Análisis: IA para Evaluar Espacios

Mientras Pallasmaa hablaba de "los ojos de la piel", la IA puede medir esa piel: distribuciones de luz, acústica, confort térmico, flujos de aire, accesibilidad.

Esta semana aprenderemos cómo integrar sensores y modelos predictivos en evaluación arquitectónica:

• Análisis de iluminación natural y artificial
• Simulación acústica y aislamiento
• Predicción de confort térmico
• Optimización de flujos y circulación
• Integración con BIM para análisis integrado

La iluminación es un factor crítico en arquitectura. Los valores medibles (lux, CRI, temperatura de color) se correlacionan con experiencias humanas (actividad, relajación, legibilidad).

Herramientas IA para análisis de iluminación:

• Radiance + DIVA: Simulación fotorrealista de iluminación natural en edificios. IA optimiza geometría de ventanas.
• IES Virtual Photometry: Modela comportamiento de fixtures específicas.
• LightLab.AI: Redes neurales predicen distribución de luz desde foto.

La acústica arquitectónica es invisible pero poderosa. Espacios reverberantes desorganizan, espacios "muertos" aíslan. La IA predice y optimiza.

Herramientas IA:

• CATT-Acoustic + ML modules: Simula campos acústicos; IA optimiza tratamientos.
• ODEON: Modelado de acústica de salas. Integración con datos geométricos de BIM.
• Redes neuronales acústicas: Predicen T60 desde geometría y materiales sin simulación.

Ejemplo: Auditorio de conciertos moderno. IA analiza geometría del techo, materiales de asientos, parede s revestidas. Predice que zona de balcón tendrá "flutter echo" (eco modulado). Recomendación: difusores curvos en techo. Validación: test acústico confirma mejora de 8 dB.

El confort térmico no es solo temperatura: es radiación de muros, humedad, velocidad del aire. La IA integra múltiples sensores para predicción de PMV (Predicted Mean Vote).

Herramientas IA para térmica:

• EnergyPlus + Reinforcement Learning: Optimiza sistemas HVAC en tiempo real.
• Modelos de aprendizaje profundo: Predicen PMV desde sensores multisensoriales.
• CFD (Dinámica de Fluidos Computacional) + IA: Surrogates neuronales aceleran simulaciones 1000x.

Caso: Espacio de trabajo open-plan. Sensores distribuidos + modelo predictivo detectan que zona este (insolación tarde) alcanza PMV +2.5 en verano. IA recomienda: persianas dinámicas activas, mejor circulación de aire. Implementación: automatización mejora ocupación percibida en 30%.

Ajusta los parámetros de un espacio y observa cómo cambian iluminación, acústica y confort térmico. Este simulador simplificado muestra las interdependencias de variables ambientales.

• International Organization for Standardization (ISO). (2005). ISO 7730: Ergonomics of the thermal environment. — Estándar internacional para PMV, PPD y confort térmico.
• Fanger, P. O. (1970). Thermal Comfort: Analysis and Applications in Environmental Engineering. Danish Technical Press. — Obra clásica fundacional de PMV.
• Ashrae, A. (2010). ASHRAE Handbook—Fundamentals. SI Edition. — Parámetros y recomendaciones de iluminación, acústica, térmica.
• Arenas, J. P. (2018). "Artificial Neural Networks for Noise and Vibration Prediction" en Acoustical Society of America. — Aplicación de redes neuronales a predicción acústica.
• Fonseca-Rojas, X., Mata, D., & Jiménez, F. (2020). "Machine Learning models for thermal comfort prediction" en Energy and Buildings. — ML aplicado a confort térmico.