Explainable Artificial Intelligence Framework for Predicting Construction Waste and Embodied Carbon in Building Projects Using Literature Calibrated Simulation
Este estudo apresenta uma estrutura de inteligência artificial explicável que utiliza uma simulação calibrada por literatura de 1.200 arquétipos de edifícios para prever com precisão o resíduo de construção e a intensidade de carbono incorporado através de algoritmos de regressão avançados e análise de características baseada em SHAP, demonstrando como a integração de dados de materiais aumenta a precisão preditiva para o suporte à decisão em estágio inicial.
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
Sempre que um edifício se ergue do solo, ele deixa um rastro de duas pegadas distintas, mas profundamente conectadas. Uma é a pilha de tijolos excedentes, tubos cortados e embalagens que acabam em um aterro sanitário; a outra é a nuvem invisível de gases de efeito estufa liberada para fabricar o aço, o concreto e o vidro que formam as paredes. Por décadas, engenheiros e arquitetos trataram esses dois resultados como problemas separados. Eles podem calcular quanto resíduo um projeto gerará enquanto utilizam um conjunto de ferramentas completamente diferente para estimar suas emissões de carbono. No entanto, as escolhas que criam resíduos — encomendar material demais, realizar cortes de forma ineficiente ou alterar o design tardiamente — são as mesmas escolhas que determinam quanta poluição fica retida na estrutura. Para construir verdadeiramente para o futuro, a indústria precisa de uma maneira de enxergar ambas as pegadas simultaneamente, desde os primeiros esboços, antes que a primeira pá toque a terra.
Uma equipe de pesquisadores da Índia desenvolveu uma nova maneira de fazer exatamente isso. Eles criaram uma estrutura digital que utiliza inteligência artificial para prever tanto o resíduo de construção quanto as emissões de carbono dos materiais de um edifício simultaneamente. O desafio enfrentado foi a falta de dados do mundo real. Na realidade caótica dos canteiros de obras, os registros de exatamente quanto resíduo foi gerado e o custo de carbono preciso de cada um dos materiais raramente são mantidos de uma forma que possa ser facilmente comparada. Como não existia um banco de dados público com essas informações específicas e alinhadas, os pesquisadores não tentaram adivinhar ou fabricar registros. Em vez disso, construíram uma simulação computacional transparente. Eles criaram 1.200 projetos de edifícios virtuais, variando de pequenos escritórios a grandes hospitais, e atribuíram-lhes características realistas, como sistemas estruturais, zonas climáticas e métodos de construção. Para cada projeto virtual, utilizaram fórmulas científicas estabelecidas para calcular exatamente quanto resíduo e carbono seriam produzidos, criando uma "verdade fundamental" perfeita que poderiam então usar para testar suas previsões.
Os pesquisadores treinaram seis tipos diferentes de algoritmos de aprendizado de máquina para analisar os detalhes básicos de um projeto — como seu tamanho, o número de andares, o tipo de estrutura e o clima local — e adivinhar os resultados de resíduos e carbono. Eles testaram esses algoritmos em dois cenários diferentes. No primeiro cenário, o computador conhecia apenas os detalhes do projeto em estágio inicial, semelhante ao que um cliente sabe quando contrata um arquiteto pela primeira vez. No segundo cenário, o computador recebeu o benefício adicional de conhecer as quantidades específicas de materiais, como o peso exato de aço ou concreto necessário. Os resultados mostraram que, mesmo com apenas os detalhes iniciais do projeto, a inteligência artificial conseguia fazer previsões surpreendentemente precisas. Para o resíduo de construção, o melhor modelo pôde prever a quantidade de lixo com uma margem de erro inferior a 12 por cento. No entanto, prever as emissões de carbono foi mais difícil sem conhecer as quantidades específicas de materiais. Quando o computador recebeu a informação adicional sobre as quantidades de materiais, sua capacidade de prever as emissões de carbono melhorou dramaticamente, reduzindo a taxa de erro pela metade.
O que torna este trabalho particularmente valioso é que os pesquisadores não construíram apenas uma "caixa preta" que cospe um número. Eles equiparam seu sistema com um recurso que explica por que ele fez uma previsão específica. Ao analisar os dados, o sistema identificou os principais fatores por trás dos números de resíduos e de carbono. Descobriu-se que o tipo de sistema estrutural — se o edifício é feito de concreto armado, aço ou madeira — era o fator individual mais importante. O número de andares, a quantidade de material reciclado utilizado e a proporção entre janelas e área de parede também desempenharam papros fundamentais. Por exemplo, a simulação confirmou que o uso de mais partes pré-fabricadas, que são feitas em fábricas controladas, geralmente leva a menos resíduos no canteiro de obras. Essas explicações permitem que arquitetos e engenheiros entendam as alavancas que podem acionar. Eles podem ver que escolher um sistema estrutural diferente ou aumentar o uso de conteúdo reciclado alterará diretamente os resultados previstos.
O estudo também revelou uma nuance crucial sobre como essas ferramentas devem ser utilizadas. Os pesquisadores descobriram que os algoritmos mais complexos e poderosos nem sempre eram a melhor escolha. Para prever as emissões de carbono, um modelo matemático mais simples e direto teve um desempenho tão bom quanto os modelos complexos uma vez que as quantidades de materiais eram conhecidas. Isso sugere que, no mundo real, a melhor ferramenta depende da informação disponível. Se uma equipe está nos estágios muito iniciais do projeto, um modelo sofisticado que possa encontrar padrões ocultos em detalhes gerais é útil. Mas, uma vez que as quantidades de materiais são conhecidas, um modelo mais simples e transparente pode ser tão preciso quanto e mais fácil de confiar. Os pesquisadores enfatizam que seus resultados baseiam-se em uma simulação controlada, não em uma cidade ou mercado específico do mundo real, portanto, os números exatos não devem ser tomados como uma garantia para cada edifício futuro. No entanto, a estrutura em si prova que é possível combinar a previsão de resíduos e carbono em um único sistema explicável. Essa abordagem oferece um caminho para a indústria da construção civil tomar decisões mais inteligentes e sustentáveis mais cedo no processo, garantindo que os edifícios de amanhã sejam não apenas eficientes, mas também mais limpos e menos geradores de resíduos desde a primeira linha traçada em uma planta.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.