Para finalizar los Juegos Olímpicos de 2024 en París , se hace especial hincapié en el lenguaje arquitectónico y el fenómeno que transformó la ciudad para sus sedes olímpicas y paralímpicas . Distribuidos por la ciudad y sus alrededores, París integró monumentos emblemáticos e instalaciones modernas para albergar una selección diversa de deportes olímpicos. Más allá de las sedes deportivas, las intervenciones también incluyeron centros de visitantes únicos y alojamientos para atletas que tendrán una finalidad más allá de los eventos del verano.
Si bien París encarna una variedad de épocas arquitectónicas, la ciudad se propuso transformar, reconvertir y restaurar edificios patrimoniales, utilizar estadios y recintos de eventos deportivos anteriores y construir estructuras temporales. Esta estrategia sostenible permitió una combinación armoniosa de arquitectura histórica y moderna, creando una experiencia olímpica única.
París tiene una rica historia como sede de eventos deportivos, y los Juegos de 2024 resaltan aún más su compromiso de mostrar la diversidad arquitectónica y cultural de la ciudad. A continuación, se incluye una lista de las obras más relevantes, desde la restauración hasta la reutilización, las instalaciones temporales y la nueva construcción.
Juegos Olímpicos de París 2024: guía arquitectónica de las sedes olímpicas Mostrar más
Para finalizar los Juegos Olímpicos de 2024 en París, se hace especial hincapié en el lenguaje arquitectónico y los fenómenos que transformaron la ciudad para sus sedes olímpicas y paralímpicas. Distribuidos por la ciudad y sus alrededores, París integró monumentos emblemáticos e instalaciones modernas para albergar una selección diversa de deportes olímpicos. Más allá de los deportes…
Construir mejor con datos: el papel de las bibliotecas de materiales en la arquitectura sostenible.
Ladrillos de revestimiento – Vintage Handform Sintra / Feldhaus Klinker
SHANGRI-LA en el parque infantil Oita / SAKO Architects
Explorando el programa M.Arch 1 de SCI-Arc: un enfoque distintivo para la educación arquitectónica
Foster + Partners revela un plan maestro para la revitalización de la región de Hatay, Turquía, afectada por el terremoto
Malla metálica resistente a explosiones – Fabricoil® / Cascade Architectural
Olympe: una villa olímpica de corta duración que luego se convirtió en un centro de arte urbano / Farid Azib Architect
Navegando hacia 2024: las ciudades europeas abordan la refrigeración urbana, la congestión y la conexión
Suelo de vídeo LED en una piscina / ASB
Proyectos de reutilización adaptativa de Hong Kong: un estudio de caso de renovación urbana para ciudades con historia colonial
Casa TC / Oficina BETA de arquitectura y ciudadTerrazo en Pacific Gate / Terrazo y mármol
Estadio Náutico Olímpico Vaires-Sur-Marne / Auer WeberBosque de mascotas Gimpo / ArchirieLa Casa Evert / VPA ArchitectsCasa Zig / Diseño y construcción Dat Thu
¿Cómo se visualiza la Inteligencia Artificial en el marco de la Sostenibilidad Ambiental y del Cambio Climático, en medio del proceso de la Transición Energética – Minimizar la emisión de GEI – Descarbonización?
Alfonso Arrocha, 11 de julio de 2024. CAE ANIH
REFERENCIA: Miércoles de Academía de CAE-ANIHV : Eventos obre INTELIGENCIA ARTIFICIAL 1ro 26/10/2023 – ¨INTELIGENCIA ARTIFICIAL E INTELIGENCIA HUMANA¨. 2do 10/07/2024 – ¨ESTADO ACTUAL Y RUMBO DE LA INTELIGENCIA ARTIFICIAL¨ Excelentes coloquios desarrollados por sus expositores, comentaristas, moderadores, coordinadores, divulgadores y participantes (Jorge Baralt, Luis Germán Rodríguez, Jonás Montilva, Wladimir Rodríguez, Alfredo Avella, Carmelo Ecarri, Oscar González, Yvan Ecarri, entre otros), tema de gran importancia a nivel mundial y de particular interés para Venezuela y España.
Punto de atención: ¨¿Cómo se visualiza la Inteligencia Artificial en el marco de la Sostenibilidad Ambiental y del Cambio Climático, en medio del proceso de la Transición Energética de combustibles fósiles a energía renovable y vectores energéticos renovables?¨. En los coloquios por la amplitud del tema y de los aspectos tratados se ha abordado en forma rápida, pero con mucha claridad por parte del profesor Luis Germán Rodríguez y otros participantes algunos de los siguientes puntos:
Las bondades y potencialidades de la IA en la captación, almacenamiento, procesamiento, aprendizaje, interpretación e impresión de gran cantidad de data ambiental para proyectos de I&D e i, industriales, urbanos, entre otros captadas por satélites artificiales, sensores remotos, equipos no satelitales, inteligencia de procesos,… .
Otros ejemplo, imágenes satelitales para todo el desarrollo de los Sistemas de Información Geográfico-SIG, Tecnología Lydar, tecnología INSAR – Subsidencia, ……..,
Ciudades Inteligentes ¨Smart City¨, Transformación Digital, Vigilancia Tecnológica, Mercadeo Digital, Cadena de Suministro y en la misma Transición Energética, con información abierta y gratuita, para muestra un ejemplo, el Sistema COPERNICUS de la Unión Europa para una continua monitorización del estado y salud de la Tierra: vigilancia atmosférica, vigilancia medioambiental marina, vigilancia terrestre, cambio climático, gestión de emergencias, seguridad, ….
Los retos y desafíos que representa la IA en cuanto a su ALTO consumo de Energía y de Agua (también debemos incluir los minerales/materiales críticos estratégicos) en los llamados Centros de Datos ¨DATA CENTER¨, para la refrigeración y enfriamiento de los servidores /hardware, ha sido resaltado por el profesor Luis Germán Rodríguez y lleva a una rápida revisión de literatura sobre este importante asunto, de cómo lo están considerando las grandes corporaciones tecnológicas (IBM, MICRSOFT, GOOGLE, META APPLE, entre otras), los gobiernos (nacionales, regionales y locales) y la comunidad en general (científica, universidades, otros sectores industriales y principalmente los habitantes).
Aquí también debemos aplicar la IA para ayudar a resolver este importante asunto ambiental y climático por las implicaciones del cambio climático en cuanto al problema del AGUA por las olas de calor, sequias y estrés hídrico e inundaciones, en muchas regiones, más frecuentes y prolongadas. La estrategia para la protección del recurso AGUA debe considerar la potencial competencia en su uso y calidad, donde la prioridad es el agua para la población, para la agricultura y luego para el uso industrial. La estrategia que se adopte debe ser definida para el corto, mediano y largo plazo considerando los resultados de los modelos predictivos aplicados por el IPCC (Panel Intergubernamental de Camios Climáticos). Como se verá más adelante esta situación ya se ha presentado en algunos CD en el mundo.
El incremento de la TEMPERATURA causada por el Cambio Climático también llevará a un mayor requerimiento ENERGÉTICO (mayor generación de Gases con Efecto Invernadero GEI ¨GHG¨: CO2, CH4, N2O, ….) para el de enfriamiento y refrigeración en los Centros de Datos, lo cual es un requisito obligatorio para evitar sobre calentamiento de los equipos (servidores, rack, hardware, ……) y así evitar incendios y perdida de la data almacenada y en procesamiento. Como se verá más adelante esta situación también se ha presentado en algunos CD en el mundo.
Otro aspecto indicado por el profesor L. G. Rodríguez, es que en la medida que seamos más conscientes del alto impacto ambiental y climático de la IA seremos mas responsables y reflexivos respecto a su uso y en este sentido les dejo un ejemplo que luego veremos más adelante: ¨en unos de los artículos revisados se recoge que entre 5 y 50 preguntas hechas al CHAT GPT4 y dependiendo de su complejidad el consumo de agua es de ½ litro y el punto es y cuantas miles/millones de preguntas hacemos¨, ahora reflexionando podemos ver porque el Prof. L. G. Rodríguez comentaba que debemos repensar cuando hacemos una búsqueda convencional por Google u otro buscador tradicional en lugar de utilizar la IA.
A continuación, se presentan algunas consideraciones de relevancia que destacan las áreas en las que se viene trabajando últimamente en materia de I&D e i, nuevas tecnologías, lecciones aprendidas y buenas prácticas en lo que debe ser una ¨Inteligencia Artificial Sostenible¨ que incluya el aspecto clave de los Data Center; para mejorar en estos: La eficiencia energética y Disminuir el consumo de agua en la operación y refrigeración, a fin de disipar el calor y controlar la temperatura y humedad, y gestionar la integridad de los componentes del hardware/servidores asociados.
En la actualidad, las grandes corporaciones propietarias de los Centros de Datos ¨Data Center¨ están trabajando sobre las lecciones aprendidas y buenas prácticas de estos Centros, en: Nuevas estrategias, Rediseño, Nuevas tecnologías y Ubicación geográfica más adecuada de los mismos, entre otros aspectos técnicos que garanticen su operación estable y sostenible en el corto, mediano y largo plazo, máxime con el incremento exponencial en el uso de la IA generativa.
