Optimización Multicriterio de Cubiertas en Almacenes Aeroportuarios
mediante Diseño Generativo y Simulación Climática: Caso de Estudio
en Arquitectura Industrial Aeroportuaria
Multi-Criteria Optimization of Roof Systems in Airport Warehouses through
Generative Design and Climate Simulation: A Case Study in Airport Indus-
trial Architecture
Jhordan Renzzo Cabel Aguilera
*
Colegio de Arquitectos del Perú Regional Lima, Av. San Felipe 999, Jesús María, Lima, Perú.
* Autor correspondiente
:
jhordan.cabel@gmail.com
(J. Cabel)
DOI:
10.17268/scien.inge.2026.03.02
RESUMEN
Esta investigación explora el uso del diseño generativo y la simulación climática temprana para optimizar
cubiertas industriales en almacenes semiabiertos del Aeropuerto Internacional Jorge Chávez. Se comparan tres
soluciones: la original del cliente, una propuesta arquitectónica entregada en el ejercicio profesional y una
alternativa generada mediante algoritmos de optimización multiobjetivo asistidos por aprendizaje automático.
Usando herramientas como Ladybug Tools y Wallacei X, se evaluó el desempeño ambiental a partir de datos
EPW, con énfasis en cobertura de sombra, UTCI y MRT. Los resultados revelan que, aunque la solución en-
tregada al cliente cumple con los parámetros medidos, la solución generativa mejora el rendimiento técnico de
la propuesta original con una geometría más optimizada bajo múltiples criterios de optimización. El estudio
confirma el potencial del diseño computacional en fases iniciales de proyectos industriales, optimizando el
desempeño pasivo bajo restricciones técnicas y operativas reales.
Palabras clave:
Diseño Generativo; Simulación Climática; Arquitectura Paramétrica; Cubiertas Industriales;
Optimización Multiobjetivo.
ABSTRACT
This research explores the application of generative design and early-stage climate simulation to optimize in-
dustrial roof systems in semi-open warehouses at Jorge Chávez International Airport. Three design solutions
are compared: the client’s original scheme, an architectural proposal developed during professional practice,
and an alternative generated through multi-objective optimization algorithms supported by machine learning.
Using tools such as Ladybug Tools and Wallacei X, environmental performance was assessed based on EPW
data, with emphasis on shading coverage, UTCI, and MRT. The results indicate that, although the client-deli-
vered solution complies with the evaluated parameters, the generative design alternative enhances the technical
performance of the original proposal by achieving a more optimized geometry under multiple optimization
criteria. The study highlights the potential of computational design in the early stages of industrial projects,
improving passive performance under real technical and operational constraints.
Keywords:
Generative Design; Climate Simulation; Parametric Architecture; Industrial Roof Systems; Multi-
Objective Optimization.
En el contexto de la arquitectura industrial contemporánea, la integración de metodologías computacionales
avanzadas
—
como el diseño generativo y las simulaciones ambientales paramétricas
—
ha redefinido los pro-
cesos tradicionales de toma de decisiones proyectuales. Esta investigación se sitúa dentro de dicho marco y
presenta un análisis comparativo entre tres soluciones arquitectónicas orientadas a resolver el diseño de una
cubierta metálica en un área semiabierta, parte de una serie de almacenes logísticos del Aeropuerto Internaci-
onal Jorge Chávez. El proyecto ejecutado tuvo como objetivo prioritario maximizar la cobertura de sombra
sobre el área operativa durante la mayor parte del día, optimizando así el confort térmico y el desempeño
funcional del espacio. En este contexto, el diseño de cubiertas en entornos industriales, particularmente en
SCIÉNDO INGENIUM
ISSN 1810-6781 Scién. Inge. 22(3): 13-32, (2026)
Fecha de envío:29-09 -2025
Fecha de aceptación: 26-08-2026
Fecha de publicación: 30-09-2026
zonas aeroportuarias, tiene un impacto directo en el desempeño energético de los espacios y en las condiciones
de confort térmico. En climas cálidos o con alta exposición solar, una estrategia de sombreado eficiente puede
reducir significativamente las cargas térmicas internas y mejorar las condiciones de operación (Chi et al., 2021).
Esta investigación cobra relevancia ante la necesidad de explorar metodologías de optimización que integren
simulaciones climáticas y herramientas de diseño generativo, con el objetivo de proponer soluciones arquitec-
tónicas más eficientes y adaptadas al contexto. Para ello, se contrastaron tres propuestas: la solución original
planteada por el cliente, la propuesta definitiva desarrollada por el equipo de diseño, y una tercera alternativa
generada exclusivamente para esta investigación mediante un proceso de optimización multiobjetivo apoyado
en diseño generativo y simulaciones energéticas en fase temprana. El objetivo general es comparar el desem-
peño climático y energético de estas soluciones, evaluando métricas vinculadas a la proyección de sombra,
eficiencia geométrica y adecuación programática, con el propósito de valorar la eficacia del diseño generativo
como metodología aplicable a la arquitectura industrial aeroportuaria.
