Noticias de la empresa

¿Podría la IA cambiar la ingeniería estructural en un futuro próximo?

/ 01 Ago 2023 / por: Yurii Shumak

Perspectivas de la ingeniería

La IA está revolucionando varios aspectos de la ingeniería, proporcionando nuevas herramientas y capacidades que mejoran los procesos de diseño, análisis y construcción. Los algoritmos de IA pueden generar y evaluar rápidamente múltiples alternativas de diseño, y la tecnología de aprendizaje automático ayuda a predecir el comportamiento estructural y a recomendar las modificaciones adecuadas mediante el entrenamiento de modelos con grandes cantidades de datos, lo que reduce la necesidad de realizar pruebas físicas exhaustivas. Las herramientas de diseño generativo impulsadas por IA generan automáticamente múltiples alternativas de diseño, incluidas algunas con geometrías poco convencionales y eficientes que superan los límites de lo que los enfoques tradicionales de ingeniería podrían considerar. La robótica y los vehículos autónomos automatizan los procesos de diseño. Los robots equipados con algoritmos de IA pueden reducir el tiempo y los costes de construcción al tiempo que mejoran la calidad y la seguridad.

Además, la IA facilita una mejor colaboración entre los equipos multidisciplinares al proporcionar perspectivas y simulaciones basadas en datos, visualizar sistemas estructurales complejos, simular diferentes escenarios y evaluar de forma más eficaz el impacto de las decisiones de diseño. Esto agiliza el proceso de toma de decisiones y conduce a diseños más informados y optimizados. Sin embargo, como se menciona en el artículo del MIT Integrating humans with AI in structural design, hay situaciones en las que resulta difícil encontrar un equilibrio entre la optimización total de la producción de diseños para un fin específico (por ejemplo, proporcionar la mayor resistencia proporcional al peso o minimizar la cantidad de material necesario para soportar una carga determinada), por un lado, y el uso de un diseño totalmente manual, que requiere mucho tiempo y mano de obra, por otro.

Inteligencia artificial en ingeniería estructural

Los algoritmos de aprendizaje automático (AM) pueden identificar patrones y sus relaciones, predecir el comportamiento y el rendimiento de las estructuras en diversas condiciones, analizar los datos de los sensores recogidos de las estructuras para evaluar su estado de salud y detectar anomalías, identificar factores de riesgo y predecir la probabilidad de fallo de distintos tipos de estructuras, automatizar el proceso de inspección de estructuras. Al entrenar modelos sobre grandes conjuntos de datos de diseños existentes y sus métricas de rendimiento asociadas, el aprendizaje automático puede generar nuevas opciones de diseño que cumplan requisitos y limitaciones específicos. El éxito de la aplicación del aprendizaje automático en la ingeniería estructural depende de la recopilación de datos de alta calidad, el preprocesamiento de datos, la ingeniería de características y la selección de modelos adecuados. El aprendizaje automático se utiliza ampliamente en la actualidad para:

• Predecir el rendimiento estructural. El aprendizaje automático puede utilizarse para predecir el rendimiento de las estructuras en diferentes condiciones de carga. Esto puede ser útil para evaluar la seguridad de las estructuras o para optimizar el diseño de nuevas estructuras.
• Identificar las condiciones estructurales. El aprendizaje automático puede utilizarse para identificar el estado de las estructuras, como la presencia de daños o la aparición de fatiga. Esto puede ser útil para supervisar la salud de las estructuras o para planificar los trabajos de mantenimiento y reparación.

Sus algoritmos ayudan a mejorar la exploración de alternativas de diseño. Los modelos ML deben validarse y probarse con conjuntos de datos independientes para garantizar su fiabilidad y precisión. Además, la experiencia de los ingenieros estructurales sigue siendo fundamental para interpretar los resultados y tomar decisiones fundamentadas basadas en los resultados del ML.

