Un nuevo estudio analiza el potencial del aprendizaje por refuerzo profundo (Deep Reinforcement Learning, DRL) para mejorar el control de las simulaciones híbridas en tiempo real (Real-Time Hybrid Simulation, RTHS), una metodología utilizada para estudiar el comportamiento de estructuras y sistemas sometidos a diferentes condiciones dinámicas.
Las simulaciones híbridas en tiempo real permiten combinar componentes físicos con modelos computacionales para reproducir el comportamiento de un sistema durante una determinada condición de operación. Esta metodología resulta especialmente relevante en ingeniería estructural, ya que permite evaluar la respuesta de sistemas complejos sin depender exclusivamente de ensayos físicos a escala completa.
Sin embargo, este tipo de simulaciones enfrenta desafíos relacionados con la sincronización entre los componentes físicos y numéricos. Mantener una respuesta coordinada y estable durante el proceso es fundamental para garantizar que los resultados obtenidos representen adecuadamente el comportamiento del sistema estudiado.
Frente a este desafío, la investigación propone incorporar aprendizaje por refuerzo profundo, una técnica de inteligencia artificial en la que un agente aprende a tomar decisiones a partir de la interacción con un entorno y de la evaluación de los resultados de sus acciones.
Una de las características relevantes del enfoque estudiado es su metodología libre de modelos (model-free). En lugar de depender de un modelo matemático completamente definido para establecer las acciones de control, el sistema aprende a partir de la información obtenida durante el proceso.
Esta capacidad resulta de interés para sistemas que presentan dinámicas complejas, incertidumbre o comportamientos difíciles de representar mediante modelos convencionales.
Los resultados de la investigación muestran que el uso de DRL puede contribuir a mejorar aspectos relacionados con la precisión y estabilidad de las simulaciones híbridas en tiempo real. De esta manera, la inteligencia artificial se presenta como una herramienta capaz de complementar las estrategias tradicionales de control utilizadas en este tipo de sistemas.
