Abstract
BIMBOT es un asistente de diseño inteligente para la industria AEC. Sus herramientas se ejecutan sobre un software de modelado BIM y producen varias soluciones de diseño con modelos BIM optimizados. Funciona con el uso de métodos avanzados de Inteligencia Artificial (optimización soft computing y Machine Learning) y es compatible con bases de datos NoSQL. Contempla varias etapas: La definición por el usuario de restricciones / prioridades establecidas ejecuta un proceso de diseño generativo impulsado por varios métodos de IA. Éste crea diferentes soluciones en modelos BIM almacenados y refinados a partir de un catálogo de objetos inteligentes. Con ello, los usuarios pueden interactuar importando modelos BIM con diseños propuestos, crearlos o editarlos in situ y recibir asistencia de una serie de métricas configurables que dan calidad al diseño de acuerdo con las preferencias iniciales. Así, obtenemos un Modelo BIM completo como resultado del proceso iterativo. Finalmente, el entrenamiento continuo de los algoritmos mejorará la eficiencia en futuros diseños. BIMBOT está concebido para extender las habilidades de los diseñadores a través del desarrollo de software BIM, permitiéndoles ser más productivos en tareas complejas del proceso de diseño. BIMBOT está financiado por el programa europeo Eureka / Eurostars (E! 12863).
Publisher
Universitat Politecnica de Valencia
Reference43 articles.
1. I. As, S. Pal y P. Basu, 2018 «Artificial intelligence in architecture: Generating conceptual design via deep learning,» International Journal of Architectural Computing, vol. 16, nº 4, pp. 306-327. https://doi.org/10.1177/1478077118800982
2. M. Ashouri, F. Haghighat, B. C. Fung, A. Lazrak y H. Yoshino, 2018 «Development of building energy saving advisory: A data mining approach,» Energy and Buildings, vol. 172, pp. 139-151. https://doi.org/10.1016/j.enbuild.2018.04.052
3. S. Attia, E. Gratia, A. D. Herde y J. L. M. Hensen, 2012 «Imulation-based decision support tool for early stages of zero-energy building design,» Energy and Buildings, vol. 49, pp. 2-15. https://doi.org/10.1016/j.enbuild.2012.01.028
4. M. Bhatt, J. Suchan, C. Schultz, V. Kondyli y S. Goyal, 2016 «Artificial Intelligence for Predictive and Evidence Based Architecture Design,» de Thirtieth AAAI Conference on Artificial Intelligence.
5. A. Buluç, H. Meyerhenke, I. Safro, P. Sanders y C. Schulz, 2016 «Recent Advances in Graph Partitioning,» Algorithm Engineering, vol. 9220, pp. 117-158. https://doi.org/10.1007/978-3-319-49487-6_4