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 más seguras 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.
“Inicialmente se analiza todo el espacio de trabajo, que vendría a ser una infraestructura, se genera un BIM [modelado de información del edificio] y los datos se clasifican por capas temáticas. Luego se elabora un algoritmo para emigrarlos a un componente geoespacial vinculado a sistemas de información geográfica”, explica 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 ‘Proceso jerárquico analítico’ 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 alta 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 diversas capas temáticas y ver cuál de ellas presenta un mayor riesgo frente a distintas condiciones iniciales [el tipo de uso del edificio, el número de personas, etc.], simulando 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 seguir, considerando la más segura y no necesariamente la más corta, para las poblaciones vulnerables”, complementa.
Aunque la investigación está centrada en peligros de incendios, Castillo no descarta que se pueda aplicar en otros eventos 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 peligro y edificio, la cantidad de muebles, el número de personas, etc., se evalúa también 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 cuál es el porcentaje de personas que no reacciona, que no sigue las señales de salida o que demoran al momento de evacuar”.
Es aquí en donde se aplica 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 influye en las rutas por dónde evacuará el agente, quien -por técnicas de aprendizaje supervisado- recibe instrucciones para optar por ciertas salidas dependiendo de la cercanía del agente a la señal.
En un caso particular, cuando sucede un incendio que se propaga a través de salas o celdas en el modelo, se establece un punto de referencia inicial, que es en donde se encuentra el fuego y desde donde se extiende 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 alejarse del humo.
Otro punto que se tiene que considerar es que, cuando hay un movimiento masivo de personas, pueden haber 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 disminuya su velocidad, cambie su ángulo de movimiento y así evite chocar con ella, todo ello en la simulación. También influyen la cantidad de personas y el ancho de las rutas de evacuación.
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 y segura 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.
Estas actividades de investigación se desarrollan en el Laboratorio de Sistemas de Información Geográfica de la Universidad Nacional de Gyeongsang, bajo la supervisión del experimentado Prof. Hwan Hee Yoo, quien guía al equipo de trabajo en estos temas, y con el auspicio de la Fundación Nacional de Investigación de Corea del Sur. Castillo tiene como meta el replicar en un corto tiempo este aprendizaje en actividades de gestión de riesgo de desastres en Perú.
Fuente: Andina