.3446 1.3450 0.4167 0.5444 0.1554 0.1550
11 1.3446 1.3450 1.5311 1.3759 0.1554 0.1550 + 0.0311 0.1241
12 1.5311 1.3759 1.2688 1.2594 + 0.0311 0.1241 0.2312 0.2406
13 1.2688 1.2594 1.1431 0.9916 0.2312 0.2406 0.3569 0.5083
14 1.1431 0.9916 1.0238 1.3033 0.3569 0.5083 0.4762 0.1967
15 1.0238 1.3033 1.5550 1.2963 0.4762 0.1967 + 0.0550 0.2037
16 1.5550 1.2963 1.4660 0.8197 + 0.0550 0.2037 0.0340 0.6802
17 1.4660 0.8197 0.9015 0.9960 0.0340 0.6802 0.5984 0.5039
18 0.9015 0.9960 0.9541 1.1739 0.5984 0.5039 0.5458 0.3261
19 0.9541 1.1739 1.3795 1.1383 0.5458 0.3261 0.1205 0.3617
20 1.3795 1.1383 0.9611 0.8596 0.1205 0.3617 + 0.0211 0.0803
21 0.9611 0.8596 0.6060 0.4454 + 0.0211 0.0803 + 0.1060 0.0545
22 0.6060 0.4454 0.2624 0.2191 + 0.1060 0.0545 + 0.1124 + 0.0691
23 0.2624 0.2191 0.0000 0.0000 + 0.1124 + 0.0691 0.0000 0.0000

17 of three dimensional trusses used as power transmission towers. Practical and constructional aspects
No improvements Compatibility Smoothing
of the towers have been taken into account in the formulation of the problem as well as the main
Compatibility+Smoothing
16
Compatibility+Smoothing+Reheating structural standards represented by means of the constraints imposed. The performance of the base
algorithm has been improved with a first order sensitivity analysis in order to avoid the computation of
15

all the structural analyses the Simulated Annealing requires. Consequently, the efficiency of the
14 algorithm is increased. The reheating cycles, the compatibility and smoothing processes highly
increase the performance of the methodology, specially when dealing with completely real
Weight (t)

13
engineering problems.

12

11

The developed algorithm has also been tested in sizing and layout optimization problems with
10
remarkable results. This methodology is compared through the studied benchmarks with several
9 algorithms like genetic algorithms, fuzzy algorithms, optimality criteria or harmony search among
0 200 400 600 800 1000 1200 1400
Structural analyses others, showing its power and performance. The Simulated Annealing along with the included
enhancements have also been proved efficient in the optimization of real transmission structures, as
Fig. 11. Convergence curves of structural weight obtained for the real full-scale power transmission tower considering
shown in a real application example, obtaining solutions even a 40% better than actual designs.
or not considering the proposed enhancements.
Despite the fact that we started off with a very specific problem and with an optimization algorithm that
was intentionally developed to deal with this problem, we were able to adapt the methodology to a
widely extended benchmark with satisfactory conclusions.
can be seen that including the compatibility and the smoothing module separately has slight influence.
However, the use of both improvements together in the formulation improves considerably the
performance of the algorithm with a similar cost in structural analyses. Finally, the use of the
reheating cycles in the algorithm yields a clear improvement in design although the number of
structural analyses required is increased. The reheating cycles allow the algorithm to escape from the
local optimum and proceed to an improved one. Even though the Simulated Annealing is meant to
avoid the convergence to local optima, as the temperature decreases, the algorithm becomes less
Acknowledgments
flexible disabling the acceptance of new increments of the objetive function and stagnating at local
solutions. Therefore, the implementation of the reheating cycles solves this issue and enables the
This work has been partially supported by the Ministerio de Ciencia e Innovación ( Grant
achievement of better solutions.
#DPI2010-16496) and the Ministerio de Economía y Competitividad ( Grant #DPI2012-33622) of the
Spanish Government and by the Consellería de Cultura, Educación e Ordenación Universitaria of the Xunta
de Galicia ( Grant #GRC2014/039) cofinanced with FEDER funds, and the Universidade da Coruña.

