Beltrán Velamazán, Carlos
Monzón Chavarrías, Marta (dir.) ; López Mesa, María Belinda (dir.)
Universidad de Zaragoza,
2025
Abstract: La descarbonización del parque edificado es fundamental para combatir el cambio climático. Para alcanzar este objetivo, resulta imprescindible evaluar su estado actual, medir su potencial de rehabilitación y desarrollar estrategias basadas en datos. En este contexto, los indicadores de progreso solicitados por la Comisión Europea juegan un papel clave al proporcionar parámetros para valorar el avance de la descarbonización y
rehabilitación del parque construido. Sin embargo, la falta de información detallada sobre las características y el comportamiento energético de los edificios representa un desafío importante.
Frente a esta situación, esta tesis propone un enfoque innovador basado en el uso de datos en abierto y nuevas tecnologías para automatizar la recolección y el procesamiento de información. Herramientas como los Sistemas de Información Geográfica, Big Data, la automatización de procesos y la Inteligencia Artificial (IA) permiten recopilar, integrar y analizar grandes volúmenes de datos sobre el parque edificado, de forma que se consiga obtener información valiosa, útil y actualizada.
Este enfoque se desarrolla mediante la creación de metodologías para generar Modelos Urbanos de Energía en Edificios (UBEM) a escala nacional de forma automática y eficiente. La primera metodología se basa en los Certificados de Eficiencia Energética (CEE) y otros datos en abierto, lo que permite establecer un modelo nacional con todos los edificios de España y el comportamiento energético de los que disponen de un certificado. Esto proporciona una visión integral del estado de los edificios y ayuda a reducir tiempos y costes computacionales en su evaluación.
Para ampliar la información disponible, se ha desarrollado un segundo modelo denominado nUBEM. Este modelo utiliza técnicas de IA para aprender a partir del anterior basado en CEE y extrapolar información energética a los edificios sin certificación. Mediante el aprendizaje automático, el nUBEM analiza las características físicas y geoespaciales de las edificaciones, generando estimaciones del consumo de energía primaria no renovable y de las emisiones de gases de efecto invernadero. Así, se evalúa el rendimiento energético a gran escala, superando las limitaciones derivadas de la escasez de datos.
Ambos modelos son pioneros: el UBEM basado en CEE es el primero a escala nacional de su tipo, mientras que el nUBEM constituye la primera aplicación de IA para predecir el comportamiento energético de edificios a gran escala.
La integración de estas metodologías con el uso de datos en abierto y tecnologías crea un marco que mejora la capacidad para evaluar el estado del parque edificado y medir el progreso en la descarbonización. Estos avances permiten mapearlo y analizarlo
de forma continua y apoyar la toma de decisiones basadas en datos.
En la tesis se demuestra la viabilidad y eficacia de ambos modelos, abriendo el camino hacia futuras investigaciones en la descarbonización y rehabilitación energética del parque edificado. La combinación de innovación tecnológica y datos abiertos se perfila como una estrategia prometedora para enfrentar los desafíos energéticos actuales, contribuyendo significativamente a la transformación sostenible del entorno
urbano.
Abstract (other lang.): The decarbonization of the built environment is essential in the fight against climate change. Achieving this objective requires assessing its current state, measuring its rehabilitation potential, and developing data-driven strategies. In this context, the progress indicators mandated by the European Commission play a key role by providing metrics for evaluating the advancement of decarbonization and renovation of the building stock. However, the lack of detailed information on building characteristics and energy performance represents a significant challenge. In response to this situation, the thesis proposes an innovative approach based on the use of open data and new technologies to automate the collection and processing of information. Tools such as Geographic Information Systems, Big Data analytics, process automation, and Artificial Intelligence (AI) facilitate the collection, integration, and analysis of large volumes of data regarding the building stock, thereby yielding valuable, useful and up-to-date information. This approach is developed through the creation of methodologies to automatically and efficiently generate Urban Building Energy Models (UBEMs) at a national scale. The first methodology is based on Energy Performance Certificates (EPCs) and other open data, enabling the creation of a national model encompassing all buildings in Spain and detailing the energy performance of those that possess a certificate. This model provides a comprehensive view of the state of the buildings and contributes to reducing computational time and costs in the evaluation of the building stock. To expand the available information, a second model, named nUBEM, has been developed. This model employs AI techniques to learn from the EPC-based model and extrapolate energy information to uncertified buildings. Through machine learning, the nUBEM analyzes the physical and geospatial characteristics of buildings, generating estimates of non-renewable primary energy consumption and greenhouse gas emissions. In this manner, it facilitates large-scale evaluation of energy performance, overcoming the limitations arising from data scarcity. Both models are pioneering: the EPC-based UBEM represents the first national model of its kind, while the nUBEM constitutes the first application of AI to predict the energy performance of buildings on a large scale. The integration of these methodologies with the use of open data and advanced technologies creates a framework that enhances the capacity to assess the state of the building stock and measure progress in decarbonization. These advances enable continuous mapping and analysis of the building stock, thereby supporting data-driven decision-making. The thesis demonstrates the viability and effectiveness of both models, paving the way for future research in the decarbonization and energy renovation of the building stock. The combination of technological innovation and open data emerges as a promising strategy to address current energy challenges, significantly contributing to the sustainable transformation of the urban environment.
rehabilitación del parque construido. Sin embargo, la falta de información detallada sobre las características y el comportamiento energético de los edificios representa un desafío importante.
