Un marco multiobjetivo impulsado por IA para optimizar las dimensiones de las ventanas considerando la demanda energética y el confort térmico

Por qué el tamaño de la ventana importa más de lo que crees

Cuando imaginamos edificios eficientes energéticamente solemos pensar en paneles solares o en aislamiento grueso, pero las ventanas ordinarias, de forma silenciosa, pueden determinar cuánta energía consume un edificio y cuán confortable se siente. Este estudio aborda una pregunta aparentemente simple con grandes implicaciones prácticas: ¿qué anchura y altura debería tener una ventana de oficina para que las personas en su interior se sientan cómodas mientras se mantienen bajo control las facturas de calefacción y refrigeración? Empleando inteligencia artificial para cribar miles de opciones de diseño, los investigadores muestran cómo ventanas “justas” pueden lograr un equilibrio inteligente entre confort y consumo energético en una ciudad cálida y seca como Teherán.

Un edificio sencillo para responder una cuestión compleja

Para desenmarañar los efectos del tamaño de la ventana, los autores parten de una sala de oficina de una sola planta deliberadamente simple, con forma de caja. Las paredes, la cubierta, el suelo y la orientación del edificio permanecen fijos, y solo hay una ventana en la fachada principal. Lo único que cambia es la anchura y la altura de la ventana, que se varían dentro de un rango realista desde bastante pequeña hasta muy grande. Para casi diez mil combinaciones de ventana, las simulaciones por ordenador estiman cuánta energía precisa el edificio para refrigeración y calefacción a lo largo de un año y con qué frecuencia las temperaturas interiores se encuentran dentro de una franja de confort que la gente probablemente consideraría aceptable sin aire acondicionado. Este planteamiento reducido permite al equipo centrarse en cómo el tamaño de la ventana, por sí solo, remodela la demanda energética y el confort.

Permitir que un cerebro artificial aprenda los patrones

Ejecutar miles de simulaciones detalladas lleva tiempo, y explorar aún más opciones de diseño se vuelve impracticable rápidamente. Para acelerar el proceso, los investigadores entrenan una red neuronal artificial —un tipo de IA vagamente inspirada en cómo los cerebros procesan la información— para aprender a partir de los resultados de las simulaciones. Una vez entrenado, este modelo “sustituto” puede predecir al instante las necesidades de refrigeración y calefacción y los niveles de confort para cualquier nuevo tamaño de ventana dentro del rango estudiado. Las pruebas muestran que sus predicciones siguen muy de cerca los resultados originales de las simulaciones, capturando más del 99 % de la variación en las tres medidas. En otras palabras, la IA se convierte en un sustituto rápido y fiable de las simulaciones físicas más lentas.

Buscar los mejores compromisos, no una única respuesta perfecta

Con este sustituto digital rápido en funcionamiento, el equipo recurre a métodos de búsqueda evolutivos —algoritmos inspirados en la selección natural— para rastrear tamaños de ventana que equilibren objetivos en conflicto. Aquí los objetivos son reducir la energía anual de refrigeración, reducir la energía anual de calefacción y aumentar la proporción de tiempo en que las temperaturas interiores resultan confortables sin refrigeración mecánica. Dado que agrandar las ventanas ayuda en invierno (más sol y calor) pero perjudica en verano (más sobrecalentamiento), no existe una ventana “mejor” única. En su lugar, los algoritmos generan una familia de diseños de compromiso igualmente válidos, conocida como frente de Pareto, donde ninguna opción puede mejorarse en un objetivo sin empeorar otro. Para esta oficina concreta en Teherán, emergen ventanas de tamaño intermedio como el punto óptimo: mantienen la demanda de calefacción mucho más baja que las ventanas pequeñas, reducen la demanda de refrigeración respecto a las ventanas más grandes y ofrecen niveles de confort superiores a aproximadamente el 80 % de las horas ocupadas.

Qué revelan los resultados sobre el tamaño de la ventana

Los patrones que surgen de la búsqueda guiada por IA son intuitivos pero cuantificables. A medida que el área de la ventana crece, la energía anual de refrigeración aumenta casi de forma constante porque el vidrio orientado al sur admite más calor solar durante la estación cálida. Al mismo tiempo, la energía de calefacción disminuye porque la radiación solar invernal aporta calor útil que compensa con creces las pérdidas térmicas a través del vidrio. La medida de confort utilizada en este estudio —la frecuencia con que las temperaturas interiores se sitúan dentro de una franja de confort adaptativa para espacios ventilados naturalmente— también sube con el tamaño de la ventana, sobre todo porque las ventanas mayores capturan más calor propio de climas templados. No obstante, este índice no penaliza completamente episodios breves o sobrecalentamientos extremos, por lo que ventanas muy grandes podrían resultar incómodamente calientes en ciertos momentos, aun cuando obtengan una buena puntuación en la métrica de confort elegida. Esta matización subraya por qué los diseñadores deben interpretar los resultados de confort del estudio como una guía comparativa más que como garantías absolutas.

Cómo ayuda esto a arquitectos y propietarios

Para arquitectos, ingenieros e incluso propietarios de edificios, el mensaje práctico es claro: el dimensionado de las ventanas no es una cuestión de “más grande siempre es mejor” ni de “más pequeño siempre es más seguro”. El estudio muestra que existe una franja de dimensiones intermedias de ventana que ofrece fuertes beneficios de confort manteniendo la demanda energética bajo control, especialmente en climas con largas temporadas de calefacción y periodos de refrigeración más cortos e intensos como el de Teherán. Al combinar simulaciones detalladas, un modelo de IA de aprendizaje rápido y una búsqueda evolutiva, el marco proporciona a los diseñadores un menú claro de opciones de alto rendimiento en vez de una prescripción rígida y única. Eso les permite sopesar confort, facturas energéticas y preferencias estéticas lado a lado —con datos, no con conjeturas— al decidir el tamaño de las ventanas en edificios futuros.

Cita: Nasab, S.M.R.A., Rabiei, H. An AI-driven multi-objective framework for optimizing window dimensions considering energy demand and thermal comfort. Sci Rep 16, 6365 (2026). https://doi.org/10.1038/s41598-026-39795-8

Palabras clave: diseño de ventanas, energía de edificios, confort térmico, inteligencia artificial, optimización multiobjetivo