🤖 AI

Thermal transmittance prediction based on the application of artificial neural networks on heat flux method results

Autores originales: Sanjin Gumbarević, Bojan Milovanović, Mergim Gaši, Marina Bagarić

Publicado 2026-05-25

📖 5 min de lectura🧠 Análisis profundo

Autores originales: Sanjin Gumbarević, Bojan Milovanović, Mergim Gaši, Marina Bagarić

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que posees una casa antigua y quieres hacerla eficiente energéticamente. Para lograrlo, necesitas saber qué tan bien tus paredes retienen el calor dentro. Esta capacidad de "fuga de calor" se llama valor U.

Por lo general, para medir esto, debes adherir un sensor especial (un sensor de flujo de calor) a la pared y dejarlo allí durante días, quizás incluso dos semanas. Es como esperar a que un guiso de cocción lenta esté listo; no puedes apresurarlo, o los resultados serán incorrectos. Esto toma mucho tiempo, cuesta dinero y es molesto si deseas probar muchas paredes diferentes en un edificio.

Este artículo plantea una pregunta sencilla: ¿Podemos usar un "cerebro informático inteligente" (Redes Neuronales Artificiales) para adivinar lo que el sensor habría medido, de modo que no tengamos que dejarlo adherido a la pared durante tanto tiempo?

Así es como intentaron resolverlo, utilizando algunas analogías cotidianas:

La Configuración: El Clima y la Pared

Los investigadores colocaron un sensor en una pared para medir tres cosas:

Qué tan caliente está dentro de la habitación.
Qué tan frío está fuera.
Cuánto calor fluye realmente a través de la pared.

Recopilaron datos cada 10 minutos durante aproximadamente 3 días. Piensa en esto como registrar una "receta" de cómo reacciona la pared al clima.

El "Cerebro Inteligente" (La IA)

Entrenaron cuatro tipos diferentes de "cerebros inteligentes" (Redes Neuronales Artificiales) para aprender esta receta. El objetivo fue enseñarle al cerebro: "Si el interior está a esta temperatura y el exterior a aquella, ¿cuánto calor debería fluir a través de la pared?"

Probaron cuatro arquitecturas diferentes de "cerebro":

El Cerebro Simple (MLP): Un pensador básico y directo.
El Cerebro de Memoria 1 (LSTM): Un pensador con memoria a largo plazo, bueno para recordar lo que sucedió hace un tiempo.
El Cerebro de Memoria 2 (GRU): Un tipo ligeramente diferente de pensador con memoria, un poco más optimizado.
El Cerebro Híbrido (LSTM + GRU): Un equipo donde una parte tiene memoria a largo plazo y la otra tiene un tipo diferente de memoria, trabajando juntos.

El Experimento: Dividiendo los Datos

Para ver si estos cerebros estaban realmente aprendiendo, dividieron sus datos en dos pilas:

La Pila de Estudio (Entrenamiento): Mostraron estos datos al cerebro para que pudiera aprender los patrones.
La Pila de Prueba (Validación): Ocultaron estos datos al cerebro y le pidieron que predijera el flujo de calor basándose solo en las temperaturas.

Probaron diferentes divisiones: a veces el cerebro estudiaba el 25% de los datos y se le probaba con el resto; otras veces estudiaba el 50% o el 66%.

Los Resultados: ¿Quién Ganó?

El artículo encontró algunas cosas interesantes:

Más Datos Ayuda a los Cerebros de "Memoria": Cuando el cerebro tenía más datos para estudiar (50% o 66%), los Cerebros de Memoria (LSTM y GRU) lo hicieron muy bien. Podían predecir el flujo de calor con mucha precisión, casi como si tuvieran el sensor adherido a la pared todo el tiempo.
El Cerebro Simple Luchó: El Cerebro Simple (MLP) estuvo bien cuando tenía muy pocos datos para estudiar, pero no fue tan confiable cuando los datos aumentaron. Es como un estudiante que puede memorizar un poema corto pero se confunde con un libro entero.
La Mejor Combinación: El Cerebro Híbrido (LSTM + GRU) obtuvo la tasa de error más baja cuando estudió el 66% de los datos. Sin embargo, los investigadores notaron que tener el 66% de los datos para el entrenamiento podría ser un poco "hacer trampa" porque la pila de prueba era tan pequeña.
El Verdadero Ganador: Al observar una división justa (50% estudio, 50% prueba), el LSTM (Cerebro de Memoria 1) fue el campeón. Predijo el flujo de calor con un error de solo aproximadamente 5.3% en comparación con el sensor real.

El Problema: El Factor "Sorpresa"

El artículo también encontró una limitación. Los "cerebros inteligentes" son como estudiantes que memorizan los patrones climáticos que estudiaron. Si el clima cambia repentinamente de una manera que nunca han visto antes (un pico o caída de temperatura "sorprendente"), el cerebro se confunde y la predicción se vuelve inestable.

Mostraron una imagen de otra pared donde la predicción funcionó bien hasta que el clima hizo algo inesperado, momento en el cual el "cerebro inteligente" perdió el rumbo.

La Conclusión

El artículo concluye que usar Inteligencia Artificial para predecir el flujo de calor es una idea prometedora. Si puedes entrenar a la IA con unos pocos días de datos, podrías poder mover tu sensor a una nueva pared mucho antes de las dos semanas estándar.

Sin embargo, el método aún no es perfecto. Funciona mejor cuando el clima se comporta de manera predecible, y los investigadores dicen que necesitan realizar más pruebas para asegurarse de que el "cerebro inteligente" no se confunda con cambios climáticos repentinos.

En resumen: Construyeron una bola de cristal digital que puede adivinar cuánto calor pierde una pared basándose en la temperatura. Funciona bastante bien, pero aún necesita más práctica para manejar el clima sorpresivo.

