UNIVERSIDAD DE HUANUCO

FACULTAD DE INGENIERIA
PROGRAMA ACADÉMICO DE INGENIERIA CIVIL

TESIS

“Optimización heurística multiobjetivo para la gestión de

activos de infraestructura en la carretera puente chino-
Aguaytía”

PARA OPTAR EL TÍTULO PROFESIONAL DE INGENIERO

CIVIL

AUTOR: Espinoza Camayo, Diego Cristian

ASESOR: Chiguala Contreras, Yasser Everet

HUÁNUCO – PERÚ
2023
U TIPO DEL TRABAJO DE INVESTIGACIÓN:
• Tesis (X)
• Trabajo de Suficiencia Profesional( )
• Trabajo de Investigación ( )
• Trabajo Académico
LÍNEAS DE INVESTIGACIÓN: Gestión en la
construcción
( )

AÑO DE LA LÍNEA DE INVESTIGACIÓN (2020)

CAMPO DE CONOCIMIENTO OCDE:
Área: Ingeniería, Tecnología

D
Sub área: Ingeniería civil
Disciplina: Ingeniería civil
DATOS DEL PROGRAMA:
Nombre del Grado/Título a recibir: Título
Profesional de Ingeniero Civil
Código del Programa: P07
Tipo de Financiamiento:
• Propio (X)
• UDH ( )
• Fondos Concursables ( )
DATOS DEL AUTOR:
Documento Nacional de Identidad (DNI): 47811924
DATOS DEL ASESOR:
Documento Nacional de Identidad (DNI): 18081080
Grado/Título: Maestro en ciencias económicas,
mención: proyectos de inversión
Código ORCID: 0000-0001-5877-9377
DATOS DE LOS JURADOS:

H
APELLIDOS Y Código
N° GRADO DNI
NOMBRES ORCID
1 Gómez Valles, Maestro en 45623860 0000-0001-
Jhon Elio diseño y 6424-6032
construcción
de obras
viales
2 Taboada Trujillo, Maestro en 40847625 0000-0002-
William Paolo medio 4594-1491
ambiente y
desarrollo
sostenible,
mención en
gestión
ambiental
3 Cárdenas Vega, Ingeniero en 42878755 0000-0003-
José Antonio informática y 2365-566X
sistemas
 DEDICATORIA

Dios, por la fuerza, fortaleza para seguir adelante,

la inteligencia para poder solucionar mis problemas, la
paciencia para entender a los demás, y la sabiduría
necesaria para conseguir todo lo que me he trazado.

Y por último a mis padres, al forjarme con principios

y valores para poder desarrollarme profesionalmente al
dedicar todas las horas necesarias para cumplir cada
uno de mis metas.

II
 AGRADECIMIENTO

Agradezco a mi alma mater Universidad de

Huánuco al brindarme un espacio dentro de sus aulas y
por permitirme ser parte de toda la fila de profesionales,
a la vez a la Facultad de Ingeniería y por supuesto al
Programa Académico de ingeniería civil.

También agradecer a cada uno de mis docentes

que con vocación de enseñanza y el querer ser parte de
mi aprendizaje no me abandonaron en ningún momento
en el transcurso de estos años. Este agradecimiento
también va dirigido para mi asesor el Mg. Yasser Everet
Chiguala Contreras, por el soporte y confianza para
poder realizar el presente trabajo de investigación.

Agradezco a la empresa, por su colaboración y ser

parte de este proceso obteniendo datos y conclusiones.

III
 ÍNDICE

DEDICATORIA ................................................................................................ II
AGRADECIMIENTO ....................................................................................... III
ÍNDICE ............................................................................................................ IV
ÍNDICE DE TABLAS ...................................................................................... VII
ÍNDICE DE FIGURAS................................................................................... VIII
RESUMEN ...................................................................................................... IX
ABSTRACT ...................................................................................................... X
INTRODUCCIÓN ............................................................................................ XI
CAPITULO I ................................................................................................... 13
PROBLEMA DE INVESTIGACIÓN ............................................................... 13
1.1. DESCRIPCIÓN DEL PROBLEMA ................................................... 13
1.2. FORMULACIÓN DEL PROBLEMA .................................................. 14
1.2.1. PROBLEMA GENERAL ............................................................. 14
1.2.2. PROBLEMAS ESPECÍFICOS .................................................... 14
1.3. OBJETIVOS ..................................................................................... 15
1.3.1. OBJETIVO GENERAL ............................................................... 15
1.3.2. OBJETIVOS ESPECÍFICOS ...................................................... 15
1.4. JUSTIFICACIÓN DE LA INVESTIGACIÓN ..................................... 15
1.4.1. LEGAL ........................................................................................ 15
1.4.2. TEÓRICO ................................................................................... 16
1.4.3. TECNOLÓGICO ......................................................................... 16
1.4.4. ECONÓMICO ............................................................................. 17
1.5. LIMITACIONES DE LA INVESTIGACIÓN ....................................... 17
1.5.1. TEÓRICA .................................................................................... 17
1.5.2. TEMPORAL ................................................................................ 18
1.5.3. ESPACIAL .................................................................................. 18
1.6. VIABILIDAD DE LA INVESTIGACIÓN ............................................. 18
CAPITULO II .................................................................................................. 19
MARCO TEORICO ........................................................................................ 19
2.1. ANTECEDENTES DE LA INVESTIGACIÓN ................................... 19
2.1.1. ANTECEDENTES INTERNACIONAL ........................................ 19
2.1.2. ANTECEDENTES NACIONALES .............................................. 21

IV
 2.1.3. ANTECEDENTES LOCALES..................................................... 23
2.2. BASES TEÓRICAS .......................................................................... 23
2.2.1. OPTIMIZACIÓN HEURÍSTICA MULTIOBJETIVO ..................... 23
2.2.2. TRANSFORMACIÓN DE UN PROBLEMA DE OPTIMIZACIÓN
RESTRINGIDO A UNO NO RESTRINGIDO A TRAVÉS DE LAS
FUNCIONES DE PENALIZACIÓN ............................................. 30
2.2.3. PROCEDIMIENTOS METAHEURÍSTICOS ............................... 32
2.2.4. ALTERNATIVAS DE CONSERVACIÓN PARA TRATAMIENTOS
FLEXIBLES ................................................................................ 37
2.2.5. GESTIÓN DE ACTIVOS ............................................................ 39
2.3. DEFINICIONES CONCEPTUALES ................................................. 46
2.4. HIPÓTESIS ...................................................................................... 47
2.4.1. HIPÓTESIS GENERAL .............................................................. 47
2.4.2. HIPÓTESIS ESPECIFICAS ....................................................... 48
2.5. VARIABLES...................................................................................... 48
2.5.1. VARIABLE DEPENDIENTE ....................................................... 48
2.5.2. VARIABLE INDEPENDIENTE.................................................... 48
2.6. OPERACIONALIZACIÓN DE VARIABLES ...................................... 49
CAPITULO III ................................................................................................. 50
METODOLOGIA DE LA INVESTIGACIÓN ................................................... 50
3.1. TIPO DE INVESTIGACIÓN .............................................................. 50
3.1.1. ENFOQUE .................................................................................. 50
3.1.2. ALCANCE O NIVEL ................................................................... 50
3.1.3. DISEÑO ...................................................................................... 50
3.2. POBLACIÓN Y MUESTRA .............................................................. 51
3.2.1. POBLACIÓN............................................................................... 51
3.2.2. MUESTRA .................................................................................. 51
3.3. TÉCNICAS E INSTRUMENTO DE RECOLECCIÓN DE DATOS ... 53
3.3.1. PARA LA PRESENTACIÓN DE DATOS ................................... 53
3.3.2. PARA EL ANÁLISIS E INTERPRETACIÓN ............................... 53
3.3.3. PARÁMETROS DE OPTIMIZACIÓN DEL PROBLEMA ............ 53
CAPITULO IV................................................................................................. 63
RESULTADOS .............................................................................................. 63
4.1. PROCESAMIENTO DE DATOS ...................................................... 63

V
 4.1.1. ANÁLISIS DE INVENTARIO DE LOS ESCENARIOS ............... 63
4.1.2. RESULTADOS DE VALIDACIÓN .............................................. 68
4.1.3. RESULTADOS DE LAS SOLUCIONES OPTIMAS
MULTIOBJETIVO ....................................................................... 70
4.2. CONTRASTACIÓN DE HIPÓTESIS ................................................ 71
4.2.1. HIPÓTESIS GENERAL .............................................................. 71
4.2.2. HIPÓTESIS ESPECIFICA 1 ....................................................... 71
4.2.3. HIPÓTESIS ESPECIFICA 2 ....................................................... 72
4.2.4. HIPÓTESIS ESPECIFICA 3 ....................................................... 73
CAPITULO V.................................................................................................. 74
DISCUCIÓN DE RESULTADOS ................................................................... 74
CONCLUSIONES .......................................................................................... 76
RECOMENDACIONES.................................................................................. 77
REFERENCIAS BIBLIOGRAFICAS .............................................................. 78
ANEXOS ........................................................................................................ 86

VI
 ÍNDICE DE TABLAS

Tabla 1 Analogía entre la termodinámica y el proceso de optimización ....... 33

Tabla 2 Definición de operacionalización de variables.................................. 49

Tabla 3 Zonas críticas (tramos) de estudio ................................................... 52

Tabla 4 Tratamientos de conservación del estudio ....................................... 55

Tabla 5 Costo de los tratamientos en los pavimentos asfálticos o flexibles . 56

Tabla 6 Emisiones de CO2 de los tratamientos en pavimentos asfálticos.... 57

Tabla 7 Tasa de descuento social a largo plazo ........................................... 58

Tabla 8 Factorial para la calibración del recocido simulado (SA) ................. 61

Tabla 9 Inventario en escenarios de validación estructurante (E) ................ 64

Tabla 10 Inventario en escenarios de validación secundaria (S) .................. 66

Tabla 11 Resultados de validación estructurante (E) .................................... 68

Tabla 12 Resultados de validación secundaria (S) ....................................... 69

Tabla 13 Características de las soluciones optimas ..................................... 70

VII
 ÍNDICE DE FIGURAS

Figura 1 Diagrama de flujo de la Heurística SA ............................................ 34

Figura 2 Flujo para determinar la temperatura inicial .................................... 36

Figura 3 Contexto externo e interno de las organizaciones de infraestructura.

..................................................................................................................... 40

Figura 4 Ciclo de vida de un activo físico ...................................................... 44

Figura 5 Planificación en la gestión de activos, corto y largo plazo .............. 45

Figura 6 Proceso de Optimización del Programa de Mantenimiento ............ 62

VIII
 RESUMEN

La presente investigación tiene como objetivo asignar de manera

sostenible y eficiente los recursos disponibles para la gestión de activos de
infraestructura de transporte terrestre a través de la herramienta de
optimización heurística multiobjetivo. Se tiene como metodología el enfoque
cuantitativo, nivel descriptivo – longitudinal, con diseño cuasi experimental.
Los resultados obtenidos fueron que la optimización heurística multiobjetivo
es eficiente para encontrar soluciones optimas al problema de gestión de
activos de infraestructura de transporte terrestre de la carretera. Se concluye
que la herramienta de optimización heurística multiobjetivo permite una
asignación sostenible y eficiente de los recursos disponibles para la gestión
de la infraestructura, debido a que es una herramienta poderosa, viable,
eficiente y eficaz para la resolución de problemas.

Palabras clave: Activos de Infraestructura, Gestión de Activos,

Algoritmo Heurístico, Optimización Multiobjetivo, Activos físicos.

IX
 ABSTRACT

The objective of this research is to allocate in a sustainable and efficient

way the resources available for the management of land transport
infrastructure assets through the multi-objective heuristic optimization tool. The
methodology is the quantitative approach, descriptive level - longitudinal, with
quasi-experimental design. The results obtained were that the multi-objective
heuristic optimization is efficient to find optimal solutions to the asset
management problem of highway land transport infrastructure. It is concluded
that the multi-objective heuristic optimization tool allows a sustainable and
efficient allocation of the resources available for infrastructure management,
because it is a powerful, viable, efficient and effective tool for problem solving.

Keywords: Infrastructure Assets, Asset Management, Heuristic

Algorithm, Multi-Objective Optimization, Physical Assets.

X
 INTRODUCCIÓN

Los puentes son infraestructuras imprescindibles para el desarrollo de

las comunicaciones terrestres y son un reto con respecto a su mantenimiento
controlado debido al crecimiento económico, la exigencia de competitividad y
las presiones para que el mantenimiento se realice en un tiempo menos
posible. Según Yepes (2019), la conservación de carreteras es difícil debido
al problema de orden económico, como otro motivo se encuentra la crisis
económica, la dificultad de aprobación presupuestaria, la falta de voluntad
política, entre otros.

Como objetivo se tuvo que determinar la optimización heurística

multiobjetivo para la gestión de activos de infraestructura de transporte
terrestre de la carretera Puente Chino-Aguaytía a través de la herramienta de
optimización heurística multiobjetivo, y se efectuó con base las normas de la
Universidad de Huánuco.

El presente trabajo de investigación permitirá un mantenimiento optimo

y costos mínimos de la carretera.

El trabajo desarrollado comprende 5 capítulos: como se detalla a

continuación.

CAPITULO I Problema de Investigación, con lo que se puntualiza los

objetivos principales, dando a conocer de una manera simplificada sobre el
problema de investigación.

CAPITULO II Marco Teórico que se encuentra formado por los

antecedentes internacionales, nacionales y locales, bases teóricas y
definiciones conceptuales de las variables como de los indicadores.

CAPITULO III Metodología de la Investigación, puntualizando el

enfoque, alcance, diseño, población – muestra, y el instrumento de
recolección de datos.

CAPITULO IV Conteniendo los resultados y la contrastación de

hipótesis.

XI
 CAPITULO V Contiene la discusión de resultados.

Y finalmente se describió las conclusiones, recomendaciones,

referencias bibliográficas y anexo.

XII
 CAPITULO I

PROBLEMA DE INVESTIGACIÓN

1.1. DESCRIPCIÓN DEL PROBLEMA

El proceso de deterioro de la infraestructura vial hace que un activo se

degrade de una buena condición a una condición estructuralmente deficiente
y es descrita como la disminución en la condición del activo en el tiempo
(Zhang y Marsh, 2020). El deterioro de la infraestructura debido a su uso
intensivo tiene una relación estrecha con el desarrollo de los países (Neeson,
et al, 2020).

Según Bull (2003) citado por Macea, et al, (2016), indica que si un
gobierno permite el deterioro de su infraestructura vial esto generara
sobrecostos en la operación vehicular con un rango aproximado de 3 a 1% del
Producto Interno Bruto (PBI) a nivel nacional. Además, la funcionalidad que
debe proporcionar la red vial de un país es fundamental para la comodidad y
seguridad de los ciudadanos (Macea, et al, 2016).

Es por ello que, en la actualidad, algunos países buscan preservar la

infraestructura vial, para lograr la sostenibilidad y la eficiencia en la prestación
de servicios, para lograr estos resultados, se debe tener en cuenta una
variedad de instituciones técnicas y administrativas (Amendola, et al., 2017).

La disciplina de gestión de activos de infraestructura vial, implica un

proceso que combina conocimientos técnicos, económicos y de procesos de
negocio para lograr la asignación óptima de recursos, operación y
mantenimiento (Macea, et al., 2016).

La gestión de conservación se logra a través de la planificación del

mantenimiento del sistema de infraestructura vial que consiste en determinar
qué activos se debe reparar, cuándo y cómo se debe realizar el
mantenimiento, y qué tratamiento se debe utilizar dentro del presupuesto y
otras limitaciones de recursos (Dhatrak, et al., 2020), esta planificación implica

13
seleccionar las alternativas adecuadas de conservación que cumplan con los
criterios técnicos económicos y también ambientales.

En el Perú, específicamente en la vía Nacional PE-5N en la carretera

Puente chino – Aguaytía, ubicada en la provincia y distrito de Padre Abad,
región Ucayali; se identificaron 27 zonas críticas causado por la caída de rocas
y erosiones, además estas carreteras influyen en el desarrollo económico de
las zonas a su alrededor como el comercio de plátano y madera (Aranda y
Gamarra, 2019). Esto nos indica que estas carreteras requieren ser tratadas
con tratamientos de preservación, rehabilitación y mantenimiento; es por ello
que es importante establecer un programa de conservación de esta vía.

El proceso de optimización de distribuir recursos para la gestión de

conservación de infraestructura en la vía interurbana Puente Chino-Aguaytía,
se encuentra holísticamente su enfoque existiendo varias alternativas
(tratamientos de conservación), por lo que apropiado emplear un método de
optimización multiobjetivo.

Es por ello que este estudio se propone aplicar una herramienta de

optimización heurística multiobjetivo para la gestión de activos de
infraestructura.

1.2. FORMULACIÓN DEL PROBLEMA

1.2.1. PROBLEMA GENERAL

¿Cuál es la optimización heurística multiobjetivo para la gestión de

activos de infraestructura de transporte terrestre de la carretera Puente
Chino-Aguaytía a través de la herramienta de optimización heurística
multiobjetivo?

1.2.2. PROBLEMAS ESPECÍFICOS

- ¿Cuáles son los parámetros de la optimización de asignación de

recursos para la gestión de activos de infraestructura de transporte
terrestre de la carretera Puente Chino-Aguaytía?

14
 - ¿De qué manera se desarrollan los módulos de evaluación técnica,
económica y ambiental de la optimización de asignación de recursos
para la gestión de activos de infraestructura de transporte terrestre de
la carretera Puente Chino-Aguaytía?

- ¿De qué manera se ejecuta el proceso de optimización de asignación

de recursos a través de la herramienta heurística multiobjetivo?

1.3. OBJETIVOS

1.3.1. OBJETIVO GENERAL

Determinar la optimización heurística multiobjetivo para la gestión

de activos de infraestructura de transporte terrestre de la carretera
Puente Chino-Aguaytía a través de la herramienta de optimización
heurística multiobjetivo.

1.3.2. OBJETIVOS ESPECÍFICOS

- Identificar los parámetros de la optimización de asignación de

recursos para la gestión de activos de infraestructura de transporte
terrestre de la carretera Puente Chino-Aguaytía.

- Identificar el desarrollo de los módulos de evaluación técnica,

económica y ambiental de la optimización de asignación de recursos
para la gestión de activos de infraestructura de transporte terrestre de
la carretera Puente Chino-Aguaytía.

