lnteligencia artificial aplicada al riesgo de las viviendas: Una revisión de literatura
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 derrumbe... Ver más
Guardado en:
2027-8101
2619-5232
15
2024-05-02
Sebastián Balcero, Jhon Esteban Velásquez, Julián Rodríguez, Daniel Esteban Aguiar, Lina Montoya Suárez, Víctor Gil Vera - 2024
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
| id |
c15694dec621caddbdb6481ee112d362 |
|---|---|
| record_format |
ojs |
| spelling |
lnteligencia artificial aplicada al riesgo de las viviendas: Una revisión de literatura 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 Sebastián Balcero, Jhon Esteban Velásquez, Julián Rodríguez, Daniel Esteban Aguiar, Lina Montoya Suárez, Víctor Gil Vera - 2024 Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0. Departamento Nacional de Estadísticas. DANE, “Resultados Censo Nacional de Población y Vivienda 2018 - Pasto, Nariño,” 2019, p. 31. [2] 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/ [3] 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 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 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 [6] 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 [7] 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 [8] 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 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 [10] 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 [11] 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 [12] 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 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 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 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 [16] 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 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]. Disponible en: https://doi.org/10.1016/j. procir.2021.11.291 [19] 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 [20] 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 Español 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. [22] 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. 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. 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. 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. info:eu-repo/semantics/article http://purl.org/coar/resource_type/c_6501 http://purl.org/redcol/resource_type/ARTREF info:eu-repo/semantics/publishedVersion http://purl.org/coar/version/c_970fb48d4fbd8a85 info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 Text https://creativecommons.org/licenses/by-nc-sa/4.0 Publication 15 Gil Vera, Víctor Daniel Montoya Suárez, Lina María Vulnerabilidad Obra civil Riesgo Colapso 1 Núm. 1 , Año 2023 : Cuaderno Activa Artículo de revista Inteligencia artificial Aguiar Jaramillo, Daniel Esteban Rodríguez Olaya, Julián Velásquez Gómez, Jhon Esteban application/pdf Tecnológico de Antioquia - Institución Universitaria Cuaderno activa Balcero, Sebastián 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. https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/1216 lnteligencia artificial aplicada al riesgo de las viviendas: Una revisión de literatura Journal article 10.53995/20278101.1216 https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/1216/1769 2024-05-02T17:01:06Z 2024-05-02T17:01:06Z 2024-05-02 2027-8101 2619-5232 https://doi.org/10.53995/20278101.1216 |
| institution |
TECNOLOGICO DE ANTIOQUIA INSTITUCION UNIVERSITARIA |
| thumbnail |
https://nuevo.metarevistas.org/TECNOLOGICODEANTIOQUIAINSTITUCIONUNIVERSITARIA/logo.png |
| country_str |
Colombia |
| collection |
Cuaderno activa |
| title |
lnteligencia artificial aplicada al riesgo de las viviendas: Una revisión de literatura |
| spellingShingle |
lnteligencia artificial aplicada al riesgo de las viviendas: Una revisión de literatura Gil Vera, Víctor Daniel Montoya Suárez, Lina María Aguiar Jaramillo, Daniel Esteban Rodríguez Olaya, Julián Velásquez Gómez, Jhon Esteban Balcero, Sebastián Vulnerabilidad Obra civil Riesgo Colapso Inteligencia artificial |
| title_short |
lnteligencia artificial aplicada al riesgo de las viviendas: Una revisión de literatura |
| title_full |
lnteligencia artificial aplicada al riesgo de las viviendas: Una revisión de literatura |
| title_fullStr |
lnteligencia artificial aplicada al riesgo de las viviendas: Una revisión de literatura |
| title_full_unstemmed |
lnteligencia artificial aplicada al riesgo de las viviendas: Una revisión de literatura |
| title_sort |
lnteligencia artificial aplicada al riesgo de las viviendas: una revisión de literatura |
| title_eng |
lnteligencia artificial aplicada al riesgo de las viviendas: Una revisión de literatura |
| description |
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.
|
| author |
Gil Vera, Víctor Daniel Montoya Suárez, Lina María Aguiar Jaramillo, Daniel Esteban Rodríguez Olaya, Julián Velásquez Gómez, Jhon Esteban Balcero, Sebastián |
| author_facet |
Gil Vera, Víctor Daniel Montoya Suárez, Lina María Aguiar Jaramillo, Daniel Esteban Rodríguez Olaya, Julián Velásquez Gómez, Jhon Esteban Balcero, Sebastián |
| topicspa_str_mv |
Vulnerabilidad Obra civil Riesgo Colapso Inteligencia artificial |
| topic |
Vulnerabilidad Obra civil Riesgo Colapso Inteligencia artificial |
| topic_facet |
Vulnerabilidad Obra civil Riesgo Colapso Inteligencia artificial |
| citationvolume |
15 |
| citationissue |
1 |
| citationedition |
Núm. 1 , Año 2023 : Cuaderno Activa |
| publisher |
Tecnológico de Antioquia - Institución Universitaria |
| ispartofjournal |
Cuaderno activa |
| source |
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/1216 |
| language |
Español |
| format |
Article |
| rights |
Sebastián Balcero, Jhon Esteban Velásquez, Julián Rodríguez, Daniel Esteban Aguiar, Lina Montoya Suárez, Víctor Gil Vera - 2024 Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0. info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 https://creativecommons.org/licenses/by-nc-sa/4.0 |
| references |
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 Departamento Nacional de Estadísticas. DANE, “Resultados Censo Nacional de Población y Vivienda 2018 - Pasto, Nariño,” 2019, p. 31. [2] 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/ [3] 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 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 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 [6] 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 [7] 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 [8] 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 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 [10] 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 [11] 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 [12] 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 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 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 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 [16] 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 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]. Disponible en: https://doi.org/10.1016/j. procir.2021.11.291 [19] 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 [20] 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. [22] 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. 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. 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. 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. |
| type_driver |
info:eu-repo/semantics/article |
| type_coar |
http://purl.org/coar/resource_type/c_6501 |
| type_version |
info:eu-repo/semantics/publishedVersion |
| type_coarversion |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| type_content |
Text |
| publishDate |
2024-05-02 |
| date_accessioned |
2024-05-02T17:01:06Z |
| date_available |
2024-05-02T17:01:06Z |
| url |
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/1216 |
| url_doi |
https://doi.org/10.53995/20278101.1216 |
| issn |
2027-8101 |
| eissn |
2619-5232 |
| doi |
10.53995/20278101.1216 |
| url2_str_mv |
https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/download/1216/1769 |
| _version_ |
1798010215268876288 |