lnteligencia artificial aplicada al riesgo de las viviendas: Una revisión de literatura
Artificial Intelligence applied to housing risk: a review of the literature
Barra lateral del artículo
PDF
FLIP
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Cuaderno Activa provee acceso libre inmediato a su contenido bajo el principio de hacer disponible gratuitamente la producción investigativa al ´´público, fomentando un mayor intercambio de conocimiento científico.
Contenido principal del artículo
Resumen
En Colombia existen viviendas que fueron construidas de manera empírica sin estudios especializados de suelos ni valoraciones previas de los materiales de construcción, lo que las ha llevado al colapso por la aparición de fenómenos naturales. En la actualidad, la lnteligencia Artificial (IA) se ha convertido en una gran herramienta para la realización de tareas complejas, como lo puede ser determinar el grado de vulnerabilidad o el riesgo de colapso de una obra civil. El objetivo de este trabajo es presentar una Revisión Sistemática de la Literatura (RSL) sobre cómo se ha aplicado la Inteligencia Artificial (lA) en la identificación de riesgo de colapso de viviendas. Se concluye que, si bien la IA no puede prevenir directamente los derrumbes de viviendas, puede ayudar a identificar y mitigar los factores que contribuyen a tales eventos; principalmente, a través del uso de sensores para monitorear continuamente la salud estructural en tiempo real y detectar signos de deterioro, estrés u otros problemas que podrían provocar un colapso.
Descargas
Detalles del artículo
Referencias (VER)
Departamento Nacional de Estadísticas. DANE, “Resultados Censo Nacional de Población y Vivienda 2018 - Pasto, Nariño,” 2019, p. 31.
Semana. 2022. “Edificio Space: se cumplen nueve años de una tragedia que se pudo prevenir en Medellín”, [En línea]. Disponible en: https://www. semana.com/nacion/medellin/articulo/edificio- space-se-cumplen-nueve-anos-de-una-tragedia- que-se-pudo-prevenir-en-medellin/202222/
J. Y. Lee and B. R. Ellingwood, “A decision model for intergenerational life-cycle risk assessment of civil infrastructure exposed to hurricanes under climate change”, Reliability Engineering and System Safety, vol. 159, pp. 100-107, 2017. [En línea]. Disponible en: https://doi.org/10.1016/j. ress.2016.10.022 DOI: https://doi.org/10.1016/j.ress.2016.10.022
A. Karatzetzou, S. Stefanidis, S. Stefanidou, G. Tsinidis, and D. Pitilakis, “Unified hazard models for risk assessment of transportation networks in a multi-hazard environment”, International Journal of Disaster Risk Reduction, vol. 75, p. 102960, 2022. [En línea]. Disponible en: https:// doi.org/10.1016/j.ijdrr.2022.102960 DOI: https://doi.org/10.1016/j.ijdrr.2022.102960
K. N. Siddiquee, A. M. Billah, and A. Issa, “Seismic collapse safety and response modification factor of concrete frame buildings reinforced with superelastic shape memory alloy (SMA) rebar”, Journal of Building Engineering, vol. 42, 2021. [En línea]. Disponible en: https://doi. org/10.1016/j.jobe.2021.102468 DOI: https://doi.org/10.1016/j.jobe.2021.102468
M. Terrenzi, E. Spacone, and G. Camata, “Engineering demand parameters for the definition of the collapse limit state for code- conforming reinforced concrete buildings”, Engineering Structures, vol. 266, p. 114612, 2022. [En línea]. Disponible en: https://doi. org/10.1016/j.engstruct.2022.114612 DOI: https://doi.org/10.1016/j.engstruct.2022.114612
A. Furtado, H. Rodrigues, A. Arêde, and H. Varum, “Experimental tests on strengthening strategies for masonry infill walls: A literature review”, Construction and Building Materials, vol. 263, 2020. [En línea]. Disponible en: https:// doi.org/10.1016/j.conbuildmat.2020.120520 DOI: https://doi.org/10.1016/j.conbuildmat.2020.120520
N. Makoond, L. Pelà, and C. Molins, “A Risk Index for the Structural Diagnosis of Masonry
Heritage (RISDiMaH)”, Construction and Building Materials, vol. 284, p. 122433, 2021. [En línea]. Disponible en: https://doi.org/10.1016/j. conbuildmat.2021.122433 DOI: https://doi.org/10.1016/j.conbuildmat.2021.122433
A. Rezaie, M. Godio, and K. Beyer, “Experimental investigation of strength, stiffness and drift capacity of rubble stone masonry walls”, Construction and Building Materials, vol. 251, p. 118972, 2020. [En línea]. Disponible en: https:// doi.org/10.1016/j.conbuildmat.2020.118972 DOI: https://doi.org/10.1016/j.conbuildmat.2020.118972
J. Y. Lee, H. V. Burton, and D. Lallemant, “Adaptive decision-making for civil infrastructure systems and communities exposed to evolving risks”, Structural Safety, vol. 75, pp. 1-12, 2018. [En línea]. Disponible en: https://doi.org/10.1016/j. strusafe.2018.05.001 DOI: https://doi.org/10.1016/j.strusafe.2018.05.001
