Los planes de tratamientos de riesgos involucra el uso de diferentes recursos (horas hombre, licencias, hardware, software, etc.) con el fin de reducir el nivel de riesgo hasta obtener el nivel de riesgo aceptable que la alta dirección necesita. El problema para establecer un adecuado plan de tratamiento se centra en analizar factores como limitaciones de presupuestos, fechas límites, nivel deseado de calidad, seguridad y salud ocupacional. Consecuentemente pueden existir diversos objetivos que cumplir por parte de los tratamientos de riesgos analizados, un control puede reducir dos a más riesgos, por lo tanto, se convierte en un reto encontrar el conjunto de tratamientos de riesgos que constituyen el plan, que permitan llegar al nivel de riesgo aceptable. Iniciaremos por analizar los métodos aplicados en otras ramas como la construcción e ingeniería civil y cómo éstos pueden ser aplicados a la selección de tratamientos de riesgos:

Algoritmo genético de clasificación no dominado - II (NGSA-II)

Es uno de los algoritmos más poderosos, el cual utiliza la clasificación no dominada para las soluciones en la población. Las soluciones no dominadas se clasifican en cada iteración, y se excluyen de la población en cada iteración posterior. Además, en cada conjunto de soluciones clasificadas, las soluciones se comparan entre sí por su formación de hacinamiento. En el paso de hacinamiento, la posición de una solución única se mide por su distancia desde los puntos de las soluciones adyacentes, y en función de su distancia, la solución se asigna con un rango, ya que los mejores rangos comienzan desde la distancia más corta hasta la más larga.

En sostenibilidad para viviendas de bajos ingresos, Marzouk M. y Metawie M. de Egipto, incorporaron este algoritmo con BIM para ayudar al gobierno egipcio a encontrar soluciones que optimicen mejor esos objetivos. El modelo BIM fue creado usando Revit. El modelo se definió en función de las cantidades y propiedades de los materiales extraídos del modelo BIM. Estas cantidades ayudaron a encontrar las diferentes soluciones en términos de costo del proyecto, duración y puntos LEED máximos. La productividad y el costo de la construcción se determinaron utilizando un edificio de viviendas de bajos ingresos de 44 actividades. Además, los puntos LEED se calcularon a través de cinco créditos elegidos de la categoría de materiales y recursos.

Los investigadores Inyim P., Rivera J. y Zhu Y., abordaron el problema de los componentes del edificio y la selección de materiales utilizando (SimulEICon) una herramienta BIM que simula el impacto ambiental en los edificios. El proceso de optimización de tiempo, costo y emisiones de CO2 fue realizado por este algoritmo. El estudio de caso fue una casa real de energía neta cero. El modelo consideró 16 actividades y 185 componentes de construcción. Se encontró que algunas de las combinaciones de componentes sugeridas por SimulEICon coincidían con las combinaciones de componentes originales utilizadas en la casa existente. Sin embargo, SimulEICon carecía de la capacidad de dar cuenta de más de tres objetivos.

Los ejemplos mostrados demuestran que el algoritmo genético de clasificación no dominado - II plasmó su capacidad para optimizar recursos en construcción de viviendas, y optimizar tiempo, costos e impacto ambiental.

Optimización de enjambre de partículas (PSO)

El patrón de aves y peces en bandada fue la inspiración de PSO. En PSO, un conjunto de soluciones se llama enjambre, mientras que una solución se llama partícula. Las partículas se colocan en un espacio de búsqueda dimensional. En cada paso, cada partícula cambia su velocidad para moverse hacia la mejor solución y hacia la mejor solución global [35]. PSO abordó diferentes cuestiones de ingeniería y gestión de la construcción. Algunos estudios propusieron PSO para resolver problemas de planificación del sitio.

Xu y Li propusieron una PSO basada en permutación para resolver el problema de planificación de un diseño dinámico del sitio de construcción, en el que se usaron números ordinales asignados a las partículas para presentar las posibles soluciones. Los objetivos considerados en el problema fueron el costo del diseño y los accidentes ambientales y de seguridad. Como el estudio tuvo en cuenta la incertidumbre, se incluyeron variables aleatorias difusas en el modelo. El modelo utilizó el ejemplo de 14 instalaciones temporales en un proyecto hidroeléctrico para evaluar su eficiencia. El enfoque propuesto demostró ser más realista que los enfoques tradicionales existentes.

