Optimización del diseño de soportes de transformadores eléctricos mediante el uso de un método de aprendizaje por refuerzo integrado con software de elementos finitos

Abstract

El diseño de estructuras de soporte para equipos eléctricos de alta tensión en Chile enfrenta desafíos únicos debido a la alta sismicidad del país y a los estrictos requisitos de operación continua. La normativa vigente impone restricciones severas, destacando la necesidad de que estas estructuras sean rígidas, con una frecuencia fundamental superior a 30 Hz, para evitar la amplificación dinámica. El proceso de diseño tradicional, basado en métodos iterativos manuales y la experiencia del ingeniero, suele resultar costoso en tiempo y no garantiza el uso óptimo de los recursos disponibles. Esta investigación presenta una metodología de optimización del diseño estructural basada en Aprendizaje por Refuerzo Profundo (Deep Reinforcement Learning, DRL). Se implementa un agente inteligente utilizando el algoritmo Deep Q-Network (DQN), el cual interactúa autónomamente con el software de elementos finitos SAP2000 mediante una interfaz de programación (API). El problema de diseño se formula como una optimización combinatoria en un espacio discreto, donde el agente aprende a seleccionar perfiles de acero de un catálogo comercial para minimizar el peso de la estructura. Para considerar las restricciones del método numérico, los criterios de resistencia y frecuencia fundamental se incorporan dentro de la función de recompensa; es decir, el algoritmo recibe una penalización matemática cada vez que propone un diseño que no cumple con la norma. La metodología se valida en dos etapas: un modelo simplificado 2D y una torre reticulada espacial 3D sujeta a torsión y sismo bidireccional. Los resultados sugieren que el agente es capaz de converger al óptimo global, explorando el conjunto óptimo de manera robusta y reduciendo el tiempo de cómputo considerablemente con respecto a métodos de fuerza bruta. Finalmente, el estudio concluye que es fundamental permitir que la IA explore una gran variedad de soluciones al inicio para encontrar el diseño más eficiente. Esto confirma que la Inteligencia Artificial es una herramienta capaz de resolver problemas de ingeniería complejos con reglas difíciles de cumplir.

The design of support structures for high-voltage electrical equipment in Chile faces unique challenges due to the country’s high seismicity and strict continuous operation requirements. Current regulations impose severe restrictions, particularly highlighting the need for these structures to be rigid, with a fundamental frequency greater than 30 Hz, to prevent dynamic amplification. The traditional design process, based on manual iterative methods and engineering experience, is often time-consuming and does not guarantee the optimal use of available resources. This research presents a structural design optimization methodology based on Deep Reinforcement Learning (DRL). An intelligent agent is implemented using the Deep Q-Network (DQN) algorithm, which interacts autonomously with the finite element software SAP2000 via an Application Programming Interface (API). The design problem is formulated as a combinatorial optimization task within a discrete space, where the agent learns to select steel profiles from a commercial catalog to minimize the structure’s weight. To account for the numerical method constraints, strength and fundamental frequency criteria are incorporated directly into the reward function; that is, the algorithm receives a mathematical penalty whenever it proposes a design that fails to comply with the standard. The methodology is validated in two stages: a simplified 2D model and a 3D spatial lattice tower subjected to torsion and bidirectional seismic loading. The results suggest that the agent is capable of converging to the global optimum, robustly exploring the solution space and significantly reducing computation time compared to brute force methods. Finally, the study concludes that allowing the AI to explore a wide variety of solutions in the early stages is fundamental to finding the most efficient design. This confirms that Artificial Intelligence is a capable tool for solving complex engineering problems governed by stringent constraints.