Optimización del diseño arquitectónico

Los algoritmos genéticos (AG) son la forma más popular de simulación metaheurística de caja negra utilizada en la realización de ADO complejos. ^{[ 6 ]} Los AG emulan el proceso de evolución biológica mediante un proceso recursivo de selección o eliminación basado en un criterio de "aptitud". ^{[ 7 ]} La aptitud se determina por la eficacia o ineficacia de una solución para resolver un problema de diseño dado, como el ángulo óptimo de las ventanas para lograr iluminación natural, circulación, etc. ^{[ 8 ]} Lo que diferencia a los AG de las simulaciones más rudimentarias del método del gradiente es su capacidad para buscar una solución a partir de una población de soluciones potenciales. ^{[ 9 ]} Este enfoque multidireccional tiene en cuenta la naturaleza a menudo no lineal de los problemas de diseño arquitectónico al permitir que variables complejas de múltiples áreas diferentes se incorporen 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, a veces, son más ingeniosas y poco convencionales que sus contrapartes basadas en búsqueda. ^{[ 11 ]} Debido a la complejidad de las simulaciones de GA, estas requieren un tiempo comparativamente mayor para su ejecución que otros métodos. ^{[ 12 ]} Esto puede tener implicaciones significativas para proyectos que operan bajo restricciones de tiempo. ^{[ 13 ] [ 14 ]} Un estudio publicado en 2015 indicó que las variaciones de los métodos tradicionales de GA podrían reducir eficazmente el tiempo de procesamiento de las simulaciones. ^{[ 12 ]} Estos incluyeron métodos de simulación fuera de línea y 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 GA 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 la estadística 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 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 operan seleccionando parámetros en una secuencia determinista , de un punto al siguiente sucesivamente hasta alcanzar un óptimo global. ^{[ 20 ]} No es un método tan ubicuo como los algoritmos genéticos en ADO, pero la investigación sugiere que supera a las simulaciones metaheurísticas como GA cuando se mide la mejora obtenida 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 multiobjetivo 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 identifique áreas de optimización mediante la resolución creativa de problemas . ^{[ 24 ]} Este método es limitado debido a su dependencia del desempeño individual y es poco probable que produzca la optimización más efectiva por sí solo. ^{[ 25 ]} Podría utilizarse junto con simulaciones de optimización cuando los resultados de la simulación no coinciden con los requisitos estéticos y es necesario llegar a un compromiso. ^{[ 26 ]} También podría ser necesario cuando el algoritmo desconoce el conocimiento del dominio arquitectónico 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 difieren en cómo logran la ADO. ^{[ 27 ]} Esta última se ocupa principalmente del uso de simulaciones computacionales para optimizar basándose en un conjunto de criterios de rendimiento, completando iteraciones independientemente del diseñador. ^{[ 28 ] [ 19 ]} La optimización basada en el rendimiento depende más en gran medida de la entrada del diseñador para completar las 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 las iteraciones manualmente. ^{[ 28 ]} Esto es generalmente menos efectivo, pero también menos laborioso, lo que lo convierte en una opción atractiva para proyectos que operan bajo restricciones de tiempo. ^{[ 28 ]} Ciertos aspectos del rendimiento de un edificio que no son fácilmente cuantificables, como el rendimiento estético y cultural, pueden requerir métodos de optimización alternativos. ^{[ 29 ]}

Una posible aplicación de ADO es la reducción del consumo energético y el impacto ambiental de un edificio . Esto podría lograrse mediante la optimización de la envolvente o fachada del edificio para garantizar propiedades térmicas ideales, lo que posteriormente reduciría la necesidad de sistemas de refrigeración y calefacción. ^{[ 30 ]} Otros aspectos de la forma de un edificio, como la cubierta, podrían optimizarse para fuentes de energía renovables . ^{[ 31 ]} ADO también podría ayudar en la selección de materiales que mantengan cualidades estéticas y estructurales, a la vez que sean sostenibles y de bajo impacto ambiental en el área circundante. ^{[ 32 ]} La investigación ha demostrado que ADO puede utilizarse conjuntamente con el Modelado de Información de Construcción (BIM) para garantizar la construcción sostenible de la arquitectura. ^{[ 33 ]} Esto a menudo implica una colaboración multidisciplinar entre arquitectos, ingenieros estructurales y mecánicos, y consultores. ^{[ 34 ]} Los métodos basados ​​en modelos de ADO pueden incorporarse con BIM para estimar el "consumo energético, el análisis de costes y los costes del ciclo de vida" y establecer la sostenibilidad general de un edificio 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 con respecto a su sostenibilidad. ^{[ 34 ]}

ADO también se puede aplicar para asegurar suficiente iluminación natural dentro de un edificio. Las simulaciones de caja negra podrían 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, mientras que simultáneamente minimiza la obstrucción de la luz desde las habitaciones interiores. ^{[ 36 ]} Los modelos sustitutos, como los utilizados en la optimización basada en modelos, han demostrado ser efectivos para optimizar la iluminación natural a través de la medición de la Iluminancia Útil de Luz Natural (UDI). ^{[ 16 ]} La UDI mide la iluminancia de luz 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 a la iluminación natural. ^{[ 40 ]}

ADO puede ayudar a promover la ventilación natural y artificial en el diseño de edificios. Esto podría 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 suficientemente, como en la subestructura de un edificio , 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 de las habitaciones 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 mediante la optimización de la distribución de su planta. ^{[ 46 ]} También se podrían lograr rutas de circulación ideales dentro de un edificio mediante la ubicación considerada de escaleras, ascensores y escaleras mecánicas en relación con las comodidades de uso frecuente. ^{[ 47 ]} Este tipo de optimización se ocupa principalmente de la configuración espacial de un edificio, abarcando aspectos como "empaquetado de componentes, planificación de rutas, distribución de procesos e instalaciones, diseño VLSI y distribución arquitectónica". ^{[ 47 ]} La optimización de estas áreas puede dividirse aún más en los binarios de topología y geometría. ^{[ 48 ]} La topología explora la relación entre las estructuras en la distribución 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 produjo 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 pueden optimizarse para proporcionar un volumen adecuado y dirigir el sonido hacia áreas específicas. ^{[ 51 ] [ 27 ]} El Centro Cultural del Estrecho 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 se optimizó en función de la cobertura de reflexión, reduciendo simultáneamente el ruido acústico no deseado resultante de la forma de la geometría. ^{[ 53 ]} Norman Foster y Arup utilizaron de manera similar ADO en su diseño del Edificio de la Asamblea del Gran Londres, evaluando el rendimiento acústico mediante simulaciones basadas en modelos. ^{[ 28 ]}