R. Hingorani, P. Tanner, M. Prieto, and C. Lara, “Consequence classes and associated models for predicting loss of life in collapse of building structures”, Structural Safety, vol. 85, p. 101910, 2020. [En línea]. Disponible en: https://doi. org/10.1016/j.strusafe.2019.101910 DOI: https://doi.org/10.1016/j.strusafe.2019.101910
E. Mastroianni, J. Lancaster, B. Korkmann,
A. Opdyke, and W. Beitelmal, “Mitigating infrastructure disaster losses through asset management practices in the Middle East and North Africa region”, International Journal of Disaster Risk Reduction, vol. 53, p. 102011, 2021. [En línea]. Disponible en: https://doi. org/10.1016/j.ijdrr.2020.102011 DOI: https://doi.org/10.1016/j.ijdrr.2020.102011
J. K. Chow, Z. Su, J. Wu, Z. Li, P. S. Tan, K. fu Liu,
X. Mao, and Y. H. Wang, “Artificial intelligence- empowered pipeline for image-based inspection of concrete structures”, Automation in Construction, vol. 120, p. 103372, 2020. [En línea]. Disponible en: https://doi.org/10.1016/j. autcon.2020.103372 DOI: https://doi.org/10.1016/j.autcon.2020.103372
H. A. Al-Jamimi, W. A. Al-Kutti, S. Alwahaishi, and K. S. Alotaibi, “Prediction of compressive strength in plain and blended cement concretes using a hybrid artificial intelligence model”, Case Studies in Construction Materials, vol. 17, p. e01238, 2022. [En línea]. Disponible en: https:// doi.org/10.1016/j.cscm.2022.e01238 DOI: https://doi.org/10.1016/j.cscm.2022.e01238
Q. Wang, A. Hussain, M. U. Farooqi, and
A. F. Deifalla, “Artificial intelligence-based estimation of ultra-high-strength concrete’s flexural property”, Case Studies in Construction
Materials, vol. 17, p. e01243, 2022. [En línea]. Disponible en: https://doi.org/10.1016/j. cscm.2022.e01243 DOI: https://doi.org/10.1016/j.cscm.2022.e01243
A. Sofi, J. Regita, B. Rane, and H. H. Lau, “Structural health monitoring using wireless smart sensor network – An overview”, Mechanical Systems and Signal Processing, vol. 163, p. 108113, 2022. [En línea]. Disponible en: https:// doi.org/10.1016/j.ymssp.2021.108113 DOI: https://doi.org/10.1016/j.ymssp.2021.108113
Y. Liu and J. K. W. Yeoh, “Robust pixel-wise concrete crack segmentation and properties retrieval using image patches”, Automation in Construction, vol. 123, p. 103535, 2021. [En línea]. Disponible en: https://doi.org/10.1016/j. autcon.2020.103535 DOI: https://doi.org/10.1016/j.autcon.2020.103535
R. W. Blake, R. Mathew, A. George, and N. Papakostas, “lmpact of Artificial lntelligence on Engineering: Past, Present and Future”, Procedia CIRP, vol. 104, pp. 1728-1733, 2021. [En línea]. DOI: https://doi.org/10.1016/j.procir.2021.11.291
Disponible en: https://doi.org/10.1016/j. procir.2021.11.291
B. A. Salami, M. Iqbal, A. Abdulraheem, F. E. Jalal, W. Alimi, A. Jamal, T. Tafsirojjaman, Y. Liu, and A. Bardhan, “Estimating compressive strength of lightweight foamed concrete using neural, genetic and ensemble machine learning approaches,”, Cement and Concrete Composites, vol. 133, p. 104721, 2022. [En línea]. Disponible en: https://doi.org/10.1016/j. cemconcomp.2022.104721 DOI: https://doi.org/10.1016/j.cemconcomp.2022.104721
F. Khosravikia, P. Clayton, and E. Williamson, “Investigation of potential damage to bridge infrastructure from induced earthquakes”, Engineering Structures, vol. 238, p. 112252, 2021. [En línea]. Disponible en: https://doi. org/10.1016/j.engstruct.2021.112252
T. U. Banu, N. P. Rajamane, P. O. Awoyera, y R. Gobinath, “Strength characterisation of self-cured concrete using AI tools”, Materials Today: Proceedings, vol. 39, pp. 839-848, 2020. [En línea]. Disponible en: DOI: 10.1016/j. matpr.2020.10.101. DOI: https://doi.org/10.1016/j.matpr.2020.10.101
U. M. N. Jayawickrema, H. M. C. M. Herath,
N. K. Hettiarachchi, H. P. Sooriyaarachchi, y J.
A. Epaarachchi, “Fibre-optic sensor and deep learning-based structural health monitoring systems for civil structures: A review”, Measurement: Journal of the International Measurement Confederation, vol. 199, p. 111543, 2022. [En línea]. Disponible en: DOI: 10.1016/j.measurement.2022.111543. DOI: https://doi.org/10.1016/j.measurement.2022.111543
G. N. Devi y M. M. Vijayalakshmi, “Smart structural health monitoring in civil engineering: A survey”, Materials Today: Proceedings, vol. 45, pp. 7143- 7146, 2020. DOI: 10.1016/j.matpr.2021.02.095. DOI: https://doi.org/10.1016/j.matpr.2021.02.095
R. A. Ali y O. H. Kharofa, “The impact of nanomaterials on sustainable architectural applications smart concrete as a model”, Materials Today: Proceedings, vol. 42, pp. 3010- 3017, 2021. [En línea]. Disponible en: DOI: 10.1016/j.matpr.2020.12.814. DOI: https://doi.org/10.1016/j.matpr.2020.12.814
F. Khosravikia, P. Clayton y E. Williamson, “Investigation of potential damage to bridge infrastructure from induced earthquakes”, Engineering Structures, vol. 238, p. 112252, 2021. [En línea]. Disponible en: DOI: 10.1016/j. engstruct.2021.112252. DOI: https://doi.org/10.1016/j.engstruct.2021.112252
