Agentic AI-Enabled Framework for Thermal Comfort and Building Energy Assessment in Tropical Urban Neighborhoods

Este estudio propone un marco habilitado por IA agente que integra modelos de lenguaje grandes con modelos físicos ligeros para evaluar el confort térmico y el consumo energético en vecindarios urbanos tropicales como Singapur, permitiendo la exploración autónoma de estrategias de diseño urbano resilientes al clima.

Lo esencial

Imagina que tu ciudad es un cuerpo humano en un día muy caluroso. Algunas partes, como las plazas con mucho sol y poco viento, se sienten como si tuvieran "fiebre" (demasiado calor), mientras que otros edificios gastan una fortuna en aire acondicionado porque se "queman" por fuera.

Los urbanistas tradicionales intentan diagnosticar estos problemas usando herramientas muy complejas y lentas, como si un médico tuviera que hacer una resonancia magnética completa cada vez que alguien se queja de un dolor de cabeza.

Este artículo presenta una nueva solución: un "Asistente Inteligente" (Agentic AI) que actúa como un detective urbano superpoderoso. Aquí te explico cómo funciona, usando analogías sencillas:

1. El Detective y su Equipo (La IA y los Modelos Físicos)

Imagina que el sistema tiene dos partes principales trabajando en equipo:

• El Detective (El Modelo de Lenguaje o LLM): Es como un arquitecto experto que habla tu idioma. Tú le dices: "Oye, quiero saber por qué la plaza del centro está tan caliente y cómo podemos arreglarlo". El detective no hace los cálculos matemáticos complejos él mismo; en su lugar, entiende lo que quieres, busca los planos de los edificios y sabe exactamente qué herramientas necesita.
• El Mecánico Rápido (Los Modelos Físicos Ligeros): Son como un equipo de mecánicos que usan herramientas rápidas y precisas. En lugar de construir un motor de coche completo desde cero (lo cual tardaría días), usan principios básicos de física (cómo se mueve el viento, cómo golpea el sol) para simular el clima en minutos.

La magia: El Detective le dice al Mecánico: "Necesito ver cómo se siente el viento a las 3 de la tarde en la calle X". El Mecánico lo calcula al instante y le devuelve los datos. El Detective luego te explica: "¡Ahí está el problema! El viento se queda atrapado entre estos dos edificios, creando un túnel de calor".

2. El Proceso: De la Pregunta a la Solución

El sistema funciona en cinco pasos, como una receta de cocina:

1. Escuchar la intención: Tú hablas normal (ej. "¿Cómo afecta pintar los techos de blanco?"). El sistema entiende tu pregunta.
2. Revisar los planos: El sistema toma los modelos 3D de los edificios (como si fueran piezas de Lego digitales) y los limpia para que estén listos.
3. Configurar el escenario: El sistema decide qué datos usar. Usa el clima típico de Singapur como base, pero si tú tienes un dato específico (como un día de lluvia real), lo prioriza. Es como un chef que usa la receta estándar, pero si tú le dices "sin sal", ajusta la receta.
4. Simular y Probar: El sistema corre la simulación. Imagina que es como un videojuego donde aceleran el tiempo para ver qué pasa en un día entero en segundos.
5. El Informe Final: El sistema te entrega un reporte claro. No solo te da números aburridos, sino que te dice: "El edificio A necesita sombra, y la plaza B necesita menos concreto brillante".

3. La Gran Sorpresa: La "Penalización del Albedo"

Aquí viene la parte más interesante. El sistema descubrió algo que un humano podría pasar por alto si no fuera tan detallista.

Imagina que decides pintar los techos y el suelo de blanco brillante para que reflejen el sol (como usar un espejo).

• Lo bueno: Los edificios se enfrían porque no absorben tanto calor (ahorran energía).
• Lo malo (La trampa): El suelo blanco refleja el sol hacia arriba, como un espejo gigante apuntando a los peatones. ¡La gente en la calle siente más calor radiante!

