🤖 AI

Automating Structural Analysis Across Multiple Software Platforms Using Large Language Models

Este estudio presenta un sistema de agentes de inteligencia artificial basado en modelos de lenguaje grande que automatiza el análisis estructural de marcos traduciendo la información del usuario a scripts ejecutables simultáneamente en múltiples plataformas de software como ETABS, SAP2000 y OpenSees, logrando una precisión superior al 90%.

Autores originales: Ziheng Geng, Jiachen Liu, Ian Franklin, Ran Cao, Dan M. Frangopol, Minghui Cheng

Publicado 2026-04-14

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Ziheng Geng, Jiachen Liu, Ian Franklin, Ran Cao, Dan M. Frangopol, Minghui Cheng

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

¡Hola! Imagina que eres un arquitecto o ingeniero civil. Tu trabajo es diseñar edificios y puentes. Para asegurarte de que no se caigan, necesitas usar programas de computadora muy complejos (como ETABS, SAP2000 o OpenSees) para simular cómo se comportarán bajo el viento, el peso o los terremotos.

El problema es que estos programas son como idiomas diferentes. Lo que funciona en uno, no funciona en el otro. Además, escribir los comandos para crear un modelo es lento, aburrido y propenso a errores humanos.

Aquí es donde entra este nuevo estudio, que es como tener un traductor mágico y un equipo de arquitectos robots trabajando juntos.

🤖 La Idea Principal: El "Equipo de Traductores"

Los autores crearon una inteligencia artificial (IA) especial que no es solo un "chatbot" que habla, sino un sistema de múltiples agentes (como un equipo de trabajo). Su misión es tomar una descripción simple de un edificio (por ejemplo: "Haz un edificio de 3 pisos con vigas de 6 metros") y convertirlo automáticamente en el código exacto que necesita cualquiera de los tres programas mencionados.

Para entenderlo mejor, imagina que quieres cocinar un plato complejo, pero tienes tres cocinas diferentes:

Cocina A (OpenSees): Solo tiene recetas escritas en un cuaderno (todo se hace con código).
Cocina B (SAP2000): Tiene botones y menús, pero es muy estricta con los nombres de los ingredientes.
Cocina C (ETABS): Organiza las cosas por "pisos" (como si construyeras un edificio de bloques).

El sistema de la IA funciona en dos etapas:

Etapa 1: Los "Arquitectos Lógicos" (El Cerebro)

Imagina un grupo de expertos reunidos alrededor de una mesa.

Uno lee tu descripción ("3 pisos, vigas de 6m").
Otro dibuja el plano mentalmente.
Otro calcula dónde van las columnas y los pesos.
El resultado: No escriben código todavía. Crean un documento maestro universal (llamado JSON). Es como una receta estandarizada que cualquiera puede entender, sin importar qué cocina vayas a usar.

Etapa 2: Los "Traductores Especializados" (Las Manos)

Aquí es donde la magia ocurre. Tienes tres traductores diferentes, cada uno experto en una "cocina":

Traductor A: Toma la receta universal y la escribe en el idioma de la Cocina A (OpenSees).
Traductor B: Toma la misma receta y la adapta a los botones de la Cocina B (SAP2000).
Traductor C: Toma la receta y la organiza por pisos para la Cocina C (ETABS).

Lo genial es que todos trabajan al mismo tiempo. En menos de dos minutos, tienes el mismo edificio listo para ser analizado en los tres programas diferentes.

🏆 ¿Funciona realmente? (La Prueba de Fuego)

Los investigadores probaron esto con 20 edificios de prueba diferentes.

El resultado: ¡Funcionó increíblemente bien! La IA acertó más del 90% de las veces en los tres programas.
La comparación: Intentaron usar las IAs más famosas del mundo (como GPT-5 o Gemini) para hacer el mismo trabajo.
- Las IAs famosas fallaron estrepitosamente. Se confundían con los nombres de los comandos, olvidaban columnas o creaban edificios que no existían. Fue como intentar que un turista hable un idioma técnico sin estudiarlo.
- El sistema de "equipo de agentes" de este estudio fue como un traductor profesional nativo que conoce las reglas de cada programa a la perfección.