2. METODOLOGÍA
2.1 Selección del caso de estudio
Durante el ejercicio profesional, se recibió un encargo en el estudio, un proyecto de almacenaje de distintas
mercancías, transportadas mediante dollies, dentro de la zona logística del nuevo Aeropuerto Internacional
Jorge Chávez, para el cual se desarrolló un espacio semiabierto, dentro de un patio de maniobras, con una
cubierta a dos aguas a 11 metros de altura donde se desarrollarían las actividades. Dicho espacio, aunque cum-
plía con su función, tenía deficiencias en cuanto a climatización pasiva, debido a que tenía un requerimiento
especifico de sombra que debía aportar para cumplir su función eficientemente, esto se determinó y se corro-
boró mediante el desarrollo de algoritmos de simulación climática, específicamente de radiación recibida y de
sombra horizontal proyectada, una de las tareas a realizar en el encargo, y el objeto de estudio de la presente
investigación, fue determinar el porcentaje de sombra arrojada del diseño original, y proponer una solución
que cumpla con los requerimientos de climatización pasiva para el proyecto.
El encargo se desarrolló satisfactoriamente, cumpliendo de sobremanera con lo solicitado y gracias a la pericia
y expertise del equipo de proyectos, usando un proceso de diseño combinado, que usa algoritmos de simulación
y criterios de diseño arquitectónicos altamente eficientes, sin embargo, y dado que el presente estudio es un
análisis comparativo de este caso de estudio, se propone una solución adicional, basada en los procesos de
diseño multiobjetivo, y usando estrategias de diseño arquitectónico generativo, de manera tal que pueda estu-
diarse la eficiencia y los beneficios del uso de metodologías que fusionan el uso de herramientas de machine
learning con el diseño multiobjetivo, la simulación climática y los beneficios que puede aportar el uso de estas
estrategias en las etapas tempranas de un proyecto industrial.
2.2 Recolección de datos
La simulación climática, y, en especial la realizada mediante motores como Ladybugs Tools , utiliza informa-
ción recolectada por distintos sensores que miden las variables climáticas locales, agrupadas en archivos. EPW
(EnergyPlus Wheater files), estos archivos son un compilado de datos climáticos hora por hora durante un año
entero (8,760 registros)
Para la ejecución del proyecto y la presente investigación se usó como fuente el archivo EPW oficial de La-
dybug Tools (Ladybug Tools LLC, s.f.) que contiene un repositorio de las distintas fuentes climáticas que
proporciona EnergyPlus y que son soportadas por el motor, y con el cual se desarrollaron los algoritmos usados.
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
14
Figura 1.
Archivo climático .epw
En cuanto a los modelos, en donde se realizaron las comparaciones del estudio, se desarrollaron a partir del
modelo BIM del proyecto, el cual se simplifico a su mínima expresión funcional, a fin de ejecutar los análisis
con la información geométrica fundamental, tanto del modelo original del proyecto, como de la solución pro-
puesta en el estudio, adicionalmente, para objeto de esta investigación, se desarrolló una tercera opción, gene-
rada mediante algoritmos de optimización genética y análisis multiobjetivo impulsadas por machine learning
(Makki, Showkatbakhsh, & Song, 2019).
Figura 2
. Modelos 3D de las propuestas. Izquierda: propuesta del cliente. Derecha: Solución del estudio
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
15
2.3 Simulación inicial
Como paso inicial del estudio comparativo se establece un flujo doble de trabajo, donde se establece la geo-
metría inicial del proyecto (modelo original) y se desglosa en parámetros modificables algorítmicamente me-
diante el uso de sliders dentro de Grasshopper (figura 3) de modo que se conviertan en los futuros genes que
se usaran en el diseño optimizado.
Figura 3.
Algoritmo de simulación inicial
Paralelamente, mediante el motor Ladybug Tools se desarrolla un algoritmo de condiciones básicas de diseño,
en este caso apoyándonos de una carta psicométrica, obtenida mediante la simulación climática, esta carta
psicométrica entrega los siguientes resultados:
Se observa un rango térmico moderado, la mayoría de puntos están entre 17 °C y 27 °C de temperatura. Esto
debido a que en el eje X (horizontal) donde se observa la temperatura de bulbo seco (°C) va desde -
20 °C hasta
50 °C, pero el rango real usado en Lima va de ~15 °C a ~29 °C.
Se ve además una humedad relativamente alta y constante, la mayoría de las condiciones se agrupan entre 60%
y 90% de humedad relativa, esto se aprecia también en el gráfico, el eje Y (vertical derecho) muestra la hume-
dad absoluta o relación de mezcla (kg de agua/kg de aire seco) Las curvas rojas inclinadas representan la
humedad relativa (%), desde 10% hasta 100% y las líneas diagonales curvas (rojas) la entalpía (energía total
del aire húmedo, en kJ/kg).
Hay una concentración densa de horas en una zona estrecha. El grupo más denso está entre 20
–25 °C y 60–
80% HR, con colores entre amarillo y rojo, lo que indica que el aire se encuentra en ese estado durante la mayor
parte del año. Esto observado en la densidad de malla y representado mediante el mapa de calor de la misma
(color azul, pocas horas; rojo, muchas horas) en la figura 4.
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
16
Figura 4.
Carta Psicométrica
Además, se obtiene un análisis de viento previo, mediante la generación de una rosa de vientos, que sugiere
una dirección principalmente sureste y una velocidad de viento promedio anual de 5,18 m/s (18,65 km/h o 11,6
mph) que es moderada, pero ya lo suficientemente significativa como para tener impacto arquitectónico y bio-
climático (figura 5). Aunque no se realizaron simulaciones de turbulencia ni de flujo laminar para el presente
estudio, se tiene en cuenta estas condiciones básicas de diseño climático para el estudio comparativo.
Figura 5.
