Fast design optimization of SLB dampers using FEM-calibrated surrogates:
hysteresis prediction with LSTM and damage-constrained optimization

Resumen y palabras clave
Abstract

Contexto: necesidad de optimización geométrica eficiente de disipadores SLB bajo cargas cíclicas.

Base: simulaciones FEM calibradas como ground truth para la respuesta histerética y variables internas de daño no directamente medibles.

Metodología:

generación de datasets FEM para disipadores con 2, 3 y 5 ventanas,

predicción de curvas histeréticas mediante modelos LSTM,

optimización geométrica mediante modelos surrogate supervisados y RBF,

comparación sistemática en términos de precisión y coste computacional.

Resultados clave: trade-off precisión–velocidad y recomendaciones prácticas.

Conclusión: viabilidad de pipelines rápidos y fiables para diseño asistido.

Keywords

hysteresis, LSTM, surrogate modeling, supervised learning, radial basis functions, structural optimization, FEM-calibrated models, shear-link dampers

1. Introducción
1.1 Motivación y problema de ingeniería

Disipadores SLB: maximizar disipación de energía y ductilidad, limitando daño local.

Limitaciones del ensayo experimental:

imposibilidad de acceder a variables internas,

alto coste para exploración geométrica.

Rol del FEM:

acceso a respuesta global e indicadores locales de daño,

generación sistemática de datos para optimización.

1.2 Retos principales

Respuesta histerética con memoria (dependencia del historial de carga).

Coste computacional elevado de simulaciones FEM.

Extrapolación limitada de modelos puramente basados en datos.

Necesidad de surrogates rápidos pero fiables.

1.3 Contribuciones del artículo

Generación de datasets FEM para disipadores con distinta complejidad geométrica.

Predicción de curvas histeréticas mediante LSTM.

Optimización geométrica basada en:

modelos ML supervisados (RF, GBT, XGBoost, SVR, MLP),

Radial Basis Functions.

Comparativa exhaustiva precisión vs tiempo.

Estrategia de validación y realimentación adaptativa.

2. Simulación numérica y generación del ground truth

Esta sección queda muy bien enfocada en tu esquema; solo la estructuro mejor.

2.1 Geometría de los disipadores

Disipadores SLB con:

2 ventanas,

3 ventanas,

5 ventanas.

Parámetros geométricos:

espesores de ventanas (tw),

espesor de marco (tf).

2.2 Protocolos de carga cíclica

Desplazamiento impuesto por actuador.

Protocolos de amplitud progresiva.

Dependencia del protocolo con la altura del disipador.

2.3 Variables de salida del FEM (QoIs)

Respuesta global: curva fuerza–desplazamiento (histéresis).

Indicadores de daño:

TFDMap,

distorsión local asociada a la disipación de energía.

2.4 Diseño del conjunto de simulaciones

Exploración sistemática del espacio de diseño.

Muestreo cuasi-aleatorio de parámetros geométricos.

Separación clara entre:

datasets de entrenamiento,

casos de validación.

3. Predicción de curvas histeréticas mediante LSTM

Esta sección queda muy sólida y es uno de los puntos fuertes del paper.

3.1 Formulación del problema con memoria

Objetivo: predecir 
F(t)
F(t) a partir del historial de desplazamiento y geometría.

Justificación:

el desplazamiento instantáneo no es suficiente,

dependencia del sentido y amplitud previa de carga.

3.2 Representación secuencial de la señal

Entrada:

xt=[ut,u˙t,ciclo,amplitud,paraˊmetros geomeˊtricos]
x
t
	​

=[u
t
	​

,
u
˙
t
	​

,ciclo,amplitud,par
a
ˊ
metros geom
e
ˊ
tricos]

Salida:

Ft
F
t
	​

 (autoregresivo) o

secuencia completa (many-to-many).

3.3 Arquitecturas LSTM consideradas

LSTM many-to-many.

Encoder–decoder para generalización entre protocolos.

LSTM con atención (opcional).

3.4 Entrenamiento y validación

Normalización.

Funciones de pérdida (MAE/MSE + penalización en picos).

División por simulaciones completas (evitar data leakage).

3.5 Ventajas y limitaciones

Ventajas: captura explícita de memoria, alta fidelidad en histéresis.

Limitaciones: coste de entrenamiento, necesidad de datos, extrapolación.

4. Optimización geométrica basada en modelos surrogate
4.1 Formulación del problema

Variables de diseño: 
{twi,tf}
{tw
i
	​

,tf}.

Objetivos:

minimizar daño,

maximizar distorsión / disipación de energía.

Restricciones basadas en indicadores de daño.

4.2 Surrogates empleados

Modelos supervisados: RF, GBT, XGBoost, SVR, MLP.

Radial Basis Functions como alternativa directa.

4.3 Algoritmo de optimización

Differential Evolution (DE).

Evaluación masiva mediante surrogates.

Selección de geometrías óptimas candidatas.

5. Validación numérica y realimentación adaptativa
5.1 Validación FEM de diseños optimizados

Comparación surrogate vs FEM:

curva histerética,

indicadores de daño.

5.2 Estrategia de reentrenamiento

Criterio de error admisible.

Incorporación iterativa de nuevas simulaciones FEM.

6. Comparativa: modelos supervisados vs RBF

Esta sección es clave y merece entidad propia.

6.1 Precisión predictiva

Error en daño.

Error en variables de desempeño.

6.2 Coste computacional

Tiempo de entrenamiento.

Tiempo de inferencia.

Escalabilidad con la dimensión del problema.

6.3 Discusión práctica

Cuándo usar cada enfoque según:

tamaño del dataset,

dimensionalidad,

necesidad de rapidez.

7. Discusión

Trade-off precisión–velocidad–robustez.

Papel del feature engineering frente a métodos puramente interpolativos.

LSTM como herramienta complementaria, no sustituta, del surrogate para optimización.

Implicaciones para diseño asistido en ingeniería estructural.

8. Conclusiones

FEM como generador de ground truth rico.

LSTM eficaz para histéresis con memoria.

Optimización acelerada viable con surrogates.

RBF como solución ultra-rápida en dominios bien cubiertos.

Recomendaciones claras según escenario de uso.

Apéndices

A. Detalles de normalización y métricas.

B. Hiperparámetros LSTM.

C. Definición matemática de la función objetivo.