¿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.
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.
Al respecto, Leonardo Massone, Doctor de la Universidad de California (UCLA) y académico del Departamento de Ingeniería Civil de la Universidad de Chile, explicó que, en este campo de estudio, si bien el desarrollo de aplicaciones de I.A. se ha dado con menos velocidad, estas apuntan al monitoreo y a la predicción de fallas que a otros desarrollos.
“¿Por qué monitoreo? Porque uno puede colocar sensores en estructuras y por ejemplo, capturar cambios del periodo de la estructura y eso lo puedes asociar a daño, lo que permite tomar medidas de reparación o mantención, de tal forma que estás metodologías han tenido harto impacto, en esa línea de investigación”.
En ese aspecto, el académico detalló que al utilizarse métodos regresivos, vale decir, métodos en los que se entrega una cantidad de datos finita para predecir comportamientos dados, es posible “enseñarle, con algunos ensayos, datos de modelos. Después, uno lo prueba: lo pone al interior de una estructura y nos informa de un cambio, al que por los datos que le hemos entregado, asocia a una ‘falla’ en un elemento determinado. Entonces, en ese campo se le ha sacado harto el potencial: detección de grietas y otros”.
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. “Existen otras metodologías que se están utilizando para el diseño de estructuras, como herramientas de realidad aumentada, entre otras, pero que apuntan más a la construcción o a la conceptualización física”, dijo Massone.
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.
“Lo que buscamos hacer con este proyecto es tener una herramienta que permita acelerar el proceso de diseño y que, de alguna manera, capture lo que es el ADN de la edificación chilena”, destacó.
¿En qué consiste este desarrollo? Leonardo Massone explicó que se trata de una aplicación en tres etapas que, con datos aportados de los planos de arquitectura de distintos proyectos, sea capaz de “predecir” modificaciones de carácter estructural, en este caso, el aumento de espesor y largo de muros, además de agregar elementos (muros) que no estaban en el primer plano de arquitectura pero que, por motivos de requisitos estructurales, el ingeniero sugiere incorporar en el diseño.
Esta interacción, dijo el académico, conlleva un buen tiempo de desarrollo y coordinación entre arquitectura e ingeniería, lo que lo transforma “en un proceso relativamente largo. No complejo, pero tiene un alto grado de interacción entre un grupo y otro. Entonces, nos planteamos realizar un modelo predictivo con información ya existente -en este caso, los planos de la primera arquitectura y la ingeniería final- para tratar de utilizar algunas de estas herramientas predictivas”.
“En el fondo -agregó- es que, dado un plano de arquitectura, se logre llegar al plano de ingeniería corrigiendo o modificando tal vez la ubicación de los muros, quizás cambiando los espesores o el largo, o colocando nuevos muros que son necesarios para el buen comportamiento de la estructura”.
Recolectando datos y construyendo predicciones: Etapa 1
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. “Fue el más entusiasta en ese minuto y estaba bien interesado en implementar este tipo de aplicaciones, por lo que nos ofreció ir a su oficina a seleccionar proyectos para dar marcha a esta investigación”, contó Massone.
De los muchos proyectos disponibles, el aspirante a Magister y el académico seleccionaron 165, todos de carácter habitacional. ¿Por qué? “Porque son los que tienen muchos muros en planta. En cambio, los edificios de oficina son distintos. En ese tipo de obras, habitualmente tienes un muro en la caja escalera, un muro en el ascensor, quizás otros muros pero en general, lo que tienes son marcos perimetrales, la cantidad de muros es mucho menor y se parece mucho a la configuración americana”, explicó.
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”.
Una vez con seleccionados los 165 proyectos, “lo que hicimos fue dividir los planos de planta, de subterráneo, primer piso y piso superior, en rectángulos o subrectángulos de cada uno de los muros que estaban en cada una de esas plantas. Entonces, a estos rectángulos, que pertenecen a una planta y que pertenecen a un muro, les dimos un montón de características o propiedades, digamos, que tienen que ver con la geometría, con el área, con la ubicación, características geométricas y topológicas”.
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. “Con las características dadas, basadas en geometría y topología, y algunas características del edificio, éramos capaces de predecir la respuesta que, en este caso, eran el espesor y el largo de los muros. Logramos predecir un número, en este caso, el espesor y largo”, explicó.
“Gracias a esto, tenemos una herramienta que, si nos pasan un plano de arquitectura, al pasar esa información por este modelo, tendremos de forma instantánea los espesores y largos más probables que requiera ingeniería para su diseño, que le sugiere al profesional de ingeniería: ‘quizás sería bueno incrementar este muro de 20 a 40 centímetros, o de 20 a 30”, agregó el académico.
