Análise de risco de atraso em obras militares usando um sistema híbrido neuro-fuzzy

Abstract

Os atrasos nos projetos estão entre os maiores desafios enfrentados pela indústria da construção civil. O ambiente complexo e dinâmico, onde os projetos se desenvolvem, geram riscos e incertezas. Na Administração Pública, o que inclui as obras militares, a análise de risco de atraso é um dos grandes desafios que impacta no sucesso de vários projetos de construção, repercutindo em metas estratégicas vitais para a sociedade. Os avanços tecnológicos advindos da indústria 4.0, têm levado o setor de construção civil a um crescimento explosivo na quantidade de dados gerados e armazenados ao longo do ciclo de vida da edificação. Essa massa de dados tem proporcionado oportunidades e desafios para o gerenciamento de risco de atraso em obras. Os desafios estão relacionados ao processamento de dados de forma associada com a experiência e o conhecimento dos profissionais. Neste sentido, a Inteligência Artificial oferece um conjunto de técnicas de aprendizado de máquina capazes de aprender por meio de uma base de dados e de informações linguísticas, é o caso dos sistemas híbridos neuro-fuzzy. Neste trabalho, foi proposto, desenvolvido, treinado e testado um modelo híbrido composto de um Sistema de Inferência Adaptativo Neuro-Fuzzy (ANFIS) associado a uma rede neural artificial (RNA) capaz de classificar o nível de risco de atraso de uma obra e estimar o atraso esperado com base em dados de obras anteriores e na opinião de especialistas. A metodologia de pesquisa foi baseada no Design Science Research (DSR), para produção de um artefato. Para definição das variáveis de entrada do modelo, foram realizadas revisões sistemáticas da literatura associadas a outras técnicas (Delphi, questionários e Diagrama de Pareto) para definição dos principais grupos e fatores de risco associados com atraso de obras militares. Para o modelo ANFIS a base de dados foi dividida em treinamento validação e teste, resultando em uma acurácia de 98.04% sob a base de teste. Já o modelo de RNA, usou a validação cruzada e obteve um R2 ajustado de 92.71%. Uma análise de sensibilidade permitiu identificar as variáveis mais representativas para formação do modelo. O estudo demonstra a grande potencialidade de predição de modelos de aprendizado de máquina na análise e risco de atraso em obras. Ao final, cabe ressaltar, a relevância deste trabalho sob a perspectiva do valor prático (para um caso específico) e do valor acadêmico (produção de conhecimento). No primeiro, destaca-se capacidade de generalização do artefato desenvolvido para outras classes de problemas, permitindo que o conhecimento gerado em uma situação específica possa ser aplicado a outras situações enfrentadas por diversas organizações públicas e privadas, com outras tipologias de riscos ou de projetos, até mesmo fora do Setor da Construção Civil. Já com relação ao valor acadêmico, este trabalho tem como diferencial, o desenvolvimento de um Sistema híbrido neuro-fuzzy, permitindo explorar as potencialidades dos subsistemas dentro de uma mesma solução, enquanto a maioria dos trabalhos pesquisados abordaram as técnicas de Aprendizado de Máquina de forma isolada. Outra contribuição científica é o desenvolvimento do artefato em Python, uma linguagem de programação aberta e gratuita, abordagem pouco comum entre os trabalhos pesquisados, sendo preferida a utilização de softwares proprietários.