🤖 AI

Automating Structural Analysis Across Multiple Software Platforms Using Large Language Models

Este estudo apresenta uma arquitetura multiagente baseada em modelos de linguagem que automatiza a análise estrutural de estruturas de viga em múltiplas plataformas de software (ETABS, SAP2000 e OpenSees), traduzindo com mais de 90% de precisão as especificações do usuário em scripts executáveis para cada ferramenta.

Autores originais: Ziheng Geng, Jiachen Liu, Ian Franklin, Ran Cao, Dan M. Frangopol, Minghui Cheng

Publicado 2026-04-14

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Ziheng Geng, Jiachen Liu, Ian Franklin, Ran Cao, Dan M. Frangopol, Minghui Cheng

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um arquiteto ou engenheiro que precisa construir um prédio. Para garantir que ele não caia, você precisa fazer cálculos complexos de física e matemática. Antigamente, isso era feito à mão. Depois, vieram softwares poderosos (como o ETABS, SAP2000 e OpenSees) que fazem esses cálculos automaticamente.

O Problema:
O problema é que esses softwares falam "línguas" diferentes. É como se você tivesse que escrever um livro, mas precisasse traduzi-lo para três idiomas diferentes (Inglês, Espanhol e Japonês) usando três gramáticas totalmente distintas. Se você errar uma vírgula ou usar a palavra errada em um deles, o software não entende e o cálculo falha. Além disso, os engenheiros muitas vezes precisam usar mais de um software ao mesmo tempo para comparar resultados, o que significa ter que fazer o mesmo trabalho três vezes, manualmente.

A Solução da Pesquisa:
Os autores deste artigo criaram um "Time de Tradutores Inteligentes" (chamado de Sistema Multi-Agente com IA) para resolver isso. Eles usaram modelos de linguagem grandes (LLMs), que são como cérebros de IA superpoderosos, mas organizaram de uma forma muito especial.

Aqui está como funciona, usando uma analogia de uma cozinha de restaurante de luxo:

1. O Chef de Cozinha (A Arquitetura em Duas Etapas)

Em vez de pedir para um único cozinheiro tentar fazer o prato para três clientes diferentes ao mesmo tempo (o que causaria confusão), eles dividiram o trabalho em duas etapas claras:

Etapa 1: O "Chef de Planejamento" (Entendimento e Raciocínio)
Imagine que você chega no restaurante e diz: "Quero um prato com 3 mesas de 6 metros, 4 andares, com cargas de vento aqui e peso ali".
O Chef de Planejamento (a primeira parte da IA) não começa a cozinhar ainda. Ele pega seu pedido, entende o que você quer, desenha o plano no papel e escreve uma receita universal em um formato padrão (um arquivo JSON).
- O que ele faz: Ele separa a geometria (tamanho), os materiais (tipo de aço), onde os pilares estão (suportes) e onde o peso cai (cargas). Ele transforma sua fala confusa em uma lista de ingredientes e passos organizada e perfeita.
Etapa 2: Os "Cozinheiros Especialistas" (Tradução para o Software)
Agora que a receita universal está pronta, ela é enviada para três cozinheiros diferentes, cada um especialista em um tipo de fogão:
- Cozinheiro A (OpenSees): Sabe exatamente como escrever a receita para o fogão de código aberto.
- Cozinheiro B (SAP2000): Sabe a linguagem específica do software comercial SAP.
- Cozinheiro C (ETABS): Sabe a linguagem do ETABS.
O Pulo do Gato: O ETABS funciona de um jeito diferente (ele pensa em "andares" do prédio, não apenas em peças soltas). Por isso, antes de enviar para o Cozinheiro C, há um Tradutor de Significado que reorganiza a receita para que faça sentido na lógica do ETABS.

