AI en la investigación, la enseñanza y la práctica de la ingeniería estructural y antissísmica - reflexión sobre las repercusiones, los retos y las orientaciones futuras
DOI:
https://doi.org/10.29352/mill0226.39584Resumen
Los campos de la ingeniería estructural y sísmica desempeñan un papel crucial a la hora de garantizar la seguridad y la resiliencia de nuestros entornos construidos, especialmente a medida que los grandes desafíos globales asociados al cambio climático, el crecimiento demográfico y la urbanización se hacen cada vez más urgentes (Ferreira & Santos, 2024). En los últimos años, la integración de herramientas basadas en inteligencia artificial (IA), machine learning (ML) en terminología anglosajona y deep-learning (DL), ha ido reconfigurando los paradigmas tradicionales. Estas tecnologías ofrecen nuevas oportunidades para automatizar procesos, aumentar la precisión predictiva de los algoritmos y optimizar proyectos, allanando el camino hacia prácticas de ingeniería más eficientes, adaptables y sostenibles.
A pesar de su potencial transformador, el uso de modelos de IA en los campos de la ingeniería estructural y sísmica sigue siendo significativamente inferior al observado en otras áreas (Tapeh & Naser, 2023; Xie et al., 2020). Las metodologías tradicionales basadas en el mecanicismo siguen dominando el campo, y aún no está claro cómo coexistirán los enfoques basados en la IA con estas metodologías ampliamente establecidas, especialmente en contextos educativos y profesionales. Cierto escepticismo en torno a los modelos y herramientas basados en la IA, a menudo considerados «cajas negras» en comparación con los métodos experimentales, numéricos y analíticos, ha frenado su integración. Sin embargo, la capacidad de estas herramientas para procesar grandes volúmenes de datos, realizar tareas exigentes desde el punto de vista computacional y adaptarse a condiciones en tiempo real representa una oportunidad incuestionable para la innovación.
En este editorial pretendo ofrecer una reflexión necesariamente concisa pero, en la medida de lo posible, exhaustiva, sobre el estado actual y el potencial transformador de la IA en los campos de la ingeniería estructural y sísmica. Analizando sus repercusiones en la investigación, la enseñanza y la aplicación práctica, trataré de poner de relieve las oportunidades y los retos que plantea la integración de herramientas basadas en la IA en estos ámbitos. Además, trataré de hacer hincapié en preocupaciones acuciantes, como la importancia de fomentar la colaboración interdisciplinar y de reflexionar sobre la huella medioambiental de estas tecnologías, un aspecto que, en mi opinión, no ha recibido la atención que merece.
Descargas
Citas
Borji, A. (2023). A Categorical Archive of ChatGPT Failures (No. arXiv:2302.03494; Version 8). arXiv. https://doi.org/10.48550/arXiv.2302.03494
Dhar, P. (2020). The carbon impact of artificial intelligence. Nature Machine Intelligence, 2(8), 423–425. https://doi.org/10.1038/s42256-020-0219-9
Estêvão, J. M. C. (2024). Effectiveness of Generative AI for Post-Earthquake Damage Assessment. Buildings, 14(10), 3255. https://doi.org/10.3390/buildings14103255
Ferreira, T. M., & Santos, P. P. (2024). Multi-hazard risk assessment for resilient and sustainable urban areas. Natural Hazards, 120(10), 9107–9109. https://doi.org/10.1007/s11069-024-06760-5
Frieder, S., Pinchetti, L., Griffiths, R.-R., Salvatori, T., Lukasiewicz, T., Petersen, P., & Berner, J. (2023). Mathematical Capabilities of ChatGPT. In A. Oh, T. Naumann, A. Globerson, K. Saenko, M. Hardt, & S. Levine (Eds.), Advances in Neural Information Processing Systems, 36, 27699–27744. Curran Associates, Inc. http://surl.li/ciukzf
Gupta, J. (2024, September 9). The hidden cost of the AI boom. TEDEd. https://ed.ted.com/blog/2024/09/09/the-hidden-cost-of-the-ai-boom
Haenlein, M., & Kaplan, A. (2019). A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California Management Review, 61(4), 5–14. https://doi.org/10.1177/0008125619864925
Javed, A. A., Pan, W., Chen, L., & Zhan, W. (2018). A systemic exploration of drivers for and constraints on construction productivity enhancement. Built Environment Project and Asset Management, 8(3), 239–252. https://doi.org/10.1108/BEPAM-10-2017-0099
Kiani, J., Camp, C., & Pezeshk, S. (2019). On the application of machine learning techniques to derive seismic fragility curves. Computers & Structures, 218, 108–122. https://doi.org/10.1016/j.compstruc.2019.03.004
Kostinakis, K., Morfidis, K., Demertzis, K., & Iliadis, L. (2023). Classification of buildings’ potential for seismic damage using a machine learning model with auto hyperparameter tuning. Engineering Structures, 290, 116359. https://doi.org/10.1016/j.engstruct.2023.116359
Lu, X., & Burton, H. (2023). EESD special issue: AI and data‐driven methods in earthquake engineering – (Part 1). Earthquake Engineering & Structural Dynamics, 52(8), 2299–2302. https://doi.org/10.1002/eqe.3908
Mohy, A. A., Bassioni, H. A., Elgendi, E. O., & Hassan, T. M. (2024). Innovations in safety management for construction sites: the role of deep learning and computer vision techniques. Construction Innovation. https://doi.org/10.1108/CI-04-2023-0062
Shah, P. (2023). AI and the Future of Education: Teaching in the Age of Artificial Intelligence (1st Edition). Jossey-Bass.
