El ingeniero peruano Ever Enrique Castillo Osorio, candidato a doctor en Ingeniería Urbana en la Universidad Nacional de Gyeongsang (Corea del Sur), se encuentra desarrollando técnicas que aplican machine learning para probar y calcular rutas de evacuación en casos de incendios dentro de espacios urbanos, específicamente, en lugares habitados por poblaciones etarias vulnerables (como jardines para niños o casas de reposo para personas adultas mayores).
La investigación se centra en aplicar técnicas de inteligencia artificial que permitan evaluar cuáles serían las mejores rutas de evacuación en caso de un desastre dentro de este tipo de instalaciones, analizando los componentes de vulnerabilidad de la infraestructura.
«Por ejemplo, se analiza todo el espacio de trabajo, que vendría a ser una infraestructura, se genera un BIM [modelado de información del edificio] y esa información se empieza a clasificar por capas temáticas. Luego se elabora un algoritmo para emigrar la información a un componente geoespacial vinculado a sistemas de ubicación geográfica», explica el ingeniero Ever Castillo a la agencia Andina, desde Corea del Sur.
La meta es migrar la información y almacenarla en capas dentro de una base de datos. Allí se incluyen los elementos estructurales (columnas, vigas, etc.) y no estructurales (muebles, puertas, ventanas, entre otros) del edificio. Todos estos elementos se clasifican en capas bajo el componente espacial, que facilita la información geométrica completa, así como los tamaños de cada componente y del espacio en general.
Esta primera parte del trabajo se denomina ‘Análisis de proceso jerárquico’ y es una etapa en la cual se evalúa -en cada sector del edificio- todas las condiciones de vulnerabilidad. Por ejemplo, cuando sucede un incendio en una escuela, una condición de vulnerabilidad se puede encontrar dentro de un laboratorio de cómputo, pues es un lugar en donde los dispositivos electrónicos pueden generar cortocircuitos y, por lo tanto, una rápida expansión del fuego.
«Con otro algoritmo se pueden comparar las capas y ver cuál de ellas presenta un mayor peligro frente a las distintas condiciones iniciales [como el nivel del incendio, el tipo de edificio, el número de personas, etc.], lo que puede pasar al momento de evacuar a las personas. Con esas comparaciones se aplican pesos a cada capa, y estos influyen cuando el algoritmo principal toma la decisión de qué ruta debe seguirse por ser más segura, no necesariamente la más corta, para las poblaciones vulnerables», complementa.
Aunque la investigación está centrada en incendios, Castillo no descarta que se pueda aplicar en otros desastres como sismos (no muy comunes en Corea del Sur) o tsunamis.
Algoritmos para simular comportamientos
Luego de establecer las condiciones iniciales, como el tipo de desastre y edificio, la cantidad de muebles, el número de personas, etc., se evalúa el nivel de vulnerabilidad social. Las personas se modelan como agentes con distintos grados de capacidad de reacción dentro del algoritmo cuando empieza la emergencia (un incendio, sismo, tsunami) que provoca la evacuación.
Dentro de las variables de este segundo componente se encuentran la velocidad promedio que tiene una persona saludable al moverse, por ejemplo. «Cuando un niño entra en pánico, su velocidad se ve alterada. Entonces, el algoritmo también tiene que entender eso: cuál es el porcentaje de personas que no reacciona o que no sigue las señales al momento de salir».
Es aquí en donde entra en vigor la técnica de machine learning, la cual se basa en el aprendizaje supervisado. Eso quiere decir que se colocan una serie de señales (como carteles de salida) dentro del área de estudios (en la simulación). Previamente, el análisis de vulnerabilidad condiciona por dónde evacuará el agente, quien -por técnicas de aprendizaje supervisado- opta por tomar ciertas salidas dependiendo de la cercanía. «Si las condiciones de vulnerabilidad cambian, las señales también cambian», apunta Castillo.
En un caso particular, si sucede un incendio cuya propagación a través de salas o celdas, se establece un punto de referencia inicial, que es en donde se encuentra el fuego y desde donde se propaga el humo. Los agentes o personas en la simulación se encuentran distribuidos aleatoriamente y los más cercanos al fuego tienen que tomar la decisión correcta para no acercarse al humo.
Otro punto que se tiene que considerar es cuando hay un movimiento masivo de personas que puede provocar hacinamientos o colisiones. En ese caso, se usa un algoritmo para evitar colisiones, que permite dar instrucciones al agente para que, cuando haya otra persona a una distancia determinada, éste se aleje y evitar chocar con ella, todo ello aún dentro de la simulación.
Entre las variables también está el tiempo que le toma a la persona llegar a la zona de salida y de las distancias que corren, así como el porcentaje de personas que no llegarían a salir. «Lamentablemente, en estas situaciones, no todos pueden evacuar», advierte Castillo.
«En base a las condiciones de vulnerabilidad inicial, aparecen distintos escenarios de simulación. La idea es poder analizar estas condiciones para justificar las rutas de evacuación más fiables vinculadas a la seguridad del movimiento de estas personas, entendiendo que son personas vulnerables. Para el propio movimiento de la gente, también hay otros algoritmos que se integran».
Caminos cortos y largos
Cabe precisar que todo este sistema se basa en encontrar una ruta de evacuación eficiente en comparación con la ruta de evacuación normal, es decir, la más corta. En su opinión, el camino más corto puede presentar obstáculos que dificulten en gran medida la evacuación del agente. Por ejemplo, si para salir de una escuela durante un incendio se necesita cruzar por el laboratorio de cómputo (que es el camino más corto), se pueden asumir más riesgos que tomando un camino más largo.
Por ello, en el trabajo de Castillo también se usan programaciones complementarias para analizar los caminos cortos y largos: los algoritmos de Dijkstra y A*. El primero permite encontrar la ruta más rápida, mientras que el segundo exige al agente, cuando se moviliza por cada celda o sala, analizar la condición de cada lugar y tomar la decisión por cuál avanzar.
Un ejemplo cotidiano de ambos algoritmos lo vemos en Google Maps, que nos permite ver qué camino es más corto y analiza la condición de cada ruta para recomendarnos la menos riesgosa y más efectiva en cuanto al tiempo.
