La optimización del diseño arquitectónico (ADO) es un subcampo de la ingeniería que utiliza métodos de optimización para estudiar, ayudar y resolver problemas de diseño arquitectónico, como el diseño óptimo de la distribución de los planos de planta, las rutas de circulación óptimas entre las habitaciones, la sostenibilidad y similares. La ADO se puede lograr a través de la modernización o se puede incorporar dentro de la construcción inicial de un edificio. Los métodos de ADO pueden incluir el uso de metaheurísticas , búsqueda directa u optimización basada en modelos. [1] También podría ser un proceso más rudimentario que implique la identificación de un problema percibido o existente con el diseño de un edificio en la fase de diseño conceptual . [2]
Los orígenes de los métodos digitales basados en ADO se pueden atribuir a los primeros días del diseño asistido por computadora (CAD), un tipo de software que permitía a los arquitectos crear, modificar y optimizar sus borradores libremente dentro de un entorno digital. [3] Aunque CAD se inventó a principios de la década de 1960, con Sketchpad de Ivan Sutherland , sus aplicaciones predominaron en las industrias aeroespacial y automotriz. [4] Fue solo hasta la década de 1970 que comenzó a ser de uso novedoso para los arquitectos, y solo en la década de 1990 se generalizó dentro de la industria. [4] Desde entonces, programas como AutoCAD , Rhinoceros y Revit han ayudado a los arquitectos en la creación de diseños más precisos y optimizados de manera más extensa al confiar en la potencia computacional para determinar variables eficientes en áreas de iluminación natural, consumo de energía, circulación y similares. [5] Este proceso se ha visto significativamente ayudado por la integración de simulaciones de caja negra como algoritmos genéticos , que aumentan en gran medida la eficacia de ADO cuando se usa junto con software CAD. [2] Algunos programas CAD han comenzado a implementar algoritmos de simulación de forma nativa dentro de sus programas. [1] Grasshopper , un entorno de programación virtual dentro de Rhinoceros 3D, utiliza Galapagos como un GA integrado. [1]
Los algoritmos genéticos (AG) son la forma más popular de simulación de caja negra metaheurística utilizada en el cumplimiento de ADO complejos. [6] Los AG emulan el proceso de evolución biológica al participar en un proceso recursivo de selección o eliminación basado en un criterio de "aptitud". [7] La aptitud está determinada por la eficacia o ineficacia de una solución para resolver un problema de diseño dado, como el ángulo óptimo de las ventanas para lograr la iluminación natural, la circulación, etc. [8] Lo que diferencia a los AG de las simulaciones de método de gradiente más rudimentarias es su capacidad de buscar una solución a partir de una población de soluciones potenciales. [9] Este enfoque multidireccional explica la naturaleza a menudo no lineal de los problemas de diseño arquitectónico al permitir que se incorporen variables complejas de múltiples áreas diferentes al proceso de optimización. [10] Las características aleatorias y no lineales de los AG significan que son capaces de ofrecer soluciones a problemas de diseño que son, a veces, más inventivas y poco convencionales que sus contrapartes basadas en búsquedas. [11] Debido a la complejidad de las simulaciones de AG, su ejecución lleva un tiempo comparativamente más largo que otros métodos. [12] Esto puede ser una implicación importante para los proyectos que operan bajo restricciones de tiempo. [13] [14] Un estudio publicado en 2015 indicó que las variaciones en los métodos tradicionales de AG podrían reducir efectivamente el tiempo de procesamiento de las simulaciones. [12] Estos incluían métodos de simulación fuera de línea y de divide y vencerás, que utilizan el conocimiento del dominio arquitectónico para simplificar parámetros en áreas de iluminación natural y distancia de viaje. [15] Esto se propuso como una forma de aumentar la accesibilidad de AG para los arquitectos. [15]
La optimización basada en modelos, a diferencia de los métodos metaheurísticos y de búsqueda directa, utiliza un modelo sustituto para refinar y optimizar iterativamente la arquitectura. [16] El modelo sustituto es una representación explícita de procesos matemáticos implícitos, como las estadísticas o el aprendizaje automático . [17] Debido a que este método construye un modelo sustituto basado en una aproximación de las simulaciones subyacentes, puede ser más rápido de procesar que los métodos alternativos de optimización de caja negra. [18] La eficacia del modelo sustituto está determinada por la precisión del modelo matemático. [18] Por esta razón, algunas de las características de ahorro de tiempo de la optimización basada en modelos podrían invalidarse por cualquier tiempo adicional dedicado a mejorar las funciones matemáticas que regulan el modelo sustituto. [17] La optimización basada en modelos es ventajosa ya que permite a los arquitectos articular visualmente los problemas y soluciones de diseño en tiempo real dentro de interfaces de diseño como Grasshopper, Rhinoceros 3D, Dynamo BIM y GenerativeComponents . [19]
