Ingeniería del viento
La aplicación del aprendizaje automático en la ingeniería del viento está transformando la generación de historias temporales de carga sobre edificios altos. A partir de registros experimentales se aplican técnicas como la descomposición modal (POD), redes neuronales y modelos generativos.
El aprendizaje automático, en particular dentro del campo de la inteligencia artificial aplicada a problemas de ingeniería, está abriendo un nuevo horizonte en la ingeniería del viento. Tradicionalmente, el análisis de las cargas dinámicas de viento sobre edificios altos se ha basado en dos herramientas principales: los ensayos en túneles de viento atmosféricos y las simulaciones numéricas a gran escala basadas en técnicas como Monte Carlo. Ambos métodos han sido fundamentales para la disciplina, ya que permiten obtener historias temporales de presión y carga con las que se calibran y verifican modelos estructurales.
Sin embargo, estas aproximaciones presentan limitaciones bien conocidas: los ensayos en túnel de viento requieren instalaciones experimentales complejas y costosas, mientras que las simulaciones Monte Carlo demandan una potencia de cálculo considerable y, a pesar de su solidez, muchas veces carecen de la flexibilidad necesaria para reproducir condiciones reales de turbulencia o casos específicos de geometría estructural.
En este contexto, la irrupción del aprendizaje automático ofrece un enfoque disruptivo al permitir la generación de historias temporales de carga a partir de datos previos, reduciendo de forma significativa los tiempos y costos de análisis. El marco metodológico desarrollado combina diferentes técnicas: en primer lugar, se recurre a la descomposición ortogonal propia (POD), que permite reducir la complejidad espacial de los registros de presión tomados en túneles de viento experimentales.
Al identificar los modos dominantes de la señal, la POD logra representar la mayor parte de la energía del sistema con un número reducido de componentes, lo que facilita su posterior tratamiento en modelos computacionales. Sobre esta base, se emplean redes neuronales recurrentes de tipo LSTM (Long Short-Term Memory), especialmente diseñadas para trabajar con extensas series temporales y con dependencia de estados anteriores. Estas redes son capaces de aprender patrones en los datos de presión obtenidos en túneles de viento y luego reproducirlos con fidelidad en simulaciones sintéticas.
Un aspecto particularmente innovador de este marco es la incorporación de modelos generativos, entre ellos las redes generativas adversariales (GAN). Su función consiste en aportar variabilidad y realismo a los registros generados, evitando que el modelo se limite a reproducir de manera rígida los datos originales.
Las GAN permiten generar múltiples historias temporales diferentes, pero todas ellas respetando las restricciones físicas fundamentales, como la densidad espectral de potencia y la coherencia espacial de los campos de presión. Esto es crucial, ya que asegura que las cargas de viento simuladas mantengan las características estadísticas observadas en fenómenos reales.
La metodología se valida con bases de datos experimentales de referencia, como la de la Universidad Politécnica de Tokio, que contiene extensos registros de presión obtenidos en túneles de viento sobre modelos de edificios altos. Al entrenar los modelos con este tipo de información, se logra una herramienta capaz de producir historias de carga de viento nuevas y físicamente consistentes sin necesidad de realizar nuevos ensayos experimentales.
El flujo de trabajo completo incluye el preprocesamiento de los datos para eliminar ruido y normalizar las señales, la reducción modal mediante POD, el entrenamiento de las LSTM para capturar la dinámica temporal, y la aplicación de modelos generativos para expandir la base de historias disponibles.
Las implicancias de este enfoque para la ingeniería estructural son amplias. En primer lugar, se reducen significativamente los tiempos de proyecto, ya que los ingenieros pueden disponer de historias de carga útiles sin necesidad de esperar resultados experimentales o destinar recursos a simulaciones computacionales de gran escala. En segundo lugar, se facilita la adopción de enfoques basados en desempeño, donde es necesario contar con múltiples escenarios de carga para evaluar de manera probabilística el comportamiento estructural. Finalmente, se abre la puerta a estudios de sensibilidad y optimización estructural más robustos, al sistematizar grandes volúmenes de datos de viento sintético de calidad comparable a los registros experimentales.
El uso de aprendizaje automático en ingeniería del viento no sustituye los ensayos en túneles, los cuales seguirán siendo una referencia insustituible, pero sí se presenta como una herramienta complementaria de enorme valor.
La combinación de datos experimentales con modelos generativos entrenados bajo restricciones físicas representa un punto de encuentro entre la tradición empírica de la disciplina y las capacidades emergentes de la inteligencia artificial. En este sentido, la ingeniería estructural se beneficia de una nueva capacidad de predicción que, al mismo tiempo de reducir costos, incrementa la confiabilidad de las evaluaciones de carga de viento en edificios altos.
Con la evolución constante de las técnicas de aprendizaje automático y la ampliación de bases de datos de presión en túnel, es previsible que esta línea de investigación se convierta en una práctica recurrente, marcando un cambio de paradigma en la manera en que se estudian y aplican las cargas de viento en el diseño estructural contemporáneo.
Fuente: Revista Structure, septiembre de 2025.
