Casanova Crespo, José MaríaMures, Omar A.García-Tizón, JuanUniversidade da Coruña. Facultade de Informática2026-10-062026-10-062026-09https://hdl.handle.net/2183/49646[Resumen] El flameo es uno de los fenómenos aeroelásticos más peligrosos a los que se enfrenta el diseño de un puente. Se produce cuando la interacción entre el viento y el tablero desencadena oscilaciones que se retroalimentan y, al crecer en amplitud, comprometen la estabilidad de la estructura. Predecirlo con fiabilidad exige conocer las funciones de flameo del tablero, una serie de coeficientes que describen las fuerzas autoexcitadas a las que está sometido y que dependen de varios factores, como pueden ser, la forma del tablero, la frecuencia de vibración, la velocidad y el ángulo de ataque del viento. Estas funciones se obtienen tradicionalmente mediante ensayos en túnel de viento o simulaciones de dinámica de fluidos computacional (CFD), fiables pero costosas en tiempo y recursos. Para superar esta limitación, este trabajo propone una metodología basada en regresión simbólica (SR) para predecir las funciones de flameo del tablero en función de su forma geométrica, la velocidad reducida y el ángulo de ataque. A diferencia de los modelos clásicos, la SR no parte de ninguna función prefijada: explora de forma autónoma un espacio de expresiones matemáticas para descubrir simultáneamente la expresión analítica que mejor se ajusta los datos y sus correspondientes parámetros.[Abstract] Flutter is one of the most dangerous aeroelastic phenomena faced in bridge design. It occurs when the interaction between the wind and the deck triggers self-excited oscillations which, as they grow in amplitude, compromise the stability of the structure. Reliable prediction of flutter requires knowledge of the deck’s flutter derivatives, a set of coefficients that describe the aerodynamic forces acting on it and that depend on several factors, such as the cross-sectional shape, the vibration frequency, and the speed and angle of attack of the wind. These functions are traditionally obtained through wind tunnel tests or computational fluid dynamics (CFD) simulations, which are reliable but costly in terms of time and resources. To overcome this limitation, this work proposes a methodology based on symbolic regression (SR) to predict the flutter derivatives of the deck as a function of its geometric shape, the reduced velocity and the angle of attack. Unlike classical models, SR does not assume any predefined functional form: it autonomously explores the space of mathematical expressions to simultaneously discover the analytical expression that best fits the data and its corresponding parameters.spaAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/Regresión simbólicaFunciones de flameoAeroelasticidad de puentesModelos subrogadosAprendizaje automáticoRestricciones físicasDinámica de fluidos computacionalSymbolic RegressionFlutter DerivativesBridge AeroelasticitySurrogate ModelsMachine LearningPhysics-InformedComputational Fluid Dynamicsbachelor thesisopen access