Rosa de vientos
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
17
2.4 Diseño generativo
2.4.1 Problema de diseño
El uso de la herramienta de optimización genética y análisis multiobjetivo Wallacei X requiere establecer las
condiciones iniciales de diseño mediante el uso de restricciones y objetivos de diseño controlables mediante
parámetros modificables (Cabel, 2023; Chi et al., 2021) para conseguir la población más optimizada genética-
mente, y por ende encontrar la mejor solución para ese diseño en particular, esto dentro de la metodología de
diseño generativa se denomina Problema de Diseño (Cabel, 2023).
Para este caso en particular el problema de diseño se plantea en como optimizar un complemento de una cubi-
erta ya existente, que no suponga un costo excesivo en su fabricación, que optimice el uso final de aumentar el
área de sombreado y que sea constructivamente viable. A partir de estas premisas se procede con establecer un
modelo 3d parametrizable, con variables modificables en tiempo real de acuerdo a ciertos criterios de evalua-
ción (genes), estos se optimizarán como si fuera un organismo que evoluciona con cada generación, para ob-
tener al final la solución mejor optimizada en todas las variables (fenotipo).
2.4.2 Definición de los genes
Como primera restricción se estableció minimizar el costo de construcción, esto se tradujo en una condición
que limite la cobertura a su área mínima de funcionamiento, al ser una cobertura a dos aguas libre es sus cuatro
frentes, la condición se cumple al sumar el área de cada de cada cubierta adicional y obtener un promedio
general, para no limitar las iteraciones del algoritmo evolutivo se establece un rango inferior mínimo, con
relación directa del área mínima proyectada que tiene que ser mayor que el área recta proyectada de la cubierta
original ( área promedio de la proyección horizontal de cubiertas + área de la proyección horizontal de la
cubierta >área de la proyección horizontal de la cubierta)
Debido a que no se tiene en cuenta la materialidad de la nueva cubierta ni los costos de construcción/fabricación,
la variable toma este resultado como indicador indirecto, suponiendo que a
menor área de construcción se
incurre en un menor costo.
La segunda restricción permite que el modelo proyecte en el plano horizontal una geometría cuya área sea tal
que sumado al área de la proyección original se mucho mayor, maximizando así el área sombreada; así, la
máxima área proyectada se calcula proyectando horizontalmente cada plano de cubierta, y esto sumándolo al
área proyectada original.
La tercera restricción responde al proceso constructivo y al correcto drenaje de aguas pluviales en la cubierta.
Una pendiente adecuada garantiza que el agua de lluvia sea evacuada eficientemente, evitando acumulaciones
que pueden generar filtraciones, sobrecargas estructurales o degradación prematura del sistema constructivo.
Además, muchas normativas técnicas como el Reglamento Nacional de Edificaciones, códigos internacionales
o especificaciones de fabricantes establecen valores mínimos de pendiente según el tipo de material de cubierta
y la longitud de escurrimiento.
En el presente estudio, se incorpora como variable de análisis la inclinación relativa de los paneles. Para cuan-
tificar la inclinación, se utiliza un parámetro geométrico relativo basado en el producto escalar entre el vector
normal de cada panel (n) y el vector unitario del eje vertical (eje Z)
𝜃
=
arcos(𝑛
∙
𝑧)
(1)
Donde:
𝜃
: ángulo de inclinación del panel
n: vector normal del panel
z: vector unitario del eje vertical
La desviación angular resultante se normaliza en un rango de 0 a 1 (expresado de 0% a 30% en la escala del
estudio), donde 0% representa la horizontalidad absoluta. El límite del 30% se define para garantizar la efici-
encia geométrica del modelo, evitando ángulos que conlleven cálculos de complejidad innecesaria o que re-
presenten resultados similares con formas geométricas más simples. Esta medida no corresponde a una pendi-
ente normativa en sentido estricto, sino que se utiliza como parámetro geométrico interno para evaluar y com-
parar morfologías de cubierta en función de su grado de inclinación.
La elección de esta variable responde a la necesidad de cuantificar el comportamiento espacial de paneles con
geometrías no convencionales, donde el diseño no depende exclusivamente de pendientes estructurales o de
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
18
evacuación de agua, sino también de factores como la captación solar, la ventilación, el control de sombras o
criterios estéticos.
Como última restricción, se incorpora la flecha o deflexión como variable estructural clave para la evaluación
de desempeño de los elementos de cubierta propuestos. Según Hibbeler (2020) esta variable puede definirse
como la deformación vertical máxima que puede presentar un elemento sometido a carga, una flecha admisible
como la variable utilizada, define la fuerza que deforma al elemento sin comprometer su integridad estructural,
funcionalidad ni percepción estética. Su valor se expresa comúnmente como una fracción de la luz libre del
elemento (L/n), de acuerdo con los criterios establecidos en normativas técnicas de diseño estructural, depen-
diendo del tipo de material y del uso previsto de la estructura.
Esta restricción estructural asegura la viabilidad técnica del sistema, garantizando un comportamiento seguro
y predecible ante cargas gravitacionales o ambientales.
Al no evaluar directamente un material en particular para este estudio se utiliza la fórmula comparativa de pre
dimensionamiento:
F
lecha M
á
xima
(
δ
)
=
𝑓
.
𝑥
−
3
≤
1
200
Donde:
(2)
f: módulo del material (5×10^(-3))
x: luz vertical del modelo
L/200: flecha admisible mínima
Figura 6.