- Identificar la ejecución del proceso de optimización de asignación de

recursos a través de herramienta de optimización heurística
multiobjetivo

1.4. JUSTIFICACIÓN DE LA INVESTIGACIÓN

1.4.1. LEGAL

Este estudio se enmarca dentro D.S. N° 034-2008-MTC,

promulgado por el Ministerio de Transportes y Comunicaciones - MTC,

15
que establece el reglamento Nacional de Gestión de Infraestructura Vial.
Dentro de los aspectos de mantenimiento de caminos, carreteras y vías
urbanas. El presente trabajo apoyará al gobierno y al Ministerio de
Transportes y Comunicaciones con resultados que servirá para tomar
decisiones en el mantenimiento de carreteras en zonas urbanas.

1.4.2. TEÓRICO

La investigación se justifica teóricamente puesto que dará a conocer

las teorías de la optimización heurística multiobjetivo y la gestión de
activos, que han demostrado ser eficientes para resolver problemas
complejos, ya sea por q son problemas en donde pueden existir infinidad
de condiciones por lo q hallar una solución óptima se hace más complejo,
los programas de conservación de mantenimiento pueden expresarse
como un problema de difícil solución, por lo que aplicar modelos
heurísticos estaría plenamente justificado utilizado como herramienta
para tomar una decisión óptima para los casos de infraestructura como
la carretera Puente Chino-Aguaytía.

1.4.3. TECNOLÓGICO

Se justica tecnológicamente porque garantiza el mantenimiento y la

rehabilitación óptimos de los activos viales durante su ciclo de vida en el
sector de transporte y los municipios que cuentan con una gestión de
activos apropiados

Según Neupane y Gharaibeh (2019), manifiestan que el uso de un

software dedicado a la gestión de activos permite la garantía del
mantenimiento de las agencias de transporte y los municipios por medio
de la optimización multiobjetivo con los métodos heurísticos, porque el
software apoya en el análisis de la condición, el inventario y los datos
aplicado en las carreteras para desarrollar planes óptimos de
mantenimiento y rehabilitación plurianuales para la infraestructura vial.
Sin embargo, estos procesos son costosos computacionalmente,
asimismo los algoritmos heurísticos son útiles para simplificar los
procesos computacionales.

16
 1.4.4. ECONÓMICO

Se justifica económicamente porque permite la reducción de los

sobrecostos en los procesos del manteamiento de la carretera Puente
Chino-Aguaytía por medio de la herramienta de optimización heurística
multiobjetivo, asimismo los proyectos de infraestructura contaran con un
antecedente para planificar el presupuesto público y mejorar el
rendimiento de los recursos y bienes en el caso de las carreteras. Según,
Bull (2003) citado por Macea, et al, (2016), para conservar la
infraestructura vial y cumplir con los criterios técnicos para su
funcionamiento y reducir su deterioro esto influye significativamente en el
PBI causando sobrecostos. Por tanto, esta investigación favorecerá al
crecimiento del PBI para poder ejecutar otras obras.

Además, favorecerá el desarrollo económico de las zonas aledañas

como es la comercialización del plátano, madera, cacao, café, entre otros
productos agrícolas. De esta forma el campesino podrá transportar
oportunamente sus productos evitando sobrecostos para el traslado.

1.5. LIMITACIONES DE LA INVESTIGACIÓN

1.5.1. TEÓRICA

Según Valdés y Palacios (2018), indican que en la teoría de la

optimización heurística multiobjetivo los problemas en el sector de
transporte e infraestructura son complejos y no convexo, por ello los
procedimientos heurísticos mediante un análisis multiobjetivo son los
más eficientes y mejores métodos de solución, pero solo se aplican a
limitados casos de prueba o redes reales de pequeño tamaño.

Por tanto, aplicar la teoría de la optimización heurística multiobjetivo

en el estudio es viable pero limitado a los puntos o nodos de la carretera
Puente Chino-Aguaytía.

Con respecto a la teoría de la gestión de activos en la ISO

55000:2014 se basa en Normas ISO 55001, ISO 55002 y está Norma
Internacional, cuyo término es el “sistema de gestión de activos” brinda

17
 las directrices a seguir gestión del mantenimiento durante la vida útil del
activo, según Stegmaier, et al., (2018), indican que el estándar PAS 55
de esta norma es aplicable a cualquier sector industrial independiente del
tipo de activo, sin embargo, está limitado a usarse solo a activos físicos.
Asimismo, existe la limitación de conocer y desarrollar explícitamente las
directrices, es decir, como hacerlo.

Por tanto, aplicar la teoría de la gestión de activos solo se realizó en

los activos físicos del sector de infraestructura, para el caso del
mantenimiento de la carretera Puente Chino-Aguaytía, con el fin de
optimizar los recursos con una gestión adecuada cumpliendo con las
directrices establecidas en la ISO 55000.

1.5.2. TEMPORAL

En nuestro estudio se pretende establecer un programa con un

periodo de análisis de 25 años, sin embargo, lo datos que se recolectarán
para hacer esta estimación serán datos actuales (2021); por
consiguiente, aunque la proyección es para años subsiguientes el tiempo
donde se desarrolla el estudio es en el periodo 2021.

1.5.3. ESPACIAL

El espacio geográfico a la cual se le realizara un programa de

conservación de gestión de activos de infraestructura pertenece a la vía
interurbana (Puente Chino-Aguaytía), que pertenece a la red vial
Nacional PE-5N, la cual está ubicada en el distrito y provincia del Padre
Abad, región Ucayali.

1.6. VIABILIDAD DE LA INVESTIGACIÓN

La investigación se desarrolló debido a la disponibilidad de los recursos

humanos, financieros y materiales necesarios para su implementación y, en
general, la disponibilidad de información primaria y secundaria.

18
 CAPITULO II

MARCO TEORICO

2.1. ANTECEDENTES DE LA INVESTIGACIÓN

2.1.1. ANTECEDENTES INTERNACIONAL

Santes (2021), en su investigación “Desarrollo de una herramienta

para la gestión eficiente del mantenimiento de pavimentos urbanos
mediante optimización multiobjetivo. Aplicación al distrito Quatre
Carreres de la ciudad de Valencia”, tuvo como objetivo desarrollar una
herramienta que permita realizar un mantenimiento óptimo y eficiente del
pavimento urbano. Su metodología fue aplicada, explicativa, cuantitativo,
cuasi experimental, incorporo la optimización multiobjetivo y el algoritmo
heurístico. Como resultados obtuvo calibración de una herramienta de
optimización multicriterio para la planificación y gestión del
mantenimiento de pavimentos urbanos. El autor concluyo que el modelo
se puede aplicar a toda una ciudad de manera eficaz y eficiente.

Huang, et al, (2021) en su investigación “Optimización multiobjetivo

del mantenimiento del pavimento basada en LCA y LCCA” tuvo como
objetivo proponer una metodología integrada que unifique la evaluación
del ciclo de vida (LCA, la evaluación del costo del ciclo de vida (LCCA) y
la optimización multiobjetivo para establecer un sistema de toma de
decisiones de mantenimiento, considerando el desempeño, tanto
económico como ambiental. Su metodología incorporo la ISO
14040:2006, incluye cuatro pasos: Definición del objetivo y el alcance;
Análisis del inventario del ciclo de vida (LCI); Evaluación del impacto del
ciclo de vida (LCIA); y Interpretación. Como resultados obtuvo que el
costo de usuario fue alrededor de 80%, el costo de la agencia supero de
3 a 5 veces, el costo del daño ambiental no supero 2.5% lo que indica no
ser significativo debido a las altas incertidumbres de los MDC. Los
autores concluyeron que, en la gestión de pavimentos integrados con el

19
LCA, LCCA y la optimización multiobjetivo contribuye en la etapa de
mantenimiento que involucra material, construcción y uso.

Shi, et al., (2021) en su estudio denominado “Joint optimization of

budget allocation and maintenance planning of multi-facility transportation
infrastructure systems” tuvo como objetivo establecer una asignación
presupuestaria integrada y un problema de optimización del
mantenimiento preventivo para los sistemas de infraestructura de
transporte en deterioro de múltiples instalaciones. Su metodología
incorpora la descomposición de los problemas de gran escala en
múltiples modelos de proceso de decisión de Markov. Como resultados
obtuvieron que los algoritmos propuestos son eficientes y efectivos para
encontrar decisiones de mantenimiento satisfactorias para sistemas de
múltiples instalaciones. Los autores concluyeron se puede obtener
decisiones de mantenimiento óptimas para problemas de pequeña
escala utilizando solucionadores de última generación.

Yepes, et al., (2020), en su investigación “Diseño y mantenimiento

óptimo robusto y basado en fiabilidad de puentes de alta eficiencia social
y medioambiental bajo presupuestos restrictivos”, tuvo como objetivo
desarrollar una metodología que incorpore la variabilidad en la toma de
decisiones durante el ciclo completo de vida. Su metodologia fue
longitudinal e incorpora una combinación de tecnicas y disciplinas como
el analisis estructural, la optimización heurística multiobjetivo, la toma de
decisiones multicriterio, entre otros. Como resultado, obtuvieron una
combinación de la variabilidad de los parámetros y las restricciones de
un problema de optimización multiobjetivo basado en criterios de
sostenibilidad social y ambiental. Los autores concluyen que el diseño es
sólido y confiable para las soluciones, lo cual es de importancia futura
para el diseño, la construcción y el mantenimiento de infraestructuras
exigentes en términos de presupuesto.

Martí, et al., (2017), en su investigación “Análisis de sensibilidad de

costes en el diseño de puentes”, tuvo como objetivo optimizar una
estructura utilizada como paso superior de carreteras y analizar su

20
sensibilidad a la variación de los precios de las materias que lo
constituyen. Su metodología incorporo la aplicación de la heurística.
Como resultado obtuvieron que a medida que aumenta el precio del
acero, disminuye su cantidad y aumenta la cantidad de concreto,
además, el costo es más sensible a las fluctuaciones del precio del acero
que del concreto. Los autores concluyen que el modelo se adapta a la
variación de precisión para optimizar el coste de la estructura.

Hamdi, et al, (2017) en su investigación “Pavement maintenance

optimization strategies for national road network in indonesia applying
genetic algorithm” tuvo como objetivo desarrollar el sistema de gestión
de activos viales que cumpla con las condiciones y especificaciones de
la carretera nacional en Indonesia mediante la simulación del
mantenimiento vial a través de la función de optimización multiobjetivo.
Su metodología consistió en aplicar el algoritmo genético, modelos de
costos y el indicador de desempeño. Como resultados obtuvieron el
mantenimiento de 5 años de la carretera en un tratamiento del manejo de
las grietas selladas durante el primer y cuarto año, en el segundo año no
se hace nada el tercer año, y en el quinto año se realiza el mantenimiento,
con costos de Rp. 22,16 mil millones, sin embargo, si se tiene Rp. 20,
689 mil millones no se hará nada en el primer y cuarto año, parchando
en el segundo y quinto año y el sellado de grietas en el tercer año,
asimismo el modelo multiobjetivo con optimización en Pareto en la
generación 10, 20,30,40,50,60 y 70 obtuvo buenas opciones de
optimización. Los autores concluyeron que el modelo de optimización es
apropiado para aplicar la optimización del sistema de gestión de activos
viales.

2.1.2. ANTECEDENTES NACIONALES

Sedano y Sedano (2020), en su investigación “Optimización

metaheurística en el diseño de pavimentos rígidos”, tuvo como objetivo
determinar el desempeño de metaheurística en la optimización de diseño
de pavimento rígido. Su metodología fue aplicada, explicativa,
cuantitativo, cuasi experimental. Como resultados obtuvo que la

21
estructura de pavimento duro optimizada con espesor de losa de 18 cm
y sustrato granular de 15 cm, reducción del 16,67% en el costo total por
metro lineal en comparación con el método tradicional de MTC. Los
autores concluyen que las técnicas metaheurísticas son beneficiosas e
influyen significativamente en la optimización del diseño de pavimentos
duros.

Chuquilin, et al., (2019), en su investigación “Propuesta de un plan

de gestión de mantenimiento, para aumentar el valor de los activos de
maquinaria pesada que se utiliza en proyectos de infraestructura vial,
dentro de los lineamientos de la norma ISO 55001:2014; caso de estudio:
Empresa Constructora CHC Ingenieros S.A.”, tuvo como objetivo
Demostrar que la propuesta de un plan de gestión de mantenimiento sirve
para aumentar el valor de los activos de maquinaria pesada que se utiliza
en proyectos de infraestructura vial, dentro de los lineamientos de la
Norma ISO 55001:2014. Su metodología cumple con los requisitos de la
ISO 55001:2014 e UNE - EN 16646:2015. Como resultados obtuvo que
en el análisis financiero de la propuesta demostraron un VAN de
$74,400.40, TIR de 64.03%, Payback de 1,3 años, con 729 escenarios
posibles afectados en un 10%. Los autores concluyeron que a nivel
técnico y financiero la propuesta es rentable para la organización,
permitiendo al portafolio de activos analizados entregar valor.

Rojas (2018), en su investigación “Gestión de mantenimiento vial y

su influencia en la satisfacción del usuario de la carretera Shapaja -
Chazuta, 2018”, tuvo como objetivo determinar la influencia de la gestión
de mantenimiento vial en la satisfacción del usuario en la carretera
Shapaja-Chazuta. Su metodología fue no experimental - correlacional,
con corte transversal. Como resultados el autor obtuvo que el
mantenimiento rutinario tuvo un nivel medio con 83.6%, el mantenimiento
periódico fue de nivel medio con 68.7%. El autor concluye que existe
insuficiencia en la gestión de mantenimiento de la vía.

22
 2.1.3. ANTECEDENTES LOCALES

Barrientos (2017), en su investigación “Mejora de la gestión de

mantenimiento de máquinaria pesada con la metodología AMEF”, tuvo
como objetivo mejorar las gestiones de mantenimiento de la maquinaria
pesada aplicando la metodología AMEF con las nuevas tareas de
mantenimiento en el plan de construcción de Puente Chino. Su
metodología fue aplicada, correlacional, cuantitativo, cuasi experimental.
Como resultados obtuvo una mejora en el tiempo de producción, la ratio
de costo de mantenimiento preventivo fue mayor y los costos de
mantenimiento correctivo se redujo, la disponibilidad operativa tuvo un
crecimiento de 8% logrando un meta operativo mayor del 90%. El autor
concluyo que la gestión de mantenimiento basado en la metodología
AMEF para excavadoras permite una mejora en la disponibilidad
operativa de las excavadoras e incremento de la rentabilidad.

Herrera (2017), en su investigación “Estudio ergonómico de las

posturas forzadas y su relación con el nivel de educación de los
trabajadores en la obra carretera Puente Chino - Aguaytía 2017”, tuvo
como objetivo Evaluar la relación del Nivel Educativo de los Trabajadores
con su exposición a posturas forzadas durante la ejecución de sus
actividades en la obra carretera Puente Chino – Aguaytía 2017. Su
metodología fue no experimental, correlacional, descriptivo, con corte
transeccional, cuantitativo. Como resultados obtuvo que el 50% de
empleados tuvo educación media básica, los trabajadores con educación
primaria encontraron un mayor nivel de exposición a posturas forzadas
al realizar sus actividades. El autor concluye que el nivel educativo de los
trabajadores está relacionado con la percepción de su exposición laboral.

2.2. BASES TEÓRICAS

2.2.1. OPTIMIZACIÓN HEURÍSTICA MULTIOBJETIVO

Según Pareto citado por Carballo (2019), indica que una alternativa
es óptima si cualquier alternativa es mejor que ella según un criterio, es
peor respecto de algún otro criterio. Esto es fundamental para la

23
optimización multiobjetivo, Hausdorff (1868-1942) y Cantor (1845-1918)
generaron esta raíz en la teoría de espacios ordenados.

Para resolver problemas lineales multiobjetivo inicio gracias a

Cooper (1968) por el modelo de negociación multicriterio y por Bruno
Contini y Stan Zionst que colaboraron con esta teoría (Carballo, 2019, p.
23).

Según García (2019), los problemas de optimización multiobjetivo

(MOOP) se ocupan de múltiples funciones objetivo. Múltiples metas o
múltiples criterios son evidentes especialmente en los problemas de toma
de decisiones. Debido a la falta de solucionadores adecuados, los MOOP
se diseñaron y resolvieron problemas de optimización. Asimismo, la
existencia de discrepancias esenciales en los principios de trabajo de los
algoritmos de optimización de un solo objetivo y de múltiples objetivos.
Esto se debe a que las soluciones MOOP deben probarse utilizando
técnicas de optimización multiobjetivo. En los problemas de optimización
de un solo objetivo, la tarea es encontrar una solución que optimice una
función de un solo objetivo. Trasladando esta idea a la optimización
multiobjetivo, se podría suponer erróneamente que la tarea de la
optimización multiobjetivo es encontrar la solución óptima para cada
función objetivo. Ciertamente hay más en la optimización multiobjetivo
que esta simple idea (García, 2019).

García (2019), indica que donde un universo Ω, donde 𝑔𝑖 (𝕩) ≤ 0 y

ℎ𝑗 (𝕩) = 0 son las limitaciones para satisfacer en la optimización (𝕩). Ω
tiene las soluciones posibles con el fin de satisfacer la función y sus
limitaciones. El problema de optimización multiobjetivo se define como la
minimización (o maximización) de una función (𝕩) sujeto a 𝑔𝑖 (𝕩) ≤ 0, 𝑖 =
{1, … , 𝑚}, y ℎ𝑗 (𝕩) = 0, 𝑗 = {1, … , 𝑝} 𝕩 ∈ Ω. Un medio que minimice (o
maximice) la función escalar (𝕩) donde 𝕩 es un vector de variables de
decisión dimensión 𝑁, 𝕩 = (𝑥1, . . . , 𝑥𝑁), (p. 30).

García (2019), indica que, en términos matemáticos, un MOOP

puede ser formulado como:

24
Minimizar/maximizar

𝑓𝑘 (𝕩), 𝑘 = 1, … , 𝑛 , …………………………………………..(1)

sujeto a:

𝑔𝑖 (𝕩) ≤ 0, 𝑖 = 1, … , 𝑚 , ………………………………………(2)

ℎ𝑗 (𝕩) = 0, = 1, … , 𝑝 , ............................................................... (3)

𝕩 ∈ Ω ............................................................................................. (4)

Para una solución 𝕩 es una variable de disposición vectorial de

orden 𝑁, 𝕩 = [𝑥1, . . . , 𝑥𝑁] 𝑇 , en algún universo Ω. En un MOOP, hay
soluciones óptimas de varios niveles de prestación para las 𝑛 funciones
objetivo, que satisfacen las 𝑚 + 𝑝 limitaciones del problema y componen
el conjunto óptimo de Pareto (García, 2019).

