Aplicación de Inteligencia Artificial para el Diseño de Casas Prefabricadas PROYECTO EN CONTEXTO El problema de la escasez de viviendas se ha extendido por todo el mundo. Para el año 2050, estimamos que aproximadamente 3 mil millones de personas podrían necesitar un nuevo lugar para vivir. Más de 1,5 mil millones de personas ya tienen problemas para obtener viviendas asequibles, adecuadas y sostenibles en los próximos 4 años. En particular, más del 80% de las personas en países en desarrollo construyen sus casas sin la ayuda de arquitectos e ingenieros. Esta situación estimula nuestro interés en este proyecto. Con el fin de aumentar la sostenibilidad, la productividad y disminuir el tiempo y el costo de construcción, nos enfocamos en las casas prefabricadas. Una casa SIP (panel estructural aislado) se puede comprar en una fábrica de paneles con requisitos mínimos de diseño. Luego, los paneles se pueden ensamblar con facilidad en el sitio de construcción. Este sistema prefabricado propone una gran asequibilidad y un ambiente confortable para los habitantes. Hemos pensado en cómo digitalizar todos los datos simples de las casas y cómo la IA puede utilizar estos datos para los usuarios futuros. De hecho, según el gráfico (MC Kingsey 2017), a pesar del alto porcentaje de productividad y valores de digitalización en el campo industrial, el campo de la construcción tiene los valores más bajos en comparación con otros. Este gráfico representa bien cómo la productividad está aumentando con la digitalización. Paralelamente, observamos que muchos campos han comenzado a utilizar la IA para sus datos. En este gráfico (JGLOBAL & PATSAT), podemos notar que se han publicado un gran número de documentos en los últimos años, pero también se han desarrollado patentes relacionadas con la IA con un alto valor. OBJETIVO El objetivo de este proyecto es abordar la demanda mundial de viviendas, proporcionando una herramienta para casas prefabricadas asequibles, sostenibles y funcionales. Por lo tanto, hemos planteado una pregunta a continuación: ¿Podemos usar la IA para predecir la solución de casa simple prefabricada más adecuada para satisfacer las necesidades de los usuarios? ¿Podemos predecir una casa para comprar una casa a partir de ciertos datos de entrada de un usuario, por ejemplo, costo de construcción, tiempo y orientación de la casa? En este proyecto, utilizamos un aprendizaje supervisado con datos creados a partir de Rhino. Grasshopper. Después de muchas pruebas para entrenar el aprendizaje automático y predecir nuevas geometrías, descubrimos que solo un conjunto de datos preparados de buena calidad y cantidad podría dar como resultado (predecir) una geometría correcta que generarían una interfaz fácil para el usuario. CREACIÓN Y CODIFICACIÓN DE CONJUNTOS DE DATOS Antes de crear un conjunto de datos para el aprendizaje automático, creamos un catálogo de 46 casas compuestas por SIP (OSB de doble cara con aislamiento en el medio). Las casas varían según un tamaño de panel de 1,22 metros de ancho y 2,44 metros de alto. Los 46 planes interiores de nuestro generador de planos son precisos, funcionales y eficientes en la distribución de paneles sin perder material. Cada casa y su variación fueron analizadas y se guardaron datos para la autonomía energética y diurna para la predicción, cambiando la rotación y la posición de la casa en 360 grados cada 10 grados. Como primer conjunto de datos se creó con el archivo epw (datos ambientales) del sitio de Ile-de-France. EL CONJUNTO DE DATOS AHORA TIENE 1655 MUESTRAS Y CONTIENE 77 CARACTERÍSTICAS. TODAS FUNCIONAN TENIENDO EN CUENTA QUE LA UBICACIÓN ESTÁ EN ILE-DE-FRANCE. UNO DE LOS PRÓXIMOS PASOS DEBERÍA SER LA CREACIÓN DE CONJUNTOS DE DATOS PARA DIFERENTES CIUDADES. ANÁLISIS DE DATOS Y APRENDIZAJE AUTOMÁTICO Tenemos 1605 datos y 16 columnas. Excepto los datos de mapa de color en malla de autonomía diurna, tenemos principalmente 16 columnas. Gracias al gráfico de mapa de calor, vemos que el tiempo y el costo de construcción están altamente relacionados con otras características. La rotación no está relacionada mucho con otras características, pero puede ser necesaria para la interfaz de usuario más tarde. Análisis de PCA Después de analizar los datos, se realizó el Análisis de Componentes Principales para comprender mejor la correlación. Esta es una técnica para reducir la dimensionalidad del conjunto de datos, aumentando la interpretabilidad pero al mismo tiempo minimizando la pérdida de información. La longitud de la flecha representa cuánto esa variable explica la varianza de los datos. Un ángulo pequeño indica que la representación de las dos variables está positivamente correlacionada. Y un ángulo de 90 grados indica que no hay correlación. Un ángulo de 180 grados indica una correlación negativa. Por lo tanto, según este gráfico, los números de ventanas y los números de pared no tienen correlación. El costo exterior, la longitud Y y el consumo total de electricidad tienen una correlación negativa. Pero también, en el índice de la característica más importante en CADA componente, vemos que el tiempo y el costo de construcción están altamente correlacionados con otros componentes. Esta trama mat explica que PC1 tiene aproximadamente el 70% de la varianza, luego PC2 tiene aproximadamente el 80% y el 90% para PC4. En el mapa de calor de PCA, encontramos que PC3, que es el consumo de electricidad ligera, tiene una alta correlación con el valor de rotación. RED NEURONAL ARTIFICIAL Para el sistema de IA, la regresión lineal y la red neuronal artificial tuvieron un resultado similar. Por lo tanto, decidimos usar la arquitectura de red neuronal para el aprendizaje automático para probar con capas más complejas. En el último modelo de prueba, obtuvimos un resultado relativamente bueno con 5 capas densas de 512, 128 y 93 neuronas. Luego, para la capa densa de salida, tenemos 7 neuronas con activación lineal ya que esta es una estructura de regresión. Para compilar, se utilizó 'adam' como optimizador y '

