An AI–BIM Integrated Framework for Rapid Early-Stage Energy Performance Prediction in Algerian Residential Buildings: A Machine Learning Approach Using Random Forest and XGBoost

Resumo Técnico: Um Framework Integrado de IA–BIM para Predição Rápida de Desempenho Energético em Estágios Iniciais de Edificações Residenciais na Argélia

Definição do Problema
As decisões arquitetônicas tomadas durante a fase de projeto conceitual — como massa edificada, orientação, configuração da envolvente e proporção de janelas em relação à parede (WWR) — exercem uma influência desproporcional no desempenho energético do ciclo de vida de um edifício. No entanto, as ferramentas convencionais de simulação baseadas em física (ex: EnergyPlus, DesignBuilder) são frequentemente muito demoradas e intensivas em dados para uso iterativo durante este estágio inicial. Consequentemente, os arquitetos frequentemente carecem de feedback imediato sobre como modificações simples de design afetam a demanda de energia, levando a decisões subótimas antes do início da modelagem detalhada. Além disso, as soluções de Inteligência Artificial (IA) existentes para predição de energia muitas vezes dependem de dados operacionais (pós-ocupação) em vez de parâmetros de fase de projeto, ou permanecem desconectadas do ambiente de autoria BIM, falhando em fornecer feedback em tempo real dentro do fluxo de trabalho do designer. Existe uma lacuna específica para ferramentas contextualizadas para a Argélia, onde diversos climas (costeiro mediterrâneo vs. semiárido saariano) e práticas de construção locais exigem soluções personalizadas que atualmente não estão disponíveis no estágio conceitual.

Metodologia
O estudo propõe um framework de IA–BIM em dois estágios, projetado para prever a intensidade de uso de energia anual (kWh/m²/ano) diretamente a partir de parâmetros simplificados de BIM. A metodologia segue um design experimental quantitativo:

1. Modelagem Paramétrica e Simulação: Um modelo paramétrico de uma casa unifamiliar de dois pisos foi desenvolvido no Autodesk Revit (LOD 300). Utilizando o plugin OpenStudio (motor EnergyPlus), um conjunto de dados estruturado foi gerado variando sistematicamente sete parâmetros principais:

   • Orientação (4 direções cardinais)
   • Condição sazonal (Verão/Inverno)
   • Níveis de isolamento térmico das paredes (Baixo, Médio, Alto; alinhados com o RETA 2016)
   • Área de piso (3 tamanhos)
   • Altura/volume do edifício (2 níveis)
   • Contexto geográfico (Argel e Ghardaïa)
   • Proporção de Janela-Parede/WWR (10%, 30%, 50%)
     Isso resultou em um espaço combinatório de 864 cenários de design.

2. Treinamento de Aprendizado de Máquina:

   • Estágio Um (Estimador de Energia): Um modelo de regressão Random Forest foi treinado em um conjunto de dados de referência de 20 casos simulados para aprender a relação não linear entre os parâmetros BIM e o consumo de energia. Este modelo foi então utilizado para prever os valores de energia para os 862 cenários restantes, criando um conjunto de dados de treinamento abrangente sem a necessidade de executar 864 simulações individuais baseadas em física.
   • Estágio Dois (Extensão de Predição): Um modelo Extreme Gradient Boosting (XGBoost) foi treinado no conjunto completo de 864 cenários para identificar combinações de parâmetros que minimizam a demanda de energia.

3. Integração e Implementação: Os modelos treinados foram incorporados ao ambiente Revit como uma extensão customizada usando pyRevit. Esta ferramenta permite que os usuários insiram variáveis de design via uma interface de faixa de opções nativa e recebam predições de energia instantâneas via um diálogo pop-up, contornando a necessidade de softwares de simulação externos durante a fase conceitual.

