Las nuevas directivas europeas sobre eficiencia energética, que establecen en un 55% la reducción de emisiones de gases de efecto invernadero (GEI) a alcanzar para el año 2030, están activando los proyectos de renovación profunda de edificios, ya que son en gran medida responsables de estas emisiones. Esta alta demanda de transformación del parque inmobiliario existente nos hace plantearnos la necesidad de ejecutar este tipo de proyectos de renovación en el menor tiempo posible. Además, no podemos olvidar la necesidad de ofrecer un adecuado balance de coste/beneficio para las intervenciones propuestas.

Y en este proceso de transición hacia edificios climáticamente neutros, ¿cómo puede ayudar el uso de nuevas tecnologías y la aplicación de metodologías como BIM (Building Information Modelling en su definición en inglés) en la realización de proyectos de renovación profunda? El uso de modelos BIM, tradicionalmente utilizados en edificios de nueva construcción, puede proporcionarnos una ayuda importante en la toma de decisiones a la hora de escoger las soluciones a implementar en los proyectos de renovación.

Este era uno de los objetivos principales del proyecto H2020 BIM-SPEED , mejorar los proyectos de renovación profunda de edificios residenciales, reduciendo el tiempo y los costes asociados de los mismos, y fomentando el uso de BIM entre los diferentes grupos de personas involucradas. Para ello, se estandarizaron procesos, con la creación de Casos de Uso, y se desarrollaron diferentes herramientas basadas en BIM que formaban parte del ecosistema de la plataforma web BIM-SPEED, así como material de formación sobre uso1. Para afrontar los problemas de interoperabilidad se implementaron diferentes ETLs (Extract, Transform and Load) y conectores BIM.

Marco de interoperabilidad entre las herramientas basadas en BIM (BIM tools) y la plataforma web BIM-SPEED, donde se muestra la conexión con las ETLs y conectores BIM (BIM Con.) implementados, Para garantizar la fiabilidad de los datos, diferentes herramientas de chequeo (Checker) fueron también aplicadas.

Asimismo, se pudo comprobar cómo de beneficioso resulta la combinación de técnicas de Machine Learning con modelos BIM para la toma de decisiones en los proyectos de renovación profunda, permitiendo seleccionar de un modo automático la opción de renovación más adecuada, en función de la regulación existente en cada país vinculada a la envolvente del edificio, así como una serie de parámetros de entrada definidos por el usuario sobre restricciones en la implementación2. También resultó de gran interés por parte de los usuarios finales la combinación del proceso Scan to BIM, con la creación automática de muros en BIM, utilizando nubes de puntos como datos de entrada3.

Y ahora, ¿qué más?

Las posibilidades que tiene el uso de modelos BIM no acaban con la fase de renovación del edificio. Estos modelos también pueden jugar un papel clave en la fase de operación y mantenimiento. El desarrollo de gemelos digitales de edificios basados en modelos BIM puede ayudar a la optimización y control de edificios para mejorar su rendimiento energético. En esta línea comienzan su andadura proyectos como BuildON, coordinado por CARTIF, y SMARTeeSTORY, éste último centrado en el control y optimización del rendimiento energético de edificios históricos no residenciales. En entradas posteriores os iremos contando los avances al respecto.

Si quieres conocer más información sobre el origen de los gemelos digitales, puedes leer nuestra entrada anterior del blog: «Del Apolo 13 a los gemelos digitales de los edificios»


1 https://www.bim-speed.eu/en/training-materials

2 Mulero-Palencia, S.; Álvarez-Díaz, S.; Andrés-Chicote, M. Machine Learning for the Improvement of Deep Renovation Building Projects Using As-Built BIM Models. Sustainability 2021, 13, 6576. https://doi.org/10.3390/su13126576

3 Álvarez-Díaz, S.; Román-Cembranos, J.; Lukaszewska, A.; Dymarski, P. 3D Modelling of Existing Asset Based on Point Clouds: A Comparison of Scan2BIM Approaches. In 2022 IEEE International Workshop on Metrology for Living Environment (MetroLivEn); IEEE, 2022; pp 274–279. https://doi.org/10.1109/MetroLivEnv54405.2022.9826964

Sonia Álvarez Díaz
Últimas entradas de Sonia Álvarez Díaz (ver todo)
Share This