Visão computacional e inteligência artificial aplicadas à avaliação do progresso de construções em simulações BIM 4D

Abstract

A indústria da construção civil é notadamente conhecida pelo seu baixo grau de inovação tecnológica. Entretanto, essa realidade tem se alterado com o uso do Building Information Modelling, da inteligência artificial e da visão computacional em diversos campos dessa indústria, sendo que essas tecnologias estão sendo utilizadas tanto de forma independente como integradas. Nesse contexto, tem-se que o monitoramento e acompanhamento de construções é uma área que está se beneficiando constantemente dessas mudanças. O controle de obras, nesse sentido, se trata de uma área de fundamental importância para o êxito de um projeto, uma vez que permite acompanhar se o que está sendo executado em campo está compatível com o que foi planejado, de forma a identificar desvios e tomar decisões acertadas para mitigar atrasos. A visão computacional, o BIM 4D, o aprendizado de máquina e a Internet das Coisas são exemplos de tecnologias que estão sendo utilizadas para auxiliar os gestores de obras nessa etapa do processo construtivo. Entretanto, tem-se que, para que esses recursos sejam utilizados de forma adequada no acompanhamento de obras, são necessários estudos e pesquisas sobre cada um deles, bem como sobre sua integração. Dessa forma, essa dissertação propõe um uso da visão computacional e da inteligência artificial aplicadas à avaliação do progresso de obras em uma simulação BIM 4D. Para tanto, foi criado um banco de dados de imagens de simulações de uma construção, cada uma com o respectivo progresso da construção. Em seguida, essas imagens foram utilizadas para treinar 3 redes neurais convolucionais com o objetivo de obter o progresso da construção em cada imagem. Os modelos de aprendizado de máquina treinados foram então avaliados estatisticamente, de forma que foi possível analisar se o algoritmo foi capaz de identificar as principais características das imagens, além de avaliar a ocorrência de underfitting e de overfitting nos modelos. Posteriormente, foi feita uma análise dos feature maps gerados pelas redes neurais convolucionais, de forma a buscar compreender melhor os resultados do modelo. Como contribuição científica, essa dissertação explora a integração entre o BIM e as redes neurais convolucionais, mostrando que estas podem ser treinadas com imagens de modelos BIM e fornecer resultados precisos. Além disso, este estudo utiliza as redes neurais convolucionais para problemas de regressão, algo pouco explorado na literatura científica.