An AI–BIM Integrated Framework for Rapid Early-Stage Energy Performance Prediction in Algerian Residential Buildings: A Machine Learning Approach Using Random Forest and XGBoost

Resumen Técnico: Un marco integrado de IA–BIM para la rápida predicción del rendimiento energético en etapas tempranas de edificios residenciales argelinos

Planteamiento del problema
Las decisiones arquitectónicas tomadas durante la fase de diseño conceptual —como la volumetría del edificio, la orientación, la configuración de la envolvente y las relaciones ventana-pared (WWR)— ejercen una influencia desproporcionada en el rendimiento energético del ciclo de vida de un edificio. Sin embargo, las herramientas de simulación basadas en la física convencionales (por ejemplo, EnergyPlus, DesignBuilder) suelen ser demasiado lentas y demandantes de datos para su uso iterativo durante esta etapa inicial. En consecuencia, los arquitectos carecen con frecuencia de una retroalimentación inmediata sobre cómo las modificaciones de diseño simples afectan la demanda energética, lo que conduce a decisiones subóptimas antes de que comience el modelado detallado. Además, las soluciones de Inteligencia Artificial (IA) existentes para la predicción de energía suelen depender de datos operativos (post-ocupación) en lugar de parámetros de la etapa de diseño, o permanecen desconectadas del entorno de autoría BIM, fallando en proporcionar retroalimentación en tiempo real dentro del flujo de trabajo del diseñador. Existe un vacío específico en herramientas contextuales para Argelia, donde los diversos climas (costero mediterráneo frente al semiárido sahariano) y las prácticas de construcción locales requieren soluciones adaptadas que actualmente no están disponibles en la etapa conceptual.

Metodología
El estudio propone un marco de IA–BIM de dos etapas diseñado para predecir la intensidad de uso de energía anual (kWh/m²/año) directamente a partir de parámetros simplificados de BIM. La metodología sigue un diseño experimental cuantitativo:

1. Modelado Paramétrico y Simulación: Se desarrolló un modelo paramétrico de una casa unifamiliar de dos plantas en Autodesk Revit (LOD 300). Utilizando el plugin OpenStudio (motor EnergyPlus), se generó un conjunto de datos estructurado variando sistemáticamente siete parámetros clave:

   • Orientación (4 direcciones cardinales)
   • Condición estacional (Verano/Invierno)
   • Niveles de aislamiento de paredes (Bajo, Medio, Alto; alineados con RETA 2016)
   • Área de la planta (3 tamaños)
   • Altura/volumen del edificio (2 niveles)
   • Contexto geográfico (Argel y Ghardaïa)
   • Relación Ventana-Pared (WWR) (10%, 30%, 50%)
     Esto resultó en un espacio combinatorio de 864 escenarios de diseño.

2. Entrenamiento de Aprendizaje Automático (Machine Learning):

   • Etapa Uno (Estimador de Energía): Se entrenó un modelo de regresión de Bosque Aleatorio (Random Forest) con un conjunto de datos de referencia de 20 casos simulados para aprender la relación no lineal entre los parámetros BIM y el consumo de energía. Este modelo se utilizó para predecir los valores de energía para los 862 escenarios restantes, creando un conjunto de datos de entrenamiento exhaustivo sin necesidad de ejecutar 864 simulaciones individuales basadas en la física.
   • Etapa Dos (Extensión de la Predicción): Se entrenó un modelo de Gradient Boosting Extremo (XGBoost) con el conjunto completo de 864 escenarios para identificar las combinaciones de parámetros que minimizan la demanda de energía.

3. Integración y Despliegue: Los modelos entrenados se integraron en el entorno Revit como una extensión personalizada utilizando pyRevit. Esta herramienta permite a los usuarios introducir variables de diseño a través de una interfaz de cinta nativa y recibir predicciones de energía instantáneas mediante un cuadro de diálogo emergente, evitando la necesidad de software de simulación externo durante la fase conceptual.