Problema de diseño, definición de genes
2.4.3 Ejecución del algoritmo generativo
Para la ejecución del algoritmo se usó como configuración la siguiente: un tamaño de generación: 50 individuos
por generación en un número total de 100 generaciones, dando un tamaño total de la población evaluada de
5000 soluciones.
Como parámetros del algoritmo se configuró una probabilidad de cruce (crossover) de 0,9; una probabilidad
de mutación 1/n, un índice de distribución del cruce (crossover distribution index) de 20, un índice de distri-
bución de la mutación (mutation distribution index) de 20 y una semilla aleatoria (random seed): 1 (para ase-
gurar reproducibilidad).
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
19
Como parámetros de la Simulación se establecieron 3 genes agrupados en dos sliders (variables de entrada)
con una cantidad total de valores posibles (combinaciones de sliders): 387, dentro de un número de funciones
objetivo (fitness) de 4, dando como resultado un tamaño del espacio de búsqueda: 1,
3 × 10⁴ posibles soluciones.
Se utilizaron el software Rhinoceros 7,4, el complemento de grasshopper Wallacei X 2,7. Las simulaciones
fueron ejecutadas en un equipo con procesador Intel Core i7-13620H (2.4 Hz), 24 GB de memoria RAM y
tarjeta gráfica NVIDIA RTX 4060 (6 GB VRAM), bajo sistema operativo Windows 11 Pro de 64 bits, con
tiempos de simulación de 8 segundos por hijo aproximadamente.
Figura 7.
Izquierda: Configuración de entrada. Derecha: Espacio objetivo de búsqueda
2.4.4 Análisis computacional de desempeño y optimización final
El análisis de las 5000 soluciones entregadas se hizo mediante un proceso de machine learning, utilizando el
algoritmo K-means, integrado en el motor de Wallacei, adicionalmente se evaluaron los resultados de cada
restricción observando su comportamiento y tendencia mediante el análisis de su desviación estándar, una
análisis de la fluctuación de sus valores de restricción y la tendencia de las generaciones por restricción, siendo
el resultado del análisis 41 soluciones perfectamente elegibles, que cumplían con el balance adecuado de todas
las restricciones.
Figura 8.
Análisis estadístico de soluciones
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
20
Luego de que el algoritmo entregara estas soluciones, se utilizó, nuevamente el algoritmo de aprendizaje no
supervisado para analizar estas últimas, agrupadas en 10 clústeres, obteniendo así 10 soluciones especializadas,
las cuales se analizaron en una tabla de ponderación donde se incluyeron los valores de la desviación estándar,
los valores objetivo, la tendencia de la desviación estándar, la tendencia de objetivo y el fenotipo (modelo 3d)
de la solución, esto, particularmente importante, debido a que como cualquier algoritmo evolutivo multiobje-
tivo, trata el resultado del diseño como un conjunto de variables puramente matemáticas, dejando de lado la
propuesta visual o factibilidad constructiva (aunque incluir variables como flecha admisible y pendiente limitan
encontrar soluciones completamente inviables) obteniendo como solución escogida, dentro del universo de
búsqueda al individuo 37 de la generación 26.
Tabla 1. Resumen de Clasificación de Soluciones
|
Solución
|
Desv. Es-
tandar
|
Valores
Objetivo
|
Tenden-
cia D.E.
|
Tenden-
cia Obje-
tivo
|
Mo-
delo
3D
|
Resultado
|
|
Gen 22 Ind 22
Gen 13 Ind 11
Gen 26 Ind 37
Gen 27 Ind 48
Gen 52 Ind 43
Gen 43 Ind 28
Gen 41 Ind 30
Gen 0 Ind 17
Gen 41 Ind 48
Gen 15 Ind 47
|
SI
SI
SI
SI
SI
SI
SI
NO
SI
SI
|
|
NO
NO
SI
SI
NO
SI
NO
SI
NO
NO
|
|
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
|
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
|
NO
NO
SI
NO
SI
NO
NO
NO
NO
NO
|
INVIABLE
VIABLE (S. ELEGIDA)
INVIABLE
VIABLE
INVIABLE
INVIABLE
INVIABLE
INVIABLE
INVIABLE
INVIABLE
|
Así, el fenotipo elegido muestra un equilibrio entre las variables analizadas de sus genes y la volumetría 3d
resultante.
Figura 9.
Solución optimizada
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
21
2.5 Evaluación comparativa
Una vez seleccionadas las opciones de diseño a comparar, se procedió a hacer un cuadro con datos con los
cuales hacer un análisis objetivo. Durante la entrega del encargo al cliente del proyecto, se usó una tabla com-
parativa donde se analizaba el porcentaje de sombra proyectada y el área sombreada en metros cuadrados en
dos fechas claves representativas: 19 de enero para el verano y 23 de septiembre para la primavera, dentro de
estas fechas se analizaron además los resultados para horas de exposición solar representativas; desde las 6:00
horas hasta las 18:00 horas, con intervalos de 1 hora.
Para el desarrollo de la presente investigación, se adicionaron dos indicadores adicionales: el Índice universal
de Clima Térmico (UTCI) definido como un índice térmico universal que representa el estado térmico equiva-
lente del cuerpo humano calculado a partir del balance energético fisiológico, considerando variables ambien-
tales reales como temperatura del aire, viento, humedad, radiación (Matzarakis, Muthers, & Rutz, 2014) y la
Temperatura Radiante Media (MRT) que puede entenderse como una temperatura única equivalente que re-
presenta el efecto combinado de todas las fuentes de radiación presentes en el entorno, que interactúan sobre
el cuerpo humano (Guo et al., 2020) para tener un espectro completo de análisis de desempeño medioambiental
bajo estrategias de diseño pasivas.
