Análisis energético con redes neuronales

Contenido

1. Módulo 1

   3 temas

   Fundamentos de redes neuronales aplicadas

   Establecimiento de las bases técnicas y la viabilidad económica del uso de IA predictiva en el flujo de trabajo del estudio.

   1. 1.1

      Arquitectura de datos para el rendimiento térmico

      Estructurar conjuntos de datos históricos de simulación para entrenar modelos predictivos precisos.

   2. 1.2

      Selección de algoritmos y topologías

      Identificar el tipo de red neuronal adecuado para problemas de iluminación y ganancia térmica.

   3. 1.3

      Costes y retorno de inversión en IA

      Calcular la viabilidad financiera de implementar modelos de redes neuronales en un estudio mediano.

2. Módulo 2

   4 temas

   Entrenamiento y validación de modelos

   Proceso técnico de generación de sintéticos y ajuste de hiperparámetros para asegurar la fiabilidad del análisis.

   1. 2.1

      Generación de datos sintéticos con Grasshopper

      Automatizar la creación de miles de variantes de diseño para alimentar la red neuronal.

   2. 2.2

      Entrenamiento del modelo en entornos locales

      Configurar un entorno de entrenamiento utilizando frameworks estándar de la industria.

   3. 2.3

      Validación cruzada y métricas de error

      Asegurar que las predicciones de la IA son lo suficientemente precisas para la toma de decisiones profesionales.

   4. 2.4

      Ajuste fino y transferencia de aprendizaje

      Reutilizar modelos existentes para nuevos climas o tipologías edificatorias.

3. Módulo 3

   5 temas

   Implementación en el proceso de diseño

   Integración de las herramientas predictivas en las fases de concepto y esquemas básicos para orientar el criterio arquitectónico.

   1. 3.1

      Interfases de diseño en tiempo real

      Crear herramientas interactivas que permitan visualizar el impacto energético mientras se modela.

   2. 3.2

      Optimización multiobjetivo con IA

      Resolver conflictos entre rendimiento lumínico y térmico utilizando algoritmos genéticos y redes neuronales.

   3. 3.3

      Análisis de sensibilidad y variables críticas

      Determinar qué decisiones de diseño tienen mayor impacto en el rendimiento final.

   4. 3.4

      Integración en flujos BIM y protocolos

      Conectar las predicciones de la red neuronal con el modelo de información del edificio (BIM).

   5. 3.5

      Ética y responsabilidad en el uso de IA

      Evaluar las implicaciones legales y profesionales de basar decisiones constructivas en modelos de caja negra.

4. Módulo 4

   2 temas

   Evaluación y escalado estratégico

   Medición del éxito de la implementación y expansión de las capacidades analíticas en la firma.

   1. 4.1

      KPIs de rendimiento del proceso

      Medir el impacto real de la IA en la eficiencia del estudio y la calidad de los proyectos.

   2. 4.2

      Gestión del cambio y cultura de datos

      Liderar la transición tecnológica dentro del equipo de diseño para asegurar la adopción de las nuevas herramientas.