Se presenta la lista de 10 proyectos de investigación aplicada (TRL 6–8) para la carrera de Arquitectura de la UAGRM, siguiendo el mismo formato riguroso que en los casos anteriores.
🎯 Enfoque prioritario para Arquitectura
· Diseño generativo de plantas arquitectónicas con redes neuronales (GANs, Transformers).
· Optimización de forma urbana y localización de equipamientos con aprendizaje por refuerzo.
· Detección de patrones de crecimiento urbano informal mediante imágenes satelitales (CNN).
· Predicción de eficiencia energética en edificios con machine learning y datos de sensores.
· Análisis de accesibilidad y movilidad urbana con redes neuronales gráficas (GNN).
· Clasificación de estilos arquitectónicos y conservación de patrimonio con visión por computadora.
—
1. UrbanGAN – Generación de planes de crecimiento urbano para zonas periurbanas de Santa Cruz usando redes generativas adversarias (GAN) condicionales
Problema científico
El crecimiento urbano no planificado genera déficit de equipamientos (escuelas, áreas verdes). No existen herramientas de apoyo a la planificación que generen patrones de expansión óptimos.
Hipótesis principal
Una GAN condicional (Pix2Pix) entrenada con imágenes satelitales históricas (2000-2020) y mapas de uso de suelo, genera planes de expansión urbana realistas para 2030 que mejoran los indicadores de accesibilidad a equipamientos en un 25% respecto al plan municipal actual, según simulación.
Modelo de Red Neuronal Propuesto
Pix2Pix (generador U-Net, discriminador PatchGAN). Entrada: imagen satelital actual + mapa de restricciones (ríos, áreas protegidas). Salida: mapa de uso de suelo futuro (residencial, comercial, equipamientos, verde).
Base teórica
Las GANs han sido usadas para generar patrones urbanos realistas (Albert et al., 2020, Computers, Environment and Urban Systems).
Diseño Metodológico
Recopilación de imágenes Landsat/Sentinel de Santa Cruz (2000-2020, cada 5 años). Entrenamiento de Pix2Pix. Evaluación: comparación de planes generados vs. plan municipal mediante indicadores (accesibilidad a parques, densidad, etc.).
Viabilidad Técnica (TRL)
TRL 6 – prototipo con Python (TensorFlow). Datos satelitales públicos. Costo: $12.000.
Impacto Cuantificable
Mejora del 25% en accesibilidad a equipamientos. Reducción del 30% en áreas de expansión sobre zonas de riesgo (inundable).
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Planificación Urbana), Gobernación, ministerio de vivienda.
Proyección a 5 años
Herramienta “UrbanGAN” integrada en el SIG municipal. Formación de urbanistas en diseño generativo.
—
2. EnergíaArq – Predicción de demanda energética residencial en etapa de diseño usando redes neuronales (MLP) y datos de envolvente térmica
Problema científico
Los arquitectos no tienen herramientas rápidas para estimar la eficiencia energética de una vivienda durante el diseño. Las simulaciones (EnergyPlus) son lentas.
Hipótesis principal
Un modelo MLP (multilayer perceptron) entrenado con 50,000 simulaciones de viviendas (variables: orientación, porcentaje de ventanas, aislamiento, clima) predice la demanda energética anual (kWh/m²) con error MAE <10 kWh/m², permitiendo optimizar el diseño en tiempo real.
Modelo de Red Neuronal Propuesto
MLP de 4 capas (128, 64, 32, 1). Entrada: 15 parámetros arquitectónicos. Salida: demanda energética.
Base teórica
Los metamodelos (ML) aceleran la optimización energética (Westermann & Evins, 2019, Energy and Buildings).
Diseño Metodológico
Generación de base de datos sintética con EnergyPlus (clima de Santa Cruz). Entrenamiento y validación (80/20). Comparación con simulador (error MAE).
Viabilidad Técnica (TRL)
TRL 6 – prototipo web (JavaScript + TensorFlow.js). Costo: $10.000.
Impacto Cuantificable
Reducción del 20% en demanda energética de viviendas diseñadas con la herramienta (prueba piloto con 10 proyectos).
Aplicabilidad Práctica Inmediata
Estudios de arquitectura, constructoras, programas de vivienda social (FONVIS).
Proyección a 5 años
Plugin “EnergíaArq” para Revit y SketchUp. Certificación energética de viviendas.
—
3. PatrimonioCNN – Clasificación automática de estilos arquitectónicos (republicano, misional, moderno) en el centro histórico de Santa Cruz usando CNN (ResNet) sobre imágenes de fachadas
Problema científico
El inventario de patrimonio arquitectónico se hace manualmente y está desactualizado. Se necesitan herramientas automáticas para clasificar estilos y priorizar conservación.