Los métodos de optimización de búsqueda directa funcionan seleccionando parámetros en una secuencia determinista , de un punto al siguiente sucesivamente hasta que se alcanza un óptimo global. [20] No es un método tan ubicuo como los algoritmos genéticos en ADO, pero la investigación sugiere que supera las simulaciones metaheurísticas como GA cuando se mide la mejora lograda a través de cada evaluación. [21] Hay dos tipos de optimización de búsqueda directa, búsqueda directa local y búsqueda directa global. [11] La búsqueda directa local de un solo objetivo es una de las técnicas de optimización más antiguas y rudimentarias, pero todavía se utiliza en ADO contemporáneo. [22] La búsqueda directa global de múltiples objetivos generalmente se considera más efectiva para resolver problemas complejos de diseño arquitectónico. [23]
Este método no se basa en la optimización computacional, sino que requiere que el arquitecto localice áreas de optimización a través de la resolución creativa de problemas . [24] Este método está limitado en su dependencia del rendimiento individual y no es probable que produzca la optimización más efectiva por sí solo. [25] Podría usarse junto con simulaciones de optimización cuando los resultados de la simulación están en desacuerdo con los requisitos estéticos y es necesario llegar a un compromiso. [26] También podría ser necesario cuando el conocimiento del dominio arquitectónico es desconocido para el algoritmo y el diseñador debe ajustar manualmente los parámetros para simplificar las variables dentro de la simulación. [15]
La optimización basada en el rendimiento y la optimización impulsada por el rendimiento están estrechamente relacionadas entre sí, pero varían en la forma en que logran ADO. [27] La última se ocupa principalmente del uso de simulaciones computacionales para optimizar en función de un conjunto de criterios de rendimiento, completando iteraciones independientemente del diseñador. [28] [19] La optimización basada en el rendimiento depende más de la entrada del diseñador para completar iteraciones. [28] Por ejemplo, un diseñador identificará un aspecto del rendimiento de un edificio que desea optimizar en la fase de diseño conceptual e interpretará los resultados de simulaciones localizadas para completar iteraciones manualmente. [28] Esto generalmente es menos efectivo, pero también requiere menos tiempo, lo que lo convierte en una opción atractiva para proyectos que operan con limitaciones de tiempo. [28] Ciertos aspectos del rendimiento de un edificio que no son fácilmente cuantificables, como el rendimiento estético y cultural, pueden requerir métodos alternativos de optimización. [29]
Una posible aplicación de ADO es la reducción del consumo de energía y el impacto ambiental de un edificio . Esto se puede lograr mediante la optimización de la envoltura o fachada de un edificio para garantizar propiedades térmicas ideales, lo que podría reducir posteriormente la necesidad de sistemas de refrigeración y calefacción. [30] Otros aspectos de la forma de un edificio, como el techado, se pueden optimizar para fuentes de energía renovables . [31] ADO también podría ayudar en la selección de materiales que mantengan las cualidades estéticas y estructurales, al mismo tiempo que sean sostenibles y de bajo impacto ambiental para el área circundante. [32] La investigación ha demostrado que ADO se puede utilizar junto con Building Information Modelling (BMI) para garantizar la construcción sostenible de la arquitectura. [33] Esto a menudo implica una colaboración multidisciplinaria entre arquitectos, ingenieros estructurales y mecánicos y consultores. [34] Los métodos basados en modelos de ADO se pueden incorporar con BIM para estimar el "consumo de energía, el análisis de costos y los costos del ciclo de vida" y establecer la sostenibilidad general de los edificios en relación con cada uno de estos criterios. [34] El análisis del ciclo de vida en particular puede permitir a las partes interesadas observar el impacto de la construcción de un edificio y tomar decisiones previsoras respecto de su sostenibilidad. [34]
ADO también se puede aplicar para garantizar una iluminación natural suficiente dentro de un edificio. Las simulaciones de caja negra pueden ayudar a determinar la ubicación óptima de las ventanas, así como su tamaño, en relación con la situación del edificio para maximizar la iluminación natural. [35] De manera similar, pueden determinar un plano de planta que maximice la iluminación natural desde el exterior del edificio, al mismo tiempo que minimiza la obstrucción de la luz de las habitaciones interiores. [36] Los modelos sustitutos, como los utilizados en la optimización basada en modelos, han demostrado ser eficaces para optimizar la iluminación natural mediante la medición de la iluminancia natural útil (UDI). [16] La UDI mide la iluminancia natural dentro de un edificio en función de lo que es más "útil" para quienes habitan el espacio. [16] Un estudio que midió el éxito de la UDI óptima en el edificio de la Iglesia New Jurong comparó la optimización de la UDI utilizando tanto GA como simulaciones basadas en modelos dentro de Grasshopper. [37] Se encontró que RBFOpt, una simulación basada en modelos, produjo un valor objetivo de 0,78 mientras que Galapagos, un GA nativo de Grasshopper, produjo un valor de 0,05. [38] La investigación también ha indicado una combinación de GA y modelado paramétrico como un método eficaz para optimizar la iluminancia de la luz natural. [39] El confort visual (deslumbramiento) y el confort térmico son otras aplicaciones potenciales de ADO para la iluminación natural. [40]
