Evaluación de estrategias sustentables para la vivienda urbana mediante inteligencia artificial: caso México
Palabras clave:
simulación energética, machine learning, mitigación de CO2, optimización de recursosResumen
Actualmente, el cambio climático es considerado uno de los problemas ambientales más importantes que comprometen la seguridad, habitabilidad, eficiencia energética y resiliencia en las viviendas, haciendo que las soluciones innovadoras sean cada vez más necesarias en este sector. La convergencia entre cambio climático, vivienda sustentable e inteligencia artificial puede ser una pieza clave en la optimización del consumo de recursos, eficiencia energética, gestión y mitigación de emisiones de CO2. Entre las aplicaciones en las que este tipo de estudio puede contribuir se encuentran la adaptación de estrategias según el clima, la integración de soluciones sustentables, la gestión eficiente de agua, la predicción de energía renovable, el confort y los sistemas de control inteligente para reducir el consumo energético. El propósito de esta investigación es argumentar la viabilidad del uso del Aprendizaje Automático (subcampo de la Inteligencia Artificial) en la evaluación de estrategias sustentables en la vivienda para mitigar los efectos del cambio climático.
Descargas
Referencias
Abdellatif, M., W.Atherton, R. Alkhaddar et al. 2015. “Flood Risk Assessment for Urban Water System in a Changing Climate Using Artificial Neural Network”, Natural Hazards, vol. 79, núm. 2, pp. 1059-1077.
Arsiwala, A., F. Elghaish y M. Zoher. 2023. “Digital Twin with Machine Learning for Predictive Monitoring of CO2 Existent Buildings”, Energy and Buildings, vol. 284, abril, en .
Churkina, G., A. Organschi, C.P.O. Reyer, A. Ruff, K. Vinke, Z. Liu y H. J. Schellnhuber. 2023. “Buildings as a Global Carbon Sink: A Worldwide Analysis of Construction Materials and Alternative Designs”, Nature Sustainability, vol. 3, núm 4, abril, pp. 269-276.
Contreras M., Serrano M. y Masera, O. 2022. Patrones de consumo energético en el sector residencial de México: un análisis desde la perspectiva de usos finales, Ciudad de México, Gobierno de México, Conahcyt.
De Buen, M.O. 2009. “Greenhouse Gas Emission Baselines and Reduction Potentials from Buildings in Mexico”, París, unep, Sustainable Buildings & Climate Initiative, en <https://www.gob.mx/cms/uploads/attachment/file/31006/SBCIMexicoreport. pdf>.
Farzaneh, H., L. Malehmirchegini, A. Bejan, T. Afolabi. 2021. “Artificial Intelligence Evolution in Smart Buildings for Energy Efficiency”, Applied Sciences, vol. 11, núm. 763, en http://dx.doi.org/10.3390/app11020763>.
Galán, R., A. Jiménez, R. Sanz y F. Matía. 2000. “Control inteligente. Inteligencia artificial”, Revista Iberoamericana de Inteligencia Artificial, vol. 4, núm. 10, pp. 43-48.
García Kerdán, I. y D. Morillón. 2022. “annexe: An Open-Source Building Energy Design Optimisation Framework Using Artificial Neural Networks and Genetic Algorithms”, Journal of Cleaner Production, vol. 371, 15 de octubre, en .
García Kerdán, I., R. Raslan y D.Morillón. 2016. “An Exergoeconomic Based Parametric Study to Examine the Effects of Active and Passive Energy Retrofit Strategies for Buildings”, Energy of Buildings, vol. 133, diciembre, pp. 155-171.
García Kerdán I., R. Raslan, P. Ruyssevelt y D. Morillón. 2017. “Exret-Opt: An Automateexergy/ Exergoeconomic Simulation Work for Building Energy Retrofit Analysis and Design Optimisation”, Applied Energy, vol. 192, núm. 10, pp. 33-58.
Hernández, G., A. Cetina-Quiñones, A. Bassam y J. Carrillo (2024). “Passive Strategies Towards Energy Efficient Social Housing: A Parametric Case Study and Decision-Making Framework in the Mexican Tropical Climate”, Journal of Building Engineering, vol. 82, abril, en https://doi.org/10.1016/j.jobe. 2023.108282>.
Huntingford, C., E. Jeffers, M. Bonsall, H. Christensen, T. Lees, H. Yang. 2019. “Machine Learning and Artificial Intelligence to Aid Clim
Instituto Nacional de Ecología y Cambio Climático (inecc). 2021. D. González Terrazas, A. Vermonden Thibodeau, F. Gress Carrasco, Municipios vulnerables al cambio climático con base en los resultados del Atlas Nacional de Vulnerabilidad al Cambio Climático (anvcc), México, Semarnat.
Instituto Nacional de Estadística y Geografía (inegi). 2018. Encuesta Nacional sobre Consumo de Energéticos en Viviendas Particulares (Encevi), en <https://www.inegi.org.mx/programas/encevi/2018/>.
