⚡ ingeniería eléctrica

Integrating agent-based modeling and dynamic lca: an environmental impact simulation and optimization model for dormitory buildings

Este estudio propone un marco integrado de modelado basado en agentes y evaluación del ciclo de vida dinámica para edificios de dormitorios que simula interacciones dinámicas complejas para cuantificar las desviaciones de la evaluación y guiar eficazmente las estrategias de optimización, resultando en una reducción del 5,8% en los impactos ambientales acumulados.

Autores originales: Shu Su, Qiyue Guo, Yujie Ding, Aoxue Han, Jiahui Feng, Mingxing Zheng

Publicado 2026-10-23

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Shu Su, Qiyue Guo, Yujie Ding, Aoxue Han, Jiahui Feng, Mingxing Zheng

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

Los edificios son más que simples estructuras de hormigón y vidrio; son sistemas vivos donde el clima exterior, las máquinas en su interior y las personas que transitan por los pasillos se influyen constantemente entre sí. Durante décadas, los expertos han intentado medir el coste ambiental de estas estructuras mediante un método llamado evaluación del ciclo de vida. Piense en esto como una auditoría exhaustiva que rastrea cada onza de contaminación que crea un edificio, desde el momento en que se extraen sus materiales hasta el día en que se demuele. Tradicionalmente, estas auditorías han sido instantáneas estáticas, que toman un único año promedio y calculan el impacto basándose en supuestos fijos. Sin embargo, el mundo real rara vez es estático. La temperatura cambia hora tras hora, los electrodomésticos envejecen y se vuelven menos eficientes, y las personas que viven dentro cambian sus hábitos dependiendo del día de la semana o de su estado de ánimo. Cuando los investigadores ignoran estas dinámicas cambiantes y la forma en que interactúan entre sí, sus cálculos pueden alejarse mucho de la realidad, dando lugar a estrategias de gestión que no dan en el blanco.

Para cerrar esta brecha, un equipo de investigadores de la Universidad del Sudeste, la Universidad de Wisconsin–Madison y la Universidad de Tecnología de Dalian ha desarrollado una nueva forma de simular la vida de un edificio. Combinaron dos herramientas poderosas: un método que rastrea cómo se comportan las personas y los objetos individuales a lo largo del tiempo, y la auditoría ambiental mencionada anteriormente. Al fusionar estos enfoques, crearon un modelo que no solo observa a un edificio de forma aislada, sino que observa cómo el clima, el equipo del edificio y los estudiantes en su interior reaccionan entre sí en tiempo real. Probaron este sistema en edificios de dormitorios de posgrado en Nanjing, China, un entorno elegido porque estos espacios de vida de alta densidad consumen mucha energía y ofrecen una visión clara de cómo el comportamiento humano impulsa el impacto ambiental.

Los investigadores construyeron un gemelo digital del sistema de dormitorios donde interactúan tres tipos de agentes virtuales. Primero, está el agente climático, que introduce datos de temperatura por hora para ver cómo el clima empuja a los estudiantes a encender calentadores o aires acondicionados. Segundo, está el agente del dormitorio, que representa las habitaciones físicas y sus electrodomésticos que envejecen, los cuales se vuelven menos eficientes y consumen más energía a medida que envejecen. Tercero, y quizás lo más importante, es el agente estudiante. Estos estudiantes virtuales tienen horarios, hábitos y un nivel de "conciencia ecológica" que dicta con qué cuidado utilizan la electricidad. El modelo simula cómo un estudiante podría decidir apagar una luz, cómo un grupo de compañeros de cuarto podría influirse mutuamente en su uso de la energía, y cómo estas pequeñas decisiones repercuten en la huella ambiental total del edificio. Crucialmente, el modelo incluye un bucle de retroalimentación. No solo calcula el daño; permite que un administrador virtual pruebe estrategias de gestión, vea los resultados y ajuste el plan en consecuencia, creando un ciclo continuo de evaluación y mejora.

Cuando el equipo ejecutó sus simulaciones, descubrió que tratar los factores dinámicos como variables separadas e independientes conduce a errores significativos. Si solo se observa cómo cambia la temperatura, o solo cómo se comportan los estudiantes, sin ver cómo se afectan entre sí, su evaluación puede tener un error de hasta 226.000 unidades de impacto ambiental. El modelo reveló que los mayores impactos ambientales no siempre ocurrían cuando el clima era más cálido o más frío. En cambio, los picos ocurrieron cuando el clima extremo coincidió con una alta ocupación, como al inicio del año escolar, mientras que los impactos cayeron drásticamente durante las vacaciones cuando los estudiantes dejaban el campus, incluso si el clima seguía siendo extremo. Esto confirmó que la interacción entre las personas y el medio ambiente es el verdadero motor del uso de la energía, no solo el clima por sí solo.