Entendiendo que a nivel mundial seguirá aumentando en forma elevada la inserción de la IA tanto a nivel público como privado en la mayoría de los sectores de producción y servicios: industrial, agrícola, tecnológico, movilidad, satelital, ambiental, salud, energético, …..trayendo consigo un aumento importante del tamaño y número de Centros en todo el mundo. Se indica que hoy día los Centros de Datos consumen alrededor del 3 a 4% de todo el consumo energético a nivel mundial (ya por encima de la movilidad aérea), en la UE un estudio de la comisión estima un 2,7%.
¨Densidad informática en centros de datos: el impacto de la IA, las cargas de trabajo impulsadas cada vez más por los datos, incluida la IA y otros tipos de computación de alto rendimiento, llevan a una capacidad de procesamiento y almacenamiento de mayor densidad en los racks del centro de datos. De acuerdo con una encuesta realizada por el Uptime Institute, más de una tercera parte de los operadores de centros de datos ha reportado un rápido aumento en las densidades de los racks durante los últimos tres años.
El mismo informe agrega que casi la mitad de estas instalaciones con capacidades de 10 MW o más reportan densidades de rack superiores a los 20 kW, y un 20 % indica tener racks que superan los 40 kW. A medida que aumentan las densidades de los racks, también lo hacen los desafíos del consumo energético y el enfriamiento. Los nuevos diseños de enfriamiento tienen la obligación de mantener un rendimiento óptimo y prevenir los problemas relacionados con el calor generado por los servidores. ¨ [1]
¨Un estudio realizado por la Universidad de California estimó el consumo de agua del Centro de Datos de Microsoft en Iowa, utilizado principalmente para el funcionamiento de GPT-4 de OpenAI. Se encontró que el consumo de agua de este centro ha aumentado un 37% desde 2021, en gran parte debido a la IA. En total, este centro consume 6.436 mil millones de litros de agua al año. El estudio concluye que, en promedio, entre 5 y 50 preguntas a ChatGPT consume medio litro de agua, dependiendo de su complejidad. Es importante destacar que este impacto ambiental no es exclusivo de Microsoft. El estudio también revela que el consumo de agua en todos los centros de datos de Google ha aumentado en un 30% desde 2021. Estas cifras son preocupantes, especialmente en un momento en el que la sequía es un problema grave en muchos países [2]
En este sentido se están evaluando las siguientes estrategias, tecnologías y buenas prácticas: Ubicación en regiones/países fríos: del norte de Europa (Finlandia, Suecia, …), Canadá, EEUU,… Zonas submarinas/sumergidos en el mar Enfriamiento líquido: no es un concepto novedoso, pero es más eficiente que el método de enfriamiento tradicional con aires (unas 3.000 veces más efectivo), este método utiliza agua helada, glicol u otros refrigerantes y es menos intenso en consumo energético; algunos tipos incluyen: enfriamiento directo al chip, enfriamiento líquido por inmersión, intercambiadores de puerta trasera. [1.]
En el 2018 Google cambiaba a refrigeración líquida después de décadas de dominio de sistemas de refrigeración por aire, Google ha sido pionero en esta área y ya otras de las grandes corporaciones siguen sus pasos. [3], [4], [5]
Agrupamiento de servidores en grandes centros conocidos como hiperescaladores, donde se aumenta la utilización del servidor, se disminuye la cantidad de servidores a alimentar y enfriar, lo que produce un ahorro de electricidad.
Desincorporación de fuentes de energías fósiles termoeléctricas y generadores a diésel e incorporación de combustibles renovables (biocombustibles de 2da generación, combustibles sintéticos CO2 + H2 verde) y ERs (granjas solares, parques eólicos, hidráulica, geotérmica, entre otras) y/o energía nuclear para minimizar/evitar la emisión de Gases con Efecto Invernadero (GEI – GHG¨) a la atmósfera.
Reubicación de los Centros ubicados en desiertos, regiones calientes, áreas con estrés hídrico, regiones con sequias extremas, áreas donde el uso del agua compite con el requerimiento de agua potable o para el uso agrícola, áreas donde el balance hídrico de mediano/largo plazo tanto superficial como subterráneo (baja recarga del acuífero) se prevea negativo, regiones donde haya que proteger el ¨caudal ecológico¨ de los ríos.
Infraestructuras eficientes: optimización de módulos, hiperescaladores (aumento del uso del servidor), enfriamiento con aire seco, ….
En el documento/Análisis IEEE 69/2022 ¨El Consumo de Energía y Agua en los Centros de Datos: Riesgos de Sostenibilidad¨, realizado por el Instituto Español de Estudios Estratégicos/IEEE.es, Autor: Mar Hidalgo (2 de noviembre de 2022). Una excelente fuente de información [6]. (Cita textual en letra cursiva)
¨Resumen: Tras la pandemia el uso de datos se ha disparado y lo hará a más velocidad en los próximos años a medida que se implanten en las sociedades la inteligencia artificial, el metaverso o el blockchain. La gestión y procesamiento de estos datos plantea importantes desafíos tecnológicos, operativos y de sostenibilidad.
Los centros de datos están aumentando significativamente el consumo de energía y agua en un contexto de cambio climático y de aumento de la población. Gestionar adecuadamente el nexo agua-energía en el sector de los centros de datos es uno de los grandes retos que se presentan en los próximos años]. En enero de 2021, los operadores de centros de datos y las asociaciones de la industria en Europa lanzaron el Pacto de Centros de Datos climáticamente Neutros (CNDCP, por sus siglas en inglés), que incluye el compromiso de hacer que estos centros de datos sean neutrales para el clima en 2030. Con objetivos intermedios para el 2025.
No solo energía sino también agua De forma general, los centros de datos han aumentado su eficiencia energética empleando torres de refrigeración en lugar de aire acondicionado. Pero esto está causando otro problema ambiental que hasta ahora ha permanecido oculto: el elevado uso del agua y lo más preocupante es que la mayor parte proviene de fuentes potables que abastecen de agua a hogares y empresas, y en tiempos de sequía podría tener graves consecuencias para las poblaciones locales. El agua va camino de convertirse en un recurso cada vez más escaso. Según el World Resource Institute (WRI) en 2030 existirá una brecha a nivel global del 56% entre el suministro mundial de agua y la demanda. Por lo tanto, crece la presión y compromiso sobre los operadores de los centros de datos tanto en el área energética como en la del consumo de agua¨. [vi.]
Comunidad Autónoma de CASTILLA LA MANCHA – CENTRO DE DATOS perteneciente a la Corporación Tecnológica META. UN RESULTADO EXITOSO DESDE EL PUNTO AMBIENTAL Y CLIMATICO: ENERGÍA: 100 % RENOVABLE RECURSO AGUA: TECNOLOGÍA DE ENFRIAMIENTO POR AIRE SECO, CON MUY BAJO A NINGUN CONSUMO DE AGUA
Galería Multimedia
22/03/2024 Consejería de Economía, Empresas y Empleo. La resolución se ha publicado hoy en el Diario Oficial de Castilla-La Mancha: El Gobierno de Castilla-La Mancha publica la declaración de impacto ambiental del centro de datos que Meta proyecta en Talavera de la Reina.
La publicación de la declaración de impacto ambiental supone un paso más en la tramitación del proyecto, que continúa avanzando para la aprobación definitiva del Plan de Singular Interés para la construcción de un Data Center Campus en el Polígono Torrehierro 2 de Talavera.
El proyecto que Meta plantea para Talavera de la Reina incorpora un sistema de refrigeración de aire seco que consumirá poco o nada de agua, utilizando un 100 por cien de energías renovables en su actividad.
El Gobierno de Castilla-La Mancha ha publicado hoy en el Diario Oficial de la región la resolución por la que se formula la declaración de impacto ambiental de la inversión que Meta plantea en Talavera de la Reina, para la construcción de un centro de datos en el Polígono Torrehierro 2.
La publicación de la declaración de impacto ambiental supone un paso más en la tramitación del proyecto, que continúa avanzando, a su vez, en la tramitación para la aprobación definitiva del Plan de Singular Interés, después de que la multinacional entregará el pasado mes de diciembre la documentación final para elevar a definitiva la aprobación inicial del PSI que se produjo en marzo de 2023. Antes, en junio de 2022, el proyecto de Meta en Talavera de la Reina había obtenido la Declaración de Interés Regional, y el pasado mes de noviembre se emitió el Informe Ambiental Estratégico de la inversión prevista para la Ciudad de la Cerámica.
La documentación entregada por Meta en el mes de diciembre para avanzar en la tramitación definitiva del PSI introducía novedades en materia de sostenibilidad en el planteamiento inicial del proyecto, tales como la reducción en dimensión y altura de los edificios que albergarán los centros de datos o la implementación de geometrías simples para reducir el impacto de la obra.
Además, en esa actualización se incluía también un sistema de refrigeración de aire seco que permite reducir el consumo de agua inicialmente previsto en la instalación y detallaba también que los edificios contarán con certificados LEED, una vez operativo, como garantía de sostenibilidad, apoyandóse en energías 100 por cien renovables. Meta, a su vez, recogía en la documentación su compromiso por priorizar la eficiencia en el uso de agua, así como a restaurar un mayor volumen de agua de la que se consuma a través de diferentes proyectos. La reducción de la huella y la eficiencia en el diseño resultarán en una inversión de 750 millones de euros.
