EL PARADIGMA DE LA COLABORACIÓN COGNITIVA
La digitalización BIM en AECO evoluciona de la simple automatización a la Inteligencia Aumentada. El propósito de XAIBIM trasciende las tareas repetitivas, enfocándose en un entorno de colaboración cognitiva aumentada, donde la IA actúa como un socio sinérgico para la toma de decisiones transparente y fiable del profesional.
Problema: Fragmentación Semántica y Falta de Interoperabilidad
El sector AECO sufre de fragmentación de datos e interoperabilidad pasiva. El XAIBIM Studio resuelve este problema al unificar el conocimiento en Grafos de Conocimiento (KG) federados [11], transformando los modelos BIM en activos de conocimiento del ciclo de vida para una toma de decisiones automatizada y activa [12].
[12] S. Parece, R. Resende, and V. Rato, 'BIM-based life cycle assessment: A systematic review on automation and decision-making during design,' Building and Environment, vol. 282, p. 113248, Aug. 2025. doi:10.1016/j.buildenv.2025.113248
Problema: Escasez de Datos de Alta Fidelidad para IA
La falta de datasets fiables impide el desarrollo de IA robusta en la construcción. El XAIBIM Studio resuelve esto generando activos de datos sintéticos [13] que, una vez curados, conforman el CESAR (CESA Repository), la base para Digital Twins inteligentes [14].
[14] S. Yoon, J. Song, and J. Li, 'Ontology-enabled AI agent-driven intelligent digital twins for building operations and maintenance,' Journal of Building Engineering, vol. 108, p. 112802, Aug. 2025. doi:10.1016/j.jobe.2025.112802
Problema: Opacidad de la IA y Verificación Normativa Ineficaz
Las IAs de "caja negra" son un riesgo inaceptable en la construcción. El XAIBIM Nexus mitiga este riesgo con un razonamiento neuro-simbólico que enriquece modelos de bajo LOD con GNNs [15] y ejecuta una verificación de conformidad deductiva fiable y explicable [16].
[16] T. Bloch, A. Borrmann, and P. Pauwels, 'Graph-based learning for automated code checking – Exploring the application of graph neural networks for design review,' Advanced Engineering Informatics, vol. 58, p. 102137, Oct. 2023. doi:10.1016/j.aei.2023.102137
Preguntas Fundamentales de la Investigación Doctoral
Nuestra investigación se estructura en torno a tres ejes temáticos, cada uno diseñado para responder a desafíos clave identificados en el estado del arte de la IA aplicada al sector AECO.
Eje 1: Curación y Fundamentos del Conocimiento Experto (XAIBIM Studio y CESAR)
Este eje investiga la metodología científica para la creación de una base de conocimiento auditable y de alta fidelidad, que es el prerrequisito fundamental para cualquier sistema de IA fiable en el sector de la construcción. El foco está en el proceso de curación dentro del XAIBIM Studio y la validación de los CESA resultantes.
- PQ1: ¿Qué métricas cuantitativas (consistencia semántica, cobertura de información) permiten validar la calidad y auditabilidad de un CESA (Curated, Explainable, Structured Asset) generado mediante el flujo de trabajo Human-in-the-Loop del XAIBIM Studio?
- PQ2: ¿Cómo impacta la integridad criptográfica del repositorio CESAR en la robustez y la mitigación de sesgos del motor XAIBIM Nexus entrenado exclusivamente con estos activos?
- PQ3: ¿Cuál es la eficacia de una metodología de enriquecimiento semántico en el XAIBIM Studio para vincular de forma unívoca la información de costes (5D) a las entidades BIM, garantizando un Nivel de Información (LOI) trazable en cada CESA?
Eje 2: Arquitectura y Validación del Motor de Inferencia (XAIBIM Nexus)
Este eje se centra en el diseño, implementación y validación empírica de la arquitectura de IA híbrida del XAIBIM Nexus. La investigación busca demostrar la superioridad de un enfoque neuro-simbólico para tareas de razonamiento complejo en el dominio AECO.
- PQ4: ¿Cuál es el rendimiento (precisión, F1-score) del pipeline neuro-simbólico progresivo del XAIBIM Nexus (NLP→CNN→GNN→SWRL) en la detección de errores de constructibilidad, en comparación con modelos de IA monolíticos de 'caja negra'?
- PQ5: ¿Puede el componente GNN del XAIBIM Nexus inferir con una precisión validable los requisitos funcionales implícitos en modelos BIM de bajo LOD, enriqueciendo semánticamente los CESA para permitir un análisis normativo temprano?
- PQ6: ¿De qué manera la arquitectura híbrida del XAIBIM Nexus, que integra la inferencia contextual de las GNNs con el razonamiento deductivo de SWRL, permite una vinculación 4D/5D que sea a la vez automatizada y lógicamente verificable?
Eje 3: Medición de la Explicabilidad y el Impacto Profesional (XAI)
Este eje aborda el objetivo final del proyecto: la explicabilidad (XAI). La investigación se enfoca en definir, medir y evaluar el impacto de las inferencias transparentes del XAIBIM Nexus en la confianza y eficiencia de los profesionales del sector de la construcción.
- PQ7: ¿Qué modelo de métricas compuestas, que combine la trazabilidad de los datos de origen en el CESAR y la claridad de la cadena lógica de inferencia del Nexus, es más efectivo para cuantificar la explicabilidad de una recomendación de IA en el contexto AECO?
- PQ8: ¿Cómo mejora la confianza y la eficiencia del usuario una interfaz que presenta las inferencias del XAIBIM Nexus mediante la visualización de la sub-gráfica del CESA relevante y la regla SWRL activada, en comparación con interfaces que solo muestran el resultado final?
- PQ9: ¿Cuál es el impacto cuantitativo del ecosistema XAIBIM completo (curación en el Studio y análisis en el Nexus) en la reducción de errores de coordinación 4D/5D, medido contra flujos de trabajo BIM tradicionales en un estudio de caso controlado?
UNA METODOLOGÍA HOLÍSTICA PARA UNA IA CONFIABLE
A. Principios Fundamentales de la Metodología
Nuestra metodología se cimienta sobre estándares abiertos interoperables (IFC, ISO 19650) [17]. Implementamos un modelo de IA Centrada en el Humano (Human-in-the-Loop), donde la IA Explicable (XAI) potencializa la capacidad del profesional de la construcción [18].