3. RESULTADOS Y DISCUSIÓN
Los resultados obtenidos del análisis de la presente investigación muestran una clara mejora en el desempeño
climático de las opciones propuestas (la opción propuesta por el estudio de diseño y la opción optimizada de
esta investigación) contra el diseño original durante las fechas y horas de análisis.
En la petición original del proyecto (análisis de sombra) se muestra una clara ventaja de las propuestas siendo
los valores mínimos de porcentaje de sombras en el verano, a las 6:00 horas con valores de 5,43% para el
diseño original y un valor de 0,23% para la propuesta del estudio y 5.43% para la propuesta optimizada y a las
18:00 horas con 8,19% para el diseño original y propuesta optimizada y 35,39% para la propuesta del estudio,
unos picos altos alcanzados entre las 12:00 y 14:00 horas, donde la propuesta optimizada alcanza valores del
100% de sombras.
Figura 10.
Porcentaje de sombra en verano
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
22
Para la primavera, la propuesta del estudio muestra ventaja desde las primeras horas (7:00 horas) siendo supe-
rada por la propuesta optimizada sobre las 10:00 horas hasta las 14:00 horas, donde sus valores decrecen hacia
las 18:00, manteniendo una correlación con las fechas analizadas en verano.
Figura 11.
Porcentaje de sombra en primavera
En cuanto al indicador de UTCI, aunque todas las propuestas se encuentran en el rango de operación conforta-
ble, salvo ciertas horas, donde se presenta un calor moderado, la propuesta del estudio y la propuesta optimi-
zada muestran ventaja sobre la propuesta original, manteniéndose en valores intermedios en relación a los
rangos establecidos por el UTCI; teniendo los mejores valores en verano la solución propuesta por el estudio,
sobre las 9:00 horas y hasta el final, manteniendo los valores más consistentes, entre los 22° C y los 25°C,
teniendo los valores más críticos a las 11:00 horas, donde la propuesta original (28,68° C) y la solución opti-
mizada (27,25°C) fallan, teniendo un ligero aumento del estrés térmico solución del estudio ( 26,64°C) aunque
manteniéndose estas últimas más estables en horarios de mayor radiación solar, y dentro de los parámetros
aceptables, mostrando la solución del estudios reducciones de hasta 2,5°C, haciendo la propuesta más confor-
table.
Figura 12.
Temperatura UTCI en verano
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
23
En primavera, las tres soluciones presentan valores aceptables, siendo la solución original y la solución opti-
mizada las que presentan los valores más estables a lo largo de todas las horas analizadas, ubicándose en los
rangos intermedios de los valores confortables, encontrándose con temperaturas promedio de 22°C y 23°C,
teniendo la solución propuesta por el estudio reducciones de hasta 3,5°C, presentando los mejores valores.
Figura 13.
Temperatura UTCI en primavera
En cuanto a los valores de la Temperatura Radiante Media, se tienen valores altos en verano, iniciando cerca
de los 21°C a las 6:00 y llegando alrededor de los 47°C al medio día (12:00) empezando a descender a las
13:00 horas, lo que indica la eficiencia de las propuestas diseñadas, cerrando cerca de los 24°C a las 18:00.
Como resultado se tiene que el modelo original presenta mayores valores de estrés térmico, lo que se relaciona
directamente con los valores obtenidos de UTCI, la propuesta del estudio presenta mejor comportamiento,
reduciendo el MRT hasta 8°C, seguida de la solución optimizada, que reduce hasta 4°C.
Figura 14.
Temperatura MRT en verano
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
24
En relación a los valores medidos en primavera, se tienen valores más bajos que en el verano, con los valores
más bajos de 13°C y los más altos de hasta casi 37°C, siendo la propuesta del estudio la que tiene valores mejor
distribuidos a lo largo del día, con valores de hasta casi 30°C en las horas más críticas, teniendo una reducción
de 7°C en comparación con el modelo original, que, incluso en temperaturas más bajas que en verano, presenta
un aumento del estrés térmico, seguida de la solución optimizada, que aunque su reducción es menor, presenta
más estables y reducidos por más horas (desde las 10:00 hasta las 14:00 principalmente). Finalmente, a las
18:00 se muestra una inversión del MRT, teniendo la propuesta original el menor valor, siendo la solución
optimizada la que presenta un valor más estable, seguida de la propuesta del estudio.
Figura 15.
Temperatura MRT en primavera
La capacidad de las dos soluciones mejoradas (propuesta del estudio y solución generativa) para incrementar
el porcentaje de sombra en horas de máxima radiación solar confirma el valor del diseño paramétrico y la
optimización multiobjetivo. Mientras que el diseño original alcanzaba un mínimo de 5,
43 % de sombreado a
las 6:00 h en verano, la solución generativa logró cubrir hasta el 100 % en el pico de mediodía, lo cual supone
una mejora drástica en la protección térmica pasiva.