El Proyecto de Singular Interés tiene como objeto el desarrollo de una Data Center Campus dentro de un ámbito de suelo industrial en la fase 2 del polígono Torrehierro, en Talavera de la Reina, para albergar las operaciones y el equipo de tecnología de la información de la empresa empleado para la producción digital, procesado y almacenamiento de datos que permitan dar servicio a través de sus aplicaciones.
La inversión prevé su desarrollo en una parcela discontinua de 102 hectáreas, con una inversión estimada de 750 millones de euros, de los cuales 685 millones de euros se destinan a la construcción del centro de datos. La duración estimada de las obras es de diez años, dando inicio en los doce meses siguientes a la conclusión de los procesos administrativos y las aprobaciones necesarias.
BIBLIOGRAFÍA: Artículos de relevancia en materia de Sostenibilidad Ambiental de los Data Center,
Densidad informática en Centros de Datos: el impacto de la IA América Retail (Noticia seleccionada por América Retail, Khaterin Palacios, 23/08/23) https://www.america-retail.com/innovacion/densidad-informatica-en-centros- de-datos-el-impacto-de-la-ia/
El Impacto Ambiental de la Inteligencia Artificial. 11 de Septiembre de 2023. Isp.today, ISP.PAGE Where Technology Meets Connectivity. https://www.isp.page/news/es/el-impacto-ambiental-de-la-inteligencia- artificial/ https://ideasmedioambientales.com/inteligencia-artificial-evaluacion-de-impacto-ambiental/
La refrigeración líquida reaparece en los Centros de Datos gracias a la Inteligencia Artificial. Autor: cliAtec 360 o Data Center https://cliatec.com/la-refrigeracion-liquida-reaparece-en-los-centros-de-datos-gracias-a-la-inteligencia-artificial/
¿Está su Centro de Datos preparado para la IA generativa? Tendencias / CIO. La demanda de IA generativa se está disparando, lo que ejerce presión sobre la infraestructura del centro de datos. Autor: Bob Violino, 27 de julio de 2023.
¿Es posible mejorar el impacto climático de los Centros de Datos y el desarrollo de la IA? Autor: Michelle Linares, profesora de Innovability Executive Program de MIOTI Tech & Business School y CCO en TheCUBE. https://www.datacentermarket.es/opinion/es-posible-mejorar-el-impacto- climatico-de-los-centros-de-datos-y-el-desarrollo-de-la-ia/
El consumo de energía y agua en los centros de datos: riesgos de sostenibilidad, Autor: Instituto Español de Estudios Estratégicos/ieee.es (Mar Hidalgo), 2 de noviembre de 2022. https://www.ieee.es/Galerias/fichero/docs_analisis/2022/DIEEEA69_2022_MARHID_Datos.pdf
NOTA: En estos artículos se puede revisar con más detalles los aspectos indicados sobre ubicación en países fríos: Finlandia, Suecia,….., Inmersión líquida, …, Glicol más agua, …. Sumergidos en el mar,…..artículo de minerales críticos para el hardware y estructuras,….., integridad mecánica, incendios,….., ERs y Nuclear para minimizar las emisiones de CO2.
Hoy, en unos países más que otros, la población enfrenta mentiras descomunales dadas por parte de sus gobiernos. En unos se dice que hay democracia y hay que calarse un autoritarismo exacerbado; en otros los gobiernos tienen origen democrático, pero practican mentiras descaradas en cosas tan fundamentales como el origen de la energía que usan. Doy por hecho que el lector sabrá a qué países con régimen claramente antidemocrático me refiero cuando escribo esto, por lo que no voy a entrar a detallar (por esos países, a veces uno llora desconsoladamente).
Dice Laura que “Albania, Bután, Islandia, Nepal, Etiopía, Paraguay y la República Democrática del Congo son los siete países del mundo que, según anunciaba el Foro Económico Mundial, funcionan con energía renovable al cien por cien desde 2023.
«Esta afirmación esconde una doble confusión», cuenta a Público David Hammerstein, sociólogo y activista medioambiental, eurodiputado del Parlamento Europeo adscrito a Los Verdes/ALE (2004-2009).
«Lo que compramos, lo que comemos, cómo nos movemos… todo eso es energía que se produce fuera de estos países», apunta, en relación a ese grueso porcentaje que permanece en la sombra.
El gato encerrado en las estadísticas
«China es la fábrica del mundo, que exporta la mayoría de los objetos de consumo (coches, electrodomésticos, material de construcción…) que se usan en todo el planeta. Para fabricarlos, no usa electricidad, sino energía fósil. De hecho, a pesar del aumento creciente de las renovables, estamos utilizando más carbón que nunca», denuncia.
Lo mismo ocurre con la industria alimentaria. «Laagricultura es en 90% combustibles fósiles«, señala Hammerstein. Se emplean, sobre todo, para la fabricación de fertilizantes nitrogenados para los cultivos.
Hammerstein: «La agricultura es en un 90% combustibles fósiles»
«Estos países que se dice que usan 100% renovables, igual que los que no llegan a ese porcentaje, también utilizan combustibles fósiles en la producción de acero, industria pesada, fertilizantes, cemento, hierro. Todos ellos productos para que los que no hay una forma viable de fabricación con renovables hoy por hoy», recalca.
Tampoco se está hablando de cómo llegan los aviones y buques a sus fronteras, todos ellos propulsados con combustibles altamente contaminantes. El CO2 que emiten no se computa en las contabilidades climáticas nacionales.
Las energías renovables suman, no sustituyen a las fósiles
Asimismo, a pesar de que vivimos en una economía totalmente globalizada, los cómputos no incluyen lo que los países importan. Un sesgo que, según Hammerstein, «descoloca cualquier comprensión realista de las estadísticas«.
Es lo que este experto llama «fuga de CO2«, con relación a todos esos gases de efectos invernadero que están motivados por su economía pero se generan fuera de sus fronteras.
Ante este panorama, la cruda realidad es que las energías de fuentes renovables suman, no sustituyen a las de origen fósil. Quizá, como mucho, la sustituye en un 1%, dice Hammerstein.
La realidad es que estamos viviendo unos hitos históricos en el consumo de carbón y que cerca de 86% del consumo energético en el mundo todavía viene de combustibles fósiles.
«Para emprender una verdadera transición energética hay que reducir el volumen total de consumo directo e indirecto de combustibles fósiles, no solo el porcentaje. Hoy esto no sucede. Hasta ahora, las renovables apenas han sustituido a los fósiles», observa.
Coste medioambiental y social
Por otra parte, llama la atención que los siete países «100% energía renovable» son, en su mayoría de ingresos medios a bajos, teniendo en cuenta la inversión enorme que supone transformar una economía hacia la transición energética. La explicación es que la electricidad de fuentes renovables que producen casi todos ellos está financiada por compañías extranjeras, lo que aumenta su deuda externa.
Es decir, no se trata de construir un mundo más sostenible, sino de exprimir todavía un poco más a países vulnerables. Salvo Islandia, que sigue un perfil diferente y emplea energía geotermal de origen volcánico, el resto se basa en energía hidroeléctrica.
Esto genera, en muchos casos, grandes problemáticas medioambientales, cuando la construcción de gigantescas presas es el origen de esa energía «sostenible». Es lo que ocurre en lugares con grandes ríos, como República Democrática del Congo (RDC) y Etiopía, o con ríos rápidos en zonas montañosas, como ocurre con Bután o Nepal.
«Hay que reducir el volumen total de consumo directo e indirecto de combustibles fósiles, no solo el porcentaje», recuerda el activista.
Además de afectar a las especies acuáticas que lo habitaban, «cuando pones una barrera en un río, los pozos y acuíferos se quedan sin agua durante kilómetros. El caudal el río disminuye y, como no se renueva el agua, cada vez está más sucia», observa Hammerstein.
Un buen ejemplo es el río más grande del mundo, el Nilo, que padece en su delta una «contaminación irreversible y a gran escala con metales pesados causada por las presas y la reutilización de aguas residuales», tal y como denunciaba en 2023 un estudio de la Universidad del Sur de California (USC).
Bautizada como la Gran Presa del Renacimiento Etíope, es la planta hidroeléctrica más grande de África, junto con varias megarrepresas más aguas arriba para generar electricidad que venden a sus vecinos y que han expulsado de sus territorios a las poblaciones indígenas que dependían del río para sus subsistencias.
Sus consecuencias también afectan a terceros, como es el caso de Kenia: la gran presa en el Nilo afecta al nivel del Lago Turkana y a las poblaciones adyacentes y a todo el ecosistema salvaje que alberga (cocodrilos, hipopótamos y aves acuáticas).
De igual manera, «en República Democrática del Congo, que tiene unos ríos enormes, tienen un proyecto hidroeléctrico para producir hidrógeno y exportarlo a toda Europa», apunta Hammerstein. Por supuesto, explotado por compañías extranjeras, en este caso, alemanas”.