[18] C. Koch, et al., '"Explainable AI for engineering design: A unified approach of systems engineering and component-based deep learning demonstrated by energy-efficient building design,"' Advanced Engineering Informatics, 2024. DOI: 10.1016/j.aei.2024.102843
B. La Génesis del Conocimiento Confiable
El flujo inicia en el XAIBIM Studio, donde un experto, asistido por un pipeline RAG-LLM, cura y valida la información sobre un artefacto ifcJSON [19]. El resultado es un CESA (Curated, Explainable, Structured Asset), que es sellado criptográficamente y almacenado en el repositorio CESAR para garantizar una confianza inmutable [20].
[20] S. Kim, et al., '"Smart contract swarm and multi-branch structure for secure and efficient BIM versioning in blockchain-aided common data environment,"' Computers in Industry, 2023. DOI: 10.1016/j.compind.2023.103922
C. El Razonamiento Neuro-Simbólico Aplicado
El XAIBIM Nexus aplica el conocimiento del CESAR mediante un pipeline neuro-simbólico (NLP→CNN→GNN→SWRL). Nuestra metodología optimiza las capas de estos modelos [21] para ejecutar un razonamiento deductivo de alto rendimiento para la verificación de conformidad explicable [22].
[22] F. F. Tafra, et al., '"Classification of architectural and MEP BIM objects for building performance evaluation,"' Advanced Engineering Informatics, 2024. DOI: 10.1016/j.aei.2024.102503
D. Del Código Abierto a la Interfaz Cognitiva
Implementamos nuestra metodología sobre un stack tecnológico open-source (Blender, IFC.js, FastAPI) [23]. La interacción entre el experto y la IA se realiza a través de una interfaz cognitiva multimodal diseñada para una colaboración fluida [24].
[24] M. Nabizadeh, et al., '"Text-to-structure interpretation of user requests in BIM interaction,"' Autom. Constr., 2025. DOI: 10.1016/j.autcon.2025.106119
E. Validación y Métricas (KPIs)
La validación de la metodología se realiza mediante Indicadores Clave de Rendimiento (KPIs) que miden tanto el impacto en el flujo de trabajo [25] como, de forma central, la cuantificación de la explicabilidad de cada inferencia del Nexus [26].
[26] H. Son, et al., '"Enhanced model tree for quantifying output variances due to random data sampling: Productivity prediction applications,"' Autom. Constr., 2024. DOI: 10.1016/j.autcon.2023.105218
Resultados y Métricas de Validación
KPIs (Key Performance Indicators) del Sistema XAIBIM
A. KPIs para la Calidad del Conocimiento: Consistencia Inter-anotador (Kappa de Fleiss - κ)
La fiabilidad de la base de conocimiento CESAR se valida midiendo la consistencia entre los expertos durante el proceso de curación en el XAIBIM Studio. Utilizamos el coeficiente Kappa de Fleiss (κ) para cuantificar el grado de acuerdo, asegurando que el repositorio CESA sea robusto y estandarizado [27], [28].
κ = (P̄ - P̄ₑ) / (1 - P̄ₑ)CESAR
Este KPI es fundamental para responder a la pregunta de investigación sobre la validación cuantitativa de la calidad de un CESA. Mide la reproducibilidad y fiabilidad del proceso de curación experto (Human-in-the-Loop).
[28] M. N. Johnson et al., '"Closing the artificial intelligence skills gap in construction: competency insights from a systematic review,"' Res. Innov. Eng., 2025. DOI: 10.1016/j.rineng.2025.106406.
B. KPIs para el Rendimiento del Motor de Inferencia: Precisión Semántica (F1-Score)
El rendimiento del XAIBIM Nexus en la clasificación de componentes BIM se mide con el F1-Score. Esta métrica evalúa el equilibrio entre precisión y exhaustividad, cuantificando la capacidad del pipeline neuro-simbólico para el enriquecimiento semántico [29] y la extracción de información correcta [30].
F1 = (2 * Precisión * Recall) / (Precisión + Recall)XAIBIM Nexus
Mide directamente la eficacia de la arquitectura híbrida del Nexus para identificar y clasificar correctamente las entidades BIM, una capacidad fundamental para la posterior verificación de conformidad.
[30] X. Y. Zhang et al., '"Automatic bridge inspection database construction through hybrid information extraction and large language models,"' Digit. Build. Eng., 2024. DOI: 10.1016/j.dibe.2024.100549.
B. KPIs para el Rendimiento del Motor de Inferencia: Precisión de Verificación (Accuracy)
La efectividad de la capa de razonamiento simbólico del XAIBIM Nexus se evalúa con la Precisión en la Verificación de Conformidad (PVC). Este KPI cuantifica la capacidad del motor de reglas SWRL para identificar correctamente tanto cumplimientos como incumplimientos de la normativa [31], [32].
PVC = (VP + VN) / (VP + VN + FP + FN)XAIBIM Nexus (Capa de Razonamiento Simbólico)
Valida la fiabilidad del componente de razonamiento deductivo del Nexus, crucial para la promesa de una IA auditable y para mitigar el riesgo normativo.
[32] G. H. Green et al., '"BIM ontology for information management (BIM-OIM),"' J. Build. Eng., 2025. DOI: 10.1016/j.jobe.2025.112762.
C. KPIs para la Explicabilidad y el Impacto: Cuantificación de Explicabilidad (SHAP)
Para asegurar una IA auditable, la explicabilidad de cada inferencia del XAIBIM Nexus se cuantifica mediante Valores de Contribución de Variables (SHAP). Esta métrica es clave para superar las barreras de adopción de la IA en la gestión de riesgos [33] y generar confianza [34].
ϕᵢ(f,x) = Σ [fₓ(S∪{i}) - fₓ(S)] / N!XAIBIM Nexus (Capa de XAI)
Responde directamente a la pregunta de investigación sobre la definición de métricas para la explicabilidad. Permite medir objetivamente la transparencia del modelo.
[34] E. F. Brown et al., '"Applications of Explainable Artificial Intelligence (XAI) and interpretable Artificial Intelligence (AI) in smart buildings...,"' J. Build. Eng., 2025. DOI: 10.1016/j.jobe.2025.112542.
C. KPIs para la Explicabilidad y el Impacto: Eficiencia del Flujo de Trabajo (Speedup)
El impacto tangible del ecosistema XAIBIM se mide con el Speedup Computacional. Este KPI cuantifica la ganancia de eficiencia en los flujos de trabajo en comparación con los métodos manuales tradicionales [35], [36].