Gran parte de los MOOP tienen limitaciones creadas por la gestión

de los recursos disponibles para la ejecución o por el entorno o las
circunstancias particulares de ese entorno. Una solución a un problema
debe respetar cada una de estas restricciones, llamadas restricciones,
que pueden expresarse desigual de forma matemática. representado, 𝑔𝑖
(𝕩) ≤ 0, o igualdades, ℎ𝑗 (𝕩) = 0. Es decir, se cuenta con 𝑝 restricciones
de igualdad y 𝑚 limitaciones de desigualdad; si una solución 𝕩 satisface
todas las 𝑚 + 𝑝 limitaciones, reconocida a la solución factible en Ω
definiéndose la zona factible 𝖲 (García, 2019).

Según García (2019), menciona que, en la dominancia de Pareto,

se comparan dos soluciones (𝑢 y 𝑣) y determinar quién domina. Se define
como: 𝑢 = (𝑢1, … , 𝑢𝑛) y 𝑣 = (𝑣1, … , 𝑣𝑛), donde 𝑢𝑘 = 𝑓𝑘 (𝕩′) y 𝑣𝑘 = 𝑓𝑘 (𝕩),
se dice que 𝑢 domina 𝑣, expresado como 𝑢 ≺ 𝑣, si y solo si 𝑢 es menor o
igual a 𝑣 (para un caso de minimización) pero 𝑢 es estrictamente menor
que 𝑣 en al menos uno de sus componentes, i.e., ∀𝑘 ∈ {1, … , 𝑛}, 𝑢𝑘 ≤ 𝑣𝑘
𝖠 ∃𝑘 ∈ {1, … , 𝑛}: 𝑢𝑘 < 𝑣𝑘. Surgiendo tres posibilidades en la comparación
de dos soluciones:

25
- 𝑢 domina a 𝑣 (𝑢 ≺ 𝑣).

- 𝑢 es dominado por 𝑣 (𝑣 ≺ 𝑢).

- 𝑢 y 𝑣 incomparables.

García (2019), indica una propiedad de dominancia: el medio 𝑢 no

domina a otro medio 𝑣, no implica que 𝑣 domine a 𝑢. Entonces las tres
propiedades de dominancia del operador son:

- Reflexividad: la dominancia es instintiva es decir si cualquier medio 𝑢

no puede someterse a sí misma (García, 2019).

- Simetría: la dominancia es desigual es decir si 𝑢 somete a 𝑣 no

implica que 𝑣 someta a 𝑢. Siendo contrario es innegable, si 𝑢 somete
a 𝑣 entonces 𝑣 no somete a 𝑢 (García, 2019).

- Transitividad: la dominancia es hereditario, es decir, si 𝑣 somete a 𝑤

y 𝑢 somete a 𝑣, entonces 𝑢 somete a 𝑤 (García, 2019).

García (2019), indica que consiste en hallar el valor de las variables

𝑥 = (𝑥1, 𝑥2, … … , 𝑥𝑚), siendo mínimas o máximas juntamente con varias n
funciones objetivo (𝑓𝑛, determinadas en la ecuación 5) cumpliendo unas
restricciones (𝑔𝑗 𝑦 ℎ𝑝 definidas en las ecuaciones 6 y 7).

Funciones objetivo:
min(𝑜 𝑚𝑎𝑥) 𝑓1(𝑥)
min(𝑜 𝑚𝑎𝑥) 𝑓2(𝑥)
……………………………………….(5)
…………………….
min(𝑜 𝑚𝑎𝑥) 𝑓𝑛(𝑥)

Sujeto a:
𝑔𝑗(𝑥) ≤ 0; 𝑗 = 1,2, … . . , 𝑙 …………………….……………….(6)
ℎ𝑝(𝑥) ≤ 0; 𝑝 = 1,2, … . . , 𝑙 ………………….………………….(7)

Donde: 𝑥 = (𝑥1, 𝑥2, … … , 𝑥𝑚) son variables del problema de optimización.

26
a) Funciones objetivo

De acuerdo con la revisión de la literatura sobre la teoría de la

optimización multiobjetivo, una herramienta de optimización para este
estudio ayuda al diseño de programas de conservación que tienen en
cuenta dos objetivos simultáneos: incremento de la eficiencia a un plazo
largo, la duración de las inversiones en conservación y la minimización
del impacto ambiental ellos crean (García, 2019).

La efectividad de un plan para conservar puede ser evaluado a partir

del área inferior de la curva comportamiento y un paso mínimo de estado
(ecuación 6) (García, 2019).

𝑚𝑎𝑥𝑓1(𝑥) = 𝑚𝑎𝑥 ∑ 𝐴𝐵𝐶𝑛

𝑛=1 …………….(8)
𝑁 𝑇
= 𝑚𝑎𝑥 ∑ ∫ (𝐼𝐶𝑛(𝑡) − 𝐼𝐶𝑚𝑖𝑛,𝑛)𝑑𝑡
𝑛=1 𝑡=0

Para, ABCn efectividad del plan del activo n; ICn(t) índice de

condición de periodo del activo n en el año t; ICmin,n mínimo de estado
requerido al activo n (García, 2019).

Cabe resaltar que esta formulación se usa en la evaluación de la

efectividad del proceso para conservar (ecuación 8) considerando
únicamente el indicador de circunstancia (García, 2019).

En esta formulación la minimización de las emisiones de CO2,

generado por la aplicación de las formas de conservación (ver formula
9), y aunque se podrían considerar al consumo energético, consumo de
recursos, emisiones de oído de nitrógeno (NO2) el CO2 constituye el
principal medio de gases de efecto invernadero (García, 2019).

𝑚𝑖𝑛𝑓2(𝑥) = 𝑚𝑖𝑛 ∑(𝐶𝑂2)𝑛 …………………………….………(9)

𝑛=1

27
b) Restricciones

Según Calderon (2022), las limitaciones económicas y técnicas se

consideran en el problema, las limitaciones económicas reflejan las
limitaciones presupuestarias de la agencia de gestión de carreteras del
centro de la ciudad durante el período de análisis, considerado, los costos
relacionados con el mantenimiento del programa de mantenimiento, por
lo tanto, no deben excederse del presupuesto utilizable cada año durante
el período de estudio (ver ecuación 10) De lo contrario, las restricciones
técnicas imponen unas condiciones mínimas para todos los tramos de
carretera; para que estas piezas aparezcan en todos los años del periodo
de análisis, la condición es superior al mínimo definido a nivel estratégico
(ver ecuación 11)
𝑁
1
𝑔1(𝑥) = ∑ 𝑐𝑜𝑠𝑡𝑒(𝑥𝑛) ≤ 𝐵(𝑡); ∀𝑡 ………………………………(10)
(1 + 𝑖)𝑡
𝑛=1

𝑔2(𝑥) = 𝐼𝐶𝑛 ≥ 𝐼𝐶𝑚𝑖𝑛,𝑛; ∀𝑡 𝑦 ∀𝑛 ………………………………(11)

Para t igual a año de estudio; n es el activo bajo estudio, coste (xn)

es el coste del tratamiento x aplicado en el activo n; 1
es el factor de
(1+𝑖)𝑡

reajuste de costes hacia una tasa de descuento i en el año t; B(t) es el

presupuesto utilizable para el tratamiento de la vía en el año t; ICmin,n es
la condición mínima exigida para el activo n; ICn(t) es el índice de
condición del activo n en el año t (Calderon, 2022).

c) Variables

Determinan el programa de conservación de diferentes o

importantes tramos de la vía interior de la ciudad, al determinar los
métodos de tratamiento que se deben aplicar a cada inmueble, en cada
año de la fase de análisis. Se analiza la vía interurbana compuesta por N
tramos (en operación) durante el tiempo de análisis T años; hay una
totalidad de m = NT variables, determine una solución al problema de
optimización (Calderon, 2022).

28
d) Parámetros

Según Calderon (2022), indica que se requiere de parámetros que

son definidos como los datos del problema que permanecen constantes
durante toda la optimización; estos parámetros son:

- Parámetros de inventario: Consistió en una recopilación de

información sobre la vía interurbana, como la segmentación, para la
determinación de activos a examinar; tipo de infraestructura; el clima,
el tráfico, longitud de cada activo y la jerarquía de cada activo
(Calderon, 2022).

- Parámetros técnicos: Estos son los parámetros que determinan el

estado inicial del activo; evaluado según el nivel estratégico e
indicadores y su patrón de recesión. Asimismo, contienen una lista de
posibles tratamientos para cada activo, tramo de carretera, umbrales
o condiciones de contorno bajo los cuales pueden ser aplicados, y los
efectos de estos tratamientos para el estado del contenido (Calderon,
2022).

- Parámetros económicos: Incluye la presentación de los costos

directos de adopción de actividades de conservación (coste (Sn),
siendo Sn la opción de subsistencia s para el activo n) (Calderon,
2022).

- Parámetros ambientales: Se trata de información sobre las emisiones

de dióxido de carbono generadas durante la aplicación de
tratamientos conservadores (Calderon, 2022).

- Disposiciones tomadas estratégicamente: Incluye el estado mínimo

exigible de la propiedad vial interurbana, así como el presupuesto
existente y el tiempo evolucionado (B(t), el tiempo de análisis (T) y el
descuento (i) para emplear en la valoración económica (Calderon,
2022).

29
2.2.2. TRANSFORMACIÓN DE UN PROBLEMA DE OPTIMIZACIÓN
RESTRINGIDO A UNO NO RESTRINGIDO A TRAVÉS DE LAS
FUNCIONES DE PENALIZACIÓN

Según Calderon (2022), estos problemas de optimización en los

que encontrar aleatoriamente una posible solución que satisfaga las
restricciones del problema sería computacionalmente costoso, podría ser
de conveniencia transmutar el problema restringido por estas
restricciones en un problema incondicional. Este mecanismo solo se
aplica con el propósito de resolver algoritmos de optimización; convertir
el problema ligado original en un problema no ligado incluiría una
penalización en la función objetivo.

Los problemas de asignación de recursos para la conservación a

menudo tienen restricciones económicas y técnicas que limitan
severamente el espacio para posibles soluciones. En esta situación, es
muy costoso encontrar aleatoriamente una posible solución al problema
(MTC, 2018, p. 33)

Calderon (2022), indica que un algoritmo heurístico (metaheurístico)

que parte de una solución aleatoria inicial (gradiente, umbral de
tolerancia, recocido simulado) puede verse como una función de
penalización que convierte un problema condicional en uno incondicional.

Por lo tanto, en las heurísticas el problema no restringido se

considera la siguiente función objetivo (ver ecuación 12), esto incluye una
función de penalización asociada a las restricciones técnicas (PFtec,n) y
otra función de penalización asociada a las restricciones económicas
(PFeco,n) del problema (Calderon, 2022).

𝑁 𝑁

𝑚𝑎𝑥𝑓1(𝑥) = 𝑚𝑎𝑥 ∑ 𝐴𝐵𝐶𝑛 − ∑ 𝑃𝐹𝑡𝑒𝑐,𝑛

𝑛=1 𝑛=1
………………………(12)
𝑇

− ∑ 𝑃𝐹𝑒𝑐𝑜,𝑡
𝑡=0

30
Donde:

ABCn : es la efectividad del activo n de la via interurbana

𝑃𝐹𝑡𝑒𝑐,𝑛 y 𝑃𝐹𝑒𝑐𝑜,𝑡: funciones de penalización.

Calderón (2022), indica que las funciones de penalización (ver

ecuaciones 12 y 13), Estos dan cuenta de cero penalizaciones por el
cumplimiento de las restricciones (condiciones por encima de los
requisitos mínimos, o costo anual por debajo del presupuesto disponible).
Sin embargo, las sanciones aumentarán con el tiempo si se violan las
restricciones. Ante el incremento de la infracción de la restricción la
penalización acrecentara de manera lineal (p. 136).
0, 𝐼𝐶𝑛(𝑡) ≥ 𝐼𝐶𝑚𝑖𝑛,𝑛
𝑇
𝑃𝐹𝑡𝑒𝑐,𝑛 = { …………………..(13)
∑𝑘 +𝑘 . 𝐼𝐶 (𝑡), 𝐼𝐶 (𝑡) < 𝐼𝐶
1𝑡𝑒𝑐 2𝑡𝑒𝑐 𝑛 𝑛 𝑚𝑖𝑛,𝑛
𝑡=𝑜

Donde:

𝐼𝐶𝑚𝑖𝑛,𝑛 : mínima exigida para el activo n

𝐼𝐶𝑛(𝑡) : activo n en el año t

𝑘2𝑡𝑒𝑐 : factor de penalización.

𝑘1𝑡𝑒𝑐 : penalización técnica fija

𝑃𝐹𝑒𝑐𝑜,𝑛
𝑁
‫ﻟ‬ 1
0, ∑ 𝑐𝑜𝑠𝑡𝑒(𝑥 𝑛𝑡). ≤ 𝐵(𝑡)
I (1 + 𝑖) (14)
𝑛=1
=
❪ 𝑁
1
𝑁
1
I𝑘1𝑒𝑐𝑜 + 𝑘2𝑒𝑐𝑜 . ∑ 𝑐𝑜𝑠𝑡𝑒(𝑥𝑛𝑡 ) 𝑡 ; ∑ 𝑐𝑜𝑠𝑡𝑒(𝑥𝑛𝑡 ). (1 + 𝑖)𝑡 > 𝐵(𝑡)
𝗅 (1 + 𝑖)
𝑛=1 𝑛=1

Donde:

coste (xnt): coste del tratamiento del tramo n en el año t

B(t): es el presupuesto del año t

31
k1eco: sanción económica fija.

i: es la tasa de descuento

k2eco: factor de penalización.

2.2.3. PROCEDIMIENTOS METAHEURÍSTICOS

e) Templado simulado

Simulated Annealing (SA), probándose este proceso con éxito en

varios problemas de optimización, exponiendo su habilidad con el fin de
que se evite quedar descubierto en óptimos locales. Porque su
simplicidad de implementación, a su vez los buenos resultados que se
descubren, experimentándose inicialmente en la década de los 80
(Gendre, 2019).

Según Gendre (2019), indica que al aplicar el algoritmo Metrópolis

en algunos problemas de optimización combinatoria que se presentan en
este tipo de diseño. El algoritmo Metrópolis simula el cambio de energía
durante el enfriamiento de un sistema físico. Las leyes de la
termodinámica dicen que a la temperatura t, la probabilidad de que la
energía aumente en un orden de magnitud ∂E expresándose:
−𝜕𝐸
𝑃(𝜕𝐸) = 𝑒 𝑘𝑡 ……………………………………………………….… (15)

Donde:

k es la constante de Boltzmann.

Esto crea una perturbación y calcula el cambio de energía

resultante. Si disminuye, el sistema pasa a un nuevo estado, de lo
inverso, se aceptará la nueva etapa conforme con la probabilidad
entregada en la ecuación anterior (Gendre, 2019).

Gendre (2019), menciona que es posible establecer similitud sobre

los parámetros que interfieren en la simulación termodinámica de
Metrópolis y los que surgen en los métodos de optimización locales. (Ver
Tabla)

32
Tabla 1
Analogía entre la termodinámica y el proceso de optimización

Termodinámica Optimización

Configuración Solución posible

Configuración fundamental Solución optima

Energía de la configuración Coste de la solución

Por ello, establecen una analogía entre el proceso por el que se

localizan las moléculas de materia en busca del equilibrio a diferentes
niveles de energía y las soluciones buscadas por los procesos de
búsqueda local (Gendre, 2019).

El SA es un procedimiento local basado en la investigación en el

que se aceptan todos los movimientos de mejora y se permiten los flujos
de no mejora de acuerdo con una cierta probabilidad. Estas
probabilidades se basan en la analogía del enfriamiento físico y se
calculan utilizando la temperatura del sistema (Gendre, 2019, p. 43-51).

Es decir, usar la estrategia de SA significa empezar con una

temperatura inicial alta, proporcionando una probabilidad alta que se
acepte un movimiento de no mejora (Gendre, 2019).

En cada iteración, la temperatura disminuye, por lo que la

probabilidad disminuye a medida que avanza el procedimiento,
acercándose a la solución óptima. De esta forma, la diversificación de la
búsqueda se realiza primero, sin un control indebido sobre el costo de las
soluciones visitadas. En iteraciones posteriores, el costo disminuye ya
que los malos movimientos son más difíciles de aceptar (Gendre, 2019).

33
Figura 1
Diagrama de flujo de la Heurística SA

El SA al aceptar movimientos que no mejoran en estados

intermedios, podemos retener los óptimos locales. Al final del proceso,
es muy poco probable que esto no suceda. Por lo tanto, sin movimientos
de progreso, el algoritmo termina (Ver Figura 1).

Gendre (2019), indica que el algoritmo solicita un medio inicial,

obtenida de manera aleatoria y una temperatura inicial (Temp) que se

34
determinara según el esquema en la Figura 2, esta temperatura
determinara el juicio para aceptar las soluciones peores. Con esta
solución, se empleará inclinaciones a los valores con el fin de obtener
una nueva solución (Sol1); luego esta solución es estimada y si esta
nueva solución progresa el valor de la función objetivo, se acoge como
nueva solución de partida. Por otro lado, Sol1 sustituye a Sol0 con una
posibilidad generada por el factor de Boltzmann (ver ecuación 16)

1
𝑝= 𝑠𝑖 ∆> 0 ………………………………………(16)
𝑒∆⁄𝑇𝑒𝑚𝑝
Con

∆= |𝑓(𝑆𝑜𝑙1) − 𝑓(𝑆𝑜𝑙0)| ……………………………………….(17)

Donde:

𝑓(𝑆𝑜𝑙1) y 𝑓(𝑆𝑜𝑙0): valor de la función objetivo para los medios 1 y 0;

Temp : temperatura.

La posibilidad expresada en la ecuación 16, la comparacion con un

número al azar del intervalo (0,1) distribuida uniformemente la
posibilidad. En caso el número al azar es inferior al valor de la posibilidad
de aceptar generado de la ecuación (16), la solución nueva Sol1 es
admitida para la nueva solución de partida (Gendre, 2019).

Pasado un número destinado de iterar se conoce como Cadena de

Markov (Lm), reduciendo la temperatura (Temp). Avanzando el problema,
la temperatura se reduce y la posibilidad de aceptar soluciones de baja
calidad se reducen. El algoritmo es detenido al superar un determinado
número de cruces (NCM sm max) sin progreso de la solución (Gendre,
2019).

Gendre (2019), indica que la calibración del SA demanda establecer

lo siguiente:

35
- Particularidades del movimiento: El movimiento usado se puede
determinar a acoger la solución óptima de la calibración de otra
heurística.

- Longitud de la cadena de Markov (Lm): Determina la cantidad de iterar

donde la temperatura es constante.

- Valor de la temperatura inicial: Se usará una temperatura inicial

obtenido a través del algoritmo propuesto por Gendre (2019),
persiguiendo el proceso según la figura siguiente:

Figura 2
Flujo para determinar la temperatura inicial

- Se seleccionará la temperatura inicial (Temp0) en forme

predeterminada o arbitraria (Gendre, 2019).