Ambiente: Situación y retos es un espacio de El Nacional coordinado por Pablo Kaplún Hirsz
Resumen gráfico del marco multiagente conversacional para realizar simulaciones de ingeniería. NOTA: Las imágenes de simulación son solo para fines ilustrativos. Agentes conversacionales para simulaciones de ingeniería con mínima intervención humana utilizando Microsoft AutoGen y GPT-4o. (con código de GitHub).
Imagine un futuro en el que la IA resuelva problemas de ingeniería sin esfuerzo a través de conversaciones sencillas. La próxima generación de modelos de lenguaje e IA está preparada para revolucionar la forma en que utilizamos herramientas de ingeniería como el análisis de elementos finitos (FEA) y la dinámica de fluidos computacional (CFD) para resolver problemas complejos en análisis estructural, termodinámica, aerodinámica, campo eléctrico y potencial electromagnético. Pronto, dominar estas herramientas no requerirá una amplia experiencia del usuario en mecánica, matemáticas, materiales, física o programación.
Los modelos de lenguaje grandes (LLM) y las herramientas de IA generativa actuales pueden imitar el comportamiento humano, como el procesamiento del lenguaje natural, el reconocimiento de patrones, la retención de la memoria, el pensamiento crítico, el razonamiento y la toma de decisiones. También pueden escribir y depurar algoritmos numéricos en C++, Python, Julia y MATLAB. Más allá del lenguaje, son el cerebro detrás de los agentes de IA conversacionales, lo que hace que las interacciones entre IA y humanos y entre IA y herramientas sean más fluidas y efectivas. Múltiples agentes pueden colaborar para planificar y ejecutar tareas, monitorear resultados, adaptarse y usar herramientas para lograr objetivos de forma autónoma. Al combinar estas capacidades, los ingenieros pronto podrán interactuar con poderosas herramientas de simulación numérica y resolver problemas de ingeniería simplemente a través de conversaciones con una intervención mínima.
Basándome en estos avances, en este artículo demostraré cómo construir una red de agentes de IA potenciados por LLM que puedan crear modelos de forma autónoma y simular problemas en mecánica de sólidos y dinámica de fluidos con una mínima intervención humana. Creamos un equipo de agentes conversacionales que utilizan Microsoft AutoGen , cada uno de ellos especialista en funciones como planificación, formulación de problemas, redacción, depuración y ejecución de códigos, trazado y análisis, y crítica de resultados. Trabajarán de forma autónoma y se corregirán entre sí según sea necesario para crear y simular modelos FEA y CFD utilizando bibliotecas Python de código abierto. GPT-4 de OpenAI es la fuente de energía detrás de esto. El marco está envuelto dentro de una interfaz de usuario que utiliza la aplicación Chainlit .
Así es como se ve la aplicación en acción.
Ejemplo de tareas y conversaciones multiagente para resolver un problema de CFD mediante codificación Python
Casos de ejemplo y sugerencias
Probé la aplicación en varios problemas de análisis de elementos finitos (FEA) y de dinámica computacional (CFD) en 2D, denominados (a)-(d), y en un problema de análisis de elementos finitos (FEA) en 3D (denominado (e)). A continuación, encontrará las figuras correspondientes generadas por los agentes, junto con sus indicaciones iniciales para el usuario.
Aquí están las indicaciones que utilicé para los cinco ejemplos anteriores.
a) Placa 2D bajo desplazamiento
Una placa elástica de 1 m por 1 m tiene un módulo de Young de 1 GPa y un coeficiente de Poisson de 0,3. Tiene un desplazamiento cero en el borde izquierdo y un desplazamiento de 0,1 m a lo largo de la dirección x en el borde derecho. Calcule el desplazamiento con FENICS y guarde los resultados del desplazamiento en un archivo PNG.
b) Placa con un agujero circular bajo desplazamiento
Una placa 2D ocupa un dominio de 1 m por 1 m. Está hecha de cobre y tiene un orificio circular de radio 0,2 m en el medio. Tiene un desplazamiento cero en el borde izquierdo y un desplazamiento de 0,02 m a lo largo de la dirección x en el borde derecho. Los bordes superior e inferior pueden moverse libremente. Utilice FENICS para resolver el desplazamiento, graficar y almacenar la tensión de von Misses en un archivo PNG y calcular la fuerza total en el borde derecho.
c) Flujo de fluido incompresible 2D a través de un canal rectangular
Resuelva el flujo de fluido incompresible 2D dentro de un canal rectangular de 2 m de longitud y 0,5 m de altura. La densidad del fluido es 1 y la viscosidad es 0,001. Se prescribe un perfil de velocidad parabólico completamente desarrollado en la entrada izquierda con una velocidad máxima = 0,3. Utilice la biblioteca de Python FEniCS FE para resolver los campos de presión y velocidad 2D. Dibuje el campo de presión y guarde el gráfico como un archivo PNG.
d) Flujo 2D a través de un canal rectangular con un obstáculo circular
Resuelva el flujo de fluido incompresible 2D sobre un cilindro dentro de un canal rectangular de 2 m de longitud y 0,5 m de altura. El cilindro está centrado en (0,2 m, 0,2 m) con un diámetro de 0,1 m. La densidad del fluido es 1 y la viscosidad es 0,001. Se prescribe un perfil de velocidad parabólico completamente desarrollado en la entrada izquierda con una velocidad máxima = 0,3. Utilice la biblioteca FEniCS FE de Python para resolver los campos de presión y velocidad 2D. Dibuje el campo de presión y guarde el gráfico como un archivo PNG.
e) Tubo hueco de acero 3D bajo presión interna
Cree una malla de un tubo de acero 3D con un diámetro exterior de 5 mm y un espesor de pared de 0,5 mm. Dibuje primero la malla y verifíquela con el usuario. Utilice la biblioteca de Python FEniCS FE para calcular el desplazamiento del tubo de acero bajo una presión interna de 100 MPa. Dibuje y muestre el desplazamiento 3D con Pyvista. Guarde los gráficos como archivos PNG.
Tenga en cuenta que estas no fueron soluciones instantáneas. A veces, participé en múltiples conversaciones de ida y vuelta con los agentes, iterando hasta que las cosas salieron bien. Por ejemplo, el problema (b) involucraba una placa con un orificio circular central. Inicialmente, la geometría no tenía el orificio, pero después de algunas iteraciones, lo corregimos. De manera similar, el problema de CFD carecía de un obstáculo circular, que resolvimos mediante depuración. El problema 3D requirió la mayor cantidad de iteraciones, incluido el cierre y la reapertura de la aplicación para comenzar desde cero. También modifiqué el mensaje de entrada para guiar mejor el proceso de desarrollo del modelo. En general, estoy encantado con el resultado. Este es solo el comienzo de cómo los agentes impulsados por LLM pueden escribir, depurar y ejecutar códigos de ingeniería para tareas de modelado y simulación.
El desarrollo se realizó en un entorno Linux utilizando el Subsistema de Windows para Linux (WSL) y Visual Studio Code en una PC con Windows 11 con un procesador Intel i9 de 13.ª generación, 64 GB de RAM y 24 GB de Nvidia RTX 4090. No he probado esto en el entorno nativo de Windows, pero puedes hacerlo. Para obtener instrucciones sobre cómo instalar WSL y configurar entornos Python y Conda, consulta este artículo ( aquí ).
Aquí está el enlace al repositorio del código fuente.
Si has llegado hasta aquí, aplaude este artículo. No te pierdas más información y mejoras al final. Ahora, comencemos a ver cómo usar y modificar los códigos.
Guía de instalación
El núcleo de esta implementación implica permitir que los agentes de IA utilicen bibliotecas y herramientas de código abierto de Python. Para resolver problemas de FEA o CFD, necesitamos herramientas para crear la geometría, resolverla mediante algoritmos numéricos y visualizar los resultados. Se utilizan bibliotecas como gmsh, un generador de mallas de elementos finitos tridimensionales con funciones de preprocesamiento y posprocesamiento integradas, para crear geometrías o mallas. Se utiliza FEniCS, una plataforma informática de código abierto para resolver ecuaciones diferenciales parciales (PDE), para formular y ejecutar simulaciones numéricas. Para la visualización, se utiliza matplotlib para geometrías 2D y pyvista para geometrías 3D. Las bibliotecas adicionales necesarias se enumeran en el requirements.txtarchivo disponible en mi repositorio de GitHub.
Al crear la aplicación, limité las instalaciones a AutoGen y Chainlit. Normalmente, los agentes pueden instalar automáticamente todas las demás bibliotecas necesarias en función de los problemas que les pides que resuelvan. Sin embargo, esto suele consumir tokens y llamadas API adicionales y, a veces, no funciona de manera eficiente. Por lo tanto, preinstalé estas bibliotecas porque sabía que serían necesarias.
Recuerda que necesitas una clave API para GPT-4o de ChatGPT. Puedes intentar usar modelos sin conexión compatibles como Llama3:405B si tu hardware lo permite. Los modelos más pequeños aún no funcionarán.
