Generar modelos 3D «tal como está» de infraestructuras existentes Durante tiempo ha habido una carencia de métodos de modelización 3D «tal como está» viables para infraestructuras existentes. Recientemente, un grupo de investigadores ha ajustado con precisión el primer método de detección de escenas y objetos capaz de modelizar automáticamente infraestructuras a partir de puntos 3D arbitrarios y, a la vez, realizar una estimación de la disposición de los objetos en 3D y las conexiones entre ellos. Tecnologías industriales © Eva Agapaki Uno de los retos importantes a los que se enfrentan los ingenieros en la actualidad es representar y etiquetar eficazmente las infraestructuras existentes. En la actualidad, más de dos tercios de los esfuerzos se dedican a la conversión manual de nubes de puntos (coordenadas) en un modelo 3D. El resultado final es que hay pocas instalaciones construidas con un registro completo de información en estado «tal como está construido», que no se genera para la inmensa mayoría de proyectos de construcción nueva y de renovación. Se estima que esto ha dado lugar a repeticiones de trabajo y cambios en el diseño con un coste de hasta el 10 % del coste de la instalación original. El proyecto INFRASTRUCTUREMODELS, financiado por la Unión Europea, tenía como finalidad mejorar la situación mediante el desarrollo de una forma de detectar y clasificar objetos de construcción comunes a partir de datos visuales y espaciales, lo cual reduce el tiempo necesario para crear el modelo de información geométrica del edificio (BIM) en estado tal como está construido. El proyecto creó métodos para generar objetos/estructuras de losas, paredes, salas y suelos en conjuntos de datos de nubes de puntos, y así generar rápidamente modelos 3D en estado «tal como está» de edificios existentes, con un coste menor. Aprovechar los apriorismos arquitectónicos Los modelos de estructuras existentes en estado «tal como se ha construido» son modelos virtuales 3D basados en objetos. La diferencia con un modelo «tal como se ha diseñado» es que sus dimensiones son un reflejo fiel de la construcción real. Tradicionalmente, los intentos de reproducir modelos de infraestructuras 3D «tal como están» han aplicado un enfoque en cierto modo de abajo arriba, que consiste en localizar los puntos relevantes y, a continuación, buscar las líneas y los planos importantes antes de pasar a los objetos. Sin embargo, esto no funciona tan bien en muchos elementos infraestructurales. Como coordinador del proyecto, el Dr. Ioannis Brilakis explica que «muchos objetos de infraestructura son "aburridos". Por ejemplo, las columnas, vigas, losas y paredes tienen muy pocos puntos significativos que las distingan unas de otras». Para rodear este problema, el proyecto INFRASTRUCTUREMODELS se centró en la información contextual que puede facilitar que estos objetos sean distinguibles; su posición en el espacio, junto con su relación con otros objetos. Esto se logró creando un conjunto de fases segmentadas que sirven para desglosar las nubes de puntos de un edificio en suelos, salas, paredes/losas, etc. Tal como resume el Dr. Brilakis, «los edificios son complejos, pero todos tienen suelos, paredes, puertas y otros elementos clave que tienen relaciones relativamente bien definidas y normalizadas entre sí. Estos apriorismos arquitectónicos son lo que tratamos de aprovechar para reducir la complejidad y contribuir al proceso de detección». El equipo utilizó herramientas de análisis de imágenes para caracterizar visualmente la infraestructura, identificando y representando topológicamente de forma numérica los elementos. Estas representaciones, junto con las relaciones topológicas que se infieren entre ellos, constituyen los «elementos» que utilizan los algoritmos de aprendizaje de mαquinas para generar categorías de infraestructura con sentido para los modelos. A continuación, los modelos pueden detectar automáticamente los tipos de elementos, junto con sus posiciones relativas, desde distintos puntos de vista. Mediante la estimación de su distancia respecto al observador y su posición 3D en el espacio en relación con otros puntos, estos puntos se pueden relacionar con las nubes de puntos 3D y representar con colores y texturas a fin de obtener modelos precisos. Como aclara el Dr. Brilakis, «las imágenes son muy útiles para determinar a qué categoría pertenece cada objeto. Por ejemplo, un color blanco en un cuboide largo y estrecho alineado verticalmente aumenta la confianza en que miramos un objeto de tipo pared. Un patrón de moqueta sobre el mismo objeto significaría algo distinto». El principal escollo al que se enfrentó el equipo fue recopilar datos suficientes para entrenar a los algoritmos con infraestructuras que a menudo son escasas entre todos los sectores de datos masivos. Las nubes de puntos no son ninguna excepción; según pudieron comprobar, pocos socios del sector tenían material para compartir. Además, entre el disponible, la mayoría no cumplía las normas de calidad exigidas. El equipo del proyecto confía en que sus modelos 3D beneficiarán a tareas relacionadas con los edificios, como la renovación de las estructuras energéticas para solucionar problemas, aumentar la eficiencia o mejorar las credenciales ecológicas. Otro ejemplo claro de aplicación probable es la gestión de las operaciones en los edificios. Además, sería posible minimizar el impacto de la gestión de cierres de plantas industriales si se dispusiese de modelos de las plantas «tal como se han construido». Actualmente, el equipo trabaja en los preparativos de un centro de comercialización en Cambridge (Reino Unido), con la intención de promover el rαpido desarrollo de la tecnología, junto con otros avances asociados. El objetivo es introducir productos en el mercado en un plazo de dos a tres años. Palabras clave INFRASTRUCTUREMODELS, infraestructuras, modelos «tal como está», 3D, renovación, ingeniería, puntos en la nube, arquitectura, análisis de imágenes, algoritmos, gestión de operaciones