Hipótesis principal
Una CNN ResNet-50 fine-tuned con 5,000 imágenes de fachadas de Santa Cruz (anotadas por expertos) clasifica 6 estilos arquitectónicos con precisión >90%, superando a arquitectos no especialistas (precisión 70%).
Modelo de Red Neuronal Propuesto
ResNet-50 preentrenada en ImageNet, fine-tuned con capa final softmax de 6 clases.
Base teórica
La clasificación de estilos arquitectónicos con deep learning es madura (Xu et al., 2019, Journal of Cultural Heritage).
Diseño Metodológico
Recopilación de 5,000 imágenes de fachadas (Google Street View, archivo histórico). Anotación por 3 expertos (kappa >0,85). Entrenamiento y validación. Prueba en nuevas 500 imágenes.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con Python (PyTorch). Costo: $8.000.
Impacto Cuantificable
Precisión >90%. Reducción del 80% del tiempo de inventario (de semanas a horas). Identificación de edificios con valor patrimonial no catalogados.
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Unidad de Patrimonio), Gobernación, museos, universidades.
Proyección a 5 años
App móvil “PatrimonioCNN” para que ciudadanos identifiquen estilos en tiempo real.
—
4. RutasAccesibilidad – Optimización de rutas peatonales accesibles (para sillas de ruedas) en el centro de Santa Cruz usando redes neuronales gráficas (GNN) y datos de elevación
Problema científico
Las aceras tienen barreras (escalones, pendientes). No existen mapas de accesibilidad para personas con movilidad reducida.
Hipótesis principal
Un modelo GNN (Graph Neural Network) sobre el grafo de calles y aceras (nodos: cruces; aristas: tramos con pendiente, ancho, obstáculos) calcula rutas accesibles (menor esfuerzo) que reducen la distancia adicional en un 40% respecto a la ruta más corta ignorando accesibilidad.
Modelo de Red Neuronal Propuesto
GNN para predecir el costo de cada arista (función de pendiente y obstáculos). Luego, algoritmo Dijkstra sobre el grafo con costos aprendidos.
Base teórica
Las GNNs se usan para modelar redes de transporte y accesibilidad (Zhang et al., 2021, Transportation Research Part C).
Diseño Metodológico
Levantamiento de datos de campo (100 cuadras del centro de Santa Cruz): pendiente, ancho de acera, existencia de rampas. Construcción del grafo. Validación con usuarios de silla de ruedas (tiempo real vs. ruta sugerida).
Viabilidad Técnica (TRL)
TRL 6 – prototipo de app móvil (Flutter + Python backend). Costo: $15.000.
Impacto Cuantificable
Reducción del 40% en distancia adicional (de 300m de desvío a 180m). Mejora de la autonomía de personas con discapacidad.
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Programa de Accesibilidad), ONG de discapacidad, turismo inclusivo.
Proyección a 5 años
Mapa de accesibilidad de toda la ciudad, integrado con Google Maps.
—
5. ViviendaSocial – Modelo de asignación óptima de tipologías de vivienda social según perfil familiar usando aprendizaje por refuerzo (Q-learning)
Problema científico
Los programas de vivienda social ofrecen tipologías fijas (2, 3 habitaciones) sin considerar la composición familiar (número de hijos, adultos mayores). Hay desajuste y subutilización.
Hipótesis principal
Un agente Q-learning que asigna tipologías de vivienda (6 opciones) a familias postulantes, maximizando la satisfacción (encuesta) y minimizando el costo por familia, mejora el bienestar en un 25% respecto a la asignación aleatoria (simulación con 1,000 familias).
Modelo de Red Neuronal Propuesto
Tabla Q (no red neuronal por simplicidad, pero puede escalarse a DQN). Estado: vector de perfil familiar (tamaño, edades, ingresos). Acción: tipología.
Base teórica
La optimización de asignación de vivienda es un problema de matching (Grigoryeva & L., 2019, Housing Studies). El RL puede resolverlo dinámicamente.
Diseño Metodológico
Datos de familias beneficiarias (historico) con nivel de satisfacción. Entrenamiento del agente. Simulación de asignación. Comparación con método actual.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Python. Costo: $8.000.
Impacto Cuantificable
Aumento del 25% en satisfacción familiar. Reducción del 15% en solicitudes de cambio de vivienda.
Aplicabilidad Práctica Inmediata
FONVIS, GAM Santa Cruz (programa “Casa Propia”), cooperativas de vivienda.
Proyección a 5 años
Sistema “ViviendaSocial” integrado en plataforma de postulación única para subsidios habitacionales.