En el análisis del UTCI se muestra reducciones de estrés térmico de hasta 2,
5 °C en la propuesta del estudio y
de hasta 1,
4 °C en la solución optimizada respecto al diseño original. Esta diferencia tiene un impacto signifi-
cativo en la percepción de confort. La ligera superioridad de la propuesta del estudio sugiere que la incorpora-
ción de criterios cualitativos complementa el rigor cuantitativo del algoritmo, en tanto, las reducciones de MRT
de hasta 8 °C (propuesta del estudio) y 4 °C (solución optimizada) implican una menor ganancia de calor por
radiación directa e indirecta. La geometría generativa distribuye la sombra de modo más uniforme, lo cual es
deseable en espacios donde la uniformidad del confort es más crítica.
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
25
Figura 16.
Visualización de Resultados. Arriba: Porcentaje de sombras. Abajo: Distribución UTCI
En cuanto a las implicaciones prácticas del estudio, la integración de simulación climática y diseño generativo
en fases preliminares permite descartar rápidamente configuraciones poco eficientes y concentrar esfuerzos en
unas pocas alternativas de alto desempeño.
Al mejorar el confort pasivo, se puede reducir la necesidad de sistemas de climatización mecánicos
(Fernández,
2021) lo
que puede traducirse en disminución de costos operativos y emisiones de CO₂ a lo largo de la vida
útil de la cubierta, sin embargo, hay que destacar que los estudios de climatización mecánica y la implementa-
ción de sistemas HVAC sigue siendo a día de hoy un pilar fundamental en el diseño y operación de proyectos
industriales, el presente estudio hace hincapié en la necesidad de reducir, siempre que se pueda, la necesidad
de la utilización de estos equipos y su reemplazo por soluciones pasivas, a fin del compromiso de reducir la
huella de carbono, que, es bien sabido, en la industria de la construcción en general, sigue siendo grande.
Realizar estudios de simulación climática en fases iniciales de un proyecto permite anticipar el comportamiento
frente a condiciones ambientales reales y extremas, la simulación climática recrea artificialmente factores como
temperatura, humedad o radiación solar, lo que ayuda a anticipar cómo reaccionarán los elementos proyectados
y tomar decisiones respecto a este comportamiento (Han, 2018)
El diseño generativo, por su parte, explora cientos de soluciones de diseño simultáneamente bajo múltiples
criterios (peso, rigidez, sostenibilidad, etc.). Al integrar simulación física temprana (estructural, térmica, aero-
dinámica, etc.) en e
ste proceso, se asegura que “todos los elementos físicos importantes para el proyecto se
consideren desde el inicio
Este enfoque incorpora beneficios como:
Reducción de costos y materiales: el diseño generativo tiende a eliminar material sobrante optimizando la
geometría. Por ejemplo, puede diseñar una pieza con menos material sin sacrificar su resistencia estructural
Innovación y rendimiento: integrar desde el inicio la simulación en el diseño abre puertas a soluciones innova-
doras. Al poder manejar múltiples objetivos (por ejemplo, rigidez, coste, confort), el proceso generativo con
simulación acelera la búsqueda de configuraciones óptimas en el frente de Pareto. Como describe Swearingen
(2023), el diseño generativo y la simulación transforman exigencias complejas en oportunidades de innovación,
asegurando que desde la fase conceptual se satisfagan todos los requisitos físicos.
Exploración de soluciones controlada: La metodología, por su naturaleza evolutiva, es abierta y puede ser
adaptada para operar con restricciones y enfoques ilimitados (Cabel, 2023) lo que vuelve al diseño generativo
una herramienta capaz de adaptarse a cualquier tipo de proyecto.
La metodología de parametrización, simulación y optimización es transferible a otros proyectos industriales
que requieran soluciones de sombra y confort térmico particulares de operación, tanto en espacios abiertos,
semi abiertos y cerrados, el uso de esta metodología, tanto de diseño generativo como de simulación climática
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
26
es transversal al diseño, permite tener en cuenta al usuario final en su operación y tener un panorama más
completo y amplio de soluciones, que, con la metodología tradicional, muchas veces se dejan de lado.
Limitaciones
A continuación, se detallan las principales limitaciones identificadas en el desarrollo de esta investigación,
agrupadas por categorías metodológicas, técnicas y prácticas:
Limitaciones Metodológicas
-
•
Simulación climática unidireccional: El análisis se basó en un único archivo EPW representativo de
Lima (2024), sin considerar variaciones interanuales, eventos climáticos extremos (ENSO) ni micro-
climas locales como islas de calor urbanas o efectos de reflexión en patios industriales. De acuerdo a
lo descrito por Tumini e Higueras-García (2013) el promedio de los datos de entrada y salida de los
archivos climáticos varían dependiendo del software con el que son compatibles, sin embargo, son
aceptados para cálculos de simulación para las primeras etapas de diseño.
-
•
Ausencia de validación empírica: No se realizó monitoreo in situ de UTCI, MRT ni percepción de
confort con usuarios reales, limitando la correlación entre resultados simulados y experiencia operativa
real.
-
•
Criterios multiobjetivo simplificados: La optimización generativa priorizó sombra/UTCI sin integrar
ciclo de vida completo de materiales ni análisis económico detallado (costo-beneficio HVAC redu-
cido).
Limitaciones Técnicas y Normativas
-
•
Proxy área cubierta: Se asumió como indicador costo, ignorando variaciones materiales (acero vs com-
posite), logística montaje y mantenimiento.