Speedup = T_manual / T_XAIBIMEcosistema XAIBIM (Studio + Nexus)
Valida el valor práctico y el retorno de la inversión de la metodología, demostrando su aplicabilidad y beneficio para los profesionales de la construcción.
[36] K. Torres, et al., '"Perceptions of the Influence of BIM Digital Models in Cost Overrun Management...,"' KSCE J. Civ. Eng., 2025. DOI: 10.1016/j.kscej.2025.100413.
D. KPI Exploratorio: Calidad de Diseño Generativo (FID)
Como línea de investigación futura, la capacidad del XAIBIM Nexus para generar soluciones de diseño se evaluará con el Fréchet Inception Distance (FID). Este KPI mide la calidad y diversidad de los diseños generados [37], [38].
FID(x,g) = ||μₓ - μg||² + Tr(Σₓ + Σg - 2(ΣₓΣg)¹/²)XAIBIM Nexus (Capacidad Generativa Futura)
Explora la evolución natural del razonamiento neuro-simbólico hacia capacidades generativas, una de las fronteras de la IA en el diseño AECO.
[38] Q. R. Taylor et al., '"Generative AIBIM: An automatic and intelligent structural design pipeline integrating BIM and generative AI,"' Inf. Fusion, 2024. DOI: 10.1016/j.inffus.2024.102654.
Discusión: Implicaciones y Gobernanza de la IA en AECO (Architecture, Engineering, Construction & Operations)
La Discusión XAIBIM consolida los hallazgos de la investigación en tres pilares de gobernanza, demostrando la viabilidad de un ecosistema de conocimiento auditable y explicable para la IA Confiable (Trustworthy AI) en el sector de alto riesgo como AECO.
“Para que los modelos BIM alcancen su máximo potencial en la gestión de activos, es imperativo superar la brecha entre la información gráfica y los datos computables mediante el enriquecimiento semántico. Este proceso transforma el modelo en un gemelo digital robusto, asegurando la coherencia de la información desde su captura inicial hasta su gestión operativa a largo plazo.”
“La incorporación de modelos de IA en el entorno construido debe priorizar la explicabilidad (XAI) y la evaluación de riesgos, especialmente en sistemas de alto riesgo donde el error puede tener consecuencias catastróficas.”
Gobernanza del Conocimiento: Del Dato a la "Memoria de Proyecto"
El ecosistema XAIBIM establece una gobernanza de datos robusta. A través del proceso de curación experto en el XAIBIM Studio [41], se generan los CESA que conforman el CESAR, una memoria de proyecto inmutable y auditable que garantiza la fiabilidad algorítmica y la integridad del Gemelo Digital a largo plazo [42].
Mitigación del Riesgo: El Paradigma Neuro-Simbólico Híbrido
El XAIBIM Nexus mitiga el riesgo profesional inherente a la IA de "caja negra". Su arquitectura de razonamiento neuro-simbólico utiliza GNNs para comprender el contexto topológico [43] y un motor de verificación formal SWRL para aplicar la lógica normativa de forma determinista y auditable [44].
Mejora de la Decisión: De la Inferencia a la Confianza Cuantificable
XAIBIM mejora la toma de decisiones al ir más allá de la simple inferencia. La metodología permite la cuantificación de la confianza mediante métricas de explicabilidad (XAI) como SHAP [45], proporcionando al profesional un nivel de seguridad auditable que valida y potencializa su juicio experto en análisis 4D/5D [46].
Publicaciones y Rigor Científico
FUNDAMENTO CIENTÍFICO
Fundamento para la Creación de un Repositorio Confiable
La creación de un repositorio CESAR fiable exige un proceso de curación riguroso en el XAIBIM Studio. La metodología se fundamenta en la capacidad de procesar activos de información no estructurada mediante aprendizaje profundo [47] y organizarlos dentro de un marco semántico integrado para garantizar su coherencia lógica [48].
[47]: X. D. Wang, T. J. Li, et al., 'Reconstructing as-built beam bridge geometry from construction drawings using deep learning-based symbol pose estimation,' Adv. Eng. Inform., (2024). DOI: 10.1016/j.aei.2024.102808[48]: Y. C. Li, P. A. Zhao, et al., 'BIM-integrated semantic framework for construction waste quantification and optimisation,' Automat. Constr., (2024). DOI: 10.1016/j.autcon.2024.105842MARCO METODOLÓGICO
Metodología Dual: Curación y Razonamiento
La metodología XAIBIM se basa en una estricta separación de funciones: el XAIBIM Studio se encarga de la curación y gestión del conocimiento a lo largo del ciclo de vida del activo [49], mientras que el XAIBIM Nexus se enfoca exclusivamente en el razonamiento neuro-simbólico a partir de este conocimiento validado [50].
[49]: Q. M. Lu, J. L. Chen, et al., 'From design to operation: Multi-agent AI for virtual in-situ modeling of digital twins in BIM,' Automat. Constr., (2025). DOI: 10.1016/j.autcon.2025.106477[50]: A. B. Zhang, W. H. Li, et al., 'Automating the retrospective generation of As-is BIM models using machine learning,' Automat. Constr., (2023). DOI: 10.1016/j.autcon.2023.104937ARQUITECTURA TÉCNICA
La Arquitectura Híbrida del XAIBIM Nexus
La arquitectura técnica del XAIBIM Nexus valida el paradigma híbrido neuro-simbólico. Se integra una capa conexionista con Redes Neuronales de Grafos (GNNs) para el análisis topológico [51] con una capa simbólica que utiliza ontologías y reglas lógicas (SWRL) para la verificación formal [52].
[51]: J. M. Chen, Q. B. Wang, et al., 'Graph Neural Networks for building and civil infrastructure operation and maintenance enhancement,' Adv. Eng. Inform., (2024). DOI: 10.1016/j.aei.2024.102868[52]: L. N. Li, K. M. Yu, et al., 'Artificial intelligence to enhance BIM-BEPS integration via IFC: Challenges, solutions, and future directions,' Adv. Eng. Inform., (2025). DOI: 10.1016/j.aei.2025.103824CONTRIBUCIONES CIENTÍFICAS
Contribución a la IA Explicable en la Construcción
Nuestra contribución científica establece el CESAR como la base de conocimiento (grounding) esencial para una IA generativa fiable en la construcción [53]. Esto posiciona al XAIBIM Nexus como una herramienta de IA Explicable (XAI) diseñada para la gestión de la incertidumbre y la optimización robusta en proyectos de ingeniería civil [54].
