UNIVERSIDADE FEDERAL DE MINAS GERAIS

PROGRAMA DE PÓS-GRADUAÇÃO EM CONSTRUÇÃO CIVIL

BIM EVOLUCIONÁRIO: APLICABILIDADE DE ALGORITMOS DE

INTELIGÊNCIA ARTIFICIAL NO DESENVOLVIMENTO DE PROJETOS DE
EDIFICAÇÕES

Autora: Denise Aurora Neves Flores

Orientador: Prof. Dr. Frederico Gadelha Guimarães

Belo Horizonte
Junho/2021
 ii

Denise Aurora Neves Flores

BIM EVOLUCIONÁRIO: APLICABILIDADE DE ALGORITMOS DE

INTELIGÊNCIA ARTIFICIAL NO DESENVOLVIMENTO DE PROJETOS DE
EDIFICAÇÕES

Versão final

Dissertação apresentada à Escola de Engenharia da

Universidade Federal de Minas Gerais como parte dos
requisitos para obtenção do título de Mestre em
Construção Civil. Área de concentração: Tecnologia na
Construção Civil. Linha de pesquisa: Gestão na
Construção Civil.

Orientador: Prof. Dr. Frederico Gadelha Guimarães

Belo Horizonte
Escola de Engenharia da UFMG
2021
iii
iv
 v

DEDICATÓRIA

Dedico este trabalho a 1,2 bilhão de pessoas no mundo

que hoje não têm acesso a moradia e infraestruturas
adequadas.
Acredito que somente por meio de tecnologias digitais a
Construção Civil poderá ganhar a produtividade e a
escala necessárias.
Esta pesquisa é uma pequena contribuição ao
conhecimento, em um oceano de necessidades.
 vi

AGRADECIMENTOS

Primeiramente, a minha gratidão a Deus pela graça da vida, todo amor e

oportunidades que me concedeu.
Especialmente ao meu esposo, André Flores, por me inspirar com sua resiliência e
índole. Por seu apoio irrestrito e por me transmitir toda paz para realizarmos esta
conquista. Sua generosidade única foi, e sempre será, fundamental.
À minha mãe, Marlene Teodora, por ser minha referência de fé, coragem, trabalho
incessante e por seu eterno e essencial cuidado.
Ao meu pai, Jadir Neves, por seu exemplo de amor ao conhecimento, por me
inspirar à docência e pelo especial apoio nesta pesquisa, com suas reflexões.
Ao meu irmão e amigo, Daniel Teodoro, por nos iluminar com sua inteligência
científica e espiritual, por seu modelo de diplomacia, disciplina e empatia.
À minha cunhada Jacqueline Soncin, por fazer parte de nossa família com seu
companheirismo, inteligência e integridade.
Ao meu estimado e distinto orientador, Prof. Dr. Frederico Guimarães, que me
concedeu a oportunidade de cursar sua disciplina, por acreditar no meu potencial
e na pesquisa, por suas orientações precisas e postura construtiva nesse percurso.
Ao Prof. Dr. Paulo Andery, por sua visão integrada de academia, mercado e ética.
Ao Dr. Roberto Ribeiro, colega do laboratório MINDS, e ao arquiteto Marcelo
Azarias, pelas colaborações fundamentais à pesquisa.
À amiga Ma. Maria Luísa Antunes pela parceria, lealdade e ideias nos caminhos da
pós-graduação e docência.
Aos amigos e colegas que me apoiaram neste projeto: Alexandre Neves, Fernando
Malard e Lúcio Campos.
A todos os docentes que tive durante a vida, por fazerem parte de minha formação
técnica e humana.
A todos, minha sincera gratidão.
 vii

Um pouco de ciência nos afasta de Deus. Muito, nos aproxima.