Comandos de terminal para instalar y ejecutar la aplicación
La instalación de FEniCS desde el canal conda-forge también instala una versión de Python compatible, por lo que no necesitamos especificarla.# Crear entorno conda e instalar el paquete FEniCS FEA conda create -n fea_agents -c conda-forge fenics mshr
# Instalar otros paquetes de python (AutoGen, Chainlit, matplotlib, numpy, etc..) pip install -r requirements.txt
# Exportar clave API OpenAI export API_KEY=<your_key_xxxxxx>
# Ejecutar aplicación chainlit en el puerto predeterminado – http://localhost//8000 chainlit run appUI.py
Encontrarás los siguientes archivos en mi repositorio de GitHub.
./requirements.txt— Contiene una lista de todos los paquetes anteriores
./chainlit_agents.py— Contiene definiciones de clase que incluyen el asistente de AutoGen y los agentes proxy de usuario. Esto permite realizar un seguimiento de varios agentes y mostrar sus mensajes en la interfaz de usuario. (Un agradecimiento al equipo de Chainlit por crear la plantilla ).
./appUI.py— Contiene las principales funciones asincrónicas para configurar agentes, rastrear y manejar mensajes y mostrarlos dentro de la interfaz de usuario de Chainlit.
Desglose de la aplicación principal de Python
Importar bibliotecas
Notarás que se importan dos clases desde chainlit_agents . Estas clases contenedoras para agentes AutoGen permiten a Chainlit rastrear su conversación, mostrar textos y códigos con el formato adecuado y manejar la finalización u otras entradas del usuario. Puedes leer más sobre esto aquí .importar sistema operativo importar autogen importar chainlit como cl desde chainlit_agents importar ChainlitUserProxyAgent, ChainlitAssistantAgent
Cargar configuración LLM
Exporte su clave API a su entorno de sistema operativo o péguela directamente en el código como una variable de cadena.api_key = os.getenv( ‘API_KEY’ )
llm_config = { «seed» : 565 , # cambia la semilla para diferentes pruebas «temperature» : 0 , «config_list» : config_list_openai, «timeout» : 60000 , }
Crear mensajes del sistema para los agentes.
Diseñamos agentes con roles específicos: administrador (admin), planificador, científico, ingeniero, ejecutor, crítico y administrador de chat grupal, y los organizamos en un grupo de investigación para chats grupales autónomos, interactivos y dinámicos. El rol de cada agente se define a través de la creación de perfiles de agente, utilizando indicaciones iniciales para influir en el comportamiento de los LLM durante el chat.
El administrador asigna tareas y proporciona información cuando se le solicita.
El planificador desarrolla un plan paso a paso y sugiere subtareas específicas para otros agentes.
El científico formula el problema de mecánica utilizando FEM.
El ingeniero escribe y depura el código de implementación.
El ejecutor ejecuta el script, accede a un entorno de simulación y comparte resultados.
El crítico proporciona evaluaciones del proceso y del desempeño de los agentes.
El administrador del chat grupal coordina la conversación seleccionando oradores, recopilando aportes y transmitiendo mensajes.
A continuación se muestran las indicaciones del sistema para cada uno de estos agentes.USER_PROXY_MESSAGE = »’Un administrador humano. Interactúa con el planificador para analizar el plan. La ejecución del plan debe ser aprobada por este administrador.»’
ENGINEER_MESSAGE = »’Ingeniero. Sigues un plan aprobado. Escribes código Python/shell para resolver tareas. Envuelve el código en un bloque de código que especifica el tipo de script. El usuario no puede modificar tu código. Por lo tanto, no sugieras código incompleto que requiera que otros lo modifiquen. No uses un bloque de código si no está destinado a ser ejecutado por el ejecutor. No incluyas varios bloques de código en una respuesta. No pidas a otros que copien y peguen el resultado. Verifica el resultado de la ejecución devuelto por el ejecutor. Si el resultado indica que hay un error, corrige el error y vuelve a generar el código. Sugiere el código completo en lugar de código parcial o cambios de código. Si el error no se puede corregir o si la tarea no se resuelve incluso después de que el código se ejecuta correctamente, analiza el problema, revisa tu suposición, recopila la información adicional que necesitas y piensa en un enfoque diferente para probar. En el código que escribes, siempre agrega una parte para informar la solución en los límites y guárdala en un archivo separado para que el Científico la revise.»’
PLANNER_MESSAGE = «»»Planificador. Sugiere un plan. Revisa el plan en función de los comentarios del administrador y el crítico, hasta la aprobación del administrador. El plan puede involucrar a un ingeniero que pueda escribir código y a un científico que no escriba código. Explica el plan primero. Pídele al Ejecutor que instale las bibliotecas o módulos de Python según sea necesario sin la intervención humana. Deja en claro qué paso realiza un ingeniero y qué paso realiza un científico.»»»
SCIENTIST_MESSAGE = «»»Científico. Sigues un plan aprobado. Puedes formular el problema de mecánica con condiciones de límite claras y la ley constitutiva de los materiales. No escribes código. Verificas explícitamente los resultados de los límites del Ingeniero para ver si concuerdan con la condición de límite y la geometría de entrada. Cuando ejecutas el código, siempre guarda una copia para revisar.»»»
EXECUTOR_MESSAGE = «»»Ejecutor. Guarda y ejecuta el código escrito por el ingeniero e informa y guarda el resultado. Utilice tanto el intérprete de lenguaje de shell como el de Python.»»»
CRITIC_MESSAGE = «»» Crítico. Verifique nuevamente el plan, las afirmaciones, el código de otros agentes, los resultados en las condiciones límite y brinde comentarios. Verifique si el plan incluye agregar información verificable, como la URL de origen.»»»
Función de inicio para Chainlit UI.
Creamos los agentes cuando el usuario abre la aplicación de chat e imprime un mensaje de bienvenida. El ejecutor ejecuta el script, accede a un entorno de simulación y comparte los resultados. Por lo tanto, habilitamos la configuración de ejecución de código y configuramos Docker en Falso para usar solo el entorno del sistema operativo nativo para la ejecución del código.@cl.on_chat_start async def on_chat_start (): try : print ( «Establecer agentes.» ) proxy_usuario = ChainlitUserProxyAgent( «Administrador» , mensaje_sistema=MENSAJE_PROXY_USUARIO, configuración_ejecución_código= False ) ingeniero = ChainlitAssistantAgent( «Ingeniero» , llm_config=llm_config, mensaje_sistema=MENSAJE_INGENIERO) científico = ChainlitAssistantAgent( «Científico» , llm_config=llm_config, mensaje_sistema=MENSAJE_CIENTÍFICO) planificador = ChainlitAssistantAgent( «Planificador» , llm_config=llm_config, mensaje_sistema=MENSAJE_PLANIFICADOR) crítico = ChainlitAssistantAgent( «Crítico» , llm_config=llm_config, mensaje_sistema=MENSAJE_CRÍTICO) ejecutor = ChainlitAssistantAgent( «Ejecutor» , mensaje_sistema=MENSAJE_EJECUTOR, modo_entrada_humana= «NUNCA» , configuración_ejecución_código={ «últimos_n_mensajes» : 3 , «directorio_trabajo» : «resultados_FEA» , «uso_docker» : Falso })
Para probar la capacidad de este grupo de múltiples agentes para resolver problemas de ingeniería de forma autónoma, utilizamos el agente de administración (proxy de usuario) solo para asignar tareas. Si bien es posible recopilar aportes humanos en varias etapas, omitimos el aporte humano durante el chat grupal. Puede aumentar la variable MAX_ITERpara aumentar las conversaciones entre los agentes en función de la complejidad del problema que está tratando de resolver.@cl.on_message async def run_conversation ( message: cl.Message ): MAX_ITER = 50 CONTEXT = message.content user_proxy = cl.user_session.get( «user_proxy» ) planner = cl.user_session.get( «planner» ) engineer = cl.user_session.get( «engineer» ) critic = cl.user_session.get( «critic» ) executor = cl.user_session.get( «ejecutor» ) scientific = cl.user_session.get( «scientist» ) groupchat = autogen.GroupChat(agents=[user_proxy, planner, engineer, scientific, executor, critic], messages=[], max_round=MAX_ITER) manager = autogen.GroupChatManager(groupchat=groupchat, llm_config=llm_config)
Este marco LLM multiagente muestra el potencial de superar el paradigma exclusivamente humano en la resolución de problemas de ingeniería aprovechando el amplio conocimiento y las herramientas de código abierto de ChatGPT. La precisión y la eficiencia de este método dependen de la profunda comprensión del LLM de la mecánica de sólidos, la dinámica de fluidos, las teorías multifísicas, la ciencia de los materiales y la codificación. Un LLM más especializado y perfeccionado, entrenado en un vasto corpus de literatura científica relevante y conjuntos de datos de codificación, podría producir resultados aún más precisos. Alinear el modelo para escribir y ejecutar códigos y algoritmos de ingeniería complejos es esencial.
Se pueden crear agentes adicionales para manejar subtareas específicas y mejorar este enfoque. Por ejemplo, un agente puede generar la geometría inicial o el archivo CAD, otro puede crear la malla y un tercero puede escribir el algoritmo numérico. Esta división del trabajo reduce los errores y minimiza las iteraciones y las conversaciones de chat grupales necesarias para resolver los problemas de manera eficiente.