- Se aplicará la cadena de Markov (Lm) contabilizando el número de

soluciones admitidas. Al determinar el porcentaje de aceptación, con
el cálculo de la proporción de soluciones admitidas y la totalidad de

36
 las soluciones trazadas que conjeturan una declinación de la solución
inicial (ver ecuación 18) (Gendre, 2019)

𝑁° 𝑑𝑒 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑎𝑐𝑒𝑝𝑡𝑎𝑠
𝐴𝑐𝑒𝑝𝑡𝑎(%) = …………………….(18)
𝑁° 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑐𝑜𝑛 ∆> 0

- Si Acepta (%) > 40%, la temperatura inicial es excesivo y se repite el

proceso, estableciendo otro valor de temperatura similar a la mitad de
la temperatura estimada al inicio (Gendre, 2019).

- Si Acepta (%) < 20%, la temperatura inicial es muy baja y repite el

proceso apadrinando otro valor de la temperatura similar al duplo de
la temperatura considerada al inicio (Gendre, 2019).

- Si 20 < Acepta (%) < 20%, se acepta el valor de la temperatura inicial

(Gendre, 2019).

Coeficiente de enfriamiento (r): Determina la rapidez de la

reducción de la temperatura de optimización. Según las
recomendaciones de se debe considerar una rapidez geométrica para
enfriar (ver ecuación 4) (Gendre, 2019).

…………………….(4)
𝐴𝑐𝑒𝑝𝑡𝑎(%) = 𝑟. 𝑇𝑒𝑚𝑝; 𝑐𝑜𝑛 𝑟 є [0.08,0.99]

Criterio de Parada: Número máximo de cruces de markov sin

progresos de la solución optimizada (NCMsm,max) determinan el fin de la
realización del algoritmo (Gendre, 2019).

2.2.4. ALTERNATIVAS DE CONSERVACIÓN PARA TRATAMIENTOS

FLEXIBLES

A continuación, se describirán las formas de conservación

estimados en el estudio, estos tratamientos se establecen a partir de una
recopilación de información bibliográfica, ya que muchos de estos
tratamientos no podrían ser potencialmente aplicables en nuestro país.

37
a) Riego de neblina o de asfalto

Llamado el riego en negro o pulverizado (fog seal), este tratamiento

reside en aplicar una emulsión asfáltica disuelta para fortalecer la
superficie del pavimento e impedir perdidas de agregado (MTC, 2018).

La aplicación de sellos se usa donde el pavimento muestra indicios

de decadencia por ejemplo el agrietamiento en la superficie con una
severidad baja, leve perdida del cemento asfaltico por la superficie o
decoloración debido al cambio de tonalidad del color gris. El regadío con
asfalto diluido o emulsión se realiza con esparcidores a bajas velocidades
en temperatura ambiente superior a 6°C, las condiciones climáticas son
adecuadas y no llueve. El material asfáltico se coloca de forma que haya
un área de 30 cm de ancho entre carriles de dos (MTC, 2018, p. 253).

b) Lechada asfáltica

Las lechadas asfálticas son similares a los sellos con emulsión con
el fin de reducir el desgaste de la superficie y mejorar la fricción del
pavimento y neumáticos (MTC, 2018, p. 324).

En sellos con lechadas asfálticas y de tratamiento superficial, se

usan emulsiones reformadas. Los áridos para las lechadas asfálticas son
limpios, durables, angulares, reconocidos, obtenidos del chancado de
rocas, arena natural o su mezcla (MTC, 2018, p. 325).

c) Sello de agregado

También llamado riego con grava o sellado con arena, tipo de forma
superficial para aplicar riego de liga continuado de un recubrimiento con
agregado monograno (MTC, 2018).

d) Microaglomerado en frio

El microaglomerado en frío, también acreditado como slurry o

lechada bituminosa, es una técnica muy versátil en conservación de
pavimentos que, aplicada adecuadamente, genera una solución

38
ecológica, económica, eficaz y eficiente a muchos problemas no
estructurales de carreteras y viales con firmes (Uguet, et al., 2019).

e) Reciclado in situ en caliente

Consiste en reutilizar los materiales de la estructura deteriorada a

través de un procedimiento en altas temperaturas en la obra, calentando
con quemadores y mezclando agentes químicos para fortalecer la nueva
mezcla, para extenderse compactamente de acuerdo al espesor
solicitado (González, et al., 2019)

f) Reciclado in situ en frio

Alternativa de restitución alta provechoso para una gran cantidad de

fallas de pavimento elástico superficial o estructural, con numerosos
beneficios en los métodos tradicionales, principalmente en la reducción
del impacto ambiental porque la reutilización del pavimento asfaltico
(RAP, Reclaimed Asphalt Pavement) en su totalidad, basado granular
para evitar usar materiales derivado de depósitos, con un mayor costo-
efectividad por su bajo agotamiento energético (Ardaya, 2020).

g) Recrecido estructural

Este tratamiento es similar a la aplicación de un recrecido funcional,

con la diferencia de que este recrecido es más grueso, aumentando la
capacidad portante de la cubierta (MTC, 2018),

h) Reconstrucción

Según el MTC (2018), indica que la reconstrucción es una técnica

útil para retirar el antiguo pavimento reemplazándolo por uno nuevo.
Estos casos pueden mantenerse, pero la estática abandona su
contribución.

2.2.5. GESTIÓN DE ACTIVOS

Consiste en monitorear los objetos de valor como los activos físicos,

que requieren de un balance de riesgo, costos, desempeño y

39
oportunidades para su aprovechamiento eficiente del valor de un activo
en toda su vida útil (Naciones Unidas, 2021, p. 04)

Los activos de infraestructura se relacionan directamente al

crecimiento económico de los países y la calidad de vida del pueblo. Las
organizaciones de infraestructura son un tipo particular de
organizaciones intensivas en activos que coordinan actividades
relacionadas con activos que son costosos, extensos o complejos. Por
tanto, la gestión de activos es importante y la relevancia de su uso ha
sido reconocida en organizaciones intensivas en activos de diferentes
tipos, a saber, las empresas de servicios públicos (Almeida, et al, 2022).

El punto de partida es la comprensión del contexto externo e interno

de la organización intensiva en activos que se ocupa de los activos de
infraestructura (Ver Figura 4) (Almeida, et al, 2022).

La gestión de activos contribuye a la alineación de estos objetivos

estratégicos organizacionales con las actividades de gestión de activos y
su toma de decisiones. El valor derivado de la base de activos de
infraestructura es el logro de objetivos dentro de la organización (valor
creado para la institución) y poder satisfacer las necesidades y
perspectivas de los interesados relevantes (valor percibido por las partes
interesadas) (Almeida, et al, 2022).

Figura 3
Contexto externo e interno de las organizaciones de infraestructura.

40
 La gestión del rendimiento de los activos físicos depende de que la
integridad del activo se sostenga durante la utilidad de la inversión, a fin
de funcionar a la capacidad de diseño sin una pérdida importante de
contención primaria (Bruce, 2017).

La adopción del conjunto de normas ISO 55000 consienten a una

empresa a conseguir sus objetivos por medio de la gestión eficiente y
eficaz de los activos. el rendimiento de los activos físicos está dictado por
la salud del equipo. Si se inspecciona y mantiene adecuadamente, por
parte de personal competente, utilizando las últimas herramientas
disponibles, es probable que se logre un alto nivel de rendimiento durante
la vida útil del activo (Bruce, 2017).

Según las Naciones Unidas (2021), indica que los principios de la

gestión de activos, son:

- Consiste en concentrarse en la vida útil completa del activo y base

las decisiones en maximizar los beneficios a largo plazo para la
comunidad y minimizar los costos a largo plazo. sin considerar solo
posibles ahorros a corto plazo (Naciones Unidas, 2021).

- Utiliza un enfoque de gestión de cartera destinado a maximizar el

valor de todos los activos, no solo uno o unos pocos. Como veremos
más adelante, esta es una forma avanzada de gestión de activos que
funciona de manera efectiva solo si todos los activos individuales se
administran de manera eficiente a lo largo de su vida útil (Naciones
Unidas, 2021).

- Asegura a las personas involucradas en la gestión del activo a lo largo

de su vida útil sean competentes y calificadas (esto incluye
ingenieros, contratistas, planificadores, profesionales de compras,
etc.) (Naciones Unidas, 2021)

Las Naciones Unidas (2021), indica que los beneficios de la gestión

de activos, son:

41
- Reducir el costo de la prestación de servicios mejora la sostenibilidad
económica (Naciones Unidas, 2021).

- La justicia social y sus beneficios vienen porque las comunidades

tienen más recursos para servicios e instalaciones (Naciones Unidas,
2021).

- La sostenibilidad y nuestra dependencia del medio ambiente

aumentan a medida que se conservan los recursos y se presta
atención a las soluciones a largo plazo en lugar de la conveniencia y
los ahorros a corto plazo (Naciones Unidas, 2021).

- La valoración adecuada de los bienes naturales, como la tierra, los

lagos, los ríos y los acuíferos, contribuye a la movilización de
recursos, aumenta la voluntad política para protegerlos y garantiza
que sirvan a las generaciones actuales y futuras. (Naciones Unidas,
2021).

- Los países podrán mejorar la resiliencia de los servicios públicos ante

una variedad de riesgos, incluido el cambio climático y las
emergencias de salud pública (Naciones Unidas, 2021).

- Los ciudadanos obtienen un servicio de mejor calidad y más confiable

sin cortes de improviso o interrupciones indeterminadas (Naciones
Unidas, 2021).

- La fortaleza financiera de los gobiernos locales al permitirles predecir

los costos operativos futuros y financiar los presupuestos necesarios.
La evaluación de riesgos está mejorando, lo que apoya a congregar
nuevas inversiones (Naciones Unidas, 2021).

- Los activos debidamente administrados y valuados pueden utilizarse

como garantía para inversiones futuras (por ejemplo, catastrales
debidamente titulados, registrados y valuados). (Naciones Unidas,
2021).

42
- Mayor transparencia gubernamental, la mejora de la comunicación
con el público y mayor confianza en el gobierno (Naciones Unidas,
2021).

- Comunicarse de manera efectiva con los contribuyentes, los

funcionarios electos, las agencias calificadoras, los reguladores y los
inversionistas públicos o privados potenciales a medida que se
documentan y comparten los planes y los resultados (Naciones
Unidas, 2021).

- La maximización del valor de la inversión en infraestructura por medio

de activos y servicios subyacentes contribuye a lograr objetivos
nacionales e internacionales, incluyendo los Objetivos de Desarrollo
Sostenible (ODS) (Naciones Unidas, 2021).

Las Naciones Unidas (2021), indica que las dificultades de la

gestión de activos, son:

- La mala calidad de la información disponible sobre los activos dificulta

su gestión eficaz y eficiente. Por ejemplo, registros de activos
incompletos o inexactos (Naciones Unidas, 2021).

- Tener muy poco conocimiento de los activos. Esto puede contribuir a

su no uso o mal uso. Esto acorta la vida útil del activo y aumenta los
costes asociados al mismo (Naciones Unidas, 2021).

- La falta de claridad de posiciones, responsabilidades y obligaciones

relacionadas con la gestión de activos entre niveles de gobierno o
entre agencias, funcionarios y funcionarios. Esto afecta la eficiencia
y puede dar lugar a costosas duplicaciones y errores (Naciones
Unidas, 2021).

- La falta de procesos claros para establecer y comunicar políticas y

lineamientos de gestión patrimonial desde el nivel central al local.
Puede dar lugar a un uso indebido o una gestión inadecuada de los
activos existentes y poner en peligro la adquisición de nuevos activos.

43
 Esta dificultad puede deberse a la falta de conciencia de las fallas o
problemas en la creación de un entorno propicio (Naciones Unidas,
2021).

Las Naciones Unidas (2021), indica que el ciclo de vida de un activo

tangible consta de las etapas de planificación, adquisición, uso,
operación y disposición final cuando ya no satisface sus necesidades.
Cada fase varía en duración y costo (Ver Figura 4). El costo del ciclo de
vida de un activo es la suma de los costos incurridos durante las cuatro
fases.

Figura 4
Ciclo de vida de un activo físico

La planificación es la fase más importante del ciclo de vida de una

instalación, ya que define los requisitos de rendimiento y los niveles de
servicio. Estas especificaciones determinan el tipo de servicio y la calidad
que se espera de la instalación (Naciones Unidas, 2021).

44
Figura 5
Planificación en la gestión de activos, corto y largo plazo

En la etapa de adquisición, la adquisición de un activo suele ser la

etapa más corta de su ciclo de vida. Este es el caso cuando lleva planes
y adquisiciones de nuevos activos que satisfacen nuevas necesidades,
mejoramos la prestación de servicios o reemplazamos activos antiguos
que ya no satisfacen las necesidades de la comunidad. Muchos
consideran que esta etapa es la más costosa en el ciclo de vida de un
activo, ya que requiere grandes pagos en un corto período de tiempo. En
realidad, sin embargo, estos representan solo del 15% al 30% de los
costos del ciclo de vida del activo (Naciones Unidas, 2021).

Durante la fase de uso, el activo proporciona servicios al gobierno

de la comunidad. Esta es la más larga y costosa de las cuatro fases. Los
costos incurridos en esta etapa representan del 60% al 80% del costo
total del ciclo de vida de la planta y, a menudo, requieren el reemplazo
de piezas críticas para mantener la planta en funcionamiento. Por
ejemplo, es necesario reemplazar el motor de un camión o el techo de un
edificio, o es necesario repavimentar una carretera (Naciones Unidas,
2021).

45
 Dado que la disposición es la etapa final en el ciclo de vida de un
activo, es importante planificar la disposición final de un activo, ya que el
uso inadecuado puede consumir recursos innecesariamente (Naciones
Unidas, 2021).

Los activos se descartan por las siguientes razones: rendimiento

deficiente, incumplimiento de los ingresos esperados, incumplimiento de
los requisitos porque son obsoletos u obsoletos y demasiado costosos
de mantener (Naciones Unidas, 2021).

2.3. DEFINICIONES CONCEPTUALES

Carretera: Se define como carreteras transitadas por vehículos

motorizados de al menos dos ejes con las siguientes características
geométricas: Por ejemplo: taludes laterales, taludes longitudinales, secciones
transversales, superficies de rodadura y otros elementos deben cumplir con
las normas técnicas vigentes (MTC, 2018).

Gestión de conservación vial: Es un conjunto de sistemas integrados

que definen planificación, política, organización, financiamiento, ejecución,
operación y gestión para que el mantenimiento vial garantice la seguridad, la
economía, la liquidez y el bienestar de los usuarios. botella (MTC, 2018, p.
30).

Gestión de infraestructura vial: Un proceso destinado a combinar

conocimientos de ingeniería, comerciales y gerenciales para lograr una
asignación óptima de recursos para administrar, operar y mantener la
infraestructura (Macea, et al., 2016).

Operación y Mantenimiento: Se define como la acción necesaria para

restaurar un bien a su estado original en la medida de lo posible, pero
excluyendo la rehabilitación y rehabilitación (Naciones Unidas, 2021).

Programa de conservación vial: Es un instrumento de actividades que

realiza el empresario para ejecutar el servicio, tales como planes de gestión
ambiental y social, planes de mantenimiento vial, inventarios viales de línea
base y planes de calidad (MTC, 2018, p. 30).

46
 Razón de sostenibilidad: Medida del alcance del reemplazo de activos
cuando estos alcanzan el final de su vida útil (Naciones Unidas, 2021).

Razón de financiación de renovación de activos: Indica la capacidad

del dueño de la propiedad para financiar renovaciones o reemplazos
planificados si es necesario en el futuro (Naciones Unidas, 2021).

Reparación: Consiste en reparar, modificar o restaurar elementos de la

infraestructura vial que se encuentren en mal estado por el tráfico o las cargas
viales, o que hayan sido dañados por fuerzas naturales o por terceros (MTC,
2018, p. 31).

Sistema de información de gestión de activos: Un sistema que

proporciona información crítica y mejora la colaboración (Naciones Unidas,
2021).

Sistema de información geográfica (SIG): Un sistema para manipular,

capturar, visualizar, analizar y almacenar geográficamente datos de los
activos (Naciones Unidas, 2021).

Valor del servicio: Es el nivel de servicio que un activo proporciona a

sus usuarios, propietarios, comunidades y ciudadanos (Naciones Unidas,
2021).

Valor financiero de un activo: Es el costo por adquirir un activo

(Naciones Unidas, 2021).

Vida útil: Este es el período durante el cual el activo funcionará para el

propósito para el cual fue construido o adquirido sin costos imprevistos o
pérdida de servicio debido al mantenimiento o reparaciones (Naciones
Unidas, 2021).

2.4. HIPÓTESIS

2.4.1. HIPÓTESIS GENERAL

La optimización heurística multiobjetivo influye favorable y

significativamente en la gestión de activos de infraestructura de

47
 transporte terrestre de la carretera Puente Chino-Aguaytía a través de la
herramienta de optimización heurística multiobjetivo

2.4.2. HIPÓTESIS ESPECIFICAS

H1: Los parámetros de la optimización influye favorable y

significativamente en la asignación de recursos para la gestión de
activos de infraestructura de transporte terrestre de la carretera
Puente Chino-Aguaytía.

H2: El desarrollo de los módulos de evaluación técnica, económica y

ambiental de la optimización influye favorable y significativamente
en la asignación de recursos para la gestión de activos de
infraestructura de transporte terrestre de la carretera Puente Chino-
Aguaytía

H3: La ejecución del proceso de optimización influye favorable y

significativamente en los recursos a través de la herramienta
heurística multiobjetivo.

2.5. VARIABLES

2.5.1. VARIABLE DEPENDIENTE

Herramienta de Optimización Heurística Multiobjetivo: Es un

programa de asignación optima de conservación de recursos (Calderon,
2022).

2.5.2. VARIABLE INDEPENDIENTE

Gestión de activos de infraestructura: Es el monitoreo de los

objetos de valor que requieren un balance de costos, riesgos,
oportunidad y rendimiento para el aprovechamiento eficiente del valor de
los activos físicos (Naciones Unidas, 2021).

48
2.6. OPERACIONALIZACIÓN DE VARIABLES
Tabla 2
Definición de operacionalización de variables

Definición Tipo de
Variable Definición operacional Dimensión Indicador Valor final
conceptual variable

Un programa para la
Esta herramienta tiene Con optimo global
Herramienta de asignación óptima de Algoritmo
como objetivo encontrar
Optimización recursos para la Heurístico del Optimo
soluciones globales o categórica
Heurística conservación de la Simulado global
locales a problemas de
Multiobjetivo naturaleza recogido Sin optimo global
optimización.
(Calderon, 2022).
El monitoreo de La gestión de los activos
objetos valiosos de infraestructura se Programa de
requiere un equilibrio realiza mediante la mantenimiento
de riesgo, costo, planificación de con penalización
Gestión de oportunidad y programas de Planificación de Programa
activos de rendimiento para mantenimiento que la conservación de categórica
de mantenimie
infraestructura utilizar de manera consideran las
infraestructura nto Programa de
eficiente el valor de desventajas económicas mantenimiento sin
los activos físicos y técnicas de los penalización
(Naciones Unidas, problemas de
2021). optimización.