-
•
Las variables de pendiente y deflexión se emplearon de forma genérica (0
–30 % y L/n, respectiva-
mente) sin ajustarse a normativas específicas de materiales ni condiciones de pendiente mínima según
RNE como E.020 (cargas) E.090 (estructuras metálicas) A.010 (condiciones generales de diseño) o
especificaciones técnicas de fabricantes, el uso de estas variables es simplificado y orientado a un pre
dimensionamiento, la solución final debe pasar por un estudio estructural formal, basado en normas de
ingeniería y normativa de construcción local para poder usarse en fases de construcción y fabricación.
Limitaciones de Alcance y Escalabilidad
-
•
Contexto proyecto específico: Análisis limitado a cubierta industrial particular; transferibilidad a es-
pacios semiabiertos/cerrados requiere recalibración parámetros.
-
•
Dependencia tecnológica:
Diseño
generativo demanda software propietario (Rhino/Grasshopper) y
competencias avanzadas, limitando replicabilidad en firmas de pequeño y mediano alcance.
-
•
Sesgos algorítmicos: Los parámetros iniciales pueden sesgar hacia soluciones formalmente complejas,
económicamente inviables sin validación constructiva. Es responsabilidad de los proyectistas seleccio-
nar la solución más compatible además con criterios técnicos, proyectuales, arquitectónicos y coheren-
tes con el entorno y proyecto específico.
Estas limitaciones posicionan el estudio como prototipo metodológico validado numéricamente, sugiriendo
investigaciones futuras con validación campo.
4. CONCLUSIONES
Aunque la propuesta entregada por el estudio cumple notablemente con los indicadores analizados en esta
investigación
—
en parte gracias a la experticia de los diseñadores y arquitectos involucrados
—
, es importante
destacar el valor del análisis climático temprano y de metodologías de diseño no convencionales, como aquellas
basadas en aprendizaje no supervisado. Estas permiten explorar soluciones que, de otro modo, podrían no
haberse considerado en las etapas iniciales del proyecto.
La propuesta desarrollada en el marco de esta investigación, mediante diseño generativo computacional, de-
muestra que la incorporación de tecnologías y procesos de diseño emergentes basados en restricciones puede
aportar transparencia al proceso proyectual. Esto se logra al visibilizar variables clave que influyen directa-
mente en la geometría final del edificio y en su comportamiento dentro del entorno en el que se inserta, condi-
cionando así su funcionalidad y la experiencia del usuario final.
Asimismo, el uso de simulaciones energéticas en fases tempranas del diseño proporciona una base sólida para
la toma de decisiones en torno al comportamiento térmico, la geometría y el desempeño ambiental del proyecto.
Los datos obtenidos son esenciales para análisis posteriores, tales como el cálculo de cargas de HVAC, el
diseño integrado de sistemas que optimicen el rendimiento energético del edificio, y la validación de decisiones
arquitectónicas bajo criterios de eficiencia y sostenibilidad ambiental.
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
27
Aunque los indicadores usados en la presente investigación responden a los requerimientos de confort y sombra
exigidos por los clientes, el uso de simulaciones permite también analizar más variables relacionadas con el
confort y eficiencia energética. El uso de algoritmos de simulación permite visualizar variables tempranas
importantes como cantidad de radiación recibida, tiempo de exposición solar, que pueden ser útiles en estudios
tempranos de ubicación de paneles solares y de la energía teórica que podrían producir.
Finalmente, el uso de un motor generativo multiobjetivo, y la geometría de la propuesta obtenida abre la puerta
a estudiar la eficiencia aerodinámica del proyecto, que, aunque la ubicación geográfica del mismo, no lo hace
relevante, puede ser una variable a tener en cuenta para estudios posteriores en proyectos similares.
REFERENCIAS BIBLIOGRÁFICAS
Cabel, J. (2023). Diseño Generativo para el Centro de I+I+D de la Sede Regional de IMARPE Huanchaco.
SCIÉNDO, 26(2), 133
–
138.
Chi, D. A., González M., E., Valdivia, R., & Gutiérrez J., E. (2021). Parametric design and comfort optimiza-
tion of dynamic shading structures. Sustainability, 13(14), 7670.
https://doi.org/10.3390/su13147670
Fernández Gómez, J. (2021). Eficiencia energética en el sector industrial (Cuadernos Orkestra, 02/2021).
Orkestra - Instituto Vasco de Competitividad, Fundación Deusto. https://www.orkestra.deusto.es/im-
ages/investigacion/publicaciones/informes/cuadernos-orkestra/210005-Eficiencia-Energ%C3%A9tica-
Sector-Industrial-INFORME-COMPLETO-.pdf
Guo, H., Aviv, D., Loyola, M., Teitelbaum, E., Houchois, N., & Meggers, F. (2020). On the understanding of
the mean radiant temperature within both the indoor and outdoor environment, a critical review.
Renewa-
ble and Sustainable Energy Reviews
,
117
(109207), 109207. https://doi.org/10.1016/j.rser.2019.06.014
Han, T., Huang, Q., Zhang, A., & Zhang, Q. (2018). Simulation-based decision support tools in the early de-
sign stages of a green building
—
A review. Sustainability, 10(10), 3696.
https://doi.org/10.3390/su10103696
Hibbeler, R. C. (2020). Structural analysis (10th ed., SI Units). Pearson Education, Inc
Ladybug Tools LLC. (s.f.). EPW map. Ladybug Tools. https://www.ladybug.tools/epwmap
Makki, M., Showkatbakhsh, M., & Song, Y. (2019). Wallacei Primer 2.0 [Manual]. Wallacei.
https://www.wallacei.com/
Matzarakis, A., Muthers, S., & Rutz, F. (2014). Application and comparison of UTCI and PET in temperate
climate conditions.