Resumen Técnico: Predicción de la Transmitancia Térmica mediante Redes Neuronales Artificiales sobre Resultados del Método del Flujo de Calor

Planteamiento del Problema
La renovación energética profunda del parque de edificios existente es una prioridad para la Unión Europea, sin embargo, la evaluación de la transmitancia térmica (valor U) de los elementos constructivos existentes sigue siendo un desafío. Las estructuras existentes a menudo carecen de documentación de diseño, y la degradación de los materiales o la humedad pueden alterar las propiedades térmicas con el tiempo. Si bien el Método del Flujo de Calor (HFM), estandarizado por la norma ISO 9869-1, es un enfoque experimental común para determinar los valores U in situ, adolece de una limitación significativa: la duración de la medición. Para cumplir con los criterios normativos y garantizar la fiabilidad, las pruebas HFM a menudo requieren hasta dos semanas, especialmente cuando se utilizan métodos de procesamiento de datos dinámicos para minimizar la desviación respecto a los valores U de diseño. Este plazo extendido obstaculiza la planificación eficiente de los procesos de renovación. Además, desplegar múltiples sensores para probar diferentes elementos simultáneamente suele ser ineficiente desde el punto de vista financiero y operativo.

Metodología
La investigación propone un método para reducir la duración de la medición utilizando Redes Neuronales Artificiales (RNA) para predecir el flujo de calor basándose en las temperaturas del aire interior y exterior. La hipótesis central es que, una vez que un modelo de RNA se entrena con un segmento corto de datos HFM, puede predecir el flujo de calor para el resto del período utilizando únicamente entradas de temperatura, lo que permite reubicar el sensor físico en otros sitios de medición.

El estudio utilizó datos experimentales recopilados de una pared multicapa entre el 22 y el 26 de febrero de 2019. El conjunto de datos comprendió 490 entradas registradas cada 10 minutos, capturando la temperatura interior ( $T_i$ ), la temperatura exterior ( $T_e$ ) y el flujo de calor ( $q$ ).

Se evaluaron cuatro arquitecturas de RNA distintas por su capacidad para predecir el flujo de calor:

MLP3: Un Perceptrón Multicapa con una capa oculta que contiene tres neuronas.
LSTM100: Una red de Memoria a Corto y Largo Plazo (LSTM) con 100 unidades en la capa oculta.
GRU100: Una red de Unidad Recurrente Puerta (GRU) con 100 unidades en la capa oculta.
LSTMGRU100: Una arquitectura híbrida que combina 50 unidades LSTM y 50 unidades GRU a través de dos capas ocultas.

Cada arquitectura se probó bajo tres diferentes ratios de división de datos de entrenamiento/validación: 1/4, 1/2 y 2/3. El rendimiento de los modelos se evaluó utilizando el Error Cuadrático Medio Raíz (RMSE), el Error Cuadrático Medio (MSE) y el Error Absoluto Medio (MAE) para la predicción del flujo de calor. Además, se calcularon los valores U predichos utilizando el método promedio estándar (ISO 9869-1) aplicado al flujo de calor predicho y se compararon con el valor U medido (0,586 W/(m²K)).

Resultados Clave
El análisis arrojó resultados prometedores en cuanto a la predicción de las tasas de flujo de calor basadas en entradas de temperatura:

Rendimiento de la Arquitectura: Las arquitecturas de Redes Neuronales Recurrentes (RNN) (LSTM y GRU) proporcionaron generalmente resultados más fiables cuando se utilizaron conjuntos de datos más grandes (ratios de entrenamiento 1/2 y 2/3) para el entrenamiento. Por el contrario, la arquitectura MLP funcionó relativamente mejor con conjuntos de datos de entrenamiento más pequeños (ratio 1/4).
Mejor Rendimiento: La predicción más precisa para el ratio de entrenamiento/validación 1/2 fue lograda por el modelo LSTM100, que obtuvo un RMSE de 1,68 y una diferencia relativa del 5,31% en comparación con el valor U medido.
Modelo Híbrido: El modelo LSTMGRU100 alcanzó el RMSE más bajo (1,22) en el ratio de entrenamiento 2/3; sin embargo, los autores señalan que esto puede atribuirse a la mayor proporción de datos de entrenamiento en lugar de una superioridad inherente de la arquitectura.
Limitaciones: Un análisis adicional en una pared diferente reveló una posible inestabilidad en las predicciones cuando las temperaturas de contorno cambiaban de maneras no observadas durante el período de entrenamiento. Esto sugiere que, aunque el método es efectivo bajo condiciones estables, podría tener dificultades con variaciones térmicas de contorno no vistas.

Significado y Afirmaciones
El artículo afirma que la aplicación de clases específicas de RNA a los resultados del HFM ofrece una vía viable para reducir el tiempo requerido para las mediciones de valor U in situ. Al predecir con éxito el flujo de calor basándose en datos de temperatura, el sensor físico de flujo de calor podría teóricamente reubicarse en otras ubicaciones después de un período de entrenamiento más corto, acelerando así la evaluación de múltiples elementos constructivos.

Sin embargo, los autores mantienen una postura modesta respecto a la madurez del método. Reconocen que la estabilidad de las predicciones a largo plazo, particularmente con conjuntos de datos pequeños o bajo condiciones de contorno variables, requiere una investigación adicional. El estudio identifica la influencia de los cambios no observados en la temperatura de contorno como una limitación principal, sugiriendo que podrían ser necesarias condiciones de medición estrictas o técnicas de regularización para conclusiones más seguras. En consecuencia, el artículo sitúa estos hallazgos como una dirección para futuras investigaciones en lugar de una solución finalizada para una implementación generalizada inmediata.