Aplicación de Inteligencia Artificial para el Diseño de Casas Prefabricadas

Crean Aplicación de Inteligencia Artificial  capaz de resolver el diseño de casas prefabricadas en poco tiempo, ¿quieres conocer más?

El problema de la escasez de viviendas se ha extendido por todo el mundo. Para el año 2050, estimamos que aproximadamente 3 mil millones de personas podrían necesitar un nuevo lugar para vivir.

Más de 1,5 mil millones de personas ya tienen problemas para obtener viviendas asequibles, adecuadas y sostenibles en los próximos 4 años. En particular, más del 80% de las personas en países en desarrollo construyen sus casas sin la ayuda de arquitectos e ingenieros. Esta situación estimula nuestro interés en este proyecto.

Con el fin de aumentar la sostenibilidad, la productividad y disminuir el tiempo y el costo de construcción, nos enfocamos en las casas prefabricadas.

Una casa SIP (panel estructural aislado) se puede comprar en una fábrica de paneles con requisitos mínimos de diseño. Luego, los paneles se pueden ensamblar con facilidad en el sitio de construcción. Este sistema prefabricado propone una gran asequibilidad y un ambiente confortable para los habitantes.

Hemos pensado en cómo digitalizar todos los datos simples de las casas y cómo la IA puede utilizar estos datos para los usuarios futuros. De hecho, según el gráfico (MC Kingsey 2017), a pesar del alto porcentaje de productividad y valores de digitalización en el campo industrial, el campo de la construcción tiene los valores más bajos en comparación con otros. Este gráfico representa bien cómo la productividad está aumentando con la digitalización.

Paralelamente, observamos que muchos campos han comenzado a utilizar la IA para sus datos. En este gráfico (JGLOBAL & PATSAT), podemos notar que se han publicado un gran número de documentos en los últimos años, pero también se han desarrollado patentes relacionadas con la IA con un alto valor.

OBJETIVO

El objetivo de este proyecto es abordar la demanda mundial de viviendas, proporcionando una herramienta para casas prefabricadas, sostenibles y funcionales. Por lo tanto, hemos planteado una pregunta a continuación:

¿Podemos usar la IA para predecir la solución de casa simple prefabricada más adecuada para satisfacer las necesidades de los usuarios?

¿Podemos predecir una casa para comprar una casa a partir de ciertos datos de entrada de un usuario, por ejemplo, costo de construcción, tiempo y orientación de la casa?

En este proyecto, utilizamos un aprendizaje supervisado con datos creados a partir de Rhino. Grasshopper. Después de muchas pruebas para entrenar el aprendizaje automático y predecir nuevas geometrías, descubrimos que solo un conjunto de datos preparados de buena calidad y cantidad podría dar como resultado (predecir) una geometría correcta que generarían una interfaz fácil para el usuario.

Aplicación para celular para el diseño de casas prefabricadas.

Aplicación de AI para el diseño de casas prefabricadas.

Aplicación para diseño de casas prefabricadas descargar gratis

Fuente: https://www.iaacblog.com/programs/pfhgai/

 

Visited 31 times, 1 visit(s) today

You May Also Like

More From Author

2Comments

Add yours

+ Leave a Comment