[53]: Y. Gao, G. Xiong, et al., 'Exploring bridge maintenance knowledge graph by leveraging GrapshSAGE and text encoding,' Automation in Construction, (2024). DOI: 10.1016/j.autcon.2024.105634[54]: L. M. Torres, G. R. Santos, et al., 'Multi-objective robust optimization for enhanced safety in large-diameter tunnel construction with interactive and explainable AI,' Reliab. Eng. Syst. Saf., (2023). DOI: 10.1016/j.ress.2023.109172CIENCIA ABIERTA
Repositorios y Reproducibilidad
Garantizamos la reproducibilidad a través de código abierto. El uso de reglas semánticas (SPARQL) para la verificación lógica en el Nexus [55] y el desarrollo de pipelines open-source para el procesamiento de datos en el Studio [56] son ejemplos de nuestro compromiso con la ciencia abierta.
[55]: H. P. Chen, S. L. Wu, et al., 'A Semantic Approach for Automated Rule Compliance Checking in Construction Industry,' IEEE Access, (2021). DOI: 10.1109/ACCESS.2021.3108226[56]: R. S. Jones, M. E. Davis, et al., 'Open-source automatic pipeline for efficient conversion of large-scale point clouds to IFC format,' Automat. Constr., (2025). DOI: 10.1016/j.autcon.2025.106303
Doctoral Forum: Debates y Fronteras de la IA Confiable
XAIBIM propone la transmutación de activos de información pasivos en un ecosistema de conocimiento computable y multidimensional (del 2D al 10D). Este proyecto se articula a través de tres ejes fundamentales para abordar la fragmentación del conocimiento en el sector AECO: Curator, Engine y Experiencia.
Fiabilidad del XAIBIM Studio: LLMs, Extracción Multimodal y el Riesgo de Sesgo
El XAIBIM Studio utiliza LLMs para la extracción de conocimiento. El debate se centra en la fragilidad y el sesgo de estos modelos ante la jerga ingenieril [57] y cómo el control Human-in-the-Loop puede, paradójicamente, amplificar el sesgo si no se cuantifica con métricas de consistencia como Kappa de Fleiss [58].
[58] Autor et al., '"Estimating demolition waste from residential interior photos: A Large Language Model solution,"' Automat. Constr., 2025. DOI: 10.1016/j.autcon.2025.106478.
Límites del XAIBIM Nexus: Escalabilidad del Razonamiento Neuro-Simbólico
El paradigma híbrido (GNN/SWRL) del XAIBIM Nexus es el núcleo de la inferencia. El debate cuestiona si esta sinergia puede escalar al análisis multidimensional (4D/5D) [59] sin introducir una fragilidad algorítmica que comprometa la fiabilidad exigida a una IA confiable (Trustworthy AI) en la construcción [60].
[60] Autor et al., '"Trustworthy AI and robotics: Implications for the AEC industry,"' Automat. Constr., 2022. DOI: 10.1016/j.autcon.2022.104298.
XAI y la Responsabilidad del Conocimiento Abierto
La transparencia del XAIBIM Nexus se valida mediante métricas de explicabilidad (XAI) [61]. El debate ético y profesional se centra en la atribución de responsabilidad cuando la lógica del motor es transparente y cómo el acceso al conocimiento abierto del CESAR [62] impacta en la validación del juicio del ingeniero.
[62] Autor et al., '"Graph-based method for extracting spatial information from semi-formal text...,"' Automat. Constr., 2025. DOI: 10.1016/j.autcon.2025.106418.
Agenda Estratégica y Visión
XAIBIM y las Rutas Obligatorias Europeas
La agenda de XAIBIM se estructura en un ciclo de vida de Gemelo Digital (DT) por fases [63], transitando desde la gobernanza del dato hasta la Ampliación Cognitiva del profesional. El desarrollo es rigurosamente iterativo y estructurado [64], anclado en los tres ejes fundamentales: Curator (Fase I), Engine (Fase II) y Experiencia (Fase III).
[64]: M. A. Abuhussain, et al., '"Integrating Building Information Modeling (BIM) for optimal lifecycle management of complex structures,"' Structures, (2024). DOI: 10.1016/j.istruc.2023.105831
ISO 19650
IMPLEMENTACIÓN BIM OBLIGATORIA (Ruta Crítica)
IA REGULADA
Ley de IA de la UE y Gobernanza del Dato
AGENDA 2030
ODS y Resiliencia de la Infraestructura
AGENDA 2050
Inferencia Multidimensional y Neutralidad Climática
FUTURO
Gemelo Digital y Ampliación Cognitiva
IMPLEMENTACIÓN BIM OBLIGATORIA (Ruta Crítica)
El proyecto XAIBIM es una respuesta al mandato de BIM en Europa. La ISO 19650 exige la trazabilidad y consistencia de la información, haciendo indispensable el uso del Curator (Fase I) para estructurar los datos (e.g., para dimensiones BIM como el 8D) [65]. El Engine, al formalizar la lógica, es la ruta técnica obligatoria para el Automated Compliance Checking (ACC) de normativas digitales, integrando validación semántica con el análisis técnico de la ingeniería [66].
Ley de IA de la UE y Gobernanza del Dato
El diseño de XAIBIM aborda la gobernanza de datos bajo la Ley de IA de la UE. Al centrarse en la extracción multimodal [67], nuestro sistema genera un corpus de entrenamiento que garantiza la fiabilidad y trazabilidad de la información, mitigando los riesgos algorítmicos al emplear marcos basados en ontologías para la verificación formal de la normativa [68].
ODS y Resiliencia de la Infraestructura
XAIBIM contribuye a los ODS 9 y 11 al proporcionar el corpus de datos auditables (CESA) que es fundamental para que la modelación del riesgo y la resiliencia [69] sean fiables. El Engine implementa la modelación del riesgo [70], demostrando que la innovación en infraestructuras sostenibles se basa en la información verificable y dinámica del Gemelo Digital.
Inferencia Multidimensional y Neutralidad Climática
A través de su pipeline neuro-simbólico (Eje Engine), XAIBIM proporciona las herramientas para una evaluación precisa del ciclo de vida (LCA/LCC) de los activos [71]. Esto es fundamental para cumplir los objetivos del Pacto Verde Europeo, cuantificando la huella de carbono (6D) y optimizando el diseño para la neutralidad climática mediante Gemelos Digitales dinámicos [72].