El estudio probó entonces dos estrategias específicas para ver si podían reducir estos impactos. La primera fue una campaña para mejorar la conciencia ecológica de los estudiantes mediante la educación y las competiciones. La segunda fue un cambio logístico: reorganizar la asignación de los dormitorios para que los estudiantes del mismo año académico vivieran juntos, en lugar de mezclar a estudiantes de primer año y de último año en las mismas habitaciones. Los resultados mostraron que ambas estrategias funcionaron, pero de formas diferentes. Mejorar la conciencia ecológica redujo el impacto ambiental total en aproximadamente un 2,7 por ciento, creando una mejora constante y uniforme en todos los edificios. La reorganización de los dormitorios fue aún más efectiva, recortando el impacto acumulado en más de un 5 por ciento. Esto se debió a que los estudiantes del mismo grado tendían a tener horarios similares, lo que significaba que encendían y apagaban luces y ordenadores al mismo tiempo, reduciendo las horas que el equipo compartido tenía que funcionar innecesariamente.

Quizás el hallazgo más revelador fue que el punto de partida del sistema importa inmensamente. Los investigadores descubrieron que si los estudiantes ya tienen una alta conciencia ecológica, la estrategia de reorganización de habitaciones sigue proporcionando un impulso significativo, demostrando que la buena gestión siempre es necesaria independientemente de qué tan "verdes" sean los ocupantes. Por el contrario, si las condiciones iniciales son deficientes, el potencial de mejora es mayor, pero el resultado final depende de la rapidez con la que se puedan cambiar esas condiciones. El estudio también destacó que ignorar el envejecimiento del equipo conduce a una subestimación del uso futuro de la energía, ya que las máquinas más viejas requieren más potencia para realizar el mismo trabajo. Al integrar estos factores en una única simulación en bucle, los investigadores demostraron que la gestión ambiental no es un cálculo de una sola vez, sino un proceso dinámico. Su trabajo sugiere que para reducir verdaderamente la carga ambiental de los edificios, debemos dejar de mirar el clima, las máquinas y las personas como listas separadas y empezar a entenderlos como un único sistema interactivo que puede ser guiado hacia un futuro mejor.

Resumen Técnico: Integración de la Modelación Basada en Agentes y el ACV Dinámico para Edificios de Dormitorios

Planteamiento del Problema
El Análisis de Ciclo de Vida Dinámico (ACV D) tradicional para edificios suele pasar por alto las complejas interacciones dependientes del tiempo entre factores dinámicos, tales como el clima externo, la degradación de los sistemas del edificio y el comportamiento de los ocupantes. La mayoría de los estudios de ACV D existentes introducen estos factores de forma independiente, fallando al capturar sus efectos sinérgicos o antagónicos sobre los impactos ambientales. Además, las aplicaciones actuales de ACV D son predominantemente herramientas de evaluación unidireccionales; analizan tendencias temporales, pero rara vez integran estrategias de optimización dentro del proceso de evaluación para proporcionar una gestión proactiva basada en la retroalimentación en tiempo real. Esta limitación restringe la utilidad del ACV D como una herramienta de apoyo a la decisión para la gestión sostenible de edificios.

Metodología
Para abordar estas brechas, los autores desarrollaron un marco integrado de Modelación Basada en Agentes (ABM) y ACV D, aplicado a un estudio de caso de edificios de dormitorios de posgrado en Nanjing, China. El modelo opera a través de tres módulos interconectados:

Módulo 1: Simulación de Energía (ABM): Este módulo simula las interacciones dinámicas entre tres agentes autónomos:
- Agente de Clima: Utiliza datos de temperatura horaria (conjunto de datos ERA5) para influir en las condiciones térmicas interiores.
- Agente de Habitación de Dormitorio: Representa las características físicas del edificio y los dispositivos de consumo energético (aires acondicionados, luces, computadoras). Incorpora un coeficiente de envejecimiento donde la demanda de potencia de los electrodomésticos aumenta linealmente un 3% anual.
- Agente Estudiante: Modela los comportamientos de los ocupantes basados en datos de encuestas, incluyendo horarios diarios, tolerancia térmica, hábitos de uso de computadoras y "conciencia ecológica". La conciencia ecológica del estudiante se trata como un parámetro dinámico que puede evolucionar mediante la influencia de pares o intervenciones de gestión.
  La simulación se ejecuta con un paso de tiempo horario para calcular el consumo de energía acumulado basado en las interacciones de estos agentes.
Módulo 2: Evaluación de Impacto Ambiental Dinámico (ACV D): Este módulo convierte los datos de energía dinámica del Módulo 1 en impactos ambientales. Integra datos de inventario de fondo dinámicos (mezcla eléctrica), factores de caracterización (para calentamiento global, acidificación, eutrofización y partículas suspendidas) y factores de ponderación dinámicos. Estos elementos están integrados como agentes dentro de la plataforma ABM para automatizar el cálculo de los impactos ambientales temporales.
Módulo 3: Gestión y Optimización: Un "Agente Administrador" establece un bucle de retroalimentación bidireccional. Evalúa los impactos ambientales anuales e implementa dos estrategias de optimización:
- Mejora de la Conciencia Ecológica: Organizar actividades educativas para aumentar la proporción de estudiantes con alta conciencia ecológica.
- Optimización de la Asignación de Dormitorios: Reasignar estudiantes para minimizar la vivienda de grados mixtos, alineando así los horarios y reduciendo las horas de funcionamiento de los equipos compartidos.
  El administrador ajusta los comportos de los agentes basándose en los resultados de la evaluación, creando un sistema de ciclo cerrado para la optimización iterativa.

Resultados Clave
El modelo fue validado frente a los datos reales de consumo mensual de electricidad del estudio de caso, logrando un $R^2$ de 0.95. La simulación arrojó los siguientes hallazgos:

Impacto de las Interacciones: Ignorar las interacciones entre factores dinámicos conduce a desviaciones significativas en la evaluación. El estudio cuantificó que omitir estas interacciones podría resultar en errores de hasta $2.26 \times 10^5$ unidades. Los escenarios dinámicos de factores múltiples produjeron resultados no lineales que no fueron simplemente la suma de los efectos de un solo factor.
Efectividad de la Optimización: Las estrategias de optimización propuestas redujeron los impactos ambientales acumulados en un 5.8% durante el período de estudio de tres años.
- La estrategia de Conciencia Ecológica por sí sola redujo los impactos en un 2.69%, mostrando una reducción espacial uniforme.
- La estrategia de Asignación de Dormitorios redujo los impactos en un 5.15%, con una heterogeneidad espacial significativa (por ejemplo, los Edificios 7, 8 y 9 experimentaron reducciones >30%).
Condiciones Iniciales: La efectividad de la optimización depende del escenario. Niveles iniciales más altos de conciencia ecológica o una mayor proporción inicial de dormitorios de mismo grado resultaron en impactos base menores, pero las estrategias de optimización siguieron siendo efectivas para reducir aún más los impactos incluso en estados iniciales favorables.

Significancia y Contribuciones
El artículo reclama dos contribuciones primarias al campo de la gestión ambiental de edificios:

Integración Sistemática de Factores Dinámicos: Al modelar las interacciones entre el clima, los sistemas del edificio y los ocupantes dentro de un único marco de ABM, el estudio demuestra que una perspectiva holística es esencial para una evaluación precisa. Prueba que los análisis dinámicos de un solo factor pueden conducir a resultados sesgados, mientras que el enfoque integrado captura la realidad no lineal de las operaciones de los edificios.
Integración Profunda de ABM y ACV D para la Gestión Proactiva: El estudio va más allá de usar el ACV como una herramienta de evaluación retrospectiva. Al integrar los parámetros de ACV directamente en el ABM y crear un bucle de retroalimentación donde los resultados de la evaluación guían los ajustes en el comportamiento de los agentes, el modelo transforma el ACV D en un marco de apoyo a la decisión proactivo. Esto permite la cuantificación de las estrategias de optimización en tiempo real y respalda una gestión ambiental continua y basada en datos.

Los autores concluyen que este modelo integrado mejora la confiabilidad de las evaluaciones ambientales y permite la guía oportuna de las estrategias de optimización, ofreciendo una referencia robusta para las políticas de gestión sostenible de edificios.

Más como este