El sistema detectó esto automáticamente. En lugar de decirte simplemente "pinta todo de blanco", el sistema te dio un consejo inteligente: "Pinta los techos de blanco para ahorrar energía en los edificios, pero no pintes las aceras de blanco en las plazas soleadas, porque quemará a los peatones".

¿Por qué es importante esto?

Antes, para hacer este tipo de análisis, necesitabas un equipo de expertos, mucho tiempo y computadoras muy caras. Ahora, este sistema permite:

• Hablar con la ciudad: Puedes hacer preguntas en lenguaje natural y obtener respuestas científicas.
• Probar ideas rápido: Puedes comparar si poner árboles es mejor que poner toldos en cuestión de minutos.
• Tomar decisiones inteligentes: Evita soluciones que arreglan un problema pero crean otro (como el ejemplo del suelo blanco).

En resumen, este estudio crea un "asistente de diseño urbano" que combina la inteligencia humana (entender qué queremos) con la precisión de la física (saber qué pasará realmente), ayudando a crear ciudades más frescas, cómodas y eficientes en energía, especialmente en climas tropicales como el de Singapur.

Resumen técnico

Resumen Técnico: Marco de IA Agente para la Evaluación de Confort Térmico y Energía en Edificios en Barrios Urbanos Tropicales

1. Planteamiento del Problema

En ciudades tropicales densamente pobladas como Singapur, la combinación de altas temperaturas, humedad y la formación de islas de calor urbanas genera condiciones exteriores incómodas y una alta demanda de energía para refrigeración interior.

• Desafíos actuales: Los planificadores urbanos enfrentan dificultades para identificar "puntos calientes" de estrés térmico, edificios ineficientes o estrategias de superficie óptimas (como fachadas verdes o pinturas frescas) a escala de barrio.
• Limitaciones de los flujos de trabajo existentes: Los estudios integrados de confort y energía requieren el uso de múltiples herramientas, parámetros complejos y una preparación de modelos laboriosa y propensa a errores. Aunque existen modelos de alta fidelidad (como CFD o EnergyPlus), su ejecución manual es lenta y difícil de escalar para la comparación rápida de estrategias de diseño.

2. Metodología

El estudio propone un marco habilitado por IA Agente que integra Modelos de Lenguaje Grande (LLM) con modelos físicos ligeros basados en principios termodinámicos y de flujo de aire. El sistema funciona como un orquestador autónomo que traduce intenciones en lenguaje natural en simulaciones cuantitativas.

Componentes Clave del Sistema:

• Orquestador Agente (State Machine): Implementado con un estilo LangGraph, el sistema gestiona un estado compartido que rastrea la consulta del usuario, parámetros, resultados y errores a través de cinco etapas:
  1. Análisis de Intención: Un LLM (GPT-5.1) interpreta la solicitud del usuario y propone herramientas y parámetros iniciales.
  2. Análisis de Geometría: Carga y limpia archivos STL, extrayendo huellas de edificios, generando identificadores únicos y mapas de índice para rastrear resultados específicos.
  3. Orquestación de Solucionadores: Fusiona parámetros de múltiples fuentes bajo una jerarquía estricta de prioridad para garantizar la trazabilidad:
     1. Overrides del usuario (máxima prioridad).
     2. Sugerencias del LLM (solo si faltan datos).
     3. Servicios meteorológicos en tiempo real.
     4. Bases de datos climáticas (ej. IWEC).
     5. Valores por defecto en configuración JSON.
  4. Recomendación de Estrategias de Materiales: Ejecuta un bucle de "línea base vs. refinamiento" para probar ajustes en propiedades de materiales (albedo, emisividad).
  5. Integración y Reporte: El LLM sintetiza métricas (PET, carga de enfriamiento) en un informe legible con recomendaciones accionables.