Gemelo Digital y Ampliación Cognitiva
La agenda culmina con la integración de la XAI (Eje Experiencia), posicionando al sistema para la próxima generación de Gemelos Digitales (DT) [73]. El objetivo es un DT de conocimiento auditable [74], donde la Ampliación Cognitiva permite al profesional validar el juicio de la IA en la gestión de activos.
El Artefacto ifcJSON.XAIBIM: Un Contenedor de Conocimiento Unificado
Explore el núcleo de nuestra metodología: el artefacto ifcJSON.XAIBIM. No es un simple fichero, sino un contenedor de conocimiento estructurado como un grafo de conocimiento consultable [75]. Su arquitectura de hipermedia para gemelos digitales [76] facilita la navegación entre dominios y garantiza la trazabilidad exigida por la ISO 19650 y el AI Act [77].
[76]: S. Herlé & J. Blankenbach, '"Hypermedia-driven RESTful API for digital twins of the built environment,"' Automation in Construction, (2024). DOI: 10.1016/j.autcon.2024.105551
[77]: M. Huymajer, et al., '"Building Information Modeling in the execution phase of conventional tunneling projects,"' Tunnelling and Underground Space Technology, (2024). DOI: 10.1016/j.tust.2023.105539
SANDBOX (CONCEPTO)
Ejemplo de Enriquecimiento Semántico
Controles de Interfaz Seleccionados:
> Crear viga de hormigón armado C30/37 de 8m de luz, sección 30x50cm...
{ "id": "3.2.1.1-BEAM", "ifc_version": "IFC4.3", "project_phase": "Ejecución", "LOD": "300", "LOI": "300", "bim_uses": [ "03 - Coordinación interdisciplinar", "05 - Estimación de costes (5D)", "06 - Análisis estructural" ], "expected_output": { "ifc_class": "IfcBeam", "object_type": "Viga de hormigón armado", "tag": "V-01", "geometry": { "profile": "Rectangular", "length": 8000, "width": 300, "depth": 500 }, "psets": { "Pset_BeamCommon": { "IsLoadBearing": true, "Span": 8000 }, "Pset_FireResistance": { "FireRating": "R 90" }, "Pset_EnvironmentalImpact": { "ThermalMass": 600 } }, "materials": [ { "name": "Hormigón C30/37", "category": "Concrete" }, { "name": "Acero B500S", "category": "Steel" } ], "topological_relations": [ { "type": "IfcRelConnectsStructuralElement", "relating_element": "self", "related_elements": ["IfcColumn:P-01", "IfcColumn:P-02"] } ], "MEI": { "usage_context": "Análisis estructural y planificación de la ejecución.", "required_loi": 300 }, "MIDE": { "entities": ["IfcBeam", "IfcRelConnectsStructuralElement"], "parameters": ["IsLoadBearing", "Span", "FireRating", "ThermalMass"] }, "norms": [ { "code": "EN 1992-1-1", "purpose": "Verificación de requisitos estructurales para hormigón.", "jurisdiction": "EU" }, { "code": "CTE DB-SI", "purpose": "Verificación de resistencia al fuego (R 90).", "jurisdiction": "ES-MD" }, { "code": "CTE DB-HE", "purpose": "Aporte a la inercia térmica del edificio.", "jurisdiction": "ES-MD" } ], "bim_dimensions": { "3D": "Modelo geométrico para coordinación.", "4D": "Vinculado a la tarea 'Hormigonado de vigas Nivel 1'.", "5D": "Volumen de hormigón y peso de acero para estimación de costes.", "6D": "Aporte a la eficiencia energética y seguridad." } }, "xai": { "ai_type": "Híbrida (Neuro-Simbólica)", "explanation": "Viga inferida. Relaciones topológicas extraídas. Validaciones normativas aplicadas: Eurocódigo 2, CTE DB-SI (Fuego) y DB-HE (Energía) para Madrid.", "prov": { "wasGeneratedBy": "XAIBIM_Engine_v3.3", "generatedAtTime": "2025-09-19T19:45:00Z", "blockchain_hash": "0x456def7890ghi123jkl456mno789pqr123stu456vwx789yz0123456abc" }, "confidence": 0.99 }, "training_info": { "nlp_source": "El campo 'text_input' (no mostrado) y las descripciones en 'psets' y 'object_type' entrenan el motor NLP.", "cnn_source": "Un 'snapshot_3d_id' (no mostrado) asociado a este JSON entrena el motor de visión para reconocer vigas.", "gnn_source": "El bloque 'topological_relations' entrena al motor GNN para aprender patrones de conexión estructural.", "symbolic_source": "Los bloques 'norms' y 'psets' sirven como base de hechos para la validación de reglas SWRL/ISO." } }
Snapshot Visual Inmutable
Cada artefacto ifcJSON se vincula a un snapshot visual 3D, una representación inmutable sellada en la blockchain. Este registro visual es la fuente de entrenamiento para nuestros modelos de IA: mediante técnicas de procesamiento de imágenes y detección de objetos, las CNN aprenden a identificar componentes visuales [86], mientras que las GNN analizan estos datos como información no-Euclidiana para inferir relaciones topológicas complejas en el contexto BIM [87].
[89]: '"Graph Neural Networks for building and civil infrastructure operation and maintenance enhancement,"' Advanced Engineering Informatics, (2024). DOI: 10.1016/j.aei.2024.102868
Integración de XAI y Sincronización Delta
La explicabilidad (XAI) se integra como una capa de datos semántica para garantizar la auditabilidad en la colaboración entre plataformas [78]. La sincronización de cambios se gestiona mediante un método de transacción diferencial (delta.patch), asegurando una actualización eficiente y consistente de los CESA [79].
[79]: F. Xue & W. Lu, '"A semantic differential transaction approach...,"' Automation in Construction, (2020). DOI: 10.1016/j.autcon.2020.103270
El Rol del Curator Humano en el Ciclo MLOps
El experto humano supervisa el ciclo MLOps (Machine Learning Operations), validando las inferencias para generar los CESA. Este repositorio de artefactos ifcJSON [80] es la base para el reentrenamiento supervisado y la mejora continua del XAIBIM Nexus [81].