6. Conclusions References

[1] Makris PA, Provatidis CG. Weight minimisation of displacement-constrained

In this paper a modified version of the Simulated Annealing algorithmhas been proposed for the truss structures using a strain energy criterion. Comput Methods Appl Mech Eng 2002;191:2159–77 .
layout and sizing optimization
286 I. Couceiro et al. / Engineering Structures 117 (2016) 274–286
[2] Lee KS, Geem ZW. A new structural optimization method based on the
harmony search algorithm. Comput Struct 2004;82:781–98 .
[3] Lamberti L. An efficient simulated annealing algorithm for design optimization
of truss structures. Comput Struct 2008;86:1936–53 .
[4] Farshi B, Alinia-ziazi A. Sizing optimization of truss structures by method of
centers and force formulation. Int J Solids Struct 2010;47:2508–24 .
[5] Degertekin S0. Improved harmony search algorithms for sizing optimization of
truss structures. Comput Struct 2012;92–93:229–41 .
[6] Kaveh A, Mahdavi VR. Colliding bodies optimization method for optimum
design of truss structures with continuous variables. Adv Eng Softw 2014;70:1–12 .
[7] Camp CV, Farshchin M. Design of space trusses using modified teaching-
learning based optimization. Eng Struct 2014;62–63:87–97 .
[8] Rahami H, Kaveh A, Gholipour Y. Sizing, geometry and topology optimization
of trusses via force method and genetic algorithm. Eng Struct 2008;30 (9):2360–9 .
[9] Achtziger W, Stolpe M. Truss topology optimization with discrete design
variables – guaranteed global optimality and benchmark examples. Struct Multidisc Optim 2007;34:1–20 .
[10] Tang W, Tong L, Gu X. Improved genetic algorithm for design optimization of
truss structures with sizing, shape and topology variables. Int J Numer Methods Eng 2005;62:1737–62 .
[11] Vanderplaats GN, Moses F. Automated design of structures for optimum
geometry. J Struct Div ASCE 1972;98:671–90 .
[12] Soh CK, Yang JP. Fuzzy controlled genetic algorithm for shape optimization. J
Comput Civil Eng ASCE 1996;10:143–50 .
[13] Yang JP, Soh CK. Structural optimization by genetic algorithms with
tournament selection. J Comput Civil Eng ASCE 1997;11:195–200 .
[14] Zheng QZ, Quering QM, Barton DC. Geometry and sizing optimization of
discrete structure using the genetic programming method. Struct Multidisc Optim 2006;31:452–61 .
[15] Ebadi MM, Rashtchi V, Behravesh A. Sizing and geometry optimization of pin
connected structures via real coded genetic algorithm (RCGA). Global J Comput Sci Technol 2011;11(9) .
[16] Kirkpatrick S, Gelatt CD, Vecchi MP. Optimization by simulated annealing. Sci,
New Ser 1983;220(4598):671–80 .
[17] White SR. Concepts of scale in simulated annealing. In: Proc. IEEE international
conference on computer design, Port Chester, USA; 1984. p. 646–51. [18] Anily S, Federgruen A. Ergodicity in
parametric nonstationary Markov chains:
an application to simulated annealing methods. Oper Res 1987;35(6):867–74 .
[19] Hajek B. Cooling schedules for optimal annealing. Math Oper Res
1988;13:311–29 .
[20] Theodoracatos VE, Grimsley JL. The optimal packing of arbitrarily-shaped
polygons using simulated annealing and polynomial-time cooling schedules. Comput Methods Appl Mech Eng
1995;125:53–70 .
[21] Cruz JR, Dorea CCY. Simple conditions for the convergence of simulated
annealing type algorithms. J Appl Probab 1998;35(4):885–92 .
[22] Wah BW, Chen Y, Wang T. Theory and applications of simulated annealing for
nonlinear constrained optimization. Simul Anneal 2008;9:155–87 .
[23] Geman D, Geman S. Stochastic relaxation, Gibbs distribution and de bayesian
restoration of images. IEEE Trans Pattern Anal Machine Intell 1984;PAMI-6 (3):721–41 .
[24] Gidas B. Nonstationary Markov chains and convergence of the annealing
algorithm. J Stat Phys 1985;31(1):73–131 .
[25] Kuik R, Salomon M. Multi-level lot sizing problem: evaluation of a simulated
annealing. Eur J Oper Res 1990;45(1):25–37 .
[26] Orsila H, Salminem E, Hmlinen TD. Best practices for simulated annealing in
multiprocessor task distribution problems. Simul Anneal 2008;16:321–42 .
[27] Bonnemoy C, Hamma SB. La Méthode du recuit simulé: optimisation dans R n .
APII, Aut Prod Inf Ind 1991;25(5):477–96 .
[28] Abramson D, Krishnamoorthy M, Dang H. Simulated annealing cooling
schedules for the school timetabling problem. Asia-Pacific J Oper Res 1999;16(1):1–22 .
[29] Hasancebi O, Carbas S, Saka MP. Improving the performance of simulated
annealing in structural optimization. Struct Multidisc Optim
2010;41:189–203 .
[30] Metropolis N, Rosenbluth A, Rosenbluth N. Equation of state calculations by
fast computing machines. J Chem Phys 1953;21:1081–97 .
[31] Wong KL, Constantinides AG. Speculative parallel simulated annealing with
acceptance prediction. Electron Lett 1998;34(3):312–3 .
[32] París J, Navarrina F, Colominas I, Casteleiro M. Stress constraints sensitivity
analysis in structural topology optimization. Comput Methods Appl Mech Eng 2010;199:2110–22 .
[33] Choi KK, Kim N. Structural sensitivity analysis and optimization 1. Springer;
2005 .
[34] Union Per Regulation 305/2011. Directive 98/34/EC, Directive 2004/18/EC.
UNE EN 1993 Eurocode N3: design of steel structures; 1993. [35] American Society of Civil Engineers. ASCE
10-97: design of latticed steel
transmission structures; 1997.