💻 computer science

Predictive Intelligence for Civil Works Valuation: A Hybrid Random Forest–ANN Model with 91.20% Accuracy for Dynamic Cost Management in Peru

Este estudo propõe um modelo híbrido de Random Forest–ANN treinado em 450 projetos de construção peruanos que alcança 91,20% de precisão na valoração dinâmica de custos, reduzindo significativamente os erros de previsão e o viés geográfico, ao mesmo tempo em que oferece um caminho viável para a integração nos marcos de gestão de infraestrutura pública do Peru.

Autores originais: PAUL RICARDO PRUDENCIO GALVEZ

Publicado 2026-06-30

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: PAUL RICARDO PRUDENCIO GALVEZ

Artigo original sob licença CC BY 4.0 (https://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 está tentando adivinhar o preço final da construção de uma casa no Peru. No passado, as pessoas faziam isso olhando para uma lista estática de preços (como um cardápio do ano passado) e somando-os. Mas no Peru, o "cardápio" muda constantemente devido a três coisas complicadas: o clima e o terreno (costa vs. montanhas vs. selva), a altitude (o quão alto você está) e o risco de terremotos.

Devido a esses fatores em constante mudança, os métodos tradicionais de estimativa costumavam errar por cerca de US$ 142.800 por projeto. Essa é uma enorme lacuna financeira.

Este artigo apresenta uma nova maneira mais inteligente de prever custos usando um "cérebro digital" que aprende com o passado. Aqui está a divisão em termos simples:

1. O Problema: O Mapa "Tamanho Único" Não Funca

Imagine tentar navegar pelo Peru usando um único mapa que trata a praia, as altas montanhas dos Andes e a selva amazônica exatamente da mesma forma. Não funcionaria. Um caminhão subindo uma montanha gasta mais combustível do que um na costa; um edifício em uma zona de terremotos precisa de materiais mais fortes (e mais caros).

Os antigos modelos de computador usados na construção civil não entendiam essas diferenças. Eles tratavam o país inteiro como um lugar plano e uniforme, levando a erros caros.

2. A Solução: Um Sistema de "Cérebro Duplo"

O autor criou um novo modelo de computador que atua como uma equipe de especialistas de duas pessoas trabalhando juntas:

Cérebro A (Random Forest): Esta parte é ótima em observar muitos padrões e regras diferentes ao mesmo tempo. É como um engenheiro veterano que já viu milhares de projetos e conhece as "regras de bolso".
Cérebro B (Rede Neural Artificial): Esta parte é como um mago do reconhecimento de padrões. Ela observa dados complexos e desordenados e encontra conexões ocultas que os humanos podem perder.

Ao combinar esses dois cérebros, o modelo obtém o melhor dos dois mundos. Ele foi treinado com 450 projetos de construção reais no Peru entre 2018 e 2025.

3. O Ingrediente Secreto: Os "Fatores de Ajuste Peruanos"

O modelo não olha apenas para o preço dos tijolos e do cimento. Ele adiciona um "filtro peruano" especial a cada cálculo. Ele faz três perguntas específicas antes de dar um preço:

Onde fica? (Costa, Serra ou Selva?)
Qual a altitude? (Está acima de 3.500 metros, onde a logística é mais difícil?)
É instável? (Qual é o nível de risco de terremoto de acordo com os códigos de construção do Peru?)

Isso é como um GPS que não indica apenas a distância, mas também calcula quanto de gasolina extra você precisa por causa das ladeiras íngremes e dos congestionamentos.

4. Os Resultados: Uma Bola de Cristal Muito Mais Aguçada

Os resultados foram impressionantes:

Precisão: O novo modelo previu custos com 91,20% de precisão.
Dinheiro Economizado: Em vez de errar por US$ 142.800 (do jeito antigo), o novo modelo erra apenas cerca de US$ 91.350. Isso representa uma economia de aproximadamente US$ 51.450 por projeto.
Viés Reduzido: Ele reduziu o "viés geográfico" (o erro causado por ignorar as diferenças de localização) em 34%.

5. Por Que Isso Importa para o Peru

O artigo argumenta que isso não é apenas um truque matemático; é uma ferramenta prática para o governo e empresas privadas.

Dados Reais: Utiliza registros públicos reais do sistema de contratação do Peru (SEACE).
À Prova de Futuro: Integra-se aos sistemas digitais existentes do Peru (como o PlanBIM) e segue as leis específicas do país sobre como os preços de construção devem ser ajustados.
Menos Conflitos: Ao prever os custos com maior precisão, haverá menos discussões e renegociações quando um projeto ultrapassar o orçamento.

Em resumo: O autor construiu uma ferramenta computacional inteligente que entende a realidade única, acidentada e propensa a terremotos do Peru. Ao combinar dois tipos de IA e adicionar regras locais específicas, ela prevê custos de construção com muito mais precisão do que os métodos antigos, economizando dinheiro significativo para o país e reduzindo o risco financeiro.

Resumo Técnico: Inteligência Preditiva para Avaliação de Obras Civis no Peru

Definição do Problema
Projetos de engenharia civil no Peru enfrentam desafios significativos na avaliação dinâmica de custos devido à volatilidade dos preços dos insumos, complexidade regulatória sob a Lei de Contratações do Estado (Lei N° 30225) e a subjetividade inerente à estimativa paramétrica tradicional. Embora existam modelos globais de aprendizado de máquina (ML), eles falham em abordar as realidades normativas, geográficas e logísticas específicas do mercado peruano. Essas realidades incluem a extrema dispersão geográfica (costa, serra, selva), zonas sísmicas distintas definidas pela NTE E.030, variações de altitude e uma estrutura de reajuste baseada em fórmulas polinomiais do INEI. Consequentemente, os métodos tradicionais geram erros de previsão médios superiores a ±USD 142.800 para projetos de médio porte, com projetos de infraestrutura apresentando excessos de custos superiores a 58% e atrasos de aproximadamente 65%. As abordagens existentes, que frequentemente dependem de LSTM univariada ou regressão linear, não conseguem capturar simultaneamente as dependências relacionais e temporais necessárias para modelar os efeitos em cascata dos desvios de atividades dentro de uma Estrutura Analítica de Projeto (EAP/WBS).