El reconocimiento de patrones (RP) en ingeniería estructural se refiere al proceso de identificar y analizar patrones en el comportamiento estructural, el rendimiento o los datos para obtener información y tomar decisiones informadas. Implica la aplicación de diversas técnicas, como el análisis estadístico, los algoritmos de aprendizaje automático y la visualización de datos, para reconocer los patrones que puedan existir en los sistemas estructurales o en sus datos asociados. También utiliza eficazmente la tecnología de redes neuronales para reconocer el patrón de un elemento concreto con el fin de rendir:

• Análisis estructural. Analizar el comportamiento estructural de un miembro dado, incluyendo su capacidad y deformación bajo diferentes condiciones de carga.
• Identificación de fallos. La capacidad de identificar el modo de fallo de un elemento concreto, como la fractura frágil, la fatiga o la fluencia.
• Caracterización estructural. Caracterice las propiedades estructurales de un elemento concreto, como su rigidez, resistencia y ductilidad.

Ayuda a encontrar un conjunto definitorio de características, donde posteriormente el modelo clasifica el punto de datos como parte del conjunto o como una anomalía.

El aprendizaje profundo (AD) ha encontrado diversas aplicaciones en el campo de la ingeniería estructural. Tiene el potencial de mejorar la precisión y la eficiencia del análisis estructural, el diseño y la supervisión, mientras que sus beneficios para la ingeniería estructural son a menudo similares a los del aprendizaje automático. El aprendizaje profundo puede aplicarse a los datos sísmicos para mejorar la comprensión del comportamiento sísmico y sus efectos en las estructuras, y para desarrollar modelos más precisos para simular y predecir la respuesta sísmica, lo que puede ayudar al diseño de estructuras resistentes a los terremotos. Las técnicas de aprendizaje profundo también pueden utilizarse para estimar las propiedades de los materiales, como la resistencia, la rigidez y la durabilidad, a partir de datos de pruebas no destructivas o mediciones de sensores. Esto puede ayudar a evaluar el estado de las estructuras existentes o a optimizar la selección de materiales para nuevos diseños. Es importante señalar que, aunque el aprendizaje profundo resulta prometedor en estos ámbitos, sigue siendo un área de investigación activa. La disponibilidad de datos de alta calidad y la interpretabilidad de los modelos de aprendizaje profundo siguen siendo retos importantes que deben abordarse para una adopción más amplia en la ingeniería estructural. El aprendizaje profundo en la construcción de modelos de redes neuronales se utiliza ampliamente en lo siguiente:

• Predicción de la respuesta sísmica. Por ejemplo, se puede predecir la cantidad de deformación y daños que experimentarán las estructuras durante un terremoto.(Visión general de los códigos sísmicos para la ingeniería estructural)
• Localización de daños. Se puede identificar la localización de los daños en las estructuras tras un seísmo.
• Control estructural. Se pueden diseñar e implantar sistemas capaces de controlar la respuesta sísmica de las estructuras, como amortiguadores de vibraciones y sistemas de control activo.

Lo que piensan los ingenieros sobre la IA

Pedimos al equipo de ingeniería y desarrollo de SDC Verifier su opinión sobre los retos, las soluciones y las tendencias potenciales basadas en el estado actual de la participación de la inteligencia artificial en la ingeniería estructural. Se compartieron muchas ideas, necesidades y predicciones interesantes sobre el impacto del aprendizaje automático y la IA generativa en el sector. Desde su punto de vista, la IA en la ingeniería estructural puede:

• Mejore la eficacia y la productividad. El proceso de ingeniería puede acelerarse y automatizarse, liberando a los ingenieros para que se centren en tareas más creativas y estratégicas.
• Aumentar los conocimientos. La posibilidad de mejorar el rendimiento reduciendo el tiempo dedicado a buscar información especializada ayuda a los ingenieros a mantenerse al día de las últimas normas y tecnologías.
• Reducción de errores. La simplificación del procedimiento para encontrar las normas necesarias durante el cálculo contribuirá a reducir los errores en los proyectos de ingeniería.
• Mejorar la colaboración. La posibilidad de ayudar en tareas repetitivas y de modelado (malla AI) ayudará a los ingenieros a colaborar de forma más eficaz y eficiente.
• Mejorar la precisión. La capacidad de realizar cálculos de forma independiente contribuirá a garantizar que los proyectos de ingeniería se completen con precisión.
• Maximizar la eficacia y la eficiencia de los materiales. La capacidad de maximizar la eficacia y la eficiencia de los materiales contribuirá a reducir los costes y a mejorar la sostenibilidad de los proyectos de ingeniería.