—
6. IslasCalor – Detección de islas de calor urbanas en Santa Cruz usando imágenes térmicas (Landsat) y redes neuronales convolucionales (U-Net) para segmentación
Problema científico
Santa Cruz sufre altas temperaturas. Las islas de calor (zonas sin vegetación, con asfalto) no están mapeadas a nivel de manzana.
Hipótesis principal
Una U-Net segmenta imágenes térmicas de 30m de resolución y las fusiona con datos de cobertura terrestre (NDVI) para mapear la temperatura superficial a nivel de manzana con error RMSE <2°C (validado con sensores in situ). Se identifican las 10 manzanas con mayor intensidad de isla de calor.
Modelo de Red Neuronal Propuesto
U-Net con backbone ResNet. Entrada: banda térmica + bandas multiespectrales (RGB, NIR). Salida: mapa de temperatura superficial por píxel.
Base teórica
La segmentación semántica con U-Net se usa para mapeo de islas de calor (Kotharkar et al., 2021, Urban Climate).
Diseño Metodológico
Imágenes Landsat-8/9 para 3 fechas (verano, invierno). Calibración con sensores de temperatura en 20 puntos de la ciudad (campaña de campo). Entrenamiento y validación.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Python (segmentation-models). Datos satelitales gratuitos. Costo: $10.000.
Impacto Cuantificable
Mapa de calor con resolución de 30m. Identificación de zonas prioritarias para arborización urbana. Potencial reducción de temperatura en 2-3°C con intervenciones.
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Secretaría de Medio Ambiente), planificadores urbanos, arquitectos paisajistas.
Proyección a 5 años
Sistema de monitoreo continuo de islas de calor (actualización trimestral). Integración con planes de arborización.
—
7. LuzNatural – Optimización de aperturas (ventanas) para maximizar luz natural y minimizar deslumbramiento en edificios de oficinas usando redes neuronales (MLP) y algoritmos genéticos
Problema científico
El diseño de ventanas es empírico. La simulación de luz natural (Radiance) es costosa computacionalmente para explorar muchas opciones.
Hipótesis principal
Un modelo MLP que predice la iluminancia media (lux) y el factor de deslumbramiento (DGP) a partir de parámetros de ventana (tamaño, orientación, tipo de vidrio) se integra en un algoritmo genético para encontrar el diseño óptimo, logrando una mejora del 30% en el balance luz-deslumbramiento respecto a la solución típica.
Modelo de Red Neuronal Propuesto
MLP de 3 capas. Entrada: 10 parámetros arquitectónicos. Salida: lux medio y DGP.
Base teórica
Los metamodelos aceleran la optimización del confort visual (Costa et al., 2020, Energy and Buildings).
Diseño Metodológico
Generación de 20,000 escenarios simulados en Radiance (clima de Santa Cruz). Entrenamiento del MLP. Algoritmo genético (NSGA-II) para encontrar Pareto óptimo. Validación con 100 simulaciones reales.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Python (DEAP para GA). Costo: $12.000.
Impacto Cuantificable
Mejora del 30% en el balance (aumento de luz natural útil sin deslumbramiento). Ahorro energético del 15% en iluminación artificial.
Aplicabilidad Práctica Inmediata
Estudios de arquitectura, empresas de eficiencia energética, diseñadores de iluminación.
Proyección a 5 años
Plugin “LuzNatural” para Revit y Rhino. Certificación LEED optimizada.
—
8. CrecimientoInformal – Predicción de zonas de crecimiento urbano informal en la periferia de Santa Cruz usando LSTM sobre series de imágenes satelitales y datos de redes sociales
Problema científico
Los asentamientos informales crecen rápidamente. Las autoridades no tienen modelos predictivos para anticipar dónde surgirán nuevos asentamientos.
Hipótesis principal
Una red LSTM sobre series temporales de imágenes satelitales (cada 6 meses, 5 años) y datos de densidad de publicaciones de Facebook (proxy de presión social) predice la ubicación de nuevos asentamientos informales con 80% de precisión (AUC) para los próximos 6 meses, superando a modelos de regresión logística espacial.
Modelo de Red Neuronal Propuesto
LSTM convolucional (ConvLSTM) para procesar secuencias de imágenes. Características: pendiente, distancia a vías principales, áreas verdes, densidad de publicaciones.
Base teórica
La predicción de crecimiento informal se beneficia de datos de alta resolución temporal (Rosenstein et al., 2021, Remote Sensing).
Diseño Metodológico
Imágenes Sentinel-2 (2018-2024) para 5 zonas periurbanas. Anotación de asentamientos informales por técnicos municipales. Entrenamiento del modelo. Validación temporal.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en servidor GPU. Datos satelitales públicos. Costo: $15.000.