49
 CAPITULO III

METODOLOGIA DE LA INVESTIGACIÓN

3.1. TIPO DE INVESTIGACIÓN

3.1.1. ENFOQUE

Este estudio adopta un enfoque cuantitativo a través de una

investigación descriptiva para que las variables puedan ser medidas
estadísticamente e identificar relaciones causales entre hechos y
fenómenos, describiendo una herramienta de optimización heurística
multiobjetivo, pude conocer la relevancia y viceversa, la hipótesis que
explica los resultados obtenidos en cuanto al efecto del fenómeno
(Hernández y Mendoza, 2018, p. 104 - 112).

El enfoque cuantitativo trata en indagar estadísticamente la

representación de la realidad en datos numéricos (Hernández y
Mendoza, 2018, p. 310).

3.1.2. ALCANCE O NIVEL

La investigación es de nivel explicativo debido a que va a indagar

sobre la influencia de la optimización heurística multiobjetivo explicando
el por qué demostrándose a través de datos estadísticos como gráficos
y tablas, esto permitirá medir la influencia entre las variables, como
también la contrastación de hipótesis explicando de esta manera los
resultados según los efectos del fenómeno, con el fin de probar o refutar
teorías.

El nivel explicativo permite explicar la relación causal de las

variables observando los hechos que ya sucedieron durante la
investigación (Hernández y Mendoza, 2018, p. 179).

3.1.3. DISEÑO

El trabajo de investigación es cuasi experimental - longitudinal

porque se indagará a la herramienta de optimización heurística
50
 multiobjetivo con respecto a sus causas, consecuencias o influencia de
la gestión de activos de infraestructura, evaluando en un periodo de 25
años.

El diseño de investigación cuasi experimental consiste en indagar

la variable independiente sobre las variables dependientes para
determinar las causas, esto permitirá realizar la contrastación de
hipótesis (Hernández y Mendoza, 2018, p. 173).

El diseño cuasiexperimental se caracteriza por tener grupos

intactos, no se asignan aleatoriamente, no existe equivalencia inicial de
los grupos. Por ello, no existe control o validez interna durante el
experimento para controlar la influencia de las fuentes de la invalidación
interna. A pesar de sus limitaciones, los diseños cuasi-experimentales
tienen la ventaja al menos de manipular deliberadamente una variable
independiente, para luego analizar sus efectos y conocer la relación
causal de una o más variables (Silvestre y Nahula, 2019, p. 295).

3.2. POBLACIÓN Y MUESTRA

3.2.1. POBLACIÓN

Según Hernández y Mendoza (2018), indica que la población es el

conjunto de casos que cumplan ciertas características, limites que son
definidos para el estudio.

Para nuestro caso de estudio, la población son todos los sectores

dañados de la vía interurbana (Puente Chino-Aguaytía), por tanto, según
PROVIS NACIONAL (2012), en su estudio definitivo mostro 27 sectores
críticos, por tanto, estos sectores dañados son la población de la
investigación.

3.2.2. MUESTRA

La muestra de la investigación es censal, por tanto, toda la

población conforma la muestra y todas las unidades son considerados
como muestra, es decir todos los sectores críticos del Puente Chino-

51
Aguaytía serán indagados, con el fin de lograr los objetivos de la
investigación.

Tabla 3
Zonas críticas (tramos) de estudio

Zona critica N° Progresiva Longitud (m)

(Tramos) Inicio Fin
1 52+100.15 52+280 179.85
2 52+280 52+400 120.00
3 52+400 52+600 200.00
4 56+440 56+610 170.00
5 56+610 56+700 90.00
6 57+370 57+630 260.00
7 57+630 57+830 200.00
8 59+700 59+860 160.00
9 60+600 61+000 400.00
10 61+520 61+800 280.00
11 61+960 62+190 230.00
12 63+280 63+600 320.00
13 63+600 64+000 400.00
14 64+000 64+500 500.00
15 64+500 64+610 110.00
16 64+740 64+840 100.00
17 64+840 65+020 180.00
18 66+200 66+800 600.00
19 66+800 67+000 200.00
20 67+000 67+280 280.00
21 67+280 67+920 640.00
22 67+920 68+320 400.00
23 70+000 70+100 100.00
24 70+400 71+323.99 923.99
25 73+260 73+800 540.00
26 75+340 75+520 180.00
27 76+240 76+420 180.00

52
3.3. TÉCNICAS E INSTRUMENTO DE RECOLECCIÓN DE DATOS

3.3.1. PARA LA PRESENTACIÓN DE DATOS

Los instrumentos son los registros de data que se obtuvieron de las

instituciones que manejen sistemas de información (SENAMHI, sistema
nacional de información de carreteras – SINC).

3.3.2. PARA EL ANÁLISIS E INTERPRETACIÓN

Los datos obtenidos en el proceso de inventario y luego de la

evaluación de módulos técnicos, económicos y ambientales se realizó a
través de los métodos heurísticos con el fin de resolver el problema de
optimización de un programa de conservación en la vía interurbana
puente Chino - Aguaytía basado la solución óptima.

Por ello, se realizaron las siguientes actividades orientadas a

resolver cada objetivo de la investigación:

3.3.3. PARÁMETROS DE OPTIMIZACIÓN DEL PROBLEMA

Para la aplicación de la herramienta de optimización del programa

de conservación vial se aplicó los siguientes parámetros.

a) Parámetros de inventario

En nuestro estudio se considera una va interurbana (Puente Chino-

Aguaytía), situada en la Región Ucayali, perteneciente a la ruta nacional
PE-5N (Tingo María – Aguaytía – Pucallpa) actualmente asfaltada, se
establecerán los datos:

Precipitación promedio anual: Estos datos serán obtenidos a

partir del servicio nacional de meteorología e hidrología (SENAMHI)

Extensión de la vía interurbana (Puente Chino-Aguaytía): Se

estableció la longitud total de la vía interurbana Puente Chino-Aguaytía y
las longitudes de cada tramo que subdividen la vía interurbana de estudio
(Anexo 2).

53
 Para la subdivisión se distribuyó las 27 zonas críticas en toda la vía
interurbana Puente Chino-Aguaytía, estas zonas críticas son el criterio
principal para subdividir esta vía interurbana en 27 tramos, estos tramos
fueron selectos con el objetivo de acopiar pavimentos de diferentes
niveles de deterioros y tipos de estructura (hormigón y asfalto).

La Tabla 3, muestra los tramos con la estructura del pavimento

(asfalto u hormigón), así como su anchura e índice de condición de
pavimento interurbano inicial (ICPIini, IRI)).

b) Parámetros Técnicos

Los parámetros técnicos recolectan información de los siguientes

indicadores:

Condición inicial: La condición inicial será determino a través del

índice de rugosidad internacional (IRI) establecida por el Banco Mundial,
es un índice conveniente para indagar la condición de las vías de los
pavimentos interurbanos (Marcobal, et al., 2017)

Modelos de deterioro: Para establecer los modelos de deterioro

se analizaron las curvas de deterioro según la estructura de activo
(pavimento flexible) y su clasificación funcional (Osorio, et al., 2018)

Catálogo de tratamientos: Los tratamientos que se aplicaron para

la conservación de pavimentos flexibles (Ver Tabla 4), si bien en el
manual de carreras se abarcan algunos de estos tratamientos, la
literatura nos muestra que se pueden aplicar otros tipos de tratamientos
(ver ítem 2.2.6).

54
Tabla 4
Tratamientos de conservación del estudio

Tratamiento para pavimento flexibles

Riego de neblina

Lechada asfáltica

Sello de agregado

Microaglomerado en frio

Recrecido funcional

Reciclado in situ en caliente

Reciclado in situ en frio

Recrecido estructural con asfalto

Reconstrucción

Umbrales de aplicación de tratamientos: Los tratamientos son la

diferenciación de intensidad e intervención, determinándose su
aplicación según los tipos de deterioros y su severidad. Es decir, se
determinarán los índices de condición (IRI) en al cual se aplicará cada
tratamiento.

Efectos de aplicación de tratamientos: Produce un incremento

de la vitalidad del pavimento e incremento de su condición (IRI) durante
su aplicación, para efectos de esta investigación se determinará el efecto
que tiene cada tratamiento en la condición y vida útil del pavimento.

c) Parámetros económicos

Costes económicos: Los costos estimados son producto de la

búsqueda de la literatura en Santes (2021), Huang, et al., (2021), Shi, et
al., (2021), sin embargo, a estos costes se le aplicara un factor de
corrección que refleje la diferencia entre el coste de aplicación en casos
internacionales y el caso peruano; este coeficiente se calculará a partir
de la diferencia promedio de aquellos costes en los que se disponga de
datos tanto en la aplicación internacional como peruana (Ver Tabla 5).

55
Tabla 5
Costo de los tratamientos en los pavimentos asfálticos o flexibles

Tratamiento para pavimento

Coste (US$/m2) Coste (Soles/m2) *
flexibles
Riego de neblina 2.19 8.541
Lechada asfáltica 4.69 18.291
Sello de agregado 4.90 19.11
Microaglomerado en frío 7.76 30.264
Recrecido funcional 25.90 101.01
Reciclado in situ en caliente 53.54 208.806
Reciclado in situ en frío 54.65 213.135
Recrecido estructural con
63.79
asfalto 248.781
Reconstrucción 143 557.7

* Tipo de cambio de dólar a soles fue de 3.90

d) Parámetros ambientales

Impacto ambiental a partir de las emisiones de CO2 en cada

tratamiento: Se ha centrado en las emisiones de CO2 derivadas de los
tratamientos para conservar.

Las emisiones de CO2 se obtendrán mediante evaluaciones con la

herramienta informática paLATE con el fin obtener un modelo (Recycled
Materials Resource Center, 2020).

La Tabla 6, muestra la evaluación con la herramienta paLATE se

considerarán las distancias de transporte a la producción de áridos,
planta asfáltica y vertederos autorizados cercas a la vía interurbana
Puente Chino-Aguaytía.

56
Tabla 6
Emisiones de CO2 de los tratamientos en pavimentos asfálticos

Tratamiento para pavimento

Emisiones (Kg CO2/m2)
flexibles
Riego de neblina 0.04
Lechada asfáltica 0.32

Sello de agregado 0.43

Microaglomerado en frio 1.51
Recrecido funcional 6.75
Reciclado in situ en caliente 6.70
Reciclado in situ en frio 5.49
Recrecido estructural con asfalto 13.11
Reconstrucción 27.36

e) Decisiones tomadas a nivel estratégico

Presupuesto disponible: En la actualidad es importante recalcar

que se produce una conservación reactiva de los pavimentos, tratados
cuando muestran niveles altos de desgaste, por medio de los recrecidos
estructurales. En el estudio se estableció como escenario base al simular
los gastos derivados.

Para establecer el presupuesto disponible o un escenario

presupuestario se simulará el mantenimiento de la practica actual de la
vía interurbana Puente chino – Aguaytía. En la simulación se estableció
los pavimentos con el valor de condición mínimo aceptable (IRI mínimo).

Considerando consideraciones, se simulo en un programa de

conservación la implementación en un plazo de 25 años.

Periodo de análisis: El plazo de análisis incumbe al horizonte

temporal para cuantificar los beneficios y/o costes procedentes de las
opciones de conservación. En este estudio se consideró un plazo de 25
años, sugeridos por Naciones Unidas (2021) que recomienda plazos de
análisis de 3 a 50 años de la vida útil típica de un activo de infraestructura
(p. 14).

57
 Tasa de descuento: Se estableció una tasa de descuento para
evaluaciones de proyectos sociales, y se establecerá según la siguiente
tabla

Tabla 7
Tasa de descuento social a largo plazo

Años Tasa

21-49 5.5%

50 a 74 4.0%

75 a 99 3.0%

100 a 149 2.0%

150 a 199 2.0%

200 a mas 1.0%

Niveles mínimos de indicadores: La restricción técnica considera

que nadie de los tramos puede mostrar un estado que requiera la
restitución del mismo, para ello se usaran los datos obtenidos en el
inventario (umbrales de aplicación de tratamientos).

Módulos de evaluación: Se lleva a cabo la valoración técnica

ambiental y económica de las opciones para conservar.

La evaluación técnica estima la condición de la infraestructura en el

tiempo valor a partir del cual puede establecer la efectividad del plan de
conservación, establecido en la ecuación 6. De la misma forma, la
evaluación económica establece el flujo de costes en el plazo de análisis,
comparándose con el presupuesto utilizable para conservar la
infraestructura vial. Finalmente, el módulo de evaluación ambiental
cuantifica cuantificara el impacto del programa de conservación medido
en términos de emisiones de CO2 generados en los tratamientos.

Proceso de optimización: La optimización de retribución de

recursos para la gestión de conservación de infraestructura en la vía
interurbana puente Chino-Aguaytía, se encuentra en el enfoque holístico
con la existencia de una buena cantidad de opciones (tratamientos de

58
conservación), por lo que es más adecuado usar el método de
optimización multiobjetivo. Para el proceso de optimización primero se
establecerá la función objetivo la cual estará dada por el siguiente
problema no condicionado y sus respectivas penalizaciones:

𝑁 𝑁 𝑇

𝑚𝑎𝑥𝑓1(𝑥) = 𝑚𝑎𝑥 ∑ 𝐴𝐵𝐶𝑛 − ∑ 𝑃𝐹𝑡𝑒𝑐,𝑛 − ∑ 𝑃𝐹𝑒𝑐𝑜,𝑡

𝑛=1 𝑛=1 𝑡=0

Donde:

ABCn : efectividad del activo n de la vía interurbana

𝑃𝐹𝑡𝑒𝑐,𝑛 y 𝑃𝐹𝑒𝑐𝑜,𝑡 : funciones de penalización para las restricciones

Como restricciones, se consideró lo siguiente:

f) Penalización técnica

Para la penalización técnica se aplicó el siguiente modelo:

0, 𝐼𝐶𝑛(𝑡) ≥ 𝐼𝐶𝑚𝑖𝑛,𝑛
𝑇
𝑃𝐹𝑡𝑒𝑐,𝑛 = {
∑ 𝑘 1𝑡𝑒𝑐 + 𝑘2𝑡𝑒𝑐 . 𝐼𝐶𝑛 (𝑡), 𝐼𝐶𝑛 (𝑡) < 𝐼𝐶𝑚𝑖𝑛,𝑛
𝑡=𝑜

Donde:

𝐼𝐶𝑛(𝑡) : activo n en el año t

𝐼𝐶𝑚𝑖𝑛,𝑛 : condición mínima exigida para el activo n

𝑘1𝑡𝑒𝑐 : penalización técnica fija

𝑘2𝑡𝑒𝑐 : penalización que controla el aumento de la penalización.

g) Penalización económica

Para la penalización económica se aplicó el siguiente modelo:

𝑃𝐹𝑒𝑐𝑜,𝑛
𝑁 1
‫ﻟ‬ 0, ∑ 𝑐𝑜𝑠𝑡𝑒(𝑥 ). ≤ 𝐵(𝑡)
I 𝑛𝑡
(1 + 𝑖)𝑡
𝑛=1
= 𝑁 𝑁
❪ 1 1
I𝑘1𝑒𝑐𝑜 + 𝑘2𝑒𝑐𝑜 . ∑ 𝑐𝑜𝑠𝑡𝑒(𝑥𝑛𝑡 ) ; ∑ 𝑐𝑜𝑠𝑡𝑒(𝑥𝑛𝑡 ). > 𝐵(𝑡)
𝗅 (1 + 𝑖)𝑡 (1 + 𝑖)𝑡
𝑛=1 𝑛=1

59
Para:

Coste (xnt): coste del tratamiento considerado en el plan de conservación

de n y año t

B(t) : presupuesto disponible para el año t

I : tasa de descuento

k1eco : penalización económica fija

k2eco : penalización que controla el aumento de la penalización anual.

Para la solución del problema de optimización no condicionado se

usó la metaheurística Simulado Recocido (SA), el cual pretende
solucionar el problema y descubrir una solución global a través de
procedimientos como los establecidos en la Figura 1.

Para la operación con esta metaheurística (SA) se determinarán los

siguientes factores:

Como características del movimiento se usará el óptimo local

obtenido de otra metaheurística de gradiente de búsqueda local (GLB)

• Para la longitud de la cadena de Markov se explorarán se explorarán

seis niveles de este factor: 100, 250, 500, 1000, 5000, 10000

• Como temperatura inicial (Temp0) se usará una temperatura inicial

obtenido a través del algoritmo de propuesto por

• Para el coeficiente de enfriamiento (r) se analizarán tres niveles de

este factor 0.8, 0.9, 0.99.

• Para e criterio de parada se analizarán 4 niveles 1,2,3 y 4.

Bajo las condiciones establecidas la factorial para la calibración

heurística del recocido simulado queda definida de la siguiente tabla:

60
Tabla 8
Factorial para la calibración del recocido simulado (SA)

NCMsm,max Coeficiente de enfriamiento (r)

=1 0.8 0.9 0.99
100 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
250 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
500 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
Lm
1000 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
5000 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
10000 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
NCMsm,max Coeficiente de enfriamiento (r)
=2 0.8 0.9 0.8
100 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
250 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
500 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
Lm
1000 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
5000 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
10000 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
NCMsm,max coeficiente de enfriamiento (r)
=3 0.8 0.9 0.8
100 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
250 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
500 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
Lm
1000 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
5000 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
10000 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
NCMsm,max Coeficiente de enfriamiento (r)
=4 0.8 0.9 0.8
100 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
250 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
500 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
Lm
1000 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
5000 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝
10000 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝 𝑁𝑖𝑡𝑒𝑟 , 𝑓1(𝑥𝑜𝑝𝑡), … , 𝑓𝑛(𝑥𝑜𝑝

61
Figura 6
Proceso de Optimización del Programa de Mantenimiento

62
 CAPITULO IV

RESULTADOS

4.1. PROCESAMIENTO DE DATOS

Para el procesamiento de los datos se realizó con la herramienta de

Microsoft Excel donde los resultados se presentaron mediante tablas y
graficas.

4.1.1. ANÁLISIS DE INVENTARIO DE LOS ESCENARIOS

Para la validación del algoritmo, se recopilaron datos de inventario

que se han considerado en los distintos escenarios que se| analizan a
continuación.