Modelos Físicos Ligeros:

• CFD (Dinámica de Fluidos Computacional): Utiliza un modelo de flujo potencial 2D en múltiples cortes verticales para estimar perfiles de viento, interpolando para superficies 3D. Ajusta temperatura y humedad mediante modelos de capa límite empíricos.
• Modelo de Radiación y Balance Energético: Resuelve la ecuación de balance energético transitoria para calcular temperaturas superficiales y el Temperatura Radiante Media (MRT).
• Evaluación de Confort y Energía:
  • Confort: Calcula la Temperatura Equivalente Fisiológica (PET) integrando parámetros ambientales y factores personales.
  • Energía: Utiliza una función de transferencia de conducción 1D (CTF) simplificada para estimar la carga de enfriamiento y la Intensidad de Uso de Energía (EUI), evitando la complejidad de motores BEM completos pero manteniendo precisión comparativa.

3. Contribuciones Clave

• Flujo de Trabajo End-to-End Auditables: Conecta la intención del usuario, la geometría, la simulación física acoplada (aire/solar) y las métricas de confort/energía en un solo bucle cerrado, con registro completo de prompts, salidas y procedencia de parámetros.
• Gobernanza de Parámetros: Establece un mecanismo donde el LLM es "asesor" pero no "autoritario" en condiciones físicas críticas, priorizando datos meteorológicos estandarizados sobre las alucinaciones del modelo de lenguaje.
• Capacidad de Auto-corrección y Descubrimiento: El sistema puede identificar compensaciones físicas no lineales (trade-offs) y ajustar sus recomendaciones basándose en los resultados de la simulación sin intervención humana.
• Accesibilidad: Permite a usuarios no expertos describir tareas de diseño urbano en lenguaje natural y obtener resultados cuantitativos rápidos.

4. Resultados y Análisis

El marco se validó en dos escenarios en distritos densos de Singapur:

• Escenario I: Auditoría de Línea Base Autónoma:

  • El agente interpretó una solicitud semántica ("auditoría de inter-monsoón") y configuró automáticamente las condiciones climáticas y geométricas.
  • Identificó con precisión "puntos calientes" térmicos (PET > 52°C) y edificios con cargas de enfriamiento anómalas, correlacionándolos con factores geométricos específicos (ej. orientación de fachadas, falta de sombra).
  • Generó recomendaciones específicas por ubicación (ej. sombreado en plazas, optimización de fachadas).

• Escenario II: Intervención de Materiales en Bucle Cerrado y la "Penalización de Albedo":

  • El agente propuso y aplicó materiales de alto albedo (reflectantes) para reducir la carga térmica.
  • Resultado Energético: Confirmó una reducción significativa en la carga de enfriamiento de los edificios (hasta un 11.4% en algunos casos).
  • Resultado de Confort (Descubrimiento Crítico): Detectó que, aunque la temperatura superficial bajaba, la radiación solar reflejada aumentó la carga radiante sobre los peatones, elevando ligeramente la PET (~1°C) en zonas de plaza.
  • Conclusión del Agente: El sistema refinó su recomendación, sugiriendo un enfoque desacoplado: alto albedo en techos (para ahorrar energía) pero evitando pavimentos altamente reflectantes en zonas peatonales soleadas para no empeorar el confort.

5. Significado e Impacto

• Puente entre IA y Física: Demuestra cómo los LLM pueden orquestarse sobre motores físicos sin reemplazar su lógica de dominio, creando sistemas conversacionales pero científicamente deterministas.
• Diseño Urbano Basado en Evidencia: Facilita la comparación rápida de estrategias de resiliencia climática (pinturas frescas, fachadas verdes) a escala de barrio, permitiendo a los planificadores tomar decisiones informadas sobre compensaciones complejas (energía vs. confort peatonal).
• Escalabilidad y Futuro: La arquitectura es agnóstica al backend, lo que permite escalar desde análisis exploratorios rápidos hasta validaciones de alta fidelidad. Futuras extensiones incluyen la automatización de indicadores clave de rendimiento (KPIs) para cumplimiento normativo y dashboards interactivos para la trazabilidad de datos en tiempo real.

En resumen, este marco representa un avance significativo hacia la automatización de la planificación urbana sostenible, transformando consultas complejas en estrategias de diseño accionables y verificables.