[81]: Y. Mo & B. Li, '"ArchiWeb: A web platform for AI-driven early-stage architectural design,"' Frontiers of Architectural Research, (2025). DOI: 10.1016/j.foar.2025.06.002
Sello Criptográfico y Garantía de Inmutabilidad
Cada CESA validado en el Studio se sella mediante un registro criptográfico inmutable en una blockchain [82]. Este proceso garantiza la integridad y el no repudio de los datos que conforman el CESAR a lo largo de todo el ciclo de vida del activo [83].
[83]: W. van Groesen & P. Pauwels, '"Tracking prefabricated assets and compliance using quick response (QR) codes...,"' Automation in Construction, (2022). DOI: 10.1016/j.autcon.2022.104420
Grafo de Conocimiento y Proveniencia de Datos (W3C PROV)
Transformamos los modelos BIM en un Grafo de Conocimiento AECO utilizando tecnologías de la Web Semántica. Para garantizar la auditabilidad, registramos la procedencia de cada pieza de conocimiento siguiendo el estándar W3C PROV [84], permitiendo la verificación explícita de cada decisión en el ciclo de vida [85].
[85]: J. Zhu, N. Nisbet, et al., '"Releasing the power of graph for building information discovery,"' Automation in Construction, (2025). DOI: 10.1016/j.autcon.2025.106034
Evolución del Estándar y Preparación para IFC5
La arquitectura de XAIBIM está diseñada para la evolución del estándar, preparada para integrar datos del proceso constructivo (as-built) [86]. Nuestro enfoque basado en grafos es capaz de modelar las relaciones topológicas complejas que surgirán en estándares futuros como IFC5 [87].
[87]: C. Emunds, J. Frisch, & C. van Treeck, '"Spatial Link Prediction: Learning topological relationships in MEP systems,"' Advanced Engineering Informatics, (2025). DOI: 10.1016/j.aei.2025.103414
Integración con Blender y Ecosistema Open Source
Nuestro flujo de trabajo se integra con herramientas open-source líderes como Blender, no solo como una plataforma de visualización, sino como un componente activo en el ciclo de vida de los datos y la validación de la IA.
Blender como Motor de Datos Sintéticos y Validación
Integramos Blender en el flujo MLOps del XAIBIM Studio como un motor para la generación procedural de datos sintéticos. Utilizamos su API para el aumento de datos (data augmentation) [88], y lo empleamos como entorno de validación para mitigar las "alucinaciones" geométricas de los LLMs en flujos de trabajo de CAD paramétrico [89].
[89]: '"The status, evolution, and future challenges of multimodal large language models (LLMs) in parametric CAD,"' Expert Systems with Applications, (2025). DOI: 10.1016/j.eswa.2025.127520
Interoperabilidad y Validación Semántica
La integración se basa en la interoperabilidad abierta (IfcOpenShell). Para garantizar la calidad de los CESA, empleamos el lenguaje de restricciones SHACL para la validación de la ontología ifcOWL [90], permitiendo una verificación semántica de requisitos técnicos complejos directamente en el entorno de modelado [91].
[91]: '"Validation of technical requirements for a BIM model using semantic web technologies,"' Adv. Eng. Inform., (2024). DOI: 10.1016/j.aei.2024.102426
El Grafo de Conocimiento y los Agentes de IA
En Blender, transformamos el BIM estático en un Grafo de Conectividad Semántico dinámico (IFC-Graph). Esta estructura de datos permite al XAIBIM Nexus operar como un Sistema Multi-Agente (MAS) [93] y ejecutar lógicas avanzadas, como el cálculo de rutas basado en relaciones semánticas [92].
[93]: '"Design of a Multi-Agent System for exploiting the communicating concrete in a SHM/BIM context,"' IFAC-PapersOnLine, (2020). DOI: 10.1016/j.ifacol.2020.11.061
El Ciclo Studio-Nexus y la Ciencia Abierta
La integración en Blender materializa el ciclo MLOps: el XAIBIM Studio genera el CESAR, un repositorio de ifcJSON.XAIBIM que funciona como un BIM Basado en Grafos (GBIM) [94]. El XAIBIM Nexus se entrena con este corpus. Al publicar el CESAR, contribuimos a la ciencia abierta para la investigación en XAI para la construcción [95].
[95]: '"Explainable artificial intelligence (XAI): Precepts, models, and opportunities for research in construction,"' Adv. Eng. Inform., (2023). DOI: 10.1016/j.aei.2023.102024
Stack Tecnológico del Frontend
Next.js y TypeScript
La plataforma se construye con Next.js como framework para Gemelos Digitales, diseñado para la integración de datos de múltiples fuentes [96]. Utilizamos TypeScript para la gobernanza del código y para garantizar la integridad estructural del artefacto ifcJSON.XAIBIM en todo el ecosistema [97].
- Persistencia Científica: Su capacidad de renderizado híbrido (SSR/SSG) asegura que los resultados publicados sean inmutables y accesibles, un requisito para la reproducibilidad de la investigación.
- Gobernanza de la Lógica: Las "Server Actions" encapsulan la lógica de negocio, creando un pipeline de datos auditable desde la interfaz hasta el backend.
- Integración de Datos: Permite la integración de datos de múltiples fuentes, fundamental para un Gemelo Digital que debe consolidar información de BIM, IoT y otras bases de datos.
[97]: S. Sepasgozar, et al., '"BIM-driven transformation of waste management toward enhanced reduction and circularity in the built environment,"' Waste Management, (2025). DOI: 10.1016/j.wasman.2025.115105
Three.js e IFC.js
El stack de visualización 3D con Three.js e IFC.js es la interfaz Human-in-the-Loop del XAIBIM Studio. Actúa como la capa de interacción para la retroalimentación visual en tiempo real [98], permitiendo al experto validar el enriquecimiento semántico derivado de procesos como la Comprobación de Relaciones Geométricas [99].
- Interfaz de Curación: Sirve como la herramienta human-in-the-loop para auditar visualmente los resultados del "Curator".
- Bucle de Retroalimentación: Constituye la capa de interacción de nuestro marco de integración físico-digital, un componente esencial para el feedback loop en tiempo real.
- Transparencia del Enriquecimiento: Hace visible el resultado del enriquecimiento semántico basado en la comprobación de relaciones geométricas.