Finisterra, 49(98), 21
–
31.
https://doi.org/10.18055/Finis6453
Rhino Plugin. (s/f). Pollination.solutions. Recuperado el 3 de agosto de 2025, de https://www.pollination.so-
lutions/rhino-plugin.
Swearingen, C. (2023). Innovating Sustainability with Generative Design. SME (Society of Manufacturing
Engineers). https://www.sme.org/technologies/articles/2023/june/innovating-sustainability-with-genera-
tive-design
Tumini, I., & Higueras Garcia, E. (2013). Alcances y limitaciones de las herramientas de simulación para el
estudio del microclima urbano. Dyna energia y sostenibilidad, 2(3), [17 p.]-[17 p.].
https://doi.org/10.6036/es6921
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
28
ANEXOS
Figura 17.
Algoritmo de Optimización
Figura 18.
Algoritmo de Análisis
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
29
Figura 19.
Ejemplo de Solución Exportada
Figura 20.
Resultados de Soluciones Optimizadas
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
30
Tabla 2.
Porcentaje de Sombra en verano
|
FECHA
|
HORA
|
MODELO
ORIGINAL
|
SOLUCIÓN
ESTUDIO
|
SOLUCIÓN
OPTIMIZADA
|
|
19 - ENE
|
|
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
|
|
5,43
5,56
19,73
44,19
63,04
77,66
91,51
89,18
80,72
65,18
45,51
11,78
8,19
|
0,23
29,36
56,29
72,09
82,14
88,53
96,48
96,22
92,43
85,54
76,26
59,75
35,39
|
5,43
5,56
37,72
64,63
84,35
96,67
100,00
100,00
93,89
83,42
67,55
32,49
8,19
|
Tabla 3.
Porcentaje de Sombra en primavera
|
FECHA
|
HORA
|
MODELO
ORIGINAL
|
SOLUCIÓN
ESTUDIO
|
SOLUCIÓN
OPTIMIZADA
|
|
23 - SET
|
|
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
|
|
6,24
6,25
27,15
54,17
73,64
84,66
87,36
80,76
66,27
48,76
26,35
6,86
7,06
|
1,51
43,20
65,23
79,22
88,80
92,90
92,71
91,31
84,37
75,82
63,14
42,71
3,97
|
6,24
6,25
47,54
75,68
89,51
98,16
100,00
97,17
87,38
70,00
44,87
7,66
7,06
|
Tabla 4.
Temperatura en °C UTCI en verano
|
FECHA
|
HORA
|
MODELO
ORIGINAL
|
SOLUCIÓN
ESTUDIO
|
SOLUCIÓN
OPTIMIZADA
|
|
19 - ENE
|
|
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
|
|
21,94
21,72
25,03
26,63
28,00
28,68
27,84
26,62
25,56
25,16
23,81
21,17
19,85
|
22,06
21,33
24,11
25,10
26,20
26,64
25,81
24,68
23,67
23,52
22,66
20,50
19,72
|
21,75
21,49
24,50
26,36
26,97
27,25
26,70
25,54
24,49
24,22
23,15
20,78
19,78
|
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
31
Tabla 5.
Temperatura en °C UTCI en primavera
|
FECHA
|
HORA
|
MODELO
ORIGINAL
|
SOLUCIÓN
ESTUDIO
|
SOLUCIÓN
OPTIMIZADA
|
|
23 - SET
|
|
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
|
|
16,09
18,68
20,71
22,88
23,97
23,86
20,75
18,25
18,61
15,10
14,59
11,75
10,07
|
16,27
18,00
19,39
20,88
21,60
21,49
18,60
16,25
16,79
13,42
13,41
11,12
10,51
|
16,19
18,26
19,94
21,73
22,62
22,51
19,52
17,10
17,54
14,09
13,86
11,33
10,32
|
Tabla 6.
Temperatura en °C MRT en verano
|
FECHA
|
HORA
|
MODELO
ORIGINAL
|
SOLUCIÓN
ESTUDIO
|
SOLUCIÓN
OPTIMIZADA
|
|
19 - ENE
|
|
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
|
|
20,87
25,70
30,95
38,26
42,88
45,69
47,54
46,91
46,30
43,59
37,93
31,13
24,32
|
21,28
24,32
27,66
32,60
35,90
37,73
39,25
38,85
38,44
36,70
33,13
28,48
23,84
|
22,99
24,88
29,04
36,93
38,88
40,02
42,87
42,37
41,84
39,63
35,15
29,59
24,05
|
Tabla 7.
Temperatura en °C MRT en primavera
|
FECHA
|
HORA
|
MODELO
ORIGINAL
|
SOLUCIÓN
ESTUDIO
|
SOLUCIÓN
OPTIMIZADA
|
|
23 - SET
|
|
06:00
07:00
08:00
09:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
|
|
13,61
20,28
25,58
31,97
36,01
36,87
36,98
35,77
35,07
32,82
28,14
23,36
14,06
|
14,12
18,31
21,70
25,92
28,65
29,39
29,94
29,16
28,98
27,25
24,27
21,25
15,50
|
13,89
19,07
23,29
28,46
31,75
32,55
32,92
31,93
31,47
29,48
25,73
21,95
14,86
|
Cabel, J.; revista Sciéndo Ingenium, v. 22, n. 3, pp. 13
–
32, 2026.
32