Diseño estructural de muros y columnas de hormigón armado mediante la implementación de redes neuronales artificiales

Abstract

La etapa de diseño, para proyectos constructivos de edificaciones habitacionales de hormigón armado, requiere de una constante interacción entre las oficinas de arquitectura y las de cálculo con el fin de mejorar la distribución de espacios habitables cumpliendo con los requerimientos estructurales normativos. Varios estudios aprovechan la amplia cantidad de datos generados por el traspaso de información entre ambas oficinas para crear modelos de aprendizaje automático, que permiten agilizar los procesos de diseño y la toma de decisiones. Una reciente investigación, propone un modelo basado en redes neuronales artificiales (ANN) capaz de predecir el largo y espesor de los rectángulos que forman los muros en el plano de arquitectura para el plano final de ingeniería. La limitación del modelo, es que no predice muros que no fueron considerados dentro del diseño arquitectónico inicial. Se resolvió el problema, creando un modelo basado en redes neuronales convolucionales (CNN), sin embargo, para que las predicciones de muros obtuvieran resultados aceptables, se requería una base de datos 137 veces más grande que la del primer modelo y varios filtros para el ensamblaje de los resultados gráficos finales que generaban un gran costo computacional y entregaba una imagen borrosa de la predicción. En consecuencia a lo anterior, esta tesis plantea una nueva metodología para proponer muros y columnas que no fueron considerados en el diseño arquitectónico, pero necesarios para la configuración estructural, a través de un modelo ANN. La primera etapa de este estudio consistió en crear una base de datos a partir de los planos de arquitectura e ingeniería de 165 edificios construidos en Chile, mediante una función Mapeo, capaz de crear vecindades dentro los planos y extraer características geométricas y topológicas de los muros dentro de ellas. Como segunda etapa, se entrenó un modelo ANN para la predicción de los segmentos de muros no considerados en arquitectura, haciendo uso de un vector de características que plantea la necesidad de muros según la relación entre las vecindades creada de los planos de arquitectura e ingeniería para condiciones como el espesor, la conectividad entre muros, la distancia entre elementos, zona sísmica, tipo de suelo de fundación, y otros parámetros de ingeniería, logrando resultados destacados en cuanto al coeficiente de determinación (R2) de 0,954 para el largo, 0.93 para el espesor, 0.94 para el ángulo y 0.967 para su posición (x, y). La tercera etapa, consta de un análisis de normalización entre las predicciones y los rectángulos reales de ingeniería que no fueron considerados por arquitectura, obteniendo que el 80% de los pisos, mantiene una relación de área de más menos un metro cuadrado. Finalmente, con un plano de arquitectura, este modelo puede proponer distintas soluciones a la necesidad de muros nuevos para el plano estructural, logrando reducir la cantidad de datos usados para el entrenamiento y la validación a un 8% en comparación al modelo que utiliza CNN y la solución gráfica se logra de una manera más eficiente y con valores fijos para las dimensiones de rectángulos predichos.