[99]: G. Lilis, et al., '"BIM-based semantic enrichment and knowledge graph generation via geometric relation checking,"' Automation in Construction, (2025). DOI: 10.1016/j.autcon.2025.106081
Interacción Humano-Céntrica
La interfaz de usuario se construye con Tailwind CSS y Shadcn/ui para implementar un marco de trabajo centrado en el humano que garantiza la claridad en la interacción con el Gemelo Digital [100]. El sistema facilita una colaboración humano-robot eficaz entre los expertos y los agentes de IA del Nexus [101].
- Comunicación Científica Clara: Un sistema de UI consistente garantiza que la presentación de datos y métricas de XAI sea no ambigua.
- Interacción Humano-Céntrica: Implementa un marco de trabajo centrado en el humano que facilita la colaboración entre expertos, usuarios y agentes de IA.
- Accesibilidad y Colaboración: El cumplimiento de estándares como WCAG es fundamental en la colaboración humano-robot.
[101]: '"Biosignal measurement for human-robot collaboration in construction: A systematic review,"' Advanced Engineering Informatics, (2025). DOI: 10.1016/j.aei.2025.103652
Zustand para la Reproducibilidad
Utilizamos Zustand para la gestión del estado de la aplicación. Su arquitectura minimalista es fundamental para la estandarización y eficiencia en flujos de trabajo colaborativos de BIM [102] y, crucialmente, para garantizar la reproducibilidad científica de cada sesión de curación en el XAIBIM Studio [103].
- Eficiencia y Estandarización: Un gestor de estado como Zustand contribuye a la estandarización de datos y la eficiencia del sistema.
- Base para Middleware: La capacidad de Zustand para integrarse con middlewares alinea nuestra arquitectura con este enfoque para la interoperabilidad.
- Reproducibilidad Experimental: Permite guardar, compartir y restaurar el estado exacto de una sesión, un requisito para la reproducibilidad científica.
[103]: '"Semantic enrichment for BIM-based building energy performance simulations...,"' Journal of Building Engineering, (2024). DOI: 10.1016/j.jobe.2024.110312
Stack Tecnológico del Backend: La Arquitectura Dual de IA
🧠 Backend del XAIBIM Studio
Finalidad: La creación de conocimiento. Un pipeline para generar el Corpus de Entrenamiento Semántico Auditado (CESA).
LLMs
El XAIBIM Studio implementa un agente basado en LLM que funciona como un Asistente Cognitivo, permitiendo al profesional realizar consultas de "relaciones espaciales 3D" mediante lenguaje natural [100], un enfoque alineado con los factores de "aceptación de la tecnología" en el sector AECO [101].
- Asistente Cognitivo: El agente de IA asiste al experto en la curación, interpretando consultas complejas en lenguaje natural.
- Consulta Espacial Intuitiva: Resuelve el desafío de extraer información topológica de modelos IFC a través de una interfaz conversacional.
- Adopción Basada en Evidencia: El diseño se fundamenta en los factores empíricos que determinan la aceptación de la tecnología en el sector.
[101]: '"An interactive system for 3D spatial relationship query by integrating tree-based element indexing and LLM-based agent,"' Advanced Engineering Informatics, (2025). DOI: 10.1016/j.aei.2025.103375
RAG
Para mitigar las "alucinaciones", el Studio utiliza Generación Aumentada por Recuperación (RAG). Este marco de conocimiento mejorado [102] fundamenta las propuestas del LLM en un corpus verificado, mejorando la "calidad y reproducibilidad" de los CESA generados [103].
- Anclaje a la Evidencia: Reduce drásticamente las "alucinaciones" del LLM al forzarlo a basar sus respuestas en documentos de referencia.
- Mejora Cuantitativa: Aumenta la precisión y fiabilidad de los datos extraídos, un requisito para sistemas de alto riesgo.
- Trazabilidad Nativa: Permite que cada dato generado esté intrínsecamente vinculado a su fuente documental original.
[103]: '"Generative artificial intelligence in construction: A Delphi approach, framework, and case study,"' Alexandria Engineering Journal, (2024). DOI: 10.1016/j.aej.2024.12.079
Blockchain
Para garantizar la integridad del CESAR, integramos Gemelo Digital y Blockchain para la gestión del ciclo de vida [111]. Se utiliza Blockchain para asegurar la seguridad, integridad y transparencia de cada CESA validado [112].
- Registro Inmutable: Cada validación experta se sella criptográficamente, creando un historial a prueba de manipulaciones.
- Gobernanza Descentralizada: La confianza no reside en una autoridad central, sino en el consenso criptográfico.
- Sinergia DT-BC: Permite un flujo de datos seguro y fiable entre el activo físico y su registro de validaciones.
[112]: '"Integrating Digital Twin and Blockchain for dynamic building Life Cycle Sustainability Assessment,"' Journal of Building Engineering, (2024). DOI: 10.1016/j.jobe.2024.111018
⚙️ Backend del XAIBIM Nexus
Finalidad: La aplicación de conocimiento. Una IA Híbrida "caja blanca" para el enriquecimiento semántico de modelos BIM.
Python/FastAPI
El ecosistema opera sobre un backend de Python y FastAPI por su robustez en el ecosistema científico. Esta arquitectura soporta la automatización de flujos de trabajo BIM a través de su API [96] y la implementación de modelos predictivos en tiempo real [97].
- Ecosistema Científico: Acceso nativo a librerías de vanguardia como PyTorch y Transformers.
- Alto Rendimiento: La naturaleza asíncrona de FastAPI es ideal para gestionar las operaciones de IA sin bloquear el sistema.
- Inteligencia Predictiva: La arquitectura está diseñada para soportar no solo la ejecución de comandos, sino también para aprender de la interacción del usuario.
[97]: '"Predictive modeling: BIM command recommendation based on large-scale usage logs,"' Advanced Engineering Informatics, (2025). DOI: 10.1016/j.aei.2025.103574
MLOps y Contenedores
XAIBIM se construye sobre una Arquitectura Orientada a Servicios (SoA) [98]. Cada componente de la IA se empaqueta en contenedores Docker y se orquesta a través de microservicios [99], garantizando un ciclo de vida de MLOps reproducible y escalable.
- Reproducibilidad Garantizada: La contenerización con Docker elimina los problemas de dependencias y asegura un entorno consistente.
- Escalabilidad y Resiliencia: La arquitectura de microservicios permite escalar cada componente de forma independiente.
- Integración y Despliegue Continuo (CI/CD): Facilita la implementación de pipelines automatizados para probar y desplegar nuevas versiones de los modelos de IA.