Además, estos agentes autónomos pueden utilizar API para interactuar con software de ingeniería comercial como SOLIDWORKS, ANSYS, Abaqus y LS-DYNA. Capacitar al LLM para escribir scripts para estas API facilitará interacciones fluidas. Este enfoque automatiza la resolución de problemas de diseño y análisis de ingeniería, allanando el camino para una colaboración fluida entre humanos e IA en la investigación e innovación en ingeniería.
Imagine un futuro en el que la IA resuelva problemas de ingeniería sin esfuerzo a través de conversaciones sencillas. La próxima generación de modelos de lenguaje e IA está preparada para revolucionar la forma en que utilizamos herramientas de ingeniería como el análisis de elementos finitos (FEA) y la dinámica de fluidos computacional (CFD) para resolver problemas complejos en análisis estructural, termodinámica, aerodinámica, campo eléctrico y potencial electromagnético. Pronto, dominar estas herramientas no requerirá una amplia experiencia del usuario en mecánica, matemáticas, materiales, física o programación.
Los modelos de lenguaje grandes (LLM) y las herramientas de IA generativa actuales pueden imitar el comportamiento humano, como el procesamiento del lenguaje natural, el reconocimiento de patrones, la retención de la memoria, el pensamiento crítico, el razonamiento y la toma de decisiones. También pueden escribir y depurar algoritmos numéricos en C++, Python, Julia y MATLAB. Más allá del lenguaje, son el cerebro detrás de los agentes de IA conversacionales, lo que hace que las interacciones entre IA y humanos y entre IA y herramientas sean más fluidas y efectivas. Múltiples agentes pueden colaborar para planificar y ejecutar tareas, monitorear resultados, adaptarse y usar herramientas para lograr objetivos de forma autónoma. Al combinar estas capacidades, los ingenieros pronto podrán interactuar con poderosas herramientas de simulación numérica y resolver problemas de ingeniería simplemente a través de conversaciones con una intervención mínima.
Basándome en estos avances, en este artículo demostraré cómo construir una red de agentes de IA potenciados por LLM que puedan crear modelos de forma autónoma y simular problemas en mecánica de sólidos y dinámica de fluidos con una mínima intervención humana. Creamos un equipo de agentes conversacionales que utilizan Microsoft AutoGen , cada uno de ellos especialista en funciones como planificación, formulación de problemas, redacción, depuración y ejecución de códigos, trazado y análisis, y crítica de resultados. Trabajarán de forma autónoma y se corregirán entre sí según sea necesario para crear y simular modelos FEA y CFD utilizando bibliotecas Python de código abierto. GPT-4 de OpenAI es la fuente de energía detrás de esto. El marco está envuelto dentro de una interfaz de usuario que utiliza la aplicación Chainlit .
Así es como se ve la aplicación en acción.
Ejemplo de tareas y conversaciones multiagente para resolver un problema de CFD mediante codificación Python
Casos de ejemplo y sugerencias
Probé la aplicación en varios problemas de análisis de elementos finitos (FEA) y de dinámica computacional (CFD) en 2D, denominados (a)-(d), y en un problema de análisis de elementos finitos (FEA) en 3D (denominado (e)). A continuación, encontrará las figuras correspondientes generadas por los agentes, junto con sus indicaciones iniciales para el usuario.
Aquí están las indicaciones que utilicé para los cinco ejemplos anteriores.
a) Placa 2D bajo desplazamiento
Una placa elástica de 1 m por 1 m tiene un módulo de Young de 1 GPa y un coeficiente de Poisson de 0,3. Tiene un desplazamiento cero en el borde izquierdo y un desplazamiento de 0,1 m a lo largo de la dirección x en el borde derecho. Calcule el desplazamiento con FENICS y guarde los resultados del desplazamiento en un archivo PNG.
b) Placa con un agujero circular bajo desplazamiento
Una placa 2D ocupa un dominio de 1 m por 1 m. Está hecha de cobre y tiene un orificio circular de radio 0,2 m en el medio. Tiene un desplazamiento cero en el borde izquierdo y un desplazamiento de 0,02 m a lo largo de la dirección x en el borde derecho. Los bordes superior e inferior pueden moverse libremente. Utilice FENICS para resolver el desplazamiento, graficar y almacenar la tensión de von Misses en un archivo PNG y calcular la fuerza total en el borde derecho.
c) Flujo de fluido incompresible 2D a través de un canal rectangular
Resuelva el flujo de fluido incompresible 2D dentro de un canal rectangular de 2 m de longitud y 0,5 m de altura. La densidad del fluido es 1 y la viscosidad es 0,001. Se prescribe un perfil de velocidad parabólico completamente desarrollado en la entrada izquierda con una velocidad máxima = 0,3. Utilice la biblioteca de Python FEniCS FE para resolver los campos de presión y velocidad 2D. Dibuje el campo de presión y guarde el gráfico como un archivo PNG.
d) Flujo 2D a través de un canal rectangular con un obstáculo circular
Resuelva el flujo de fluido incompresible 2D sobre un cilindro dentro de un canal rectangular de 2 m de longitud y 0,5 m de altura. El cilindro está centrado en (0,2 m, 0,2 m) con un diámetro de 0,1 m. La densidad del fluido es 1 y la viscosidad es 0,001. Se prescribe un perfil de velocidad parabólico completamente desarrollado en la entrada izquierda con una velocidad máxima = 0,3. Utilice la biblioteca FEniCS FE de Python para resolver los campos de presión y velocidad 2D. Dibuje el campo de presión y guarde el gráfico como un archivo PNG.
e) Tubo hueco de acero 3D bajo presión interna
Cree una malla de un tubo de acero 3D con un diámetro exterior de 5 mm y un espesor de pared de 0,5 mm. Dibuje primero la malla y verifíquela con el usuario. Utilice la biblioteca de Python FEniCS FE para calcular el desplazamiento del tubo de acero bajo una presión interna de 100 MPa. Dibuje y muestre el desplazamiento 3D con Pyvista. Guarde los gráficos como archivos PNG.
Tenga en cuenta que estas no fueron soluciones instantáneas. A veces, participé en múltiples conversaciones de ida y vuelta con los agentes, iterando hasta que las cosas salieron bien. Por ejemplo, el problema (b) involucraba una placa con un orificio circular central. Inicialmente, la geometría no tenía el orificio, pero después de algunas iteraciones, lo corregimos. De manera similar, el problema de CFD carecía de un obstáculo circular, que resolvimos mediante depuración. El problema 3D requirió la mayor cantidad de iteraciones, incluido el cierre y la reapertura de la aplicación para comenzar desde cero. También modifiqué el mensaje de entrada para guiar mejor el proceso de desarrollo del modelo. En general, estoy encantado con el resultado. Este es solo el comienzo de cómo los agentes impulsados por LLM pueden escribir, depurar y ejecutar códigos de ingeniería para tareas de modelado y simulación.
El desarrollo se realizó en un entorno Linux utilizando el Subsistema de Windows para Linux (WSL) y Visual Studio Code en una PC con Windows 11 con un procesador Intel i9 de 13.ª generación, 64 GB de RAM y 24 GB de Nvidia RTX 4090. No he probado esto en el entorno nativo de Windows, pero puedes hacerlo. Para obtener instrucciones sobre cómo instalar WSL y configurar entornos Python y Conda, consulta este artículo ( aquí ).
Aquí está el enlace al repositorio del código fuente.
Si has llegado hasta aquí, aplaude este artículo. No te pierdas más información y mejoras al final. Ahora, comencemos a ver cómo usar y modificar los códigos.
Guía de instalación
El núcleo de esta implementación implica permitir que los agentes de IA utilicen bibliotecas y herramientas de código abierto de Python. Para resolver problemas de FEA o CFD, necesitamos herramientas para crear la geometría, resolverla mediante algoritmos numéricos y visualizar los resultados. Se utilizan bibliotecas como gmsh, un generador de mallas de elementos finitos tridimensionales con funciones de preprocesamiento y posprocesamiento integradas, para crear geometrías o mallas. Se utiliza FEniCS, una plataforma informática de código abierto para resolver ecuaciones diferenciales parciales (PDE), para formular y ejecutar simulaciones numéricas. Para la visualización, se utiliza matplotlib para geometrías 2D y pyvista para geometrías 3D. Las bibliotecas adicionales necesarias se enumeran en el requirements.txtarchivo disponible en mi repositorio de GitHub.
Al crear la aplicación, limité las instalaciones a AutoGen y Chainlit. Normalmente, los agentes pueden instalar automáticamente todas las demás bibliotecas necesarias en función de los problemas que les pides que resuelvan. Sin embargo, esto suele consumir tokens y llamadas API adicionales y, a veces, no funciona de manera eficiente. Por lo tanto, preinstalé estas bibliotecas porque sabía que serían necesarias.
Recuerda que necesitas una clave API para GPT-4o de ChatGPT. Puedes intentar usar modelos sin conexión compatibles como Llama3:405B si tu hardware lo permite. Los modelos más pequeños aún no funcionarán.