Instituto Nacional de Estadística y. Geografía (inegi), Comisión Nacional para el Uso Eficiente de la Energía (conuee) y Secretaría de Energía (Sener). 2021. Encuesta Nacional sobre Consumo de Energéticos en Viviendas Particulares, en <https://www.inegi.org.mx/contenidos/programas/encevi/2018/doc/encevi 2018_presentacion_resultados.pdf>.
Jiménez, T., D. Bienvenido-Huertas, M. Tzuc, A. Bassam, L. Castellanos, F. Bañuelos. 2023. “Assessment of Climate Change’s Impact on Energy Demand in Mexican Buildings: Projection in Single Family Houses Based on Representative Concentration Pathways”, Energy for Sustainable Development, vol. 72, pp. 185-201.
Ley General de Cambio Climático. 2012. Diario Oficial de la Federación. Ultima Reforma: dof 15-11-2023.
Marmolejo, C. 2020. “La relevancia de la eficiencia energética entre los atributos arquitectónicos residenciales”, Arquitectura Revista, vol. 17, núm. 1, pp. 90-110.
McHarg, I. 1969. Design with Nature, Barcelona, Gustavo Gili.
Medrano, L., A. Izquierdo. 2017. “Social Housing Retrofit Improving Energy Efficiency and Thermal Comfort in the Housing Stock Recovery in México”, Energy Procedia, vol. 121, septiembre, pp. 41-48.
Mohamad, Z., C. Lim, H. Razali. 2024. “Mitigating the Energy Consumption and Carbon Emissions of a Residential Area in a Tropical City Using Digital Twin Technology: A Case Study of Bertam, Penang”, Buildings, vol. 14, núm. 3, p. 638.
Morillón, D., J. Rosas y D. Rosas. 2011. “Saturation, Energy Consumption, CO2 Emission and Energy Efficiency from Urban and Rural Household’s Appliances in Mexico”, Energy and Buildings, vol. 43, núm. 1, pp. 10-18.
Morillón, D., A. Escobedo y I. García. 2015. Retos y oportunidades para la sustentabilidad energética en edificios de México: consumo y uso final de energía en edificios residenciales, comerciales y de servicio, Serie Investigación y Desarrollo (núm. 689), México, unam, Instituto de Ingeniería.
Morillón, D. y F.J. Ceballos. 2015. Metodología para la sustentabilidad energética de los edificios, Vivienda net zero energy, México, unam, Instituto de Ingenie-ría, Serie Investigación y Desarrollo (núm. 690).
Nejat, P., F. Jomehzadeh, M. Mahdi, M. Gohari, M. Majid. 2015. “A Global Review of Energy Consumption, CO2 Emissions and Policy in the Residential Sector (With an Overview of the Top Ten CO2 Emitting Countries”, Renewable and Sustainable Energy Reviews, vol. 43, marzo, pp. 843-862.
Nutkiewicz, A., Z. Yang y K. Rishee. 2018. “Data-Driven Urban Energy Simulation (due-s): A Framework for Integrating Engineering Simulation and Machine Learning Methods in a Multi-Scale Urban Energy Modeling Workflow”, Applied Energy, vol. 225, núm. 1, septiembre, en .
Olgyay, V. 1963. Design with Climate: Bioclimatic Approach to Architectural Regionalism, Princeton, Princeton University Press
Rosas, J. y D. Rosas. 2020. “Potential Energy Savings and Mitigation of Emissions by Insulation for Residential Buildings in Mexico”, Energy and Buildings, vol. 209, núm. 10, en .
Secretaría de Energía (Sener). 2020. Programa de Desarrollo del Sistema Eléctrico Nacional 2020-2034, en <https://www.gob.mx/sener/es/articulos/prodesen- 2020-2034>. [Fecha de consulta: 12 de octubre de 2023.]
Secretaría de Energía (Sener). 2021. Balance Nacional de Energía 2020, Subsecretaría de Planeación y Transición Energética. Dirección General de Planeación e Información Energéticas, México.
Tariq, R., A. Cetina-Quiñones, V. Cardozo, M. Soberanis, A. Bassam, M. De Lille. 2021. “Artificial Intelligence Assisted Technoeconomic Optimization Scenarios of Hybrid Energy Systems for Water Management on an Isolated Community”, Sustainable Energy Technologies and Assessments, vol. 48, diciembre.
Taehoon, H., K. Choongwan, K. Hyunjoong. 2012. “A Decision Support Model for Improving a Multi-family Housing Complex Based on CO2 Emission from Electricity Consumption”, Journal of Environmental Management, vol. 112, diciembre, pp. 67-78.
Vogel, L., P. Richard, M. Brey, K. Schatz, S. Mamel. 2019. L’intelligence artificielle pour la transition énergétique intégrée. Classification du statu quo technologique et structuration des champs d’application dans le secteur de l’energie, Agence Allemande de l’Energie.
Yeang, K. 2006. Ecodesign: A Manual for Ecological Design, Londres, Wiley-Academy.
Zhang, X., M. Lovati e I. Vigna. 2023. “State-of-the-Art Review of Building Energy Modeling Methods for Sustainable Residential Design”, Energy and Buildings, vol. 277, pp. 112891.