Spencer, B. F., Hoskere, V., & Narazaki, Y. (2019). Advances in Computer Vision-Based Civil Infrastructure Inspection and Monitoring. Engineering, 5(2), 199–222. https://doi.org/10.1016/j.eng.2018.11.030
Strubell, E., Ganesh, A., & Mccallum, A. (2020). Energy and Policy Considerations for Modern Deep Learning Research. Proceedings of the AAAI Conference on Artificial Intelligence, 34(9), 13693–13696. https://doi.org/https://doi.org/10.1609/aaai.v34i09.7123
Sun, H., Burton, H. V., & Huang, H. (2021). Machine learning applications for building structural design and performance assessment: State-of-the-art review. Journal of Building Engineering, 33, 101816. https://doi.org/10.1016/j.jobe.2020.101816
Talha Junaid, M., Barakat, S., Awad, R., Anwar, N. (2024). Adopting the Power of AI Chatbots for Enriching Students Learning in Civil Engineering Education: A Study on Capabilities and Limitations. In: Al-Marzouqi, A., Salloum, S.A., Al-Saidat, M., Aburayya, A., Gupta, B. (eds) Artificial Intelligence in Education: The Power and Dangers of ChatGPT in the Classroom. Studies in Big Data, vol 144. Springer, Cham. https://doi.org/10.1007/978-3-031-52280-2_3
Tapeh, A. T. G., & Naser, M. Z. (2023). Artificial Intelligence, Machine Learning, and Deep Learning in Structural Engineering: A Scientometrics Review of Trends and Best Practices. Archives of Computational Methods in Engineering, 30 (1), 115–159. https://doi.org/10.1007/s11831-022-09793-w
Vidalis, S. M., & Subramanian, R. (2023). Impact of AI Tools on Engineering Education. Fall Mid Atlantic Conference: Meeting Our Students Where They Are and Getting Them Where They Need to Be, 40852
Xie, Y., Ebad Sichani, M., Padgett, J. E., & DesRoches, R. (2020). The promise of implementing machine learning in earthquake engineering: A state-of-the-art review. Earthquake Spectra, 36(4), 1769–1801. https://doi.org/10.1177/8755293020919419
Zhou, G., Zhang, C., Li, Z., Ding, K., & Wang, C. (2020). Knowledge-driven digital twin manufacturing cell towards intelligent manufacturing. International Journal of Production Research, 58(4), 1034–1051. https://doi.org/10.1080/00207543.2019.1607978
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Millenium - Journal of Education, Technologies, and Health
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que sometan propuestas para esta revista estarán de acuerdo con los siguientes términos:
a) Los artículos serán publicados según la licencia Licença Creative Commons (CC BY 4.0), conforme el régimen open-access, sin cualquier coste para el autor o para el lector.
b) Los autores conservan los derechos de autor y conceden a la revista el derecho de la primera publicación, se permite la divulgación libre del trabajo, desde que sea correctamente atribuida la autoría y la publicación inicial en esta revista.
c) Los autores están autorización para firmar contratos adicionales separadamente, para la distribución no exclusiva de la versión del trabajo publicada en esta revista (ej.: publicar en un repositorio institucional o como capítulo de un libro), con reconocimiento de la autoría y publicación inicial e esta revista.
d) Los autores tienen permiso y son alentados a publicar y distribuir su trabajo on-line (ej.: en repositorios instituciones o en su página personal) ya que eso podrá generar alteraciones productivas, así como aumentar el impacto y la citación del trabajo publicado.
Documentos necesarios para la sumisión
Plantilla del artículo (formato editable)
