O setor da construção civil enfrenta um grande desafio: projetar edificações que sejam ao mesmo tempo eficientes, acessíveis e sustentáveis. O desempenho térmico dos edifícios é peça-chave nesse processo, pois impacta diretamente o conforto dos usuários e a necessidade de sistemas artificiais como ar-condicionado, ventiladores e aquecedores. Quanto melhor o desempenho térmico, menor a dependência desses equipamentos, resultando em redução do consumo de energia e diminuição de custos para as famílias. Nesse cenário, as simulações de desempenho de edificações se tornam fundamentais, mas exigem elevado custo computacional. É aqui que entram os modelos substitutos (surrogate models), desenvolvidos a partir de técnicas de aprendizado de máquina, capazes de reduzir a complexidade das simulações e acelerar os processos de projeto.
A pesquisa
O artigo “MULTI-OBJECTIVE OPTIMIZATION BASED ON SURROGATE MODELS FOR SUSTAINABLE BUILDING DESIGN: A SYSTEMATIC LITERATURE REVIEW” da equipe do CIDENG investigou, por meio de uma revisão sistemática da literatura, como esses modelos vêm sendo integrados à otimização multiobjetivo no campo do projeto sustentável de edificações. Foram analisados 44 estudos publicados, consolidando o estado da arte, os principais desafios e as oportunidades que ainda precisam ser exploradas.
Principais descobertas
- Concentração geográfica e climática: metade dos estudos vem da China, com foco no clima subtropical úmido (Cfa). Poucos trabalhos abordam retrofit, apesar de seu potencial para tornar construções existentes mais eficientes.
- Ferramentas utilizadas: Python e MATLAB são os mais comuns, com o Latin Hypercube Sampling sendo a técnica mais usada para gerar bases de dados.
- Algoritmos de aprendizado: redes neurais artificiais (ANN) e suporte vetorial de regressão (SVR) predominam. A otimização de hiperparâmetros ainda é rara, quando aplicada utiliza algoritmos genéticos ou grid search.
- Funções objetivo: consumo de energia, horas de desconforto térmico e custos construtivos são os mais considerados. Poucos trabalhos incluem emissões de carbono, iluminação natural ou impactos ambientais mais amplos.
- Algoritmos de otimização: o NSGA-II é o mais utilizado, geralmente explorando frentes de Pareto; porém, raramente se aplicam processos de apoio à decisão para selecionar soluções preferenciais.
- Lacunas identificadas: falta de integração com parâmetros de incerteza (como efeitos das mudanças climáticas), pouca exploração de data mining e transfer learning, ausência de discussões sobre descarbonização e escassa consideração de impactos sociais ou estéticos.
O que isso significa para o futuro
O estudo conclui que a combinação entre otimização multiobjetivo e modelos substitutos é promissora para viabilizar projetos de edificações mais sustentáveis, reduzindo custos computacionais e permitindo explorar um número maior de variáveis. Para avançar, será essencial investir em:
- Bases de dados maiores e mais diversas, que representem diferentes tipologias arquitetônicas.
- Ferramentas práticas, como plugins para softwares de modelagem ou aplicações web, que tornem a abordagem acessível a projetistas.
- Padrões éticos e de transparência, com maior compartilhamento de dados e códigos, garantindo confiabilidade e reprodutibilidade das pesquisas.
Essa convergência entre IA e engenharia tem potencial para impulsionar uma nova geração de projetos de edificações, mais resilientes, eficientes e alinhados às metas globais de sustentabilidade.
Saiba mais: Quer entender como a inteligência artificial está impulsionando o futuro da construção sustentável? Acesse o artigo completo NESTE LINK.