Contribuciones Clave

• Marco Específico para el Contexto: El estudio ofrece una herramienta de IA–BIM desplegable calibrada específicamente para edificios residenciales argelinos, abordando los desafíos climáticos únicos de la región (alta radiación solar, variaciones de humedad) y los estándares regulatorios locales (RETA 2016).
• Integración en el Flujo de Trabajo: A diferencia de estudios previos que tratan la IA y el BIM como dominios separados, este trabajo integra un motor predictivo de forma nativa dentro del entorno de autoría de Revit a través de un plugin de pyRevit, permitiendo el soporte de decisiones en tiempo real sin interrumpir el flujo de trabajo del arquitecto.
• Plantilla Metodológica: El artículo establece una metodología transferible para acoplar el modelado paramétrico BIM, la simulación basada en la física y el aprendizaje automático supervisado para apoyar el diseño sostenible en etapas tempranas.
• Análisis de Sensibilidad de Parámetros: La investigación identifica que un pequeño conjunto de variables derivadas de BIM (orientación, WWR, aislamiento, tamaño y clima) es suficiente para capturar las tendencias dominantes en la demanda de energía residencial, validando el uso de entradas simplificadas para una estimación rápida.

Resultos

• Capacidad Predictiva: El marco demostró con éxito que los modelos de aprendizaje automático pueden aproximar los resultados de la simulación basada en la física. Un análisis cualitativo preliminar de los 864 escenarios reveló tendencias consistentes:
  • Orientación: Los edificios orientados al sur mostraron aproximadamente un 10% menos de uso de energía anual total en comparación con sus contrapartes orientadas al norte bajo condiciones idénticas.
  • Clima: La demanda de energía predicha fue sistemáticamente mayor en el clima semiárido de Ghardaïa en comparación con el clima mediterráneo de Argel.
  • WWR: El uso de energía aumentó con mayores relaciones ventana-pared, particularmente en escenarios dominados por el enfriamiento.
• Métricas de Rendimiento: El documento señala explícitamente que, al momento de este pre-print, las métricas cuantitativas de rendimiento específicas (Error Absoluto Medio y R²) para los modelos Random Forest y XGBoost aún no están disponibles. Los autores afirman que estos valores, junto con los gráficos de importancia de características y el análisis de residuos, se informarán en una versión revisada antes de la entrega a la revista. Los resultados actuales dependen de la consistencia cualitativa de las tendencias observadas en las simulaciones base y el conjunto de datos generado.

Significancia y Reivindicaciones
El artículo sostiene que su principal significancia radica en desplazar la sostenibilidad de una medida correctiva aplicada tardíamente en el proceso de diseño a un parámetro activo y formativo disponible desde el primer boceto. Al proporcionar a los arquitectos retroalimentación de energía casi instantánea dentro de sus herramientas de modelado existentes, el marco permite decisiones informadas sobre orientación, volumetría y configuración de la envolvente mientras los cambios aún son económicos de implementar.

Los autores enfatizan que este enfoque no reemplaza la simulación detallada ni el análisis experto, sino que los complementa al filtrar alternativas de diseño de manera temprana. El estudio afirma que, para el contexto argelino, donde la retroalimentación cuantitativa sobre el rendimiento energético rara vez está disponible en la etapa conceptual, esta herramienta ofrece una vía práctica hacia una vivienda más eficiente energéticamente. La plantilla metodológica se presenta como transferible a otras regiones, siempre que los modelos sean reentrenados y validados contra datos climáticos y prácticas de construcción locales.

Limitaciones
Los autores reconocen varias restricciones:

• El estudio se limita a un único tipo de edificio (casa unifamiliar de dos plantas), lo que limita su transferibilidad directa a edificios multifamiliares o públicos.
• Los modelos están entrenados con datos de simulación en lugar de datos operativos medidos, lo que significa que la precisión está limitada por los supuestos del modelo EnergyPlus subyacente (por ejemplo, horarios de ocupación y HVAC simplificados).
• El alcance climático se restringe a dos ciudades (Argel y Ghardaïa).
• El conjunto de datos de referencia utilizado para entrenar el estimador inicial (20 casos) es relativamente escaso para la dimensionalidad del espacio de parámetros, lo que requiere una validación cuantitativa adicional y, potencialmente, una expansión del muestreo en trabajos futuros.