63
Tabla 9
Inventario en escenarios de validación estructurante (E)
ASALTO (100%) ASALTO (75%) ASALTO (50%) ASALTO (25%) ASALTO (0%)
ID
Red Estructura ICPU Red Estructura ICPU Red Estructura ICPU Red Estructura ICPU Red Estructura ICPU
1 E A 5.3 E A 5.3 E A 5.3 E A 5.3 E H 5.3
2 E A 5.3 E A 5.3 E A 5.3 E A 5.3 E H 5.3
3 S A 6.2 S A 6.2 S A 6.2 S A 6.2 S H 6.2
4 E A 6.2 E A 6.2 E A 6.2 E A 6.2 E H 6.2
5 E A 3.2 E A 3.2 E A 3.2 E A 3.2 E H 3.2
6 E A 7.5 E A 7.5 E A 7.5 E A 7.5 E H 7.5
7 E A 4.2 E A 4.2 E A 4.2 E A 4.2 E H 4.2
8 S A 4.4 S A 4.4 S A 4.4 S H 4.4 S H 4.4
9 E A 6.2 E A 6.2 E A 6.2 E H 6.2 E H 6.2
10 E A 5.3 E A 5.3 E A 5.3 E H 5.3 E H 5.3
11 E A 5.1 E A 5.1 E A 5.1 E H 5.1 E H 5.1
12 S A 9.3 S A 9.3 S A 9.3 S H 9.3 S H 9.3
13 S A 5.2 S A 5.2 S A 5.2 S H 5.2 S H 5.2
14 E A 6.3 E A 6.3 E H 6.3 E H 6.3 E H 6.3
15 E A 9.4 E A 9.4 E H 9.4 E H 9.4 E H 9.4
16 E A 3.8 E A 3.8 E H 3.8 E H 3.8 E H 3.8
17 E A 7.8 E A 7.8 E H 7.8 E H 7.8 E H 7.8
18 E A 7.6 E A 7.6 E H 7.6 E H 7.6 E H 7.6
19 S A 5.2 S A 5.2 S H 5.2 S H 5.2 S H 5.2

64
20 S A 8.5 S A 8.5 S H 8.5 S H 8.5 S H 8.5
21 S A 5.4 S H 5.4 S H 5.4 S H 5.4 S H 5.4
22 E A 6.2 E H 6.2 E H 6.2 E H 6.2 E H 6.2
23 E A 5.2 E H 5.2 E H 5.2 E H 5.2 E H 5.2
24 E A 5.8 E H 5.8 E H 5.8 E H 5.8 E H 5.8
25 E A 3.6 E H 3.6 E H 3.6 E H 3.6 E H 3.6
26 E A 6.2 E H 6.2 E H 6.2 E H 6.2 E H 6.2
27 E A 7.5 E H 7.5 E H 7.5 E H 7.5 E H 7.5

65
Tabla 10
Inventario en escenarios de validación secundaria (S)
ASALTO (100%) ASALTO (75%) ASALTO (50%) ASALTO (25%) ASALTO (0%)
ID
Red Estructura ICPU Red Estructura ICPU Red Estructura ICPU Red Estructura ICPU Red Estructura ICPU
1 S A 4.2 S A 4.2 S A 4.2 S A 4.2 S H 4.2
2 S A 4.6 S A 4.6 S A 4.6 S A 4.6 S H 4.6
3 S A 6.3 S A 6.3 S A 6.3 S A 6.3 S H 6.3
4 S A 6.3 S A 6.3 S A 6.3 S A 6.3 S H 6.3
5 S A 3.2 S A 3.2 S A 3.2 S A 3.2 S H 3.2
6 S A 4.2 S A 4.2 S A 4.2 S A 4.2 S H 4.2
7 E A 4.6 E A 4.6 E A 4.6 E A 4.6 E H 4.6
8 S A 5.2 S A 5.2 S A 5.2 S H 5.2 S H 5.2
9 E A 6.2 E A 6.2 E A 6.2 E H 6.2 E H 6.2
10 S A 4.4 S A 4.4 S A 4.4 S H 4.4 S H 4.4
11 S A 4.3 S A 4.3 S A 4.3 S H 4.3 S H 4.3
12 S A 6.2 S A 6.2 S A 6.2 S H 6.2 S H 6.2
13 E A 6.6 E A 6.6 E A 6.6 E H 6.6 E H 6.6
14 E A 4.8 E A 4.8 E H 4.8 E H 4.8 E H 4.8
15 E A 4.2 E A 4.2 E H 4.2 E H 4.2 E H 4.2
16 S A 3.6 S A 3.6 S H 3.6 S H 3.6 S H 3.6
17 S A 3.2 S A 3.2 S H 3.2 S H 3.2 S H 3.2
18 S A 7.8 S A 7.8 S H 7.8 S H 7.8 S H 7.8
19 S A 5.4 S A 5.4 S H 5.4 S H 5.4 S H 5.4

66
 20 S A 8.6 S A 8.6 S H 8.6 S H 8.6 S H 8.6
21 S A 6.1 S A 6.1 S H 6.1 S H 6.1 S H 6.1
22 E A 3.5 E A 3.5 E H 3.5 E H 3.5 E H 3.5
23 S A 4.8 E A 4.8 E H 4.8 E H 4.8 E H 4.8
24 E A 5.4 E A 5.4 E H 5.4 E H 5.4 E H 5.4
25 E A 3.6 E A 3.6 E H 3.6 E H 3.6 E H 3.6
26 S A 5.4 S A 5.4 S H 5.4 S H 5.4 S H 5.4
27 E A 6.2 E A 6.2 E H 6.2 E H 6.2 E H 6.2

Las Tablas 9 y 10, evidencian que los ICPU han disminuido significativamente en la red y estructura, siendo en el asalto
(100%) la optimización esperada. Debido a que posiblemente permita la reducción de costos a un nivel óptimo.

67
7.1.1. RESULTADOS DE VALIDACIÓN
Tabla 11
Resultados de validación estructurante (E)
Variables Tipo pavimento
Condición
Validación ASALTO (100%) ASALTO (75%) ASALTO (50%) ASALTO (25%) ASALTO (0%)
ABC (%) 0% 5% 13% 16% 23%
Buena
N (%) 32% -12% -12% -54% -73%
ABC (%) 58% 32% 21% 14% 19%
Regular
N (%) 125% 3% 83% 65% -15%
ABC (%) 0% 0% 3% 2% 7%
Mala
N (%) -8% 48% -4% 35% 28%
ABC (%) 34% -3% 18% 5% -7%
Uniforme
N (%) 21% 65% 58% 43% -9%

68
Tabla 12
Resultados de validación secundaria (S)
Variables Tipo pavimento
Condición
Validación ASALTO (100%) ASALTO (75%) ASALTO (50%) ASALTO (25%) ASALTO (0%)
ABC (%) -4% -5% 53% 64% 4%
Buena
N (%) -7% 33% -27% 53% -13%
ABC (%) -14% -12% -13% -17% -25%
Regular
N (%) -43% -23% 23% 42% 46%
ABC (%) 13% 9% -16% -5% -9%
Mala
N (%) -38% -45% -7% 8% 12%
ABC (%) 0% 0% -7% -4% 0%
Uniforme
N (%) -53% -65% 32% 83% 34%

69
7.1.2. RESULTADOS DE LAS SOLUCIONES OPTIMAS
MULTIOBJETIVO

La Table 13, muestra las soluciones optimas donde el presupuesto

con solución de máxima efectividad (ABCmax) fue de S/. 1,954,964.00;
además, con mayor efectividad y solución recomendada (Nmin) se logró
un coste de S/. 1,324,911.00 con la solución ambiental de emisiones
mínimas de S/.1,554,998.00 y la solución de máxima efectividad fue de
S/. 1,632,961.00; el índice de medición de pavimentos urbanos (ICPU)
con respecto a la penalización en su máxima efectividad fue de S/.
2,743.00, la solución recomendada fue de S/. 2,632.00 y con la solución
ambiental de emisiones mínimas de S/. 2,192.00; y como penalización se
logró una optimización máxima con S/. 0.00; la máxima efectividad
(ABCmax) penalizada en ICPU años en su máxima efectividad fue de S/.
2,743.00, la solución recomendada fue de S/. 2,632.00 y con la solución
ambiental de emisiones mínimas de S/. 2,192.00; el número de
iteraciones (ud) en su máxima efectividad fue de S/. 22,723.00, la
solución recomendada fue de S/. 12,671.00 y con la solución ambiental
de emisiones mínimas de S/. 15,981.00; con respecto a las emisiones
(Kg CO2) se logró una máxima efectividad de S/. 723,856.00, la solución
recomendada fue de S/. 745,672.00 y con la solución ambiental de
emisiones mínimas de S/. 723,196.

Tabla 13
Características de las soluciones optimas

Soluciones ABCmax Nmin EMImin

Presupuesto (S/.) 1954964
Coste (S/.) 1632961 1324911 1554998
ABCmax (ICPU años) 2743 2632 2192
Penalización (ICPU años) 0 0 0
ABCmax Penalizada (ICPU años) 2743 2632 2192
Numero de iteraciones (ud) 22723 12671 15981
Emisiones (Kg CO2) 723856 745672 723196

70
4.2. CONTRASTACIÓN DE HIPÓTESIS

4.2.1. HIPÓTESIS GENERAL

HG: La optimización heurística multiobjetivo influye favorable y

significativamente en la gestión de activos de infraestructura de
transporte terrestre de la carretera Puente Chino-Aguaytía a través
de la herramienta de optimización heurística multiobjetivo.

HG0: La optimización heurística multiobjetivo no influye favorable y

significativamente en la gestión de activos de infraestructura de
transporte terrestre de la carretera Puente Chino-Aguaytía a través
de la herramienta de optimización heurística multiobjetivo.

Según la Tabla 13, muestra cómo se obtiene las soluciones optimas

de los recursos para un valor máximo y mínimo, esto nos indica que la
herramienta de optimización heurística multiobjetivo influye favorable y
significativamente en la gestión de activos de infraestructura de
transporte terrestre de la carretera Puente Chino-Aguaytía, la cual se
encuentra contrastada a través del análisis de inventario de los
escenarios, los resultados de validación estructurante y secundaria, con
las soluciones optimas multiobjetivo se demuestra una influencia
significativa debido a que los costos se han optimizado
satisfactoriamente, por tanto, se acepta la hipótesis de investigación y se
rechaza la hipótesis nula.

4.2.2. HIPÓTESIS ESPECIFICA 1

H1: Los parámetros de la optimización influye favorable y

significativamente en la asignación de recursos para la gestión de
activos de infraestructura de transporte terrestre de la carretera
Puente Chino-Aguaytía.

H10: Los parámetros de la optimización no influye favorable y

significativamente en la asignación de recursos para la gestión de
activos de infraestructura de transporte terrestre de la carretera
Puente Chino-Aguaytía

71
 Las Tablas 9 y 10, muestra el inventario de los escenarios donde se
especifican los parámetros del problema de optimización, observándose
una asignan apropiada, por tanto, se concluye que los parámetros de la
optimización influye favorable y significativamente en la asignación de
recursos para la gestión de activos de infraestructura de transporte
terrestre de la carretera Puente Chino-Aguaytía, debido a que la red,
estructura e ICPU durante la validación mostraron resultados
satisfactorios porque el ICPU según cada tramo se han reducido, lo que
significa reducción de costos demostrando que la optimización heurística
multiobjetivo ha generado en los tramos la optimización de costos tanto
en la red como estructura. Por tanto, la hipótesis de investigación se
acepta y se rechaza la hipótesis nula.

4.2.3. HIPÓTESIS ESPECIFICA 2

H2: El desarrollo de los módulos de evaluación técnica, económica y

ambiental de la optimización influye favorable y significativamente
en la asignación de recursos para la gestión de activos de
infraestructura de transporte terrestre de la carretera Puente Chino-
Aguaytía.

H20: El desarrollo de los módulos de evaluación técnica, económica y

ambiental de la optimización no influye favorable y
significativamente en la asignación de recursos para la gestión de
activos de infraestructura de transporte terrestre de la carretera
Puente Chino-Aguaytía

Las Tablas 11, 12, 13, muestra que los módulos de evaluación
técnica, económica y ambiental permiten la asignación apropiadamente
los recursos con el fin de conservar los activos de infraestructura con
valores óptimos para que la alta dirección tome decisiones adecuadas.

Con respecto a la evaluación técnica el deterioro del pavimento de

los tramos es evidente tanto en su estructura y su red, al aplicar los
tratamientos en estos tramos se ha logrado incrementar la vida útil del
pavimento asfáltico.

72
 Con respecto al aspecto económico los costos del tratamiento de
los pavimentos asfálticos se han logrado reducir a un nivel óptimo.

Con respecto al aspecto ambiental las emisiones de CO2 durante el

proceso del tratamiento de los pavimentos asfálticos se redujeron
significativamente la contaminación del aire debido a las emisiones de
CO2.

Por tanto, la hipótesis de investigación se acepta y se rechaza la

hipótesis nula.

4.2.4. HIPÓTESIS ESPECIFICA 3

H3: La ejecución del proceso de optimización influye favorable y

significativamente en los recursos a través de la herramienta
heurística multiobjetivo.

H30: La ejecución del proceso de optimización no influye favorable y

significativamente en los recursos a través de la herramienta
heurística multiobjetivo.

La Tabla 13, muestra que durante la ejecución del proceso de

optimización el uso de los recursos y los costos han reducido a un nivel
óptimo avalándose su validación en los ICPU, esto servirá como toma de
decisión para las autoridades, y a su vez los niveles óptimos de los
recursos en los pavimentos asfálticos a permitido respetar el presupuesto
disponible, reducir el periodo de análisis y las penalizaciones.

Por tanto, la hipótesis de investigación se acepta y se rechaza la

hipótesis nula.

73
 CAPITULO V

DISCUCIÓN DE RESULTADOS

La optimización heurística multiobjetivo es eficiente para encontrar

soluciones optimas al problema de gestión de activos de infraestructura de
transporte terrestre de la carretera, esto concuerda con Santes (2021), Huang,
et al, (2021), Yepes, et al., (2020), Martí, et al., (2017), indicando que para un
mantenimiento optimo la herramienta de optimización multiobjetivo y el
algoritmo heurístico es un modelo factible, robusto, eficiente y eficaz para la
solución de problemas, asimismo permite optimizar los costes. Por tanto, al
usar la herramienta de optimización heurística multiobjetivo en los sectores
críticos del Puente Chino-Aguaytía, permite una gestión de activos físicos
apropiados, esto concuerda con Hamdi, et al, (2017), donde el modelo
multiobjetivo con optimización es apropiado para la gestión de activos viales.

Sin embargo, se ha observado que los métodos de optimización

multiobjetivo presentaron limitaciones al momento de identificar los
parámetros del problema de optimización de asignación de recursos para la
conservación de activos de infraestructura de transporte terrestre de la
carretera. Esta observación concuerda con Shi, et al., (2021), manifestando
que la optimización multiobjetivo se aplica descomponiendo los problemas de
gran escala a varios modelos de proceso de decisión. Esto nos indica que es
necesario distribuir apropiadamente los tramos o puntos críticos de la
carretera del Puente Chino-Aguaytía, y a su vez los parámetros de evaluación.

Los programas óptimos al desarrollar los módulos de evaluación del

problema de optimización de asignación de recursos para conservar los
activos de infraestructura de transporte terrestre de la carretera Puente Chino-
Aguaytía consideran una conservación productiva de la red, esto concuerda
con Sedano y Sedano (2020), indicando que la heurística influye
positivamente en la optimización de pavimentos. Y Chuquilin, et al., (2019)
demostró que el nivel financiero y técnico permite la rentabilidad de los activos
entregando un valor para la organización.

74
 La herramienta de optimización heurística multiobjetivo permite
gestionar de manera adecuada los activos de infraestructura de transporte
terrestre de la carretera. Los parámetros son los adecuados para la
conservación de activos de infraestructura de transporte terrestre de la
carretera. Esto concuerda con Chuquilin, et al., (2019), manifestando que la
gestión de activos en la infraestructura vial permite aumentar el valor de los
activos, sin embargo, Rojas (2018), obtuvo insuficiencia en la gestión de
mantenimiento vial afectando negativamente los activos de infraestructura,
debido a un adecuado mantenimiento periódico y rutinario de las vías.

El desarrollo de los módulos de evaluación técnica, económica y

ambiental del problema de optimización de asignación de recursos son los
adecuados para la conservación de activos de infraestructura de transporte
terrestre de la carretera. Según Carballo (2019) y García (2019), indican que,
para poder resolver problemas de multiobjetivo, es decir la evaluación técnica,
económica y ambiental, la optimización multiobjetivo permite identificar una
solución óptima. Por ello que el desarrollo de estos modelos permitió la
asignación adecuada de los recursos.

La ejecución del proceso de optimización asigna adecuadamente los

recursos a través de la herramienta heurística multiobjetivo. Según García
(2019), manifiesta que cuando se ejecuta el proceso de optimización se
realiza una comparación de las soluciones obtenidas, es allí donde los
responsables identifican la solución óptima para el problema. Además, estos
procesos son costosos, según Calderon (2022), es necesario aplicar
restricciones para que la ejecución del proceso de optimización sea
conveniente.

75
 CONCLUSIONES

1. La optimización heurística multiobjetivo influye favorable y

significativamente en la gestión de activos de infraestructura de transporte
terrestre de la carretera a través de la herramienta de optimización
heurística multiobjetivo. Debido a que la herramienta fue robusta, factible,
eficaz y eficiente para los tratamientos de los pavimentos asfálticos de
cada tramo de estudio reduciendo los costos.

2. Los parámetros de la optimización influyen favorable y significativamente

en la asignación de recursos para la gestión de activos de infraestructura
de transporte terrestre de la carretera. Debido a que, en la red, estructura
e ICPU durante la validación mostraron resultados satisfactorios porque el
ICPU según cada tramo se han reducido, lo que significa reducción de
costos.

3. El desarrollo de los módulos de evaluación técnica, económica y ambiental

de la optimización influye favorable y significativamente en la asignación
de recursos para la gestión de activos de infraestructura de transporte
terrestre de la carretera, debido a que al aplicar los tratamientos en estos
tramos se ha logrado incrementar la utilidad del pavimento asfáltico,
reducción de las emisiones CO2 y de costos.

4. La ejecución del proceso de optimización asigna adecuadamente los

recursos a través de la herramienta heurística multiobjetivo. Debido a que
la herramienta de optimización heurística multiobjetivo aplico restricciones
enfocados a obtener una solución óptima y conveniente para la carretera.

76
 RECOMENDACIONES

1. Se recomienda continuar con la investigación para ampliar los parámetros

de evaluación, y a su vez continuar con la teoría de la Optimización
Heurística Multiobjetivo debido a que es un tema en evolución.