Principais Contribuições

• Framework Contextualizado: O estudo entrega uma ferramenta de IA–BIM implantável, especificamente calibrada para edifícios residenciais argelinos, abordando os desafios climáticos únicos da região (alta radiação solar, variações de umidade) e padrões regulatórios locais (RETA 2016).
• Integração de Fluxo de Trabalho: Ao contrário de estudos anteriores que tratam IA e BIM como domínios separados, este trabalho integra um motor preditivo nativamente no ambiente de autoria Revit via um plugin pyRevit, permitindo suporte à decisão em tempo real sem interromper o fluxo de trabalho do arquiteto.
• Template Metodológico: O artigo estabelece uma metodologia transferível para acoplar autoria BIM paramétrica, simulação baseada em física e aprendizado de máquina supervisionado para apoiar o design sustentável em estágio inicial.
• Análise de Sensibilidade de Parâmetros: A pesquisa identifica que um pequeno conjunto de variáveis derivadas do BIM (orientação, WWR, isolamento, tamanho e clima) é suficiente para capturar tendências dominantes na demanda de energia residencial, validando o uso de entradas simplificadas para estimativa rápida.

Resultos

• Capacidade Preditiva: O framework demonstrou com sucesso que modelos de aprendizado de máquina podem aproximar os resultados de simulações baseadas em física. Uma análise qualitativa preliminar dos 864 cenários revelou tendências consistentes:
  • Orientação: Edifícios orientados para o Sul mostraram aproximadamente 10% menos uso total de energia anual em comparação com contrapartes orientadas para o Norte sob condições idênticas.
  • Clima: A demanda de energia prevista foi sistematicamente maior no clima semiárido de Ghardaïa em comparação com o clima mediterrâneo de Argel.
  • WWR: O uso de energia aumentou com maiores proporções de janela em relação à parede, particularmente em cenários dominados pelo resfriamento.
• Métricas de Desempenho: O artigo observa explicitamente que, no momento deste preprint, métricas quantitativas de desempenho (Erro Absoluto Médio e R²) para os modelos Random Forest e XGBoost ainda não estão disponíveis. Os autores afirmam que esses valores, juntamente com gráficos de importância de atributos e análise de resíduos, serão reportados em uma versão revisada antes da submissão ao periódico. Os resultados atuais baseiam-se na consistência qualitativa das tendências observadas nas simulações de linha de base e no conjunto de dados gerado.

Significância e Alegações
O artigo alega que sua principal significância reside em transformar a sustentabilidade de uma medida corretiva aplicada tardiamente no processo de design em um parâmetro formativo ativo, disponível desde o primeiro esboço. Ao fornecer aos arquitetos feedback de energia quase instantâneo dentro de suas ferramentas de modelagem existentes, o framework permite decisões informadas sobre orientação, massa e configuração da envolvente enquanto as mudanças ainda são baratas de implementar.

Os autores enfatizam que esta abordagem não substitui a simulação detalhada ou a análise de especialistas, mas sim complementa-os ao filtrar alternativas de design precocemente. O estudo afirma que, para o contexto argelino, onde o feedback quantitativo sobre desempenho energético é raramente disponível na fase conceitual, esta ferramenta oferece um caminho prático para habitações mais eficientes energeticamente. O template metodológico é apresentado como transferível para outras regiões, desde que os modelos sejam retreinados e validados contra dados climáticos e práticas de construção locais.

Limitações
Os autores reconhecem diversas restrições:

• O estudo é limitado a uma única tipologia de edifício (casa unifamiliar de dois pisos), o que limita a transferibilidade direta para edifícios multifamiliares ou públicos.
• Os modelos são treinados em dados de simulação em vez de dados operacionais medidos, o que significa que a precisão é limitada pelas premissas do modelo EnergyPlus subjacente (ex: HVAC e cronogramas de ocupação simplificados).
• O escopo climático é restrito a duas cidades (Argel e Ghardaïa).
• O conjunto de dados de referência usado para treinar o estimador inicial (20 casos) é relativamente escasso para a dimensionalidade do espaço de parâmetros, necessitando de maior validação quantitativa e, potencialmente, expansão da amostragem em trabalhos futuros.