Impacto Cuantificable
Precisión >80% (AUC). Permite intervención preventiva (servicios básicos, urbanización) antes de que el asentamiento se consolide.
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Unidad de Asentamientos), Gobernación, Viceministerio de Vivienda.
Proyección a 5 años
Sistema “CrecimientoInformal” con alertas trimestrales. Integración con políticas de regularización.
—
9. ConfortAcústico – Mapa de ruido urbano en tiempo real para el centro de Santa Cruz usando redes neuronales (CNN) sobre datos de micrófonos distribuidos (IoT) y tráfico de Waze
Problema científico
El ruido del tráfico afecta la calidad de vida. Los mapas de ruido tradicionales se actualizan cada años. No hay monitoreo en tiempo real.
Hipótesis principal
Una CNN 1D sobre datos de 20 sensores de ruido de bajo costo + datos de densidad de tráfico (Waze API) estima el nivel de ruido equivalente (Leq) en cualquier punto no sensorizado con error <3 dB, permitiendo generar mapas de ruido cada 15 minutos.
Modelo de Red Neuronal Propuesto
CNN 1D que procesa series de 1 hora de ruido de sensores vecinos. Se usa interpolación con kriging neuronal (KCN).
Base teórica
El monitoreo acústico con sensores de bajo costo y ML es una tendencia (Socoró et al., 2020, Sensors).
Diseño Metodológico
Instalación de 20 sensores (ESP32 + micrófono) en el centro de Santa Cruz. Calibración con sonómetro profesional. Recolección de datos durante 1 mes. Entrenamiento del modelo. Validación en 5 puntos adicionales.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con sensores y servidor. Hardware: $500 (20 sensores). Desarrollo: $8.000. Total: $8.500.
Impacto Cuantificable
Mapa de ruido cada 15 minutos, identificación de horas pico (ej. 65 dB a las 19h). Posibilidad de implementar zonas de silencio y reordenar tráfico.
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Programa de Control de Ruido), salud pública, organizaciones vecinales.
Proyección a 5 años
Red de 200 sensores en toda la ciudad, con datos abiertos. Aplicación móvil para ciudadanos.
—
10. RehabilitaciónPatrimonio – Sistema de apoyo a la rehabilitación de fachadas patrimoniales usando visión por computadora (CNN) para detectar deterioros (humedad, grietas) y recomendar materiales
Problema científico
La restauración de edificios patrimoniales requiere identificación manual de patologías. No existen herramientas automáticas que reconozcan grietas, humedad o pérdida de revoque.
Hipótesis principal
Una CNN (Mask R-CNN) entrenada con 10,000 imágenes de fachadas (anotadas con tipos de deterioro) detecta y segmenta 6 tipos de patologías con precisión >85% (mIoU >0.70). El sistema recomienda materiales de intervención basados en base de datos histórica (árbol de decisiones).
Modelo de Red Neuronal Propuesto
Mask R-CNN (ResNet-50 backbone) para segmentación de patologías. Luego, sistema experto (reglas) para recomendar intervención.
Base teórica
La inspección automatizada de fachadas con deep learning es un área emergente (Mansour et al., 2021, Automation in Construction).
Diseño Metodológico
Recopilación de 10,000 imágenes de fachadas patrimoniales (centro histórico de Santa Cruz). Anotación de grietas, humedad, desprendimientos, etc. Entrenamiento y validación. Prueba en 100 nuevas fachadas con verificación de restauradores.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Python (Detectron2). Costo: $12.000.
Impacto Cuantificable
Precisión >85% en detección. Reducción del 70% del tiempo de inspección (de 2 horas a 30 min por fachada). Mejor planificación de intervenciones.
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Unidad de Patrimonio), restauradores independientes, estudiantes de arquitectura.
Proyección a 5 años
App móvil “RehabPatrimonio” para que ciudadanos reporten deterioros. Integración con sistema municipal de conservación.
—
📌 Nota final
Estos 10 proyectos para Arquitectura cubren:
· Planificación urbana y crecimiento (1, 8)
· Eficiencia energética y confort (2, 7, 9)
· Patrimonio y rehabilitación (3, 10)
· Accesibilidad y movilidad (4)
· Vivienda social (5)
· Islas de calor (6)
Costos entre $8.000 y $15.000, TRL 6–7. Viables en la UAGRM con articulación DEIS (extensión a municipios) y DICIT (infraestructura de datos y sensores). Se recomienda establecer convenios con el GAM Santa Cruz y el Colegio de Arquitectos.