2. Se recomienda realizar otro estudio de los tramos deteriorados de la

carretera con el fin de identificar los tramos perjudicados adecuadamente
debido a que falta actualizar la información desde el año 2012, asimismo
esto permitirá a la Municipalidad de Ucayali establecer estrategias de
reducción de gastos de mantenimiento de la infraestructura vial y
prevenirse en los próximos años de las inundaciones y deslizamientos.

77
 REFERENCIAS BIBLIOGRAFICAS

Almeida, N., Trindade, M., Komljenovic, D., y Finger, M. (2022). A conceptual

construct on value for infrastructure asset management. Utilities Policy,
75. doi:https://doi.org/10.1016/j.jup.2022.101354

Amendola, L., Depool, T., y Tinoco, F. (2017). Estudio de la aplicación de la

gestión de activos en infraestructura vial colombiana: diseño de un
modelo de gestion. 21th International Congress on Project
Management and Engineering. Cádiz. Recuperado el 10 de julio de
2022

Aranda, T., y Gamarra, W. (2019). Planteamiento de soluciones de reducción

de fallas de plataforma para mantener la estabilidad de la carretera
puente Chino-Aguaytía. Lima: Universidad Ricardo Palma. Recuperado
el 10 de julio de 2022, de
https://repositorio.urp.edu.pe/bitstream/handle/20.500.14138/2687/CIV
_T030_73646590_T%20%20%20ARANDA%20BALCAZAR%20%20T
IFANNY%20GRACIELA.pdf

Ardaya, D. (2020). Guía de diseño para el reciclaje en frío de pavimentos

flexibles mediante el uso de agentes estabilizantes bituminosos.
Recuperado el 5 de julio de 2022, de
http://ddigital.umss.edu.bo:8080/jspui/handle/123456789/17679

Barrientos, G. (2017). Mejora de la gestión de mantenimiento de máquinaria

pesada con la metodología AMEF. Lima: Universidad San Ignacio de
Loyola. Recuperado el 7 de julio de 2022, de
https://repositorio.usil.edu.pe/server/api/core/bitstreams/2a368ebf-
71a2-4749-a1eb-1813ec9564d5/content

Bruce, R. (2017). Performance Management for the Oil, Gas, and Process
Industries. En Chapter 22 - Physical Assets (págs. 339-362). Elsevier
Inc. doi:https://doi.org/10.1016/B978-0-12-810446-0.00022-0

Calderon, F. (2022). Optimización. México: Universidad Michoacana de San

Nicolás de Hidalgo. Recuperado el 10 de julio de 2022, de

78
 https://lc.fie.umich.mx/~calderon/optimizacion/notas/optimizacion.pdf

Carballo, J. (2019). Programación Lineal Multiobjetivo y Aplicaciones.

Universidad de Santiago de Compostela, Universidade da Coruña,
Universida de Vigo. Recuperado el 7 de julio de 2022, de
http://eio.usc.es/pub/mte/descargas/ProyectosFinMaster/Proyecto_15
55.pdf

Chan, P., y Tighe, S. (2010). Quantifying pavement sustainability in economic

and environmental perspective.

Chuquilin, C., Huarcaya, A., Moreno, A., y Rojas, R. (2019). Propuesta de un

plan de gestión de mantenimiento, para aumentar el valor de los activos
de maquinaria pesada que se utiliza en proyectos de infraestructura
vial, dentro de los lineamientos de la norma ISO 55001:2014; caso de
estudio: Empresa Constructora. Lima: Universidad Peruana de
Ciencias Aplicada. Recuperado el 7 de julio de 2022, de
https://repositorioacademico.upc.edu.pe/bitstream/handle/10757/6522
38/Chuquilin_CC.pdf

Comisión Económica para América Latina y el Caribe - CEPAL. (2020).

Simulaciones del precio social del carbono en el sector Infraestructura
en países seleccionados de América Latina y el Caribe. Recuperado el
10 de julio de 2022, de
https://observatorioplanificacion.cepal.org/sites/default/files/note/files/4
_PSC%20Infraestructura%20de%20caminos_compressed.pdf

Dhatrak, O., Vemuri, V., y Gao, L. (2020). Considering deterioration

propagation in transportation infrastructure maintenance planning.
Journal of Traffic and Transportation Engineering (English Edition),
7(4), 520-528. Recuperado el 10 de julio de 2022

García, L. (2019). Optimización multi-objetivo de un sistema de

almacenamiento de datos en la multi-nube con un esquema de
compartición de secretos basado en RRNS. Ensenada, México: Centro
de Investigación Científica y de Educación Superior de Ensenada, Baja

79
 California. Recuperado el 5 de julio de 2022, de
https://cicese.repositorioinstitucional.mx/jspui/bitstream/1007/3002/1/T
esis_Garc%C3%ADa%20Hern%C3%A1ndez%20_Luis%20Enrique_0
3_oct_2019.pdf

Gendre, X. (2019). Métodos MCMC para estadísticas. La Habana.

Recuperado el 5 de julio de 2022, de https://www.math.univ-
toulouse.fr/~xgendre/cuba/mcmcuba.pdf

González, D., Melo, O., y Rodríguez, J. (2019). Comportamiento de mezclas

asfálticas con pavimento reciclado y aceite usado de motor como
rejuvenecedor. Ibagué: Universidad Cooperativa de Colombia.
Recuperado el 5 de julio de 2022, de
http://repository.ucc.edu.co/bitstream/20.500.12494/8329/3/2019_Co
mportamiento_Mezclas_Asfalticas.pdf

Hamdi, Hadiwardoyo, S., Gomes, A., y Pereira, P. (2017). Pavement

maintenance optimization strategies for national road network in
indonesia applying genetic algorithm. Procedia engineering, 210, 253-
260. Recuperado el 7 de julio de 2022, de
https://www.sciencedirect.com/science/article/pii/S1877705817360691

Hernández, R., y Mendoza, C. (2018). Metodología de la Investigación: Las

rutas cuantitativa, cualitativa y mixta. México: McGRAW-HILL
INTERAMERICANA EDITORES, S.A. Recuperado el 8 de julio de 2022

Herrera, M. (2017). Estudio ergonómico de las posturas forzadas y su relación

con el nivel de educación de los trabajadores en la obra carretera
Puente Chino - Aguaytía 2017. Lima: Universidad Científica del Sur.
Recuperado el 7 de julio de 2022, de
https://repositorio.cientifica.edu.pe/bitstream/handle/20.500.12805/141
0/TM-Herrera%20M-Ext.pdf

Hicks, R., Moulthrop, J., y Daleiden, J. (2000). Selecting a preventive

maintenance treatment for flexible pavements. Transportation research
record, 1680(1), 1-12.

80
Huang, M., Dong, Q., Ni, F., y Wang, L. (2021). LCA and LCCA based Multi-
objective Optimization of Pavement Maintenance. Journal of Cleaner
Production, 283. doi:https://doi.org/10.1016/j.jclepro.2020.124583

Kamiche, J., y Diderot, J. (2018). Actualización de la tasa social de descuento

de largo plazo. Lima, Perú: Ministerio de Economía y Finanzas.

Macea, L., Morales, L., y Marquez, L. (2016). Un sistema de gestión de

pavimentos basado en nuevas tecnologias para paises en via de
desarrollo. Ingeniería, investigación y tecnología, 17(2), 223-236.
Recuperado el 10 de julio de 2022

Marcobal, J., Diaz, R., Marquez, W., y Saldaña, D. (2017). Evaluación de la

rugosidad (IRI) en caminos pavimentados de geometría restringida:
cálculo del IRI geométrico - Caso de aplicación. Recuperado el 10 de
julio de 2022, de http://www.apsa.cl/wp-
content/uploads/2018/03/cila_iri_caminos_geometria_restringida.pdf

Martí, J., Gonzáles, F., y Yepes, V. (2017). Análisis de sensibilidad de costes

en el diseño de puentes. Valencia, España: Congreso de Métodos
Numéricos en Ingeniería. Recuperado el 7 de julio de 2022, de
https://riunet.upv.es/bitstream/handle/10251/180309/MartiGonzalezYe
pes%20-
%20Cost%20sensitivity%20analysis%20in%20bridges%20design.pdf

Ministerio de Transportes y Comunicaciones - MTC. (2008). Reglamento

Nacional de Gestion de Infraestructura Vial. Perú: Direccion General de
Caminos y Ferrocarriles - Ministerio de Transportes y Comunicaciones.
Recuperado el 10 de julio de 2022, de
https://portal.mtc.gob.pe/transportes/caminos/normas_carreteras/docu
mentos/otras/DS%20N%C2%B0%20034-2008-
MTC%20Reglamento%20Nacional%20de%20Gesti%C3%B3n%20Infr
aestructura%20Vial.pdf

Ministerio de Transportes y Comunicaciones - MTC. (2018). Manual de

Carreteras Mantenimiento Conservación Vial. Recuperado el 7 de julio

81
 de 2022, de
https://portal.mtc.gob.pe/transportes/caminos/normas_carreteras/MTC
%20NORMAS/ARCH_PDF/MAN_9%20MCV-2014_2016.pdf

Ministerio de Transportes y Comunicaciones - MTC. (2018). Manual de

carreteras: diseño geométrico DG - 2018. Recuperado el 5 de julio de
2022, de
https://portal.mtc.gob.pe/transportes/caminos/normas_carreteras/docu
mentos/manuales/Manual.de.Carreteras.DG-2018.pdf

Naciones Unidas. (2021). Gestión de Activos de Infraestructura para el

Desarrollo Sostenible. Manual para Gobiernos Locales y Nacionales.
New York: Fondo de las Naciones Unidas para el Desarrollo del Capital.
Recuperado el 7 de julio de 2022, de
https://www.un.org/development/desa/financing/sites/www.un.org.dev
elopment.desa.financing/files/2021-04/IAMH_ESP_Apr2021.pdf

Neeson, T., Sleight, N., y Fleming, P. (2020). Opportunities for Collaboration

between Infrastructure Agencies and Conservation Groups: Road-
Stream Crossings in Oklahoma. En 2020 Southern Division-American
Fisheries Society meeting. AFS. Recuperado el 10 de julio de 2022

Neupane, S., y Gharaibeh, N. (2019). A heuristics-based method for obtaining

road surface type information from mobile lidar for use in network-level
infrastructure management. Measurement, 131, 664-670. Recuperado
el 10 de julio de 2022

Osorio, A., Chamorro, A., Videla, C., Tighe, S., y Torres, C. (2018). Application
of Markov chains and Monte Carlo simulations for developing pavement
performance models for urban network management. Structure and
Infrastructure Engineering, 14, 1169-1181.
doi:https://doi.org/10.1080/15732479.2017.1402064

PROVIAS NACIONAL. (2012). Informe Final: Estudio definitivo de la carretera

Puente Chino - Aguaytia, Sectores dañados. Ministerio de Transportes
y Comunicaciones - MTC. Recuperado el 10 de junio de 2021, de

82
 http://gis.proviasnac.gob.pe/Expedientes/2013/LP006-
2013/dvd2/Volumen%20I%20Estudios%20Basicos%20ANEXO%20A.
pdf

Recycled Materials Resource Center - RMRC. (2020). PaLATE. Recuperado

el 7 de julio de 2022, de https://rmrc.wisc.edu/palate/

Recycled Materials Resource Center. (2020). paLATE. Obtenido de

https://rmrc.wisc.edu/palate/

Rojas, A. (2018). Gestión de mantenimiento vial y su influencia en la

satisfacción del usuario de la carretera Shapaja - Chazuta, 2018.
Tarapoto: Universidad César Vallejo. Recuperado el 10 de julio de
2022, de
https://repositorio.ucv.edu.pe/bitstream/handle/20.500.12692/26015/R
ojas_PA.pdf

Santes, A. (2021). Desarrollo de una herramienta para la gestión eficiente del

mantenimiento de pavimentos urbanos mediante optimización
multiobjetivo. Aplicación al distrito Quatre Carreres de la ciudad de
Valencia. Valencia: Universidad Politécnica de Valencia. Recuperado
el 10 de julio de 2022, de https://riunet.upv.es/handle/10251/163774

Sedano, E., y Sedano, J. (2020). Optimización metaheuristica en el diseño de

pavimentos rígidos. Universidad Nacional de Huancavelica.
Recuperado el 10 de julio de 2022, de
https://repositorio.unh.edu.pe/bitstream/handle/UNH/3453/TESIS-
2020-ING.%20CIVIL-
SEDANO%20ARECHE%20Y%20SEDANO%20SALAZAR.pdf

Shi, Y., Xiang, Y., Xiao, H., y Xing, L. (2021). Joint Optimization of Budget
Allocation and Maintenance Planning of Multi-facility Transportation
Infrastructure Systems. European Journal of Operational Research,
288(2), 382-393. Recuperado el 7 de julio de 2022, de
https://www.sciencedirect.com/science/article/abs/pii/S037722172030
4963

83
Silvestre Miraya, I., y Huamán Nahula, C. (2019). Pasos para elaborar la
investigación y la redacción de la tesis universitaria. Lima: Editorial San
Marcos de Aníbal Jesús Paredes Galván. Recuperado el 20 de octubre
de 2022

Stegmaier, R., González, V., y Viveros, P. (2018). Gestión de activos en el

sector ferroviario: manual de aplicaciones, indicadores y marco
estratégico basado en la Norma ISO 55000. Madrid: FC Editorial.
Recuperado el 10 de julio de 2022

Uguet, N., Zamora, J., Colás, M., y Lozano, L. (2019). Microaglomerados en

frío y lechadas mituminosas en autopistas, autovías y aeropuertos.
México: Congreso Ibero Latinoamericano del Asfalto México 2019.
Recuperado el 5 de julio de 2022, de
http://ateb.es/pdf/Microaglomerados_en_frio_y_lechadas_bituminosas
_en_autopista.pdf

Valdés, E., y Palacios, R. (2018). Un enfoque multidisciplinar de la

optimización. Burgos: Editorial Universidad de Burgos. Recuperado el
12 de julio de 2022

Yepes, V. (2019). ¿Por qué es tan difícil asignar recursos a la conservación

de las carreteras? Recuperado el 7 de julio de 2022, de
https://victoryepes.blogs.upv.es/tag/gestion-de-activos/

Yepes, V., Pellicer, E., Martí, J., y Kripka, M. (2020). Diseño y mantenimiento
óptimo robusto y basado en fiabilidad de puentes de alta eficiencia
social y medioambiental bajo presupuestos restrictivos. VIII Congreso
de la Asociación Española de Ingeniería Estructural - SANTANDER.
Recuperado el 7 de julio de 2022, de
https://victoryepes.blogs.upv.es/files/2022/06/2940.pdf

Zhang, H., y Marsh, D. (2020). Multi-state deterioration prediction for

infrastructure asset: Learning from uncertain data, knowledge and
similar groups. Information Sciences, 529, 197-213. Recuperado el 10
de julio de 2022

84
COMO CITAR ESTE TRABAJO DE INVESTIGACIÓN

Espinoza Camayo, D. (2023). Optimización heurística multiobjetivo para la

gestión de activos de infraestructura en la carretera puente chino-Aguaytía
[Tesis de pregrado, Universidad de Huánuco]. Repositorio Institucional UDH.
http://…

85
ANEXOS

86
 ANEXO 1
MATRIZ DE CONSISTENCIA
Problema General Objetivo General Hipótesis General METODOLOGÍA
¿De qué manera la herramienta de Asignar de manera sostenible y La herramienta de optimización Tipo de investigación
optimización heurística multiobjetivo eficiente los recursos disponibles heurística multiobjetivo permite - Enfoque: cuantitativo.
permite asignar de manera sostenible para la gestión de activos de asignar de manera sostenible y - Alcance o nivel: Descriptivo -
y eficiente los recursos disponibles infraestructura de transporte eficiente los recursos disponibles Longitudinal
para la gestión de activos de terrestre de la carretera Puente para la gestión de activos de - Diseño de investigación: cuasi
infraestructura de transporte terrestre Chino-Aguaytía a través de la infraestructura de transporte terrestre experimental
de la carretera Puente Chino- herramienta de optimización de la carretera Puente Chino- Población y Muestra
Aguaytía? heurística multiobjetivo. Aguaytía. -La población está conformada por
Problemas específicos Objetivos específicos Hipótesis específicas 27 sectores críticos
• ¿Cuáles son los parámetros del • Determinar los parámetros del H1: Los parámetros del problema de -Muestra censal
problema de optimización de problema de optimización de optimización de asignación de n = 27
asignación de recursos para la asignación de recursos para la recursos son los adecuados para la Técnicas e instrumentos de
conservación de activos de conservación de activos de conservación de activos de recolección de datos
infraestructura de transporte infraestructura de transporte infraestructura de transporte terrestre - Técnica: Documental.
terrestre de la carretera Puente terrestre de la carretera Puente de la carretera Puente Chino-
Chino-Aguaytía? Chino-Aguaytía. Aguaytía - Instrumentos: Registro de datos
• ¿De qué manera se desarrollan los • Desarrollar los módulos de H2: El desarrollo de los módulos de
módulos de evaluación técnica, evaluación técnica, económica y evaluación técnica, económica y Análisis e interpretación de los
económica y ambiental del ambiental del problema de ambiental del problema de datos
problema de optimización de optimización de asignación de optimización de asignación de
asignación de recursos para la recursos para la conservación recursos son los adecuados para la - Parámetros de optimización del
conservación de activos de de activos de infraestructura de conservación de activos de problema.
infraestructura de transporte transporte terrestre de la infraestructura de transporte terrestre - Proceso de Optimización del
terrestre de la carretera Puente carretera Puente Chino- de la carretera Puente Chino- Programa de Mantenimiento
Chino-Aguaytía? Aguaytía. Aguaytía
• ¿De qué manera se ejecuta el • Ejecutar el proceso de H3: La ejecución del proceso de Para el procesamiento de datos se
proceso de optimización de optimización de asignación de utilizará Microsoft Excel y PaLATE
optimización asigna adecuadamente
asignación de recursos a través de recursos a través de
los recursos a través de la
la herramienta heurística herramienta de optimización
herramienta heurística multiobjetivo.
multiobjetivo? heurística multiobjetivo

87
 ANEXO 2
PLANO DE UBICACIÓN DE LA VÍA INTERURBANA PUENTE CHINO-AGUAYTÍA

88
 ANEXO 03
MODELO DE PROGRAMA DE CONSERVACIÓN BAJO ESCENARIO BASE
Año de análisis
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
1
2
3
4
5
6
7
8
9
10
11
12
TRAMO