Frente a esta situación, esta tesis propone un enfoque innovador basado en el uso de datos en abierto y nuevas tecnologías para automatizar la recolección y el procesamiento de información. Herramientas como los Sistemas de Información Geográfica, Big Data, la automatización de procesos y la Inteligencia Artificial (IA) permiten recopilar, integrar y analizar grandes volúmenes de datos sobre el parque edificado, de forma que se consiga obtener información valiosa, útil y actualizada.
Este enfoque se desarrolla mediante la creación de metodologías para generar Modelos Urbanos de Energía en Edificios (UBEM) a escala nacional de forma automática y eficiente. La primera metodología se basa en los Certificados de Eficiencia Energética (CEE) y otros datos en abierto, lo que permite establecer un modelo nacional con todos los edificios de España y el comportamiento energético de los que disponen de un certificado. Esto proporciona una visión integral del estado de los edificios y ayuda a reducir tiempos y costes computacionales en su evaluación.
Para ampliar la información disponible, se ha desarrollado un segundo modelo denominado nUBEM. Este modelo utiliza técnicas de IA para aprender a partir del anterior basado en CEE y extrapolar información energética a los edificios sin certificación. Mediante el aprendizaje automático, el nUBEM analiza las características físicas y geoespaciales de las edificaciones, generando estimaciones del consumo de energía primaria no renovable y de las emisiones de gases de efecto invernadero. Así, se evalúa el rendimiento energético a gran escala, superando las limitaciones derivadas de la escasez de datos.
Ambos modelos son pioneros: el UBEM basado en CEE es el primero a escala nacional de su tipo, mientras que el nUBEM constituye la primera aplicación de IA para predecir el comportamiento energético de edificios a gran escala.
La integración de estas metodologías con el uso de datos en abierto y tecnologías crea un marco que mejora la capacidad para evaluar el estado del parque edificado y medir el progreso en la descarbonización. Estos avances permiten mapearlo y analizarlo
de forma continua y apoyar la toma de decisiones basadas en datos.
En la tesis se demuestra la viabilidad y eficacia de ambos modelos, abriendo el camino hacia futuras investigaciones en la descarbonización y rehabilitación energética del parque edificado. La combinación de innovación tecnológica y datos abiertos se perfila como una estrategia prometedora para enfrentar los desafíos energéticos actuales, contribuyendo significativamente a la transformación sostenible del entorno
urbano.
Abstract (other lang.): The decarbonization of the built environment is essential in the fight against climate change. Achieving this objective requires assessing its current state, measuring its rehabilitation potential, and developing data-driven strategies. In this context, the progress indicators mandated by the European Commission play a key role by providing metrics for evaluating the advancement of decarbonization and renovation of the building stock. However, the lack of detailed information on building characteristics and energy performance represents a significant challenge. In response to this situation, the thesis proposes an innovative approach based on the use of open data and new technologies to automate the collection and processing of information. Tools such as Geographic Information Systems, Big Data analytics, process automation, and Artificial Intelligence (AI) facilitate the collection, integration, and analysis of large volumes of data regarding the building stock, thereby yielding valuable, useful and up-to-date information. This approach is developed through the creation of methodologies to automatically and efficiently generate Urban Building Energy Models (UBEMs) at a national scale. The first methodology is based on Energy Performance Certificates (EPCs) and other open data, enabling the creation of a national model encompassing all buildings in Spain and detailing the energy performance of those that possess a certificate. This model provides a comprehensive view of the state of the buildings and contributes to reducing computational time and costs in the evaluation of the building stock. To expand the available information, a second model, named nUBEM, has been developed. This model employs AI techniques to learn from the EPC-based model and extrapolate energy information to uncertified buildings. Through machine learning, the nUBEM analyzes the physical and geospatial characteristics of buildings, generating estimates of non-renewable primary energy consumption and greenhouse gas emissions. In this manner, it facilitates large-scale evaluation of energy performance, overcoming the limitations arising from data scarcity. Both models are pioneering: the EPC-based UBEM represents the first national model of its kind, while the nUBEM constitutes the first application of AI to predict the energy performance of buildings on a large scale. The integration of these methodologies with the use of open data and advanced technologies creates a framework that enhances the capacity to assess the state of the building stock and measure progress in decarbonization. These advances enable continuous mapping and analysis of the building stock, thereby supporting data-driven decision-making. The thesis demonstrates the viability and effectiveness of both models, paving the way for future research in the decarbonization and energy renovation of the building stock. The combination of technological innovation and open data emerges as a promising strategy to address current energy challenges, significantly contributing to the sustainable transformation of the urban environment.
Pal. clave: descarbonización ; parque edificado ; ubem ; inteligencia artificial ; eficiencia energética ; datos abiertos (open data)
Titulación: Programa de Doctorado en Nuevos Territorios en la Arquitectura
Plan(es): Plan 517
Knowledge area: Ingeniería y Arquitectura
Nota: Presentado: 05 12 2025
Nota: Tesis-Univ. Zaragoza, , 2025
Contribution of the TFG/M to Sustainability: Asegurar el acceso a energías asequibles, fiables, sostenibles y modernas para todos. Conseguir que las ciudades y los asentamientos humanos sean inclusivos, seguros, resilientes y sostenibles. Tomar medidas urgentes para combatir el cambio climático y sus efectos.
Permalink:
Visitas y descargas
Record created 2026-04-27, last modified 2026-04-27