Louis Pasteur
 viii

RESUMO

No âmbito da indústria da Arquitetura, Engenharia e Construção (AEC), tecnologias

paramétricas como o Building Information Modeling (BIM) e o Design Generativo
têm suportado novos sistemas de projetação. O aumento no uso do BIM impactou
os estágios de projeto detalhado e construção. A parametrização permitiu diversos
avanços na geração, exploração e automação desses projetos. Entretanto, embora
os processos generativos e de avaliações automatizadas de requisitos sejam
altamente úteis, eles se restringem a funções de execução e não propõem soluções
evolutivas. A integração de tecnologias BIM, design generativo, verificação
automatizada de projetos e algoritmos evolucionários desta pesquisa demonstra
contribuir para o incremento da geração otimizada de soluções para projetos de
edificações – em especial na fase do Early Concept Design –, avançando na
aplicabilidade da inteligência artificial no campo da construção civil. Foi adotado o
método da pesquisa construtiva, ou Design Science Research. O delineamento da
pesquisa compreendeu a descrição da problemática e a formulação de um
constructo denominado BIM Evolucionário (E-BIM). O desenvolvimento e
implementação do constructo ocorreu em três fases: Fase A - desenvolvimento,
implementação e avaliação de um algoritmo genético inserido no fluxo de projetos
BIM, como instrumento evolucionário; Fase B - geração, verificação e otimização
de um objeto arquitetônico, integrando a técnica da Gramática da Forma e as
ferramentas computacionais Rhino-Grasshopper, Archicad, Solibri Model Checker
e script Python; Fase C - verificação da asserção do termo BIM Evolucionário (E-
BIM) proposto ao contexto desta aplicação. Os resultados quantitativos
apresentados demonstraram: a viabilidade de geração automatizada de soluções
em escala; a modelagem automatizada generativa de modelos BIM IFC; a
otimização e incremento nos indicadores de desempenho do projeto alcançados
com o uso de algoritmos evolucionários. Em conjunto, os resultados apontam que
a implementação de um algoritmo evolucionário integrado ao processo de projetos
proposto, permite que projetistas explorem, em grande escala, soluções múltiplas
e melhorem o desempenho destas soluções, contribuindo para a melhoria da
produtividade dos projetos da AEC.

Palavras-chave: Modelagem da informação da construção. Design generativo.

Automação de projetos. Algoritmo evolucionário. Inteligência artificial.
 ix

ABSTRACT

In the scope of the Architecture, Engineering and Construction (AEC) industry,

parametric technologies such as Building Information Modeling (BIM) and
Generative Design have supported new design systems. The increase in the use of
BIM impacted the stages of detailed design and construction. The parameterization
allowed for several advances in the generation, exploration and automation of these
projects. However, although the generative and automated requirements
assessment processes are highly useful, they are restricted to execution functions
and do not offer evolutionary solutions. The integration of BIM technologies,
generative design, automated design verification and evolutionary algorithms in this
research demonstrates that it contributes to the increase of the optimized generation
of solutions for building projects - especially in the Early Concept Design phase -,
advancing the applicability of Artificial Intelligence in the field of civil construction.
The approach Design Science Research was adopted as research methodology.
This research design comprised the description of the problem and the formulation
of a construct called Evolutionary BIM (E-BIM). The development and
implementation of the construct occurred in three phases: Phase A - development,
implementation and evaluation of a genetic algorithm inserted in the flow of BIM
designs, as an evolutionary instrument; Phase B - generation, verification and
optimization of an architectural object, integrating the technique of Shape Grammar
and the computational tools Rhino-Grasshopper, Archicad, Solibri Model Checker
and Python script; Phase C - verification of the assertion of the term Evolutionary
BIM (E-BIM) proposed in the context of this application. The quantitative results
demonstrated: the feasibility of automated generation of solutions in scale; the
automated generative modeling of BIM IFC models; the optimization and increase
in design performance indicators achieved with the use of evolutionary algorithms.
Together, the results point that the implementation of an evolutionary algorithm
integrated with the proposed design process, allows designers to explore, on a large
scale, multiple solutions and improve the performance of these solutions,
contributing to improving the productivity of AEC design.

Keywords: Building Information Modeling. Generative Design. Design automation.

Evolutionary algorithm. Artificial intelligence.
 x

LISTA DE ILUSTRAÇÕES

Figura 1 - Diagrama conceitual de projetos e modelos virtuais ............................... 9

Figura 2 - The Generator Project - 1976, de Cedric e Frazer ................................ 13
Figura 3 - Programação visual paramétrica .......................................................... 21
Figura 4 - VPL Grasshopper e Rhinoceros / sricpt Phyton .................................... 22