Xu y Song abordaron el problema de los departamentos de áreas desiguales en el diseño dinámico de instalaciones temporales utilizando PSO adaptativo basado en la posición. Al utilizar las coordenadas de las instalaciones como base para su modelo, el proceso de optimización tuvo como objetivo minimizar la distancia total entre las instalaciones adyacentes y los costos resultantes asociados con la reorganización y el transporte, en los que los costos de transporte se consideraron como variables aleatorias difusas. El PSO modificado se evaluó a través de un estudio de caso de un proyecto de construcción hidroeléctrica a gran escala. El método propuesto mostró un mejor rendimiento en la obtención de soluciones óptimas en comparación con el estándar PSO y GA.

En resumen, PSO demostró su eficacia para abordar los problemas de optimización de objetivos múltiples en diferentes áreas de ingeniería y gestión de la construcción, como la planificación del sitio, el mantenimiento de una estructura y los problemas de sostenibilidad. Se descubrió que el rendimiento de PSO era superior en comparación con los enfoques tradicionales como GA y los enfoques avanzados como NSGA-II.

Enfoque híbrido

Una forma de abordar los problemas complejos de optimización es combinar dos o más técnicas juntas para superar las deficiencias que una o algunas de ellas puedan tener. Este enfoque podría afectar la calidad general de la solución en un problema de optimización. La hibridación de métodos ha demostrado su eficacia para lograr la calidad de optimización en la construcción. Los métodos híbridos tienen diferentes características operativas para abordar los problemas de optimización. Mientras que algunos métodos híbridos funcionan al llevar todo el proceso de solución como una técnica única y novedosa, otros funcionan en conjunto, en donde un método funciona en algunos pasos del proceso de solución y los otros pasos se completan con otro método.

Algoritmo genético de clasificación no dominado - II se hibridó con otros enfoques para resolver problemas de optimización en la planificación de la construcción, programación, conservación de energía, transporte y diseño ambiental.

La complejidad de los problemas en los proyectos de construcción hace que la optimización objetiva generalmente sea difícil usando un enfoque único. Las técnicas híbridas son efectivas y útiles para generar soluciones óptimas en problemas complejos de optimización. En algunos estudios, estos métodos híbridos han superado a algunos métodos en sus formas básicas y variantes. En la programación, por ejemplo, fueron superiores a la PSO multiobjetivo, ABC multiobjetivo, DE, MOGA, SPEA-II y NSGA-II. En logística de materiales, superaron la GA multinivel de objetivos múltiples y la SA multinivel de objetivos múltiples. En la planificación del sitio, superaron la forma básica de ABC y una de las variantes de ACO. Finalmente, en sostenibilidad, fueron superiores a NSGA-II.

Consejo audit

En este artículo hemos mostrado ejemplos de dos de los métodos más utilizados en la rama de planificación en construcciones, y como uno se puede dar cuenta, existen varios estudios relacionados a la aplicación de métodos de optimización en esa rama, sin embargo, para el enfoque de tratamiento de riesgos, rara vez suele aplicarse métodos de esta índole, sin embargo pueden aumentar la capacidad de eficiencia al momento de tomar la decisión de selección de tratamientos a aplicar en una organización. En audit contamos con la plataforma aValue para poder establecer planes de tratamientos de riesgos, y nuestros consultores están capacitados para la adecuada selección de tratamientos basados en estos métodos.

Fuentes:

• Said H, El-Rayes K. Optimal utilization of interior building spaces for material procurement and storage in congested construction sites. Automation in Construction. 2013;31:292-306. DOI: 10.1016/j.autcon.2012.12.010
  
• Marzouk M, Metawie M. Framework for sustainable low-income housing projects in Egypt. In: Proceedings of the 2014 International Conference on Computing in Civil and Building Engineering; 23-25 June 2014; Orlando, Florida, United States. 2014. pp. 1960-1968
  
• Inyim P, Rivera J, Zhu Y. Integration of building information modeling and economic and environmental impact analysis to support sustainable building design. Journal of Management in Engineering. 2015;31(1):A4014002. DOI: 10.1061/(ASCE)ME.1943-5479.0000308
  
• Van den Bergh F, Engelbrecht AP. A cooperative approach to particle swarm optimization. IEEE Transactions on Evolutionary Computation. 2004; 8(3):225-239. DOI: 10.1109/TEVC.2004.826069
  
• Xu J, Li Z. Multi-objective dynamic construction site layout planning in fuzzy random environment. Automation in Construction. 2012;27:155-169. DOI: 10.1016/j.autcon.2012.05.017
  
• Xu J, Song X. Multi-objective dynamic layout problem for temporary construction facilities with unequal-area departments under fuzzy random environment. Knowledge-Based Systems. 2015;81:30-45. DOI: 10.1016/j.knosys.2015.02.001