Inteligencia Artificial en el diseño estructural: Desentrañando el ADN de la edificación chilena

¿Es posible predecir el espesor, largo y número de muros estructurales de hormigón armado de un proyecto habitacional? Una investigación desarrollada por Pablo Pizarro, estudiante de Magister de la Universidad de Chile y guiada por el académico Leonardo Massone, cree que es posible con la aplicación de metodologías de Inteligencia Artificial en la etapa más temprana de la ingeniería, incluso antes de modelar siquiera el primer bosquejo estructural del edificio.

Fuente: Hormigón al Día

El uso de aplicaciones relacionadas con la Inteligencia Artificial (I.A.) puede verse en distintos campos, los que van desde robótica -quizás el uso más conocido de esta tecnología- hasta la elaboración de sistemas complejos basados en algoritmos, los que se utilizan para “predecir” ciertos comportamientos basándose en una cantidad determinada de datos.

Así, es posible encontrar investigaciones y desarrollos vinculados con la I.A. en diversos campos, los que van desde la medicina hasta el diseño. Y aunque sus usos más vistosos dicen relación con la automatización de procesos -por ejemplo, los automóviles autónomos- durante 2020, debido a la pandemia, se han realizado varios estudios utilizando I.A. para la detección de posibles contagiados de Covid-19.

Pese a este amplio abanico de posibilidades, el desarrollo de esta metodología en el campo de la Ingeniería Civil parece estar un paso más atrás ya que, si bien se está aplicando en el campo de la arquitectura, principalmente en el diseño, cuando hablamos del diseño estructural de una edificación, la I.A. parece no tener cabida en esta área.

Diseño estructural e I.A.: Modelando con miras al futuro

Si para la Ingeniería Civil, las aplicaciones de I.A. parecían destinadas casi de manera exclusiva a la predicción de fallas, en el campo del diseño estructural su uso estaba en la nebulosa

Por ello, la elaboración de una herramienta que posibilite integrar metodologías del tipo Machine Learning o de Redes Neuronales al desarrollo del diseño estructural es un campo que, según explicó el académico de la Universidad de Chile, no está explorado. Por ello, la investigación de Pablo Pizarro, estudiante de Magister en la Casa de Bello, y cuya supervisión y patrocinio está a cargo del Doctor de la UCLA, busca incorporar esta tecnología al desarrollo del diseño estructural.

Una vez definido el campo de acción, el siguiente paso fue conseguir una cantidad de datos relevante para que las “predicciones” de la aplicación de I.A. fuesen lo más precisas posibles. Ahí, la figura de René Lagos fue fundamental. 

Otro elemento interesante de esta fase es que, si bien los investigadores seleccionaron 165 proyectos, correspondientes sólo a la oficina de ingeniería de René Lagos, están involucradas una “50 o más oficinas de arquitectura. Por lo tanto, no son todos los edificios parecidos”.

Finalmente, se obtuvieron alrededor de 300 mil datos gracias a este trabajo, los que fueron divididos en dos grupos: una fracción importante, entre el 70% de los datos, se destinaron para el entrenamiento de la I.A. y los restantes, a la validación del modelo.

La metodología de I.A. con la que trabajaron los investigadores, en esta etapa del proyecto, fue la de Redes Neuronales Profundas o Deep Learning, aplicación que se considera dentro del Machine Learning, uno de los campos de la Inteligencia Artificial que crea sistemas de aprendizaje automáticos, lo que es posible gracias a la identificación de patrones complejos dada una cantidad fija de datos.

Con los 300 mil datos obtenidos de los 165 proyectos, el académico relató que comenzaron a elaborar modelos predictivos basados en la información entregada por los rectángulos. 

Una vez comprobada la correlación en este ámbito, el siguiente paso que tomó la investigación era desarrollar una aplicación que fuese capaz de predecir la variabilidad en la cantidad de muros y su ubicación

Para esta fase de la investigación, Pizarro y el académico cambiaron de metodología y trabajaron con Redes Neuronales Convolucionales. Estas, a diferencia de las aplicaciones de Deep Learning regresivas utilizadas en la etapa anterior, trabajan con imágenes. 

Los investigadores utilizaron técnicas de Data Augmentation para incrementar la cantidad de datos obtenida. Para ello, lo que hicieron fue tomar el plano de ingeniería del edificio e ir variándolo de posición para generar, con el mismo plano, una nueva cantidad de datos.

El siguiente paso en esta etapa, fue comparar las imágenes obtenidas (las fotografías de 64 por 64 pixeles), que corresponden a los muros sugeridos por ingeniería, con el primer plano de arquitectura. 

Con esta nueva herramienta, entonces, el ingeniero podría eventualmente predecir, además del largo y espesor de los muros dado un plano de arquitectura determinado, también si es necesaria la incorporación o la adecuación espacial de nuevos muros.

 

Última etapa y aplicaciones prácticas

Con la aplicación tanto de Redes Neuronales Profundas Regresivas para la predicción de valores de espesores y largos, y de Redes Neuronales Convolucionales en la obtención de nuevas “imágenes” de muros (ubicaciones), estas herramientas permitirán al ingeniero diseñador de un proyecto anticipar modificaciones al primer plano de arquitectura antes de modelar el edificio.

Con estos datos, apuntó Massone, el profesional de la oficina de ingeniería podría, por ejemplo, modelar con los resultados entregados por la I.A. y con eso, pedir modificaciones al diseño de arquitectura. Con esto, aseguró, se puede realizar una primera predicción de cómo debiese cambiar el plano de arquitectura sin haberlo modelado en el computador.