Ponencia 1. Experiencias reales con BIM

DEL SCAN-TO-BIM ARTESANAL AL HBIM CON INTELIGENCIA ARTIFICIAL

BIO

Manuel García Navas

Manuel García Navas, Arquitecto Técnico e Ingeniero de Edificación.
AECO BIM DIGITAL TRANSFORMATION.
Consultor Senior en metodología BIM (Building Information Modeling) y tecnologías aplicadas al sector AECO (Arquitectura, Ingeniería, Construcción y Operaciones). Con una formación académica vinculada a la Universidad de Granada, ha centrado gran parte de su carrera en la digitalización de la construcción y la gestión de datos (BIM Data).

A lo largo de su trayectoria, se ha consolidado como un experto en:
• Consultoría y Estrategia BIM: Especializado en la implementación de procesos colaborativos y flujos de trabajo digitales en empresas.
• HBIM (Heritage BIM): Aplicación de modelos digitales para la conservación y restauración del patrimonio histórico.
• Divulgación y Formación: Es un colaborador activo en la comunidad técnica, participando regularmente en congresos internacionales como el EUBIM y colaborando en podcasts especializados (como BIMpodcast o BIMrras) así como en publicaciones técnicas profesionales.
• Innovación: Liderado trabajos fin de master HBIM aplicados al patrimonio con nuevas herramientas tecnológicas como la inteligencia artificial.

Actualmente colabora, entre otros con la UPV (Universidad Politecnica de Valencia), UMP-ETSAM (Universidad Politecnica de Madrid), UPO (Universidad Pablo Olavide). Además de su labor profesional, destaca su compromiso social como técnico voluntario en grupos de intervención sísmica de emergencia, aportando su conocimiento técnico en situaciones de catástrofe. Es reconocido en el sector por su capacidad para conectar la arquitectura tradicional con las tecnologías habilitadoras digitales de la «cuarta revolución industrial».

Abstract 🇬🇧

Since 2019, HBIM has evolved from a static record into a living organism. In 2019, «Scan-to-BIM» was a largely manual and slow process, focused on documenting the geometry of the past. Today, in 2026, AI has transformed those «Distant Cousins» into proactive «Digital Twins.»

Technological Evolution (2019 vs. 2026):

Automated Detection: While we previously relied on the human eye to map damage, today’s Deep Learning and semantic segmentation automatically identify pathologies (such as micro-cracks or moisture) from point clouds with millimeter precision.

Real-Time Prediction: We have made the leap from historical analysis to predictive maintenance. Through Machine Learning algorithms and IoT sensors, the model now «feels» and predicts structural failures before they happen.

Future Prevention: Generative AI helps simulate climate and usage scenarios, enabling preventive conservation that optimizes interventions and guarantees the long-term resilience of heritage assets.

In short: in 2019, we documented what was; in 2026, we manage what will be. HBIM is no longer just a 3D model; it is an intelligent decision-making ecosystem.

Keywords: HBIM, Artificial Intelligence, Scan-to-BIM, Photogrammetry, NeRF, Gaussian Splatting, Pathological analysis, Deep Learning, Python, Preventive conservation, Thermography, Voxelization.

Resumen 🇪🇸

Desde 2019, el HBIM ha pasado de ser un archivo estático a un organismo vivo. En 2019, el «Scan-to-BIM» era un proceso mayoritariamente manual y lento, centrado en documentar la geometría del pasado. Hoy, en 2026, la IA ha convertido esos “Primos Lejanos” en “Gemelos Digitales” proactivos.

Evolución Tecnológica (2019 vs. 2026):

Detección Automatizada: Si antes dependíamos del ojo humano para mapear daños, el Deep Learning actual y la segmentación semántica identifican patologías (como microfisuras o humedades) automáticamente desde nubes de puntos con precisión milimétrica.

Predicción en Tiempo Real: Hemos saltado del análisis histórico al mantenimiento predictivo. Mediante algoritmos de Machine Learning y sensores IoT, el modelo ahora «siente» y predice fallos estructurales antes de que ocurran.

Prevención Futura: La IA generativa ayuda a simular escenarios climáticos y de uso, permitiendo una conservación preventiva que optimiza las intervenciones y garantiza la resiliencia del patrimonio a largo plazo. En resumen: en 2019 documentábamos lo que fue; en 2026, gestionamos lo que será. El HBIM ya no es solo un modelo 3D, es un ecosistema de decisión inteligente.

Palabras clave: HBIM, Inteligencia Artificial, Scan-to-BIM, Fotogrametría, NeRF, Gaussian Splatting, Análisis patológico, Deep Learning, Python, Conservación preventiva, Termografía, Voxelización.

Cookie	Duración	Tipo	Propósito	Intrusividad
_utma	1 año	De terceros	Analítica	3
_gid	1 día	Propia	Necesaria	3
__ga_YR400ZD120	-	De terceros	Analítica	3
TS013deb06	1 año	Propia	De sesión, necesaria	1
pll_language	-	Propia	De sesión, necesaria	1
viewed_cookie_policy	6 meses	De terceros	Necesaria	2
CookieLawInfoConsent	6 meses	De terceros	Necesaria	2
cookielawinfo-checkbox-non-necessary	6 meses	De terceros	Necesaria	2
cookielawinfo-checkbox-necessary	6 meses	De terceros	Necesaria	2

PROGRAMA » EUBIM 2026

Tema 3 / Ponencia 1

Ponencia 1. Experiencias reales con BIM

DEL SCAN-TO-BIM ARTESANAL AL HBIM CON INTELIGENCIA ARTIFICIAL

BIO

Manuel García Navas

PROGRAMA EUBIM 2026