2. Por que isso é incrível?

Os pesquisadores testaram esse sistema com 20 problemas complexos de engenharia. O resultado foi impressionante:

Precisão: O sistema acertou mais de 90% das vezes em todos os softwares, mesmo após 10 tentativas diferentes.
Comparação com os "Gigantes": Eles testaram as IAs mais famosas do mercado (como GPT-5 e Gemini-3) para ver se elas conseguiam fazer o mesmo.
- As IAs comuns tentaram fazer tudo sozinhas e falharam miseravelmente (0% de acerto em alguns casos). Elas confundiam as regras de cada software, inventavam comandos que não existiam e criavam erros de lógica. Era como tentar cozinhar um prato japonês usando apenas um livro de receitas italiana, sem entender a diferença entre os ingredientes.
- O sistema deles, com o "Time de Especialistas", funcionou perfeitamente.

3. Custo e Velocidade

Velocidade: O sistema gera os códigos para os três softwares em cerca de 2 minutos. É muito mais rápido do que um engenheiro fazer isso manualmente.
Custo: Custa centavos de dólar por tarefa. É extremamente barato comparado ao custo de contratar engenheiros para fazer o trabalho repetitivo de digitar os dados.

Resumo Final

Essa pesquisa criou um assistente virtual inteligente que entende o que o engenheiro quer dizer, organiza o pensamento e, em seguida, "fala" a língua exata de três softwares de engenharia diferentes ao mesmo tempo.

Em vez de o engenheiro ter que aprender três línguas de programação diferentes e digitar tudo manualmente, ele apenas descreve o prédio em português (ou inglês), e o sistema faz o resto, garantindo que o cálculo seja feito corretamente em todas as plataformas. Isso economiza tempo, dinheiro e evita erros humanos que poderiam ser catastróficos na construção civil.

Título: Automação da Análise Estrutural em Múltiplas Plataformas de Software Utilizando Modelos de Linguagem de Grande Escala (LLMs)

1. Problema e Motivação

Os avanços recentes em Modelos de Linguagem de Grande Escala (LLMs) demonstraram potencial para acelerar fluxos de trabalho de engenharia civil, automatizando tarefas como modelagem e análise estrutural. No entanto, a literatura existente foca predominantemente na operação de uma única plataforma de software de análise estrutural (ex: apenas OpenSees ou apenas ETABS).

Na prática de engenharia, os engenheiros estruturais frequentemente dependem de múltiplas ferramentas de Análise de Elementos Finitos (FEA) — como ETABS, SAP2000 e OpenSees — dependendo das necessidades do projeto, preferências do usuário e restrições corporativas. A falta de capacidade dos LLMs para operar entre diferentes "silos" de software limita sua implantação prática, pois exigiria o treinamento de modelos separados para cada ambiente. Além disso, LLMs genéricos de última geração muitas vezes falham ao tentar gerar scripts executáveis corretos devido à complexidade das sintaxes específicas e lógicas de modelagem distintas de cada software.

2. Metodologia: Arquitetura Multi-Agente de Duas Estágios

Para superar essas limitações, o estudo propõe uma arquitetura de LLMs multi-agente capaz de automatizar a análise de estruturas de pórtico em múltiplas plataformas simultaneamente. O sistema é dividido em dois estágios principais:

Estágio 1: Interpretação e Raciocínio Semântico
Nesta fase, o objetivo é transformar a descrição textual do problema do usuário em uma representação unificada e agnóstica à plataforma (formato JSON).

Agentes Envolvidos: Um conjunto de cinco agentes especializados colabora:
1. Agente de Análise de Problema: Extrai parâmetros-chave (geometria, apoios, materiais, cargas) da entrada natural.
2. Agente de Planejamento de Construção: Formula uma lógica de montagem passo a passo (de baixo para cima, da esquerda para a direita).
3. Agente de Nós e Agente de Elementos: Derivam coordenadas, conectividade e tipos de elementos.
4. Agente de Atribuição de Cargas: Mapeia cargas concentradas e distribuídas para os componentes estruturais.
Modelo Base: Utiliza o GPT-OSS 120B, escolhido por sua forte capacidade de raciocínio semântico.
Saída: Um arquivo JSON unificado contendo toda a informação necessária para a modelagem de elementos finitos.