Metodologia
O estudo propõe um modelo híbrido de ML integrando Random Forest (RF) e Redes Neurais Artificiais (ANN) para abordar essas lacunas. A metodologia fundamenta-se em uma formulação de custo dinâmico ( $C_d$ ) que supera a soma algébrica estática:

Fonte de Dados: O modelo foi treinado em 450 projetos de construção executados no Peru entre 2018 e 2025, extraídos do SEACE, do Ministério da Economia e Finanças (MEF) e de registros de entidades públicas regionais. As variáveis de entrada incluíram área construída, tipo estrutural, localização geográfica, complexidade logística, zona sísmica, altitude, histórico de preços de materiais locais e séries de IPC regional.
Equação de Custo Dinâmico: A equação central é definida como $C_d(t) = \Sigma [Q_i(t) \times P_{base,i} \times I_{regional}(t)] + \epsilon_{ML}$ $C_{d} (t) = Σ [Q_{i} (t) \times P_{ba se, i} \times I_{r e g i o na l} (t)] + ϵ_{M L}$ .
- $Q_i(t)$ : Quantidades físicas extraídas de modelos BIM 5D.
- $P_{base,i}$ : Preços unitários base homologados da CAPECO e MEF.
- $I_{regional}(t)$ : Um índice regional espaço-temporal calculado como $I_{nacional}(t) \times \phi_{geo} \times \phi_{alt} \times \phi_{sísmica}$ . Este índice incorpora de forma única fatores geográficos (costa/serra/selva), correções de altitude (>3.500 m.s.n.m.) e ajustes de zona sísmica (NTE E.030).
- $\epsilon_{ML}$ : Um fator de correção preditiva gerado pelo modelo híbrido para capturar erros residuais não explicados pelos índices oficiais.
Arquitetura Híbrida: O modelo utiliza uma função de perda híbrida ponderada ( $L_{hybrid} = \alpha \cdot MSERF + (1-\alpha) \cdot MAEANN + \lambda||\theta||^2$ ) com $\alpha=0,6$ para equilibrar o controle de variância (RF) e a redução de viés (ANN). A regularização L2 ( $\lambda$ ) evita o overfitting dado o tamanho limitado do conjunto de dados ( $n < 600$ ).
Validação: A estabilidade estatística foi confirmada via validação cruzada de 10 dobras ( $k=10$ ), resultando em um desvio padrão de $\sigma = \pm 2,1\%$ .

Principais Contribuições
O artigo identifica três contribuições primárias:

Desenvolvimento Algorítmico: A criação e validação de um algoritmo híbrido RF+ANN treinado especificamente em dados peruanos, alcançando 91,20% de precisão.
Formalização Matemática: A formulação de equações de custo dinâmico matematicamente verificáveis, incluindo o índice regional espaço-temporal ( $\phi_{geo} \cdot \phi_{alt} \cdot \phi_{sísmica}$ ) e a integração de indicadores de Gestão do Valor Agregado (EVM) (CPI, EAC) como variáveis de feedback.
Estrutura de Implementação: Uma via proposta para integrar este modelo ao ecossistema PlanBIM Peru, SEACE e ao Quadro Macroeconômico Multianual do MEF para apoiar contratos EPC e Parcerias Público-Privadas (PPP).

Resultos
O modelo híbrido alcançou 91,20% de precisão no conjunto de teste (90 projetos), com um $R^2$ de 0,9819 e um RMSE de 0,1358.

Redução de Erro: O erro médio de previsão foi reduzido de ±USD 142.800 (métodos tradicionais) para ±USD 91.350 (modelo ML), representando uma redução de 35,9% no risco financeiro de estimativa e uma melhoria absoluta de USD 51.450 por projeto.
Mitigação de Viés: A integração do índice espaço-temporal reduziu o viés geográfico em 34% em comparação com modelos que utilizam um único índice nacional (estatisticamente significativo, $p < 0,001$ ).
Contexto de Desempenho: O modelo superou a estimativa paramétrica tradicional em 18,8 pontos percentuais e demonstrou desempenho superior em contextos de alta inflação (2022–2023) e projetos de alta altitude na serra.

Significância e Alegações
O artigo afirma que este estudo estabelece um novo padrão para a gestão financeira na infraestrutura peruana ao preencher a lacuna entre as capacidades globais de ML e as especificidades regulatórias/geográficas locais. A precisão de 91,20% é apresentada não apenas como uma métrica estatística, mas como uma mitigação tangível de riscos financeiros em contratos EPC e PPP, onde os excessos de custos frequentemente decorrem de previsões inadequadas de reajuste regional.

Os autores afirmam que o modelo é operacionalmente viável dentro do atual quadro peruano, aproveitando a transparência dos dados públicos existentes (SEACE) e as iniciativas governamentais (PlanBIM, Invierte.pe). No entanto, o artigo reconhece modestamente limitações, incluindo a heterogeneidade dos formatos de dados históricos das entidades regionais, a ausência de um repositório nacional de custos unitários georreferenciados e a necessidade de atualizações semestrais do modelo para acomodar mudanças regulatórias nas Normas Técnicas de Edificação. Pesquisas futuras são direcionadas para a padronização de dados e a extensão do modelo para a previsão de cronograma (Earned Schedule).