13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

89
 ANEXO 4
EVIDENCIAS DE TRABAJO DE CAMPO

90
91
92
 ANEXO 5
TEMPERATURAS
Estación: AGUAYTIA
Distrito : PADRE
Departamento : UCAYALI Provincia : PADRE ABAD ABAD
Latitud : 9°2'32.11'' Longitud : 75°30'22.46'' Altitud : 316 msnm.
CO -
Tipo : Meteorológica Código : 108028
PRECIPITACIÓN
AÑO / MES / TEMPERATURA (°C) HUMEDAD (mm/día)
DÍA MAX MIN RELATIVA (%) TOTAL
01/01/2021 24.8 22 96.7 26.3
02/01/2021 31.5 21.5 87 0
03/01/2021 32.5 22.8 85.4 45.8
04/01/2021 26.5 21 89.5 43.5
05/01/2021 26.6 20.5 94.5 23.6
06/01/2021 25.8 22 94.1 12
07/01/2021 29 22.2 94.2 16
08/01/2021 31.8 21.5 83.6 0
09/01/2021 32.2 22.5 84.2 0
10/01/2021 32 23 86.9 0
11/01/2021 32.5 23 87.2 0
12/01/2021 33.2 22.8 86.5 0
13/01/2021 30.5 23.6 87.1 21.5
14/01/2021 32 23 85.4 98.8
15/01/2021 29.2 22.8 85.5 9.2
16/01/2021 31.5 22.5 82.8 0
17/01/2021 32.5 23.2 84.1 64.7
18/01/2021 25.5 22 93.8 15.3
19/01/2021 29 21 92 24
20/01/2021 26.5 19.5 90.7 0
21/01/2021 30.8 20.5 86.8 0
22/01/2021 33 21.5 86.5 0
23/01/2021 26.5 22.5 91.7 2.5
24/01/2021 26 21.8 95.9 21.2
25/01/2021 29 22.5 90.2 2.5
26/01/2021 32 23 86.7 0
27/01/2021 30.2 21.5 86.9 5
28/01/2021 32.8 23 85.5 23.5
29/01/2021 29.8 22.8 86.3 50
30/01/2021 28.6 21 89.5 0
31/01/2021 30 21.5 87.9 0
01/02/2021 33 23 85 0
02/02/2021 32 23.5 86 2.8
03/02/2021 32.2 22 86.2 37.2

93
04/02/2021 27.6 21.6 88.7 16
05/02/2021 32 22.5 86.8 32.6
06/02/2021 29 21 85.2 0
07/02/2021 32.8 22 86.2 0
08/02/2021 32.4 23.5 86 58.2
09/02/2021 30.2 22.2 88.6 99.8
10/02/2021 27.8 22.5 93.1 60.2
11/02/2021 25 21 90.5 10
12/02/2021 27 20.8 94.1 5.6
13/02/2021 32.6 22 86.3 16.8
14/02/2021 33 23.5 86 2.5
15/02/2021 30 22.2 89.6 2.8
16/02/2021 31.6 23 86.3 5.5
17/02/2021 28.8 22.8 86.2 108.6
18/02/2021 27 21.5 91.5 3
19/02/2021 32.5 22 81.4 0
20/02/2021 31.6 22.8 82.5 0
21/02/2021 29 23 89.6 55.8
22/02/2021 31.2 22.5 87.1 0
23/02/2021 30.5 23.5 86.9 0
24/02/2021 32.2 24 85.7 7.8
25/02/2021 32.8 23.2 85.3 0
26/02/2021 33.2 22.2 85 0
27/02/2021 30.2 23 89.6 0
28/02/2021 33.5 22 86.7 0
01/03/2021 29.8 23.5 91.9 24.3
02/03/2021 31.8 21.5 85.2 0
03/03/2021 33 22.5 85.5 0
04/03/2021 32 23 86.6 0
05/03/2021 33.8 22.8 84.7 10.8
06/03/2021 28.5 22.5 91.6 0
07/03/2021 29.2 23.2 91.6 0
08/03/2021 32.5 22 85.4 12.2
09/03/2021 29 23 89.4 35.1
10/03/2021 32.5 21.8 89.1 0
11/03/2021 32.6 21 86 0
12/03/2021 33.2 22 88.7 0
13/03/2021 28 22.2 91.2 6
14/03/2021 30.6 22.8 88.8 24.5
15/03/2021 32.8 21.8 85.9 0
16/03/2021 27.6 22.5 92.4 2.5
17/03/2021 31.6 23 89.4 10
18/03/2021 31.5 23.2 87.9 18
19/03/2021 27 21 93.3 19.3
20/03/2021 26.2 22 90.8 12.7

94
21/03/2021 24.6 21.8 95.3 32.8
22/03/2021 31.5 20 82.7 0
23/03/2021 30.5 21 81.1 9.5
24/03/2021 27.5 22 92.1 13
25/03/2021 28.5 20.5 91.1 9.5
26/03/2021 32.8 22.5 85.5 0
27/03/2021 32.5 23 88.5 37.8
28/03/2021 33 23.5 86.8 0
29/03/2021 25 22.8 94.6 5.8
30/03/2021 30.5 21.8 87.9 46
31/03/2021 31 22 88.1 2.6
01/04/2021 30.8 21.5 82.5 0
02/04/2021 31.2 23 89 73.8
03/04/2021 26 22.5 96.7 46
04/04/2021 31 21 85.6 0
05/04/2021 28.6 22 86.5 18.5
06/04/2021 28.2 21.6 88.8 0
07/04/2021 32.2 21 84 0
08/04/2021 33.5 23.5 86.4 0
09/04/2021 28 22.5 89.4 21
10/04/2021 27.6 21.5 95.5 46.8
11/04/2021 31.2 21 88 0
12/04/2021 29.5 22.8 86.8 0
13/04/2021 31.8 23.5 83.6 0
14/04/2021 32.5 22 88 0
15/04/2021 31.8 23 81.6 33.5
16/04/2021 30.5 21.5 87 0
17/04/2021 31.5 22.5 89.5 4.8
18/04/2021 32 23 84.3 2.6
19/04/2021 31 23.5 82.1 14.8
20/04/2021 29.6 22.8 89 0
21/04/2021 32.2 22.2 88.1 2.8
22/04/2021 31 22 87.8 18
23/04/2021 29 23 86.6 0
24/04/2021 32 23.5 86 0
25/04/2021 31.6 22.6 88 50
26/04/2021 24 21.5 95.8 77
27/04/2021 24.8 20 92.3 2
28/04/2021 29.8 19 86.8 5.3
29/04/2021 28 21 89.1 0
30/04/2021 32.5 21.5 84.8 0
01/05/2021 32.8 20.5 82.8 0
02/05/2021 33.2 19.5 81.3 0
03/05/2021 33 21.5 81.1 0
04/05/2021 33.8 22 87.5 0

95
05/05/2021 31.5 23 87.9 2.5
06/05/2021 28.5 21.8 88.2 15.5
07/05/2021 27.5 20.5 91 8
08/05/2021 28.2 19.5 87.8 0
09/05/2021 30.6 21 85.7 0
10/05/2021 32 20 87.2 0
11/05/2021 33.5 21.8 87.6 0
12/05/2021 30.8 22 85.8 0
13/05/2021 31.2 22.5 85.7 0
14/05/2021 29 23 89.7 6.1
15/05/2021 30 21 90.2 2
16/05/2021 32.5 22.5 85.4 0
17/05/2021 32 23.2 85.1 0
18/05/2021 33.2 23 84.3 0
19/05/2021 33.8 22.5 87.5 0
20/05/2021 32.2 23.4 86.3 31
21/05/2021 31 22.8 84.6 5.2
22/05/2021 31.5 23.6 86.4 0
23/05/2021 30 21 87.3 25.8
24/05/2021 28 22.5 90.8 36.4
25/05/2021 29 20 87.1 0
26/05/2021 31 20.8 87 0
27/05/2021 32.5 21 85.4 0
28/05/2021 33.2 22 82.9 0
29/05/2021 33.8 23.5 86.8 53
30/05/2021 34 23.2 87 49.5
31/05/2021 27 22 89.8 0
01/06/2021 33 21.5 87.3 0
02/06/2021 31 23 87.2 26
03/06/2021 28.5 21 89.6 3.5
04/06/2021 26.5 20 94.6 2.5
05/06/2021 33 22 79.7 40.3
06/06/2021 32.8 21.2 86.2 39.3
07/06/2021 31.2 22.5 85.1 5.7
08/06/2021 32.5 21 86.4 64.5
09/06/2021 31.5 22.2 86.2 4.8
10/06/2021 32 21.8 82.7 12.6
11/06/2021 31.6 22 83.6 56
12/06/2021 26.8 21.8 91.7 9.2
13/06/2021 32.5 20 87.4 0
14/06/2021 30.2 21.4 85.7 0
15/06/2021 31.5 23.5 82.8 0
16/06/2021 32.2 21.5 86.6 3.5
17/06/2021 31.8 22 83.7 0
18/06/2021 31.5 20.5 81.8 0

96
19/06/2021 27 21 94.1 38.2
20/06/2021 31 22 85.7 0
21/06/2021 26.5 21.5 91.7 0
22/06/2021 31 20.8 88 0
23/06/2021 30.6 21.6 83.7 0
24/06/2021 31.5 22 85.7 0
25/06/2021 32.6 21.5 86.8 0
26/06/2021 33 22.6 83 4.5
27/06/2021 32 23 86 57.9
28/06/2021 30.8 20.5 88.8 24.5
29/06/2021 24 20 90.3 9.5
30/06/2021 25.8 16.5 93.7 0
01/07/2021 30.2 15.5 84.4 0
02/07/2021 28 19 95.5 0
03/07/2021 31.2 20 88.3 0
04/07/2021 31.5 19.8 87.1 0
05/07/2021 32 20.8 83.4 0
06/07/2021 33 19 85.8 0
07/07/2021 32.5 20 85.7 0
08/07/2021 31.6 21 84.8 0
09/07/2021 31 20.8 85.9 0
10/07/2021 32.2 21.6 85.1 0
11/07/2021 33.5 22 86.2 23
12/07/2021 30 21.5 86.9 15.8
13/07/2021 31.5 23 83.9 0
14/07/2021 32.5 22.5 85.4 0
15/07/2021 33 23.5 87.1 0
16/07/2021 31.8 23 89.3 0
17/07/2021 32.6 22.8 90 24.2
18/07/2021 31.6 21.5 87.5 44.3
19/07/2021 25.5 21 94 2.8
20/07/2021 26 20 91.8 0
21/07/2021 30.8 19 88.2 0
22/07/2021 31.5 19.5 89.2 0
23/07/2021 32.2 21.5 87.2 0
24/07/2021 33.2 21 88.4 0
25/07/2021 33.2 22.5 88.2 0
26/07/2021 33 21.6 82.7 0
27/07/2021 32.8 22.5 86.1 8.6
28/07/2021 32 21 85.2 19
29/07/2021 25.5 17.5 93 0
30/07/2021 26 18 93.1 0
31/07/2021 30.2 18.4 87.8 0
01/08/2021 32.5 19.5 82 0
02/08/2021 32.2 22 87.4 5.8

97
03/08/2021 32.8 19.8 88.4 0
04/08/2021 33 18.5 86.1 0
05/08/2021 32.5 20 88.6 0
06/08/2021 33 20.5 88.5 0
07/08/2021 33.2 19.5 87.5 0
08/08/2021 33.5 21 89.3 0
09/08/2021 34 22 90.7 0
10/08/2021 33.2 22.5 85.6 0
11/08/2021 31.5 21.8 85.2 0
12/08/2021 31.8 22.2 87.5 26
13/08/2021 29.6 22.6 88.1 0
14/08/2021 31.5 21.8 86 0
15/08/2021 32.2 22.5 86.5 0
16/08/2021 33.5 23 85.7 0
17/08/2021 33.8 23.2 88.5 1.5
18/08/2021 34.2 22.4 87.5 0
19/08/2021 33.5 23 91.7 0
20/08/2021 33.2 22.8 85.2 0
21/08/2021 26 22.5 95.3 3.5
22/08/2021 33.5 18 85.4 0
23/08/2021 34 21.5 86.5 0
24/08/2021 33.8 23 85.9 0
25/08/2021 31.8 24.5 88.1 0
26/08/2021 35.2 22.6 87.8 0
27/08/2021 34.8 23.8 88.9 0
28/08/2021 25.8 23.5 94.7 8.1
29/08/2021 29 21.5 91.5 5.8
30/08/2021 28.8 22.8 86.6 2.6
31/08/2021 31.8 19.5 85.2 0
01/09/2021 33 20.5 85.4 0
02/09/2021 35 21.5 85.8 0
03/09/2021 35.2 23 87.9 0
04/09/2021 35.6 S/D S/D 0
05/09/2021 35.5 24 88.7 0
06/09/2021 26.8 23.8 94.7 3.5
07/09/2021 32.8 20.5 86.5 0
08/09/2021 33.2 21 85.6 3.6
09/09/2021 34.8 22.5 85.8 78
10/09/2021 23.8 20 95.8 50.8
11/09/2021 26.5 21 91.4 0
12/09/2021 33.8 20 85.5 7
13/09/2021 33 21.5 85.6 0
14/09/2021 34 22.5 87.9 0
15/09/2021 34.5 23.5 88 2.5
16/09/2021 24.5 22 95.3 0

98
17/09/2021 33.2 21.8 86.1 0
18/09/2021 32.8 23 88.3 0
19/09/2021 34 22.8 87.7 0
20/09/2021 34.5 22 87.6 0
21/09/2021 35 23 87.8 3.2
22/09/2021 28.8 22.5 86.7 0
23/09/2021 30 21 86.8 0
24/09/2021 30.2 23.5 87.1 0
25/09/2021 31.5 22.6 88 0
26/09/2021 34.5 23 88.1 0
27/09/2021 33.8 22.8 88.7 0
28/09/2021 35 24 88.6 0
29/09/2021 34.8 23.8 89 4.8
30/09/2021 31.5 22 85.1 0
01/10/2021 33.5 21.5 85.4 0
02/10/2021 35 23 90.2 8.5
03/10/2021 34.8 22.5 85.8 23.8
04/10/2021 33.6 21.5 85.6 0
05/10/2021 25 22.8 96.4 12.8
06/10/2021 28 21 95.8 0
07/10/2021 31.5 23 85.8 0
08/10/2021 33 22.2 86.2 7.5
09/10/2021 30.5 21 84.5 36.6
10/10/2021 34 23.2 88.3 0
11/10/2021 35 23.5 87.1 26
12/10/2021 35.8 21.5 86 0
13/10/2021 35.6 24 86.5 0
14/10/2021 34.5 24.5 86.6 63.5
15/10/2021 34.8 21.5 86.3 28.5
16/10/2021 32 22 91.3 46.6
17/10/2021 26 21 94.8 4.5
18/10/2021 30 22 85.5 22.5
19/10/2021 29.8 23.5 93.3 21.5
20/10/2021 29.5 22.8 91.9 0
21/10/2021 33 21.8 88.2 0
22/10/2021 33.8 24 86.3 2.8
23/10/2021 34.2 23.5 85.9 0
24/10/2021 35.5 24.5 86.5 0
25/10/2021 25 22.8 95.9 99.8
26/10/2021 32 20.5 85.1 0
27/10/2021 33 21.5 85.4 0
28/10/2021 32 22.5 82.5 0
29/10/2021 30 24 87.7 21.5
30/10/2021 33.5 23.5 85.6 0
31/10/2021 34.8 22 86.6 0

99
01/11/2021 35 23.8 85.7 0
02/11/2021 34.2 22.5 87.3 26.2
03/11/2021 25.6 23 95.4 72.5
04/11/2021 30 20.5 88.9 0
05/11/2021 29.5 21 88.8 0
06/11/2021 32.5 22 86.2 0
07/11/2021 33.5 23 84.3 5.3
08/11/2021 30.5 22.5 89 71
09/11/2021 25.5 22.8 95.7 8
10/11/2021 30.2 21 87 2.8
11/11/2021 28 22.5 88.2 2.6
12/11/2021 30.5 23.5 87 71.2
13/11/2021 31.2 21 87.1 2.7
14/11/2021 32.5 22.5 87.4 0
15/11/2021 33.6 23.5 87.6 18.8
16/11/2021 25.5 22.8 95.4 9
17/11/2021 29.8 21 87.6 4.6
18/11/2021 25 21.2 96.7 10
19/11/2021 30 22 91 55.5
20/11/2021 26 21 97.5 0
21/11/2021 30.2 21.2 88.1 0
22/11/2021 33.2 22 86.2 0
23/11/2021 30.6 23 88.4 22.3
24/11/2021 24.6 23.2 95.9 57
25/11/2021 32.8 21.5 86.6 0
26/11/2021 32.5 22.5 87.9 73.9
27/11/2021 30 22 87.9 40.2
28/11/2021 30.2 23 86.3 82.1
29/11/2021 31 21.5 86.9 37.3
30/11/2021 32 22.5 87.2 0
01/12/2021 30.8 23 87.7 94.6
02/12/2021 30.5 21.8 88.8 18.2
03/12/2021 29.8 22.2 83 23.5
04/12/2021 31.5 22 90 14.6
05/12/2021 28.6 23 89.7 32.5
06/12/2021 26.5 22 95.5 17.8
07/12/2021 30.8 21.6 87.8 0
08/12/2021 33 23 86 0
09/12/2021 29 24 89.7 2.8
10/12/2021 28 24.2 94 0
11/12/2021 30.8 22 87 0
12/12/2021 31.2 23.5 88 49.2
13/12/2021 31 22.8 91.2 27.4
14/12/2021 29 21 92.4 30
15/12/2021 30.2 22.5 88.3 8

100
 16/12/2021 31.5 23 85.8 36
17/12/2021 27 21.5 88.4 26.5
18/12/2021 33.8 22.8 83.7 2.3
19/12/2021 34 23 88.5 0
20/12/2021 25 23.2 96.5 4.8
21/12/2021 32 22 86.1 2.5
22/12/2021 26 24 97.3 40.8
23/12/2021 31.8 21.5 87.2 25.5
24/12/2021 30 22.5 89 0
25/12/2021 33 23.5 88.3 3.5
26/12/2021 32.5 23 86.5 8
27/12/2021 32 22.8 85.3 71.6
28/12/2021 28.8 22 93.2 15.5
29/12/2021 32 23.5 86.5 0
30/12/2021 33.8 24 86.4 0
31/12/2021 33 23.6 87.6 0
Fuente: SENAMHI

101
 ANEXO 5

ESTACIÓN METEOROLOGICA DE AGUAYTIA

120

100

80

60

40

20

0
1/01/2021 1/02/2021 1/03/2021 1/04/2021 1/05/2021 1/06/2021 1/07/2021 1/08/2021 1/09/2021 1/10/2021 1/11/2021 1/12/2021

TEMPERATURA (°C) MAX TEMPERATURA (°C) MIN

HUMEDAD RELATIVA (%) PRECIPITACIÓN (mm/día) TOTAL

102