Además, la IA puede ayudar a automatizar más eficazmente muchas tareas tediosas y repetibles y a mejorar la estimación de la duración de los proyectos. Entre los ingenieros a los que preguntamos, las principales cosas que les gustaría que hiciera la IA son

• Automatice y simplifique el proceso de simulación y preparación de modelos. Esto incluye tareas como escribir códigos, mejorar el mallado y comprobar si un proyecto cumple los requisitos de una norma determinada.
• Mejorar la eficacia y la precisión de la simulación y el análisis. Esto puede lograrse automatizando las tareas repetitivas, utilizando algoritmos más eficaces y mejorando la precisión de los modelos de simulación.
• Aumentar la colaboración entre ingenieros y científicos. Esto puede lograrse proporcionando herramientas que permitan a ingenieros y científicos compartir datos y modelos, y colaborar en el desarrollo de proyectos de simulación.
• Verificar el cumplimiento de las normas. Esto incluye la capacidad de comprobar si un proyecto cumple los requisitos de una norma industrial determinada.
• Realizar la optimización del diseño. Esto incluye la capacidad de mejorar iterativamente el diseño de un proyecto para satisfacer requisitos específicos, como el coste, el rendimiento, la seguridad, el cumplimiento de las normas, etc.

Al hablar de los aspectos que la IA no puede sustituir actualmente en los procesos de ingeniería estructural, los ingenieros mencionan:

• Resolución creativa de problemas. Capacidad para desarrollar soluciones creativas a los problemas de ingeniería, especialmente los complejos o inciertos.
• Interpretación de planos. Capacidad para leer e interpretar planos de ingeniería, incluidos los planos antiguos o anticuados.
• Comprobación de modelos. Capacidad para comprobar la precisión y la integridad de los modelos de ingeniería de elementos finitos.
• Levantamientos topográficos. Aprenda a realizar e interpretar encuestas sobre el terreno. Inspeccione no sólo la estructura, sino también a las personas y las condiciones que la rodean.
• Improvisación. Cuando las normas no están claras o surgen retos inesperados, la capacidad de improvisar soluciones a los problemas técnicos.

Además, los ingenieros afirman que la responsabilidad también es una preocupación, y que si la estructura se diseña de forma incorrecta, hay vidas en peligro. En cuanto a su actitud general hacia la IA en la ingeniería estructural, es más bien positiva. Los ingenieros no creen que vaya a dejarles sin trabajo, mientras que creen firmemente que tiene la capacidad de hacer su trabajo mucho más eficiente y gratificante. Esperan que la IA pueda ayudar a descubrir algunas lagunas en nuestra comprensión actual de la física que podrían revolucionar potencialmente el estado actual de la ingeniería estructural tal y como la conocemos.

Conclusión

Los algoritmos de IA evolucionan con rapidez y muchos de sus conocimientos están a punto de cambiar los flujos de trabajo diarios y demostrar si las predicciones de los ingenieros se harán realidad. Es importante señalar que, aunque la IA aporta avances significativos a la ingeniería estructural, no sustituye a la pericia humana. En lugar de ello, complementa las habilidades de los ingenieros automatizando tareas que consumen mucho tiempo, proporcionando perspectivas basadas en datos y ampliando las posibilidades de soluciones estructurales innovadoras y eficientes.

Sin embargo, no sólo preocupa la sofisticación de los algoritmos de IA, sino también las normas reguladoras. Por ejemplo, ¿cómo definir a una parte responsable del fracaso de las soluciones basadas en la IA? Según el estudio del MIT, el enfoque más preferible y eficaz es una colaboración en la que ingenieros experimentados utilicen las capacidades avanzadas de la IA en estricto cumplimiento de la normativa internacional y las reglas del sector.

En SDC Verifier, siempre estamos explorando nuevas tecnologías que puedan ayudar a cambiar y mejorar el mundo que nos rodea. Sin embargo, también comprendemos lo importantes que son las decisiones en nuestra industria. Afectan tanto al funcionamiento de equipos costosos como a vidas humanas. Por lo tanto, aunque siempre estamos a la vanguardia de la tecnología, nos basamos en estimaciones conservadoras en nuestras evaluaciones.