Estágio 2: Tradução Paralela de Código
Nesta fase, o JSON unificado é convertido em scripts executáveis específicos para cada software alvo (OpenSees, SAP2000, ETABS) de forma paralela.

OpenSees e SAP2000: Utilizam agentes de Tradução de Geometria e Compilação de Código. A lógica de modelagem (definir nós, elementos, materiais) é similar ao JSON, permitindo uma tradução direta. O modelo base é o Llama-3.3 70B Instruct Turbo.
ETABS: Requer um agente adicional de Mapeamento Semântico. Diferente dos outros, o ETABS utiliza uma lógica baseada em "andares" (stories). Este agente traduz a definição baseada em objetos do JSON para a lógica baseada em andares do ETABS antes da geração do código.
Saída: Arquivos executáveis nativos (.tcl para OpenSees, .s2k para SAP2000, .e2k para ETABS).

3. Contribuições Principais

Generalização Multi-Plataforma: Desenvolvimento de um sistema capaz de gerar scripts funcionais para três plataformas distintas (duas comerciais e uma de código aberto) a partir de uma única entrada, eliminando a necessidade de modelos específicos para cada software.
Arquitetura de Separação de Preocupações: A decupagem entre o raciocínio semântico de alto nível (Estágio 1) e a geração de código específico (Estágio 2) permite maior robustez e escalabilidade.
Integração com Fluxos de Trabalho Existentes: O sistema não substitui os softwares, mas atua como uma interface de entrada automatizada que gera arquivos importáveis, permitindo que engenheiros validem e analisem modelos em seus ambientes familiares (GUI ou CLI).

4. Resultados e Desempenho

O sistema foi avaliado em um conjunto de dados de referência com 20 problemas representativos de análise de pórticos, executado em 10 repetições para cada problema e plataforma.

Precisão do Sistema Proposto:
- SAP2000: 100% de precisão em todos os casos.
- ETABS: 99% de precisão média (18/20 casos perfeitos, 2 com 90%).
- OpenSees: 98% de precisão média.
- Conclusão: O sistema demonstrou consistência e confiabilidade superior a 90% em todas as plataformas.
Comparação com LLMs Genéricos (GPT-5.2 e Gemini-3-Pro):
- GPT-5.2: Precisão média de 18% no OpenSees e 0% no SAP2000 e ETABS. Falhou devido a erros de sintaxe rigorosa e lógica de modelagem incompatível.
- Gemini-3-Pro: Precisão média de 79% no OpenSees, mas 0% nos softwares comerciais. Falhas similares relacionadas a nomes de tabelas incorretas e lógica de "andares" não mapeada.
- Destaque: Os modelos genéricos geraram scripts que muitas vezes não eram executáveis ou produziam resultados fisicamente incorretos (alucinações).
Eficiência e Custo:
- Tempo de Execução: Geração de scripts em aproximadamente 2 minutos (113s a 144s por plataforma) em execução paralela.
- Custo: Extremamente baixo, variando de $0,012 a$ 0,025 por problema por plataforma, graças ao uso de modelos open-source leves (GPT-OSS e Llama) em vez de modelos proprietários caros.

5. Significância e Conclusão

Este trabalho representa um avanço significativo na aplicação de IA na engenharia civil estrutural. Ao demonstrar que uma arquitetura multi-agente pode superar as limitações de LLMs genéricos na operação de múltiplos softwares de engenharia, o estudo valida a viabilidade prática de automatizar fluxos de trabalho complexos.

A solução proposta oferece:

Confiabilidade: Redução drástica de erros humanos e de sintaxe na modelagem.
Flexibilidade: Capacidade de comparar resultados entre diferentes softwares (verificação cruzada) automaticamente.
Viabilidade Econômica: Um custo marginal quase nulo para automação de alta qualidade.

O estudo conclui que, embora o sistema atual seja limitado a estruturas de pórtico retangulares, a arquitetura desenvolvida estabelece uma base sólida para futuras extensões a sistemas de contraventamento e tipologias estruturais mais complexas, marcando um passo crucial para a adoção generalizada de LLMs assistidos por agentes na engenharia estrutural.