Eficiencia e innovación en estructuras prefabricadas de hormigón: propuesta de nueva unión y dimensionamiento con redes neuronales artificiales

Abstract

Las estructuras constituidas por elementos prefabricados de hormigón armado o pretensado tienen una amplia utilización en nuestros días. Sin embargo, a pesar de su constante crecimiento, aún queda un notable campo de desarrollo. El comportamiento de la estructura depende fundamentalmente del comportamiento de las uniones entre los elementos prefabricados y el desarrollo de estas aún tiene campo de investigación por delante, sobre todo cuando las uniones no son articuladas y se pretende que transmitan momentos, buscando mayor eficiencia frente a acciones horizontales. En esta tesis se propone una nueva unión seca viga pilar entre elementos prefabricados de hormigón. Esta unión se analiza desde distintos niveles: (I) como elemento estructural independiente, comparándola con la monolítica ejecutada in situ; (II) Integrada en un sistema estructural completo aplicado a un caso de estudio de un edificio en el sur de Europa y (III) se genera un procedimiento mediante el uso de redes neuronales artificiales para el diseño y dimensionado de la unión. Como elemento estructural independiente se generan simulaciones utilizando métodos numéricos, se evalúa el comportamiento de la unión propuesta frente a acciones verticales y horizontales. Asimismo, se realiza un análisis modal del comportamiento de la unión. Ambos análisis se comparan con su equivalente ejecutada in situ. Los resultados indican que la unión podría ser utilizada en estructuras convencionales porticadas cumpliendo las prescripciones del Eurocódigo. El análisis se completa con la incorporación de la unión a un caso de estudio concreto de un edificio tipo de 7 plantas de altura, y se compara con el mismo edificio ejecutado con una estructura tradicional in situ. Se obtienen reducciones del plazo de ejecución de hasta el 60% al utilizar la nueva unión. Se analizan también escenarios de reutilización, en los que la reutilización de la estructura prefabricada reduce el coste económico amulado en más de un 10%, haciendo más ventajosa esta opción frente a la tradicional. El uso de redes neuronales artificiales (ANNs) para el diseño eficiente de elementos estructurales es un campo de investigación abierto en el que se han logrado recientemente avances significativos. En esta tesis, se ha desarrollado un procedimiento basado en redes neuronales artificiales para predecir las tensiones y deformaciones máximas en los elementos de la unión. En la arquitectura de las ANNs se utiliza un perceptrón multicapa combinado con un algoritmo de retropropagación o backpropagation y se aplica como función de activación la tangente hiperbólica. En el diseño y fase de aprendizaje se han utilizado 22 modelos numéricos que proporcionan un total de más 2 millones de datos. En la fase de validación posterior se utilizaron 10 modelos, que suponen un dataset de 1,2 millones. Los resultados obtenidos muestran la viabilidad del procedimiento seguido. Si comparamos las tensiones que las ANNs predicen con las obtenidas en los análisis FEM, la diferencia máxima es 9,16% mientras que la diferencia media se mantiene en todos los casos por debajo del 8,36%. Estos valores máximos se dan cuando la tensión en el hormigón está próxima a su máximo. Si la tensión del hormigón se sitúa por debajo de Fck/1.5, el error medio se sitúa por debajo del 5%. Esos resultados validan su uso como herramienta de diseño estructural. La principal ventaja de las ANNs propuestas es que pueden adaptarse fácil y eficazmente a diferentes parámetros de conexión o se puede aplicar a distintas uniones siguiendo el mismo procedimiento utilizado en esta tesis. Además, su uso podría aplicarse tanto en el diseño de la nueva unión de hormigón prefabricado como con una ejecutada in situ. Los resultados de esta investigación podrían contribuir a la implementación de los elementos prefabricados en edificios residenciales y el uso de redes neuronales artificiales para el diseño y cálculo de elementos estructurales.

Structures comprised of precast reinforced or prestressed concrete elements are extensively utilized in contemporary construction practices. Nevertheless, despite their continual proliferation, there exists a significant realm for further advancement. The structural performance predominantly hinges on the characteristics of the connections among the precast elements, and the refinement of these connections still warrants extensive research, particularly in cases where non-bolted connections are employed to transmit moments, aiming for enhanced efficacy against lateral forces. This thesis proposes a novel dry beam column connection between precast concrete elements. The connection is analyzed at different levels: (I) as an independent structural element, comparing it with the monolithic cast in situ; (II) integrated into a complete structural system applied to a case study of a building in southern Europe, and (III) a procedure is developed using artificial neural networks for the design of the joint. As an independent structural element, simulations are generated using numerical methods to evaluate the behavior of the proposed connection under vertical and horizontal actions. Additionally, a modal analysis of the connection's behavior is conducted. Both analyses are compared with their in-situ cast equivalent. The results indicate that the connection could be used in conventional frame structures, meeting Eurocode requirements. The analysis is further complemented by incorporating the connection into a specific case study of a typical building, comparing it with the same building constructed using a traditional in-situ structural system. Execution time reductions of up to 60% are achieved by employing the new connection. Re-use scenarios are also tested, wherein the re-use of prefabricated structures reduces the cumulative economic cost by over 10%, making this option more advantageous than the traditional approach. The use of artificial neural networks (ANNs) for the efficient design of structural elements is an open research field where significant advancements have been made recently. In this thesis, a procedure based on artificial neural networks has been developed to predict maximum stresses and deformations in connection elements. The architecture of the ANNs employs a multilayer perceptron combined with a backpropagation algorithm, using the hyperbolic tangent as the activation function. For design and learning phases, 22 numerical models were utilized, providing a total of over 2 million data points. In the validation phase, 10 models were used, constituting a dataset of 1.2 million. The results obtained demonstrate the viability of the procedure followed. When comparing the stresses predicted by ANNs with those obtained in FEM analyses, the maximum difference is 9.16%, while the average difference remains below 8.36% in all cases. These maximum values occur when the stress in concrete is close to its maximum. If the concrete stress is below Fck/1.5, the average error is below 5%. These results validate their use as a structural design tool. The main advantage of the proposed ANNs procedure is their ability to adapt easily and effectively to different connection parameters or to be applied to different connections following the same procedure used in this thesis. Furthermore, their use could be applied to both the design of new precast concrete connections and those cast in situ. The results of this research could contribute to the implementation of prefabricated elements in residential buildings and the use of artificial neural networks for the design of structural elements.