💰 ¿Es caro o lento?

Tiempo: Tarda unos 2 minutos en generar los archivos. Para un ingeniero humano, hacer esto manualmente podría tomar horas o días.
Costo: Es muy barato. Cuesta menos de 2 centavos de dólar por cada edificio que se analiza. Es como comprar un café, pero en lugar de café, obtienes un análisis estructural completo.

🚀 ¿Por qué es importante esto?

Antes, si un ingeniero quería comparar sus resultados en dos programas diferentes, tenía que volver a dibujar todo el edificio desde cero, lo cual era un dolor de cabeza y propenso a errores.

Ahora, con esta herramienta:

Ahorra tiempo: Automatiza el trabajo aburrido.
Reduce errores: La IA no se cansa ni olvida poner un tornillo.
Es flexible: Puedes usar el programa que prefieras (o los tres) sin tener que aprender tres idiomas diferentes de programación.

En resumen

Este estudio es como crear un puente universal entre el lenguaje humano (diseñar un edificio) y el lenguaje de las máquinas (los códigos de los programas). En lugar de que un solo robot intente adivinar todo, usan un equipo organizado donde cada miembro hace lo que mejor sabe hacer: unos piensan en la lógica del edificio y otros se encargan de escribir el código perfecto para cada software.

¡Es el futuro de la ingeniería: más rápido, más barato y mucho más inteligente! 🏗️🤖✨

Resumen Técnico: Automatización del Análisis Estructural Multi-Plataforma mediante Modelos de Lenguaje Grande

1. Planteamiento del Problema

Los avances recientes en Modelos de Lenguaje Grande (LLM) han demostrado un gran potencial para automatizar flujos de trabajo de ingeniería, como la interpretación de códigos y la generación de informes. Sin embargo, existe una limitación crítica en el estado del arte: la mayoría de los estudios se centran en hacer que los LLMs operen en una única plataforma de software de análisis estructural (por ejemplo, solo OpenSees).

En la práctica de la ingeniería civil, los ingenieros dependen frecuentemente de múltiples herramientas de Análisis de Elementos Finitos (FEA) como ETABS, SAP2000 y OpenSees, dependiendo de las necesidades del proyecto, las preferencias del usuario y las restricciones de la empresa. La falta de capacidad de los LLMs actuales para operar de manera transversal entre estos entornos de software distintos limita su despliegue práctico. Entrenar modelos separados para cada software no es escalable. Por lo tanto, el objetivo de este estudio es desarrollar un sistema capaz de automatizar el análisis de estructuras de pórtico a través de múltiples plataformas de software simultáneamente.

2. Metodología: Arquitectura Multi-Agente

El estudio propone una arquitectura de LLM multi-agente de dos etapas que desacopla el razonamiento semántico de alto nivel de la generación de código específica de la plataforma.

Etapa 1: Interpretación de Entrada y Razonamiento Semántico
- Objetivo: Convertir descripciones textuales del usuario (geometría, materiales, condiciones de frontera y cargas) en una representación unificada y agnóstica a la plataforma.
- Agentes: Un grupo de cinco agentes especializados colabora:
  1. Agente de Análisis de Problemas: Extrae parámetros clave del texto.
  2. Agente de Planificación de Construcción: Formula una lógica de ensamblaje paso a paso (de abajo hacia arriba, de izquierda a derecha).
  3. Agente de Nodos: Deriva coordenadas y tipos de soporte.
  4. Agente de Elementos: Define conectividad y tipos de miembros.
  5. Agente de Asignación de Cargas: Mapea cargas concentradas y distribuidas.
- Modelo Base: Se utiliza GPT-OSS 120B por su fuerte capacidad de razonamiento semántico.
- Salida: Un archivo JSON unificado que encapsula toda la información necesaria para el modelado FEA.
Etapa 2: Traducción de Código en Paralelo
- Objetivo: Convertir el JSON unificado en scripts ejecutables específicos para cada software (.tcl para OpenSees, .s2k para SAP2000, .e2k para ETABS).
- Agentes:
  - Para OpenSees y SAP2000: Un agente de traducción de geometría y un agente de compilación de código convierten directamente los objetos JSON en comandos de script.
  - Para ETABS: Se introduce un Agente de Mapeo Semántico adicional. Esto es crucial porque ETABS utiliza una lógica de modelado basada en "historias" (stories), diferente a la lógica de nodos/elementos global de los otros dos. Este agente adapta la definición de objetos a la lógica de historias de ETABS.
- Modelo Base: Se utiliza Llama-3.3 70B Instruct Turbo para la traducción de código debido a su robusto seguimiento de instrucciones, aunque el agente de mapeo semántico para ETABS vuelve a usar GPT-OSS 120B.