Comandos de terminal para instalar y ejecutar la aplicación
La instalación de FEniCS desde el canal conda-forge también instala una versión de Python compatible, por lo que no necesitamos especificarla.# Crear entorno conda e instalar el paquete FEniCS FEA conda create -n fea_agents -c conda-forge fenics mshr
# Instalar otros paquetes de python (AutoGen, Chainlit, matplotlib, numpy, etc..) pip install -r requirements.txt
# Exportar clave API OpenAI export API_KEY=<your_key_xxxxxx>
# Ejecutar aplicación chainlit en el puerto predeterminado – http://localhost//8000 chainlit run appUI.py
Encontrarás los siguientes archivos en mi repositorio de GitHub.
./requirements.txt— Contiene una lista de todos los paquetes anteriores
./chainlit_agents.py— Contiene definiciones de clase que incluyen el asistente de AutoGen y los agentes proxy de usuario. Esto permite realizar un seguimiento de varios agentes y mostrar sus mensajes en la interfaz de usuario. (Un agradecimiento al equipo de Chainlit por crear la plantilla ).
./appUI.py— Contiene las principales funciones asincrónicas para configurar agentes, rastrear y manejar mensajes y mostrarlos dentro de la interfaz de usuario de Chainlit.
Desglose de la aplicación principal de Python
Importar bibliotecas
Notarás que se importan dos clases desde chainlit_agents . Estas clases contenedoras para agentes AutoGen permiten a Chainlit rastrear su conversación, mostrar textos y códigos con el formato adecuado y manejar la finalización u otras entradas del usuario. Puedes leer más sobre esto aquí .importar sistema operativo importar autogen importar chainlit como cl desde chainlit_agents importar ChainlitUserProxyAgent, ChainlitAssistantAgent
Cargar configuración LLM
Exporte su clave API a su entorno de sistema operativo o péguela directamente en el código como una variable de cadena.api_key = os.getenv( ‘API_KEY’ )
llm_config = { «seed» : 565 , # cambia la semilla para diferentes pruebas «temperature» : 0 , «config_list» : config_list_openai, «timeout» : 60000 , }
Crear mensajes del sistema para los agentes.
Diseñamos agentes con roles específicos: administrador (admin), planificador, científico, ingeniero, ejecutor, crítico y administrador de chat grupal, y los organizamos en un grupo de investigación para chats grupales autónomos, interactivos y dinámicos. El rol de cada agente se define a través de la creación de perfiles de agente, utilizando indicaciones iniciales para influir en el comportamiento de los LLM durante el chat.
El administrador asigna tareas y proporciona información cuando se le solicita.
El planificador desarrolla un plan paso a paso y sugiere subtareas específicas para otros agentes.
El científico formula el problema de mecánica utilizando FEM.
El ingeniero escribe y depura el código de implementación.
El ejecutor ejecuta el script, accede a un entorno de simulación y comparte resultados.
El crítico proporciona evaluaciones del proceso y del desempeño de los agentes.
El administrador del chat grupal coordina la conversación seleccionando oradores, recopilando aportes y transmitiendo mensajes.
A continuación se muestran las indicaciones del sistema para cada uno de estos agentes.USER_PROXY_MESSAGE = »’Un administrador humano. Interactúa con el planificador para analizar el plan. La ejecución del plan debe ser aprobada por este administrador.»’
ENGINEER_MESSAGE = »’Ingeniero. Sigues un plan aprobado. Escribes código Python/shell para resolver tareas. Envuelve el código en un bloque de código que especifica el tipo de script. El usuario no puede modificar tu código. Por lo tanto, no sugieras código incompleto que requiera que otros lo modifiquen. No uses un bloque de código si no está destinado a ser ejecutado por el ejecutor. No incluyas varios bloques de código en una respuesta. No pidas a otros que copien y peguen el resultado. Verifica el resultado de la ejecución devuelto por el ejecutor. Si el resultado indica que hay un error, corrige el error y vuelve a generar el código. Sugiere el código completo en lugar de código parcial o cambios de código. Si el error no se puede corregir o si la tarea no se resuelve incluso después de que el código se ejecuta correctamente, analiza el problema, revisa tu suposición, recopila la información adicional que necesitas y piensa en un enfoque diferente para probar. En el código que escribes, siempre agrega una parte para informar la solución en los límites y guárdala en un archivo separado para que el Científico la revise.»’
PLANNER_MESSAGE = «»»Planificador. Sugiere un plan. Revisa el plan en función de los comentarios del administrador y el crítico, hasta la aprobación del administrador. El plan puede involucrar a un ingeniero que pueda escribir código y a un científico que no escriba código. Explica el plan primero. Pídele al Ejecutor que instale las bibliotecas o módulos de Python según sea necesario sin la intervención humana. Deja en claro qué paso realiza un ingeniero y qué paso realiza un científico.»»»
SCIENTIST_MESSAGE = «»»Científico. Sigues un plan aprobado. Puedes formular el problema de mecánica con condiciones de límite claras y la ley constitutiva de los materiales. No escribes código. Verificas explícitamente los resultados de los límites del Ingeniero para ver si concuerdan con la condición de límite y la geometría de entrada. Cuando ejecutas el código, siempre guarda una copia para revisar.»»»
EXECUTOR_MESSAGE = «»»Ejecutor. Guarda y ejecuta el código escrito por el ingeniero e informa y guarda el resultado. Utilice tanto el intérprete de lenguaje de shell como el de Python.»»»
CRITIC_MESSAGE = «»» Crítico. Verifique nuevamente el plan, las afirmaciones, el código de otros agentes, los resultados en las condiciones límite y brinde comentarios. Verifique si el plan incluye agregar información verificable, como la URL de origen.»»»
Función de inicio para Chainlit UI.
Creamos los agentes cuando el usuario abre la aplicación de chat e imprime un mensaje de bienvenida. El ejecutor ejecuta el script, accede a un entorno de simulación y comparte los resultados. Por lo tanto, habilitamos la configuración de ejecución de código y configuramos Docker en Falso para usar solo el entorno del sistema operativo nativo para la ejecución del código.@cl.on_chat_start async def on_chat_start (): try : print ( «Establecer agentes.» ) proxy_usuario = ChainlitUserProxyAgent( «Administrador» , mensaje_sistema=MENSAJE_PROXY_USUARIO, configuración_ejecución_código= False ) ingeniero = ChainlitAssistantAgent( «Ingeniero» , llm_config=llm_config, mensaje_sistema=MENSAJE_INGENIERO) científico = ChainlitAssistantAgent( «Científico» , llm_config=llm_config, mensaje_sistema=MENSAJE_CIENTÍFICO) planificador = ChainlitAssistantAgent( «Planificador» , llm_config=llm_config, mensaje_sistema=MENSAJE_PLANIFICADOR) crítico = ChainlitAssistantAgent( «Crítico» , llm_config=llm_config, mensaje_sistema=MENSAJE_CRÍTICO) ejecutor = ChainlitAssistantAgent( «Ejecutor» , mensaje_sistema=MENSAJE_EJECUTOR, modo_entrada_humana= «NUNCA» , configuración_ejecución_código={ «últimos_n_mensajes» : 3 , «directorio_trabajo» : «resultados_FEA» , «uso_docker» : Falso })
Para probar la capacidad de este grupo de múltiples agentes para resolver problemas de ingeniería de forma autónoma, utilizamos el agente de administración (proxy de usuario) solo para asignar tareas. Si bien es posible recopilar aportes humanos en varias etapas, omitimos el aporte humano durante el chat grupal. Puede aumentar la variable MAX_ITERpara aumentar las conversaciones entre los agentes en función de la complejidad del problema que está tratando de resolver.@cl.on_message async def run_conversation ( message: cl.Message ): MAX_ITER = 50 CONTEXT = message.content user_proxy = cl.user_session.get( «user_proxy» ) planner = cl.user_session.get( «planner» ) engineer = cl.user_session.get( «engineer» ) critic = cl.user_session.get( «critic» ) executor = cl.user_session.get( «ejecutor» ) scientific = cl.user_session.get( «scientist» ) groupchat = autogen.GroupChat(agents=[user_proxy, planner, engineer, scientific, executor, critic], messages=[], max_round=MAX_ITER) manager = autogen.GroupChatManager(groupchat=groupchat, llm_config=llm_config)
Este marco LLM multiagente muestra el potencial de superar el paradigma exclusivamente humano en la resolución de problemas de ingeniería aprovechando el amplio conocimiento y las herramientas de código abierto de ChatGPT. La precisión y la eficiencia de este método dependen de la profunda comprensión del LLM de la mecánica de sólidos, la dinámica de fluidos, las teorías multifísicas, la ciencia de los materiales y la codificación. Un LLM más especializado y perfeccionado, entrenado en un vasto corpus de literatura científica relevante y conjuntos de datos de codificación, podría producir resultados aún más precisos. Alinear el modelo para escribir y ejecutar códigos y algoritmos de ingeniería complejos es esencial.
Se pueden crear agentes adicionales para manejar subtareas específicas y mejorar este enfoque. Por ejemplo, un agente puede generar la geometría inicial o el archivo CAD, otro puede crear la malla y un tercero puede escribir el algoritmo numérico. Esta división del trabajo reduce los errores y minimiza las iteraciones y las conversaciones de chat grupales necesarias para resolver los problemas de manera eficiente.
