Explainable Artificial Intelligence Framework for Predicting Construction Waste and Embodied Carbon in Building Projects Using Literature Calibrated Simulation
Este estudio presenta un marco de inteligencia artificial explicable que utiliza una simulación calibrada mediante literatura de 1.200 arquetipos de edificios para predecir con precisión los residuos de construcción y la intensidad de carbono embebido a través de algoritmos de regresión avanzados y análisis de características basado en SHAP, demostrando cómo la integración de datos de materiales mejora la precisión predictiva para el soporte de decisiones en etapas tempranas.
Artículo original bajo licencia CC BY 4.0 (https://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
Cada vez que un edificio se alza desde el suelo, deja un rastro de dos huellas distintas pero profundamente conectadas. Una es la pila de ladrillos sobrantes, tubos cortados y embalajes que terminan en un vertedero; la otra es la nube invisible de gases de efecto invernadero liberados para fabricar el acero, el hormigón y el vidrio que forman las paredes. Durante décadas, ingenieros y arquitectos han tratado estos dos resultados como problemas separados. Pueden calcular cuánta basura generará un proyecto mientras utilizan un conjunto de herramientas completamente distinto para estimar sus emisiones de carbono. Sin embargo, las decisiones que crean residuos —pedir demasiado material, realizar cortes deficientes o cambiar el diseño a última hora— son las mismas decisiones que determinan cuánta contaminación queda bloqueada en la estructura. Para construir verdaderamente para el futuro, la industria necesita una forma de ver ambas huellas al mismo tiempo, desde los primeros bocetos, antes de que la primera pala toque la tierra.
Un equipo de investigadores de la India ha desarrollado una nueva forma de hacer exactamente eso. Crearon un marco digital que utiliza inteligencia artificial para predecir simultáneamente tanto los residuos de construcción como las emisiones de carbono de los materiales de un edificio. El desafío al que se enfrentaron fue la falta de datos del mundo real. En la realidad desordenada de las obras de construcción, los registros de la cantidad exacta de residuos generados y el coste de carbono preciso de cada uno de los materiales rara vez se mantienen de una forma que pueda compararse fácilmente. Debido a que no existía ninguna base de datos pública con esta información específica y alineada, los investigadores no intentaron suponer ni fabricar registros. En su lugar, construyeron una simulación computarizada transparente. Crearon 1.200 proyectos de edificios virtuales, que iban desde pequeñas oficinas hasta grandes hospitales, y les asignaron características realistas como sistemas estructurales, zonas climáticas y métodos de construcción. Para cada proyecto virtual, utilizaron fórmulas científicas establecidas para calcular exactamente cuánto residuo y carbono se producirían, creando una "verdad fundamental" perfecta contra la cual podrían probar sus predicciones.
Los investigadores entrenaron seis tipos diferentes de algoritmos de aprendizaje automático para observar los detalles básicos de un proyecto —como su tamaño, el número de plantas, el tipo de estructura y el clima local— y adivinar los resultados de residuos y carbono. Probaron estos algoritmos en dos escenarios diferentes. En el primer escenario, la computadora solo conocía los detalles del diseño inicial, similares a lo que un cliente sabe cuando contrata por primera vez a un arquitecto. En el segundo escenario, la computadora contaba con el beneficio adicional de conocer las cantidades específicas de materiales, como el peso exacto de acero o concreto requerido. Los resultados mostraron que, incluso con solo los detalles del diseño inicial, la inteligencia artificial podía realizar predicciones sorprendentemente precisas. Para los residuos de construcción, el mejor modelo pudo predecir la cantidad de basura con un margen de error inferior al 12 por ciento. Sin embargo, predecir las emisiones de carbono era más difícil sin conocer las cantidades de material específicas. Cuando la computadora recibió la información adicional sobre las cantidades de material, su capacidad para predecir las emisiones de carbono mejoró drásticamente, reduciendo la tasa de error a la mitad.
Lo que hace que este trabajo sea particularmente valioso es que los investigadores no se limitaron a construir una "caja negra" que arroja un número. Equiparon su sistema con una función que explica por qué realizó una predicción específica. Al analizar los datos, el sistema identificó los factores más importantes detrás de las cifras de residuos y carbono. Descubrieron que el tipo de sistema estructural —ya sea que el edificio esté hecho de hormigón armado, acero o madera— era el factor determinante más importante. El número de plantas, la cantidad de material reciclado utilizado y la relación entre ventanas y superficie de pared también desempeñaron papeles importantes. Por ejemplo, la simulación confirmó que el uso de más piezas prefabricadas, que se fabrican en fábricas controladas, generalmente conduce a menos residuos en la obra de construcción. Estas explicaciones permiten a los arquitectos e ingenieros comprender las palancas que pueden accionar. Pueden ver que elegir un sistema estructural diferente o aumentar el uso de contenido reciclado cambiará directamente los resultados predichos.
El estudio también reveló un matiz crucial sobre cómo deben utilizarse estas herramientas. Los investigadores descubrieron que los algoritmos más complejos y potentes no siempre eran la mejor opción. Para predecir las emisiones de carbono, un modelo matemático más simple y directo funcionó igual de bien que los complejos una vez que se conocían las cantidades de material. Esto sugiere que, en el mundo real, la mejor herramienta depende de la información disponible. Si un equipo se encuentra en las etapas muy iniciales del diseño, un modelo sofisticado que pueda encontrar patrones ocultos en los detalles generales del proyecto es útil. Pero una vez que se conocen las cantidades de material, un modelo más simple y transparente puede ser igual de preciso y más fácil de confiar. Los investigadores enfatizan que sus resultados se basan en una simulación controlada, no en una ciudad o mercado específico del mundo real, por lo que las cifras exactas no deben tomarse como una garantía para cada edificio futuro. Sin embargo, el marco en sí demuestra que es posible combinar la predicción de residuos y carbono en un único sistema explicable. Este enfoque ofrece un camino hacia adelante para que la industria de la construcción tome decisiones más inteligentes y sostenibles en una etapa más temprana del proceso, asegurando que los edificios del mañana no solo sean eficientes, sino también más limpios y menos contaminantes desde la primera línea trazada en un plano.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.