Sin embargo, lo más importante fue el nivel de predicción alcanzado en esta primera fase. “Con estos datos, tuvimos un índice de correlación R2 de .995, donde 1.0 significa correlación perfecta, que es muy bueno ya que efectivamente, andábamos muy cerca del valor al que llegaba el plano de ingeniería. Con esto, logramos una aplicación que apoya al ingeniero incluso antes de que ingrese el plano de arquitectura a modelar en su computador”, subrayó.
Segunda etapa: nuevos muros y diseño estructural
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. ¿Por qué? “Porque tal vez los espesores se cambiaron, pero por ejemplo, en el plano de arquitectura dejaron una losa libre de, digamos, 10 metros por 10 metros y si no se coloca una columna bajo esa losa, habrán problemas. Entonces, predecir el espesor y el largo no me permitirá predecir si es que se tendrá que colocar un elemento más o no”, explica Leonardo Massone.
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. “Como ya teníamos los planos y las divisiones en rectángulos, que identifican secciones de muros dentro de los planos, lo que hicimos fue tomarles una pequeña fotografía de 10 metros por 10 metros, lo que nos dio una imagen de 64 por 64 pixeles”, dijo.
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.
“Un plano normal está lleno de muros. Entonces, si yo divido una sección, me pueden dar, por ejemplo, 50 rectángulos. Eso lo tienes que multiplicar por 3 plantas y además, por los 165 proyectos. Si bien era un número relevante, necesitábamos aumentar los datos para corroborar que la predicción y así, validar que tanto la metodología como la predicción que estábamos planteando con esa base de datos, era la adecuada”, explicó Massone.
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. “Por ejemplo, en el plano de arquitectura teníamos destacado un rectángulo de 10 metros por 10 metros y en el plano de ingeniería, tenías ese mismo rectángulo, pero con otros elementos alrededor. Entonces, cuando ingresamos eso a la red convolucional, lo que me entrega como predicción es una probabilidad de ocurrencia que se puede incorporar a una escala de colores y me dice ‘lo que es más rojo es más probable, lo que es más claro, menos probable’”.
De esta manera, los investigadores tomaron los datos de los proyectos y promediaron los rectángulos “porque en algunas partes teníamos más imágenes que en otras. En el fondo, lo que hicimos fue dividir por el número de imágenes del edificio analizado y le aplicamos una función no lineal que lo que hace es sacar el contraste para destacar una imagen por sobre otra. Y ahí, nos entregó la forma del edificio predicha, basado exclusivamente en imágenes”, comentó.
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. “Es una densidad de probabilidad ya que, en esta etapa, la herramienta te dice ‘mire, aquí encontramos muchas veces un pixel que estaba marcado como muro, por lo tanto, es muy probable que lo sea’”, detalló.
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.
“En vez que el plano de arquitectura pase directo al ingeniero que modela el diseño en el computador para ver si cuadran, por ejemplo, la deformación de entre pisos, el desplazamiento máximo o problemas de torsión, entre otros, lo que puede hacer el profesional es pasar ese primer plano por este procesador, que le entregará algunas recomendaciones: cambios de espesor, ubicación de muros”, detalló el académico.
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.
“Este tipo de herramientas permitirán acelerar la primera etapa del diseño. Probablemente, y dependiendo de la envergadura del proyecto, se pueda ahorrar un mes de trabajo, tal vez”, puntualizó. El resultado de esta investigación podría verse de forma práctica, comentó el académico, en el trabajo de las oficinas de ingeniería con los proyectos detenidos en 2020 producto de la Pandemia.
Con la segunda etapa -la validación de la metodología de Redes Neuronales Convolucionales– completa, los investigadores ya están trabajando en la tercera y última fase de este proyecto, en la que “queremos darle espesor y largo a los muros que predijimos en la segunda etapa y después ya meternos en todo lo que es la ingeniería de estos nuevos elementos. Además, nos gustaría ver, con un método generativo, si la ubicación de estos nuevos elementos, que no existían antes y que tienen, además de una nueva ubicación, un nuevo espesor y largo, si esas cualidades son las mejores desde el punto de vista estructural”.
“Con esto -agregó- ya nos meteríamos en modelos sencillos, lineales y elásticos, para ver la respuesta de estos elementos”. Esta fase, confidenció Leonardo Massone, podría estar finalizada en julio de 2021.