3. Contribuciones Clave

Primera Arquitectura Multi-Plataforma: Desarrollo de un sistema LLM capaz de generar scripts de análisis estructural válidos y ejecutables para tres plataformas líderes (OpenSees, SAP2000, ETABS) a partir de una sola entrada de texto.
Arquitectura de Dos Etapas: La separación entre el razonamiento lógico (JSON) y la sintaxis del software permite que el sistema sea escalable; se pueden agregar nuevas plataformas simplemente añadiendo agentes de traducción sin reentrenar el razonamiento central.
Adaptación a Lógicas de Software Diferentes: La inclusión de un agente de mapeo semántico específico para ETABS resuelve el desafío fundamental de las diferentes lógicas de modelado (basado en nodos vs. basado en historias).
Evaluación Rigurosa: Validación contra modelos de propósito general de vanguardia (GPT-5.2 y Gemini-3-Pro) utilizando un conjunto de datos de referencia.

4. Resultados

El sistema se evaluó utilizando 20 problemas representativos de pórticos con topologías irregulares, ejecutando 10 ensayos independientes por caso.

Precisión del Sistema Propuesto:
- Logró una precisión superior al 90% en todos los casos.
- SAP2000: 100% de precisión (perfecto en todos los ensayos).
- ETABS: 99% de precisión promedio (18/20 preguntas perfectas).
- OpenSees: 98% de precisión promedio.
Comparación con LLMs de Propósito General:
- GPT-5.2: Precisión promedio del 18% en OpenSees y 0% en SAP2000 y ETABS. Falló principalmente por errores de sintaxis estricta y lógica de modelado incorrecta (alucinaciones).
- Gemini-3-Pro: Precisión del 79% en OpenSees, pero 0% en SAP2000 y ETABS debido a la misma incapacidad para seguir lógicas de modelado específicas y sintaxis rigurosa.
Eficiencia y Costo:
- Tiempo: Generación de scripts en paralelo en aproximadamente 2 minutos (113-144 segundos por plataforma). Aunque es más lento que los LLMs generales (que tardan ~30-90s), la fiabilidad justifica el tiempo.
- Costo: Extremadamente económico, oscilando entre $0.012 y$ 0.025 por problema y plataforma, gracias al uso de modelos de código abierto ligeros (GPT-OSS y Llama-3.3) en lugar de modelos comerciales costosos.

5. Significado e Impacto

Este trabajo representa un avance significativo hacia la automatización práctica en ingeniería estructural.

Interoperabilidad: Demuestra que es posible crear flujos de trabajo automatizados que no están atados a un solo proveedor de software, lo cual es esencial para la adopción industrial.
Fiabilidad: Al superar consistentemente a los LLMs de propósito general, el sistema ofrece una herramienta confiable que reduce el error humano en la modelación y la sintaxis.
Integración: El sistema no reemplaza el software existente, sino que actúa como una interfaz de entrada inteligente que genera archivos nativos (.tcl, .s2k, .e2k), permitiendo a los ingenieros verificar, visualizar y ejecutar análisis en sus entornos familiares.
Escalabilidad Económica: El bajo costo por análisis sugiere que esta tecnología es viable para su implementación a gran escala en proyectos de ingeniería real, facilitando la comparación cruzada de resultados entre diferentes plataformas para validar la robustez del diseño.

En conclusión, la arquitectura multi-agente propuesta supera las limitaciones de los LLMs actuales al abordar la complejidad de las diferentes lógicas de modelado de software, ofreciendo una solución robusta, precisa y rentable para la automatización del análisis estructural.