Además, estos agentes autónomos pueden utilizar API para interactuar con software de ingeniería comercial como SOLIDWORKS, ANSYS, Abaqus y LS-DYNA. Capacitar al LLM para escribir scripts para estas API facilitará interacciones fluidas. Este enfoque automatiza la resolución de problemas de diseño y análisis de ingeniería, allanando el camino para una colaboración fluida entre humanos e IA en la investigación e innovación en ingeniería.
Acerca de mí : Soy ingeniero de modelado líder en Eaton Research Labs, Southfield, MI, EE. UU. Exploro, desarrollo herramientas y escribo sobre temas relacionados con la mecánica computacional, la ciencia de los materiales, la ingeniería, los modelos de lenguaje y la inteligencia artificial generativa.
Tanto para la aplicación de aguas reutilizadas en los cultivos, como para el control del recurso que se filtra al medio, tanto la Unión Europea, como el Gobierno de España han definido claramente dos normativas que obligan a medir de forma más precisa y constante la calidad del agua de sus campos: La nueva ley de nitratos vertidos al medio y los requisitos mínimos para la reutilización del agua en aplicaciones de riego.
Control de contaminantes procedentes de cultivo en las aguas naturales
Para luchar con mayor efectividad contra la contaminación de aguas subterráneas y superficiales, España ha actualizado la normativa, aprobada hace más de veinticinco años, con el RD 47/2022, de 18 de enero de 2022, sobre contaminación producida por nitratos de origen agrario. El Reglamento (UE) 2020/741 es de aplicación inmediata en España desde junio de 2023 y considera un agua superficial afectada por nitratos cuando la concentración supera los 25 mg/l. En aguas subterráneas, el umbral se sitúa en los 50 mg/l.
Además, incluye limitaciones al uso de fertilizantes, aumenta en un 50% la superficie de las zonas protegidas e insta a la puesta en marcha de programas de actuación más rigurosos. Así, se insta a controlar el uso excesivo de fertilizantes y abonos nitrogenados en cultivos agrícolas intensivos y su posterior arrastre por riegos o aguas de lluvia, uno de los principales contaminantes de nitratos al medio natural.
La precisión de medida del sensor DropletSens en campo está por encima de 96% si se compara con resultados de laboratorio
La normativa vigente, de obligado cumplimiento, hace imperativa la aplicación de tecnologías que determinen con la máxima exactitud, fiabilidad y rapidez posible la concentración de nitratos en las aguas subterráneas y superficiales, y faciliten la toma rápida de decisiones, cumpliendo la normativa actual y la mejora de la calidad de nuestras fuentes de agua.
Una de estas tecnologías es DropletSens, un dispositivo de lectura continua que optimiza el método de análisis colorimétrico para la medición en serie de nitratos y nitritos a una longitud de onda de 540 nm. El uso de tecnología microfluídica permite llevar el laboratorio hasta el punto de análisis sin perder precisión o fiabilidad. Los nutrientes clave que mide el equipo son: NO3/NO2 (nitrato/nitrito), NH4 (amonio) y PO4 (fosfato).
Adasa ha llevado a cabo una prueba de campo del sensor DropletSens en la Estación Ballobar de la red SAICA de la Confederación Hidrográfica del Ebro, mostrando unos resultados óptimos para este tipo de analíticas, y quedando validado que la precisión de medida está por encima de 96% si se compara con resultados de laboratorio, haciendo que estadísticamente sean idénticos. Además, el margen de error queda muy por debajo del 10% requerido en las redes SAICA y en la normativa europea.
Por otro lado, el período entre mantenimientos (cambio de filtro y cartuchos) puede alargarse hasta un año, pudiendo trabajar en entornos remotos y sin ningún tipo de supervisión durante largos periodos de tiempo. Y la densidad de mediciones que puede proporcionar (hasta uno cada diez segundos), permite la toma de decisiones en tiempo real y la recogida de datos a largo plazo para la optimización de los acuíferos.
Así pues, se ratifica que DropletSens es una solución fiable, precisa y rápida para medir la concentración de nitratos en aguas subterráneas y superficiales, y cumplir con la actual normativa española RD 47/2022, de 18 de enero de 2022. Además, su bajo coste y su facilidad de instalación y mantenimiento lo convierte en una solución óptima.
Control de la calidad de las aguas reutilizadas
Otro de los problemas a los que se enfrenta la agricultura es la escasez de agua. En España, más del 80% de las extracciones de agua dulce se destinan al riego de cultivos alimentarios, según datos de la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO).
La crisis climática está provocando un cambio en los ciclos de pluviometría, haciendo necesario cada vez más utilizar fuentes alternativas de agua, entre las que se encuentra el agua regenerada procedente de las Estaciones Depuradoras de Agua Residuales (EDAR). El reglamento (UE) 2020/741 del Parlamento Europeo y del consejo de 25 de mayo de 2020 establecen los requisitos mínimos para la reutilización del agua en aplicaciones de riego. El reglamento es de aplicación en España desde junio de 2023 y, entre otros parámetros, define el número de E. coli en 100 mL como uno de los requisitos mínimos aplicables a las aguas regeneradas destinadas al riego agrícola.
Actualmente, a nivel legislativo solo se consideran válidos los valores de las medidas obtenidas en laboratorio, y este proceso puede tardar entre 24 y 96 horas, incluyendo la toma de muestras, el transporte al laboratorio, el proceso de análisis y el tratamiento del resultado.
El dispositivo aquaBio B504 es apto para el control de la contaminación fecal y asegurar el cumplimiento de normativas sectoriales
Para asegurar en todo momento la calidad, sería necesaria una monitorización en línea, como exige el reglamento para el caso de la turbidez, pero esta tecnología no estaba disponible en el momento del inicio del estudio para la redacción de la normativa.
Una de las soluciones para minimizar el riesgo de utilizar agua que no cumpla con los requisitos mínimos exigibles es la monitorización en línea del contenido de E. coli. Este proceso es posible con el equipo aquaBio B503, que detecta y cuantifica rápidamente E. coli y coliformes totales o enterococos.
Frente a las 24/96 horas que se emplean en las técnicas tradicionales para obtener la concentración de la muestra, el equipo puede obtener el valor en tres horas para muestras muy contaminadas, o doce horas para asegurarnos que no hay ningún E. coli en la muestra analizada. Con un funcionamiento totalmente automático, el dispositivo aquaBio B503 es apto para el control de la contaminación fecal y asegurar el cumplimiento de normativas sectoriales. Como el dispositivo mide la concentración real de E. coli, coliformes totales o enterococos utilizando el mismo volumen, la misma expresión de unidades, y utilizando un reactivo mundialmente aceptado, los valores obtenidos son comparables a las normativas, por lo que puede ayudar a las administraciones, industrias y operadores, a afrontar la gestión de riesgos mediante la medición de estos indicadores microbiológicos.
Además, aquaBio ha recibido la prestigiosa verificación ETV (Environmental Technology Verification) otorgada por la Comisión Europea, garantizando con esta tecnología de vanguardia, la seguridad del agua potable, de baño y reciclada mediante la detección rápida y fiable de microorganismos dañinos.
La verificación ETV valida la eficiencia y el rendimiento ambiental de tecnologías innovadoras. Este reconocimiento confirma que aquaBio cumple con los más altos estándares de calidad y sostenibilidad en la industria del agua. «El hecho de que esta fiabilidad esté garantizada por un organismo de acreditación independiente, asegura que nuestros clientes puedan tomar decisiones basadas en el monitoreo con aquaBio con total confianza», avanza Montserrat Batlle, especialista senior en Innovación en Sensores de Agua de Adasa.
Uno de los casos donde se emplea este sistema para agua regenerada es la planta depuradora de Castell d’Aro. Esta planta dispone de un tratamiento terciario diseñado para tratar 15.000 m3/día, aproximadamente un 42% del total de agua tratada en el secundario. El agua tratada en el terciario se almacena en un depósito de 325 m3 y se distribuye a demanda a dos campos de golf y dos comunidades de regantes (maíz y productos de la huerta).
Durante el período de pruebas, los resultados se obtuvieron tomando muestras para analizar en el laboratorio al mismo tiempo que el aquaBio tomaba la muestra. Este proceso se realizó sin interferir en el funcionamiento normal del equipo durante el período de operación de este.
La utilización de un equipo como aquaBio permite mejorar la seguridad y la eficiencia en las aplicaciones de agua regenerada
Las muestras se analizaron siguiendo la metodología de laboratorio ISO 9308-2:2012 y se compararon con los valores obtenidos en el aquaBio. Los resultados del contraste de muestras mostraron una alta correlación entre coliformes totales y E. coli con aquaBio. El análisis estadístico de los resultados mostró que no existían diferencias significativas entre los resultados del aquaBio y el resultado del laboratorio.
La utilización de un equipo como aquaBio permite mejorar la seguridad y la eficiencia en las aplicaciones de agua regenerada, y puede ayudar a la producción de agua regenerada apta para el propósito, al centrarse en la calidad del agua necesaria para su reutilización en el riego.
De esta forma, con equipos como aquaBio, se permite aplicar agua regenerada en los cultivos de forma segura, práctica y cumpliendo con la normativa vigente.
Asimismo, aquaBio es utilizado en otros ámbitos como la red de abastecimiento, calidad de aguas de baño, optimización de procesos de tratamiento para asegurar la calidad de este recurso en todo momento