[99]: '"A Semantic Digital Twin for the Dynamic Scheduling of Industry 4.0-based Production of Precast Concrete Elements,"' Advanced Engineering Informatics, (2024). DOI: 10.1016/j.aei.2024.102677
NLP, CNN, GNN, SWRL, XAI
El XAIBIM Nexus ejecuta un pipeline que combina NLP con Transformers (SBERT) para el análisis semántico [104], Visión por Computadora (Mask R-CNN) para la segmentación de instancias [105], Análisis Topológico con GNNs para comprender el contexto relacional [106] y Lógica Simbólica con Web Semántica (ifcOWL) para la validación determinista [107], culminando en una capa de XAI (LIME) para garantizar la transparencia [108].
- Análisis Multimodal: Procesa y correlaciona información de textos, imágenes 2D y modelos 3D.
- Razonamiento Contextual: Las GNNs permiten que la IA entienda las relaciones entre los componentes del modelo.
- Validación Auditable: La capa de lógica simbólica proporciona una verificación de reglas determinista y transparente.
[105]: '"Generating BIM model from structural and architectural plans using Artificial Intelligence,"' J. Build. Eng., (2023). DOI: 10.1016/j.jobe.2023.107672
[106]: '"Integrating generative and parametric design with BIM...,"' Applied Sciences, (2025). DOI: 10.1016/j.apples.2025.100253
[107]: '"Knowledge-enhanced ontology-to-vector for automated ontology concept enrichment in BIM,"' J. Ind. Inf. Integr., (2025). DOI: 10.1016/j.jii.2025.100836
[108]: '"A LIME-LSTSNM approach based green building sustainability prediction using BIM design,"' Sustain. Comput. Inform. Syst., (2025). DOI: 10.1016/j.suscom.2025.101155
Bases de Datos Especializadas
La arquitectura de datos se apoya en una persistencia políglota. Empleamos Bases de Datos de Grafos (Neo4j) para la representación topológica del BIM [109], Bases de Datos Documentales (MongoDB) para los artefactos ifcJSON.XAIBIM, y Bases de Datos Relacionales (PostgreSQL) para los datos operativos transaccionales [110].
- Almacenamiento Optimizado: Cada tipo de dato se almacena en un sistema diseñado para su máxima eficiencia.
- Consultas de Alto Rendimiento: Permite realizar consultas topológicas complejas en la base de datos de grafos.
- Escalabilidad y Flexibilidad: La arquitectura permite que cada sistema de base de datos escale de forma independiente.
[110]: '"AI-driven integration of digital twins and blockchain for smart building management systems...,"' Journal of Building Engineering, (2025). DOI: 10.1016/j.jobe.2025.112439
Infraestructura de Soporte y Gobernanza
Seguridad, Gobernanza y Cumplimiento Normativo
La plataforma XAIBIM se construye sobre un modelo de seguridad y gobernanza que prioriza la innovación centrada en el ser humano y el cumplimiento normativo. Implementamos flujos de autenticación estándar como OAuth 2.0/JWT y utilizamos tecnologías Web3 para proteger la propiedad intelectual [128]. Nuestro marco aborda de forma proactiva las preocupaciones de ciberseguridad y los principios de la IA ética [129], garantizando la adhesión a normativas como GDPR y la Ley de IA de la UE.
- Autenticación Moderna: Utiliza estándares abiertos para gestionar las sesiones de usuario y proteger el acceso a la API de forma segura.
- Protección de la Propiedad Intelectual: La arquitectura está diseñada para proteger la confidencialidad de los datos comerciales y la propiedad intelectual de los modelos BIM.
[129]: '"Digital twin technology advancing industry 4.0 and industry 5.0 across sectors,"' Results in Engineering, (2025). DOI: 10.1016/j.rineng.2025.105583
Ciclo de Vida de la IA (MLOps)
XAIBIM adopta un marco metodológico de MLOps para la gestión del ciclo de vida completo de nuestros modelos de IA. Implementamos un ciclo de Human-in-the-Loop (HITL) donde la validación experta del "Curator" retroalimenta el reentrenamiento continuo del "Engine". Nuestra arquitectura separa el entrenamiento del modelo NLP de su despliegue en un servidor de inferencia, asegurando un proceso robusto, auditable y en constante mejora [130], [131].
- Mejora Continua: El sistema no es estático; aprende y mejora continuamente a partir de la interacción y validación de los expertos.
- Gestión del Ciclo de Vida del Modelo: Automatiza el proceso de reentrenamiento, validación, despliegue y monitoreo de los modelos de IA.
[131]: '"Intelligent question and answer system for building information modeling...,"' Automation in Construction, (2022). DOI: 10.1016/j.autcon.2022.104483
Validación Humana (Human-in-the-Loop - HITL)
Nuestra metodología se centra en un ciclo de Human-in-the-Loop (HITL), donde el conocimiento del experto es la autoridad final que valida el CESA. Este proceso transforma la validación en un automated safety checking [133] que no solo corrige, sino que activamente mejora la inteligencia del sistema. Este enfoque es un pilar de nuestra estrategia de data governance [132].
- Validación Experta como Fuente de Verdad: El conocimiento tácito del profesional se captura y se formaliza como estándar de calidad.
- Bucle de Retroalimentación Activo: Cada acción del experto alimenta el ciclo de MLOps para el reentrenamiento continuo del "Engine".
[133]: '"BIM-enabled semantic web for automated safety checks in subway construction,"' Automation in Construction, (2022). DOI: 10.1016/j.autcon.2022.104454
Gobernanza y Estándares (ISO 19650 & AI Act)
Toda la metodología XAIBIM opera bajo un estricto marco de gobernanza, alineado con la ISO 19650 para la gestión de la información en BIM y los principios de la Ley de IA de la UE (AI Act). Este enfoque garantiza el cumplimiento de los más altos estándares de interoperabilidad [134] y se alinea con las futuras tendencias de digitalización y automatización [135].
- Gestión de la Información Conforme: El flujo de trabajo es compatible con los principios de la ISO 19650.
- IA Confiable por Diseño: El sistema cumple con los requisitos de la Ley de IA de la UE para sistemas de alto riesgo.
[135]: Y. Pan & L. Zhang, '"Roles of artificial intelligence in construction engineering and management: A critical review and future trends,"' Automation in Construction, (2021). DOI: 10.1016/j.autcon.2020.103517