La ADO puede ayudar a promover la ventilación natural y artificial en el diseño de un edificio. Esto puede implicar establecer las propiedades del viento en el exterior de un edificio para determinar el método más eficiente de ventilación natural. [41] En áreas donde la ventilación natural no se puede optimizar lo suficiente, como en la subestructura de un edificio , la ADO puede ayudar a desarrollar un sistema de ventilación interna que distribuya el aire de manera eficiente. [42] La optimización de los sistemas HVAC también puede permitir una reducción en las emisiones de CO 2 , lo que puede aumentar la sostenibilidad de un edificio. [43] Las simulaciones multiobjetivo han demostrado ser capaces de lograr esto al optimizar el aislamiento y la "hermeticidad" de un edificio para reducir las temperaturas ambiente y el sobrecalentamiento. [44] Los algoritmos evolutivos como GA son particularmente efectivos para optimizar HVAC debido a su naturaleza multidireccional, que tiene en cuenta las interacciones que ocurren entre cada sistema y otras variables, como los efectos del clima . [45]
ADO podría emplearse para reducir el tiempo de viaje entre áreas internas de un edificio a través de la optimización de su diseño en planta. [46] Las rutas de circulación ideales dentro de un edificio también se pueden lograr a través de la ubicación considerada de escaleras, ascensores y escaleras mecánicas en relación con los servicios de uso frecuente. [47] Este tipo de optimización se ocupa principalmente de la configuración espacial de un edificio, abarcando cosas como "empaquetado de componentes, planificación de rutas, diseño de procesos e instalaciones, diseño VLSI y diseño arquitectónico". [47] La optimización de estas áreas se puede desglosar aún más en los binarios de topología y geometría. [48] La topología explora la relación entre las estructuras en el diseño de un edificio, mientras que la geometría se ocupa más de la ubicación y las dimensiones de cada estructura. [48] La investigación realizada en 2002 mostró que la optimización de la geometría utilizando métodos basados en gradientes arrojó resultados exitosos, mientras que la optimización de la topología fue limitada debido a la complejidad adicional de los parámetros. [49] Estudios más recientes han demostrado que la simulación basada en modelos que utiliza modelado paramétrico es eficaz para optimizar la topología de elementos estructurales fuera del diseño de disposición, como el diseño de estructuras de celosía. [50]
Las cualidades acústicas de un edificio se pueden optimizar para proporcionar un volumen adecuado, así como dirigir el sonido hacia áreas específicas. [51] [27] El Centro Cultural Strait en Fuzhou, China, utilizó ADO para optimizar la curvatura de las estructuras de paredes y techos para facilitar la eficiencia acústica. [52] Esto se logró mediante la creación de un modelo iterativo que optimizó en función de la cobertura de reflexión y, al mismo tiempo, redujo el ruido acústico no deseado resultante de la forma de la geometría. [53] Norman Foster y Arup utilizaron ADO de manera similar en su diseño del Greater London Assembly Building, evaluando el rendimiento acústico a través de simulaciones basadas en modelos. [28]
Debido a la naturaleza compleja, lenta, computacionalmente exigente y a veces restrictiva de las simulaciones de caja negra, ha habido cierto debate sobre si estos métodos son prohibitivos en su uso práctico y cotidiano para los arquitectos. [54] Las firmas de arquitectura han dudado en el pasado en emplear simulaciones debido a una "falta de presión/apreciación del cliente, alto costo de adquisición de software y habilidades insuficientes de personal/capacitación debido a curvas de aprendizaje pronunciadas", así como la ausencia de interfaces fáciles de usar. [55] En una encuesta realizada en 2015, el 93% de los arquitectos indicaron que les gustaría comprender mejor los principios computacionales que sustentan las simulaciones de optimización. [56] Otra investigación destinada a abordar este mismo problema concluyó que los arquitectos deberían recibir educación sobre la naturaleza de las simulaciones de caja negra y deberían poder interactuar fácilmente con ellas a través de un programa intuitivo que evite la necesidad de cualquier habilidad de programación. [57] La mayoría de los arquitectos encuestados también indicaron una preferencia por las simulaciones multiobjetivo globales en lugar de las simulaciones locales de un solo objetivo. [58] Las simulaciones multiobjetivo, como las que emplean AG, resuelven este problema, pero exigen una potencia computacional y un tiempo significativos. [12] Se han llevado a cabo investigaciones para encontrar una alternativa viable a AG que agote menos recursos y sea más accesible para los arquitectos. [12] [36]
{{cite book}}: CS1 maint: falta la ubicación del editor ( enlace ) CS1 maint: otros ( enlace ){{cite journal}}: CS1 maint: varios nombres: lista de autores ( enlace )