Inteligencia artificial generativa y análisis de modos y efectos de falla para la reducción de riesgos en el diseño estructural de un establecimiento de salud categoría II-1

RESUMEN

Este artículo se propone como objetivo que el ingeniero utilice la Inteligencia Artificial Generativa mediante agentes IA para que automaticen la secuencia de preguntas de la metodología del Análisis de Modos y Efectos de Falla (AMEF), a fin de que el ingeniero visualice en un diseño estructural de un centro de establecimiento de salud de categoría II-1 los riesgos de manera sistemática. La investigación aborda la problemática de incumplimientos técnicos en Proyectos de Inversión Pública (PIP) que generan sobrecostos y comprometen la seguridad estructural. Los resultados demuestran la capacidad de los agentes IA para identificar riesgos críticos en componentes estructurales clave -específicamente en uniones atornilladas A325 y soldaduras con Números de Prioridad de Riesgo (RPN) entre 240-275, tal como se detalla en la Tabla 2 del artículo. Para cada riesgo priorizado, la metodología generó recomendaciones de acción específicas, como paralización de actividades hasta verificación con ensayos no destructivos. El estudio concluye que esta integración (INGENIERO + Agentes IA) transforma la gestión de riesgos en un proceso cuantificable y proactivo, mejorando significativamente la confiabilidad estructural, la eficiencia en la asignación de recursos y la toma de decisiones basada en evidencia para proyectos de infraestructura pública.

ABSTRACT:

This article aims to enable engineers to use Generative Artificial Intelligence (AI) through AI agents to automate the sequence of questions in the Failure Mode and Effects Analysis (FMEA) methodology. This will allow engineers to systematically visualize risks in the structural design of a Category II-1 healthcare facility. The research addresses the problem of technical non-compliance in Public Investment Projects (PIPs) that generate cost overruns and compromise structural safety. The results demonstrate the ability of AI agents to identify critical risks in key structural components—specifically in A325 bolted connections and welds with Risk Priority Numbers (RPNs) between 240 and 275, as detailed in Table 2 of the article. For each prioritized risk, the methodology generated specific action recommendations, such as halting activities until verification with non-destructive testing. The study concludes that this integration (ENGINEER + AI Agents) transforms risk management into a quantifiable and proactive process, significantly improving structural reliability, resource allocation efficiency, and evidence-based decision-making for public infrastructure projects.

Más detalles en el documento adjunto.

https://doc.uni75paime.org/AGENTES_IA_Y_AMEF_PARA_DISEÑO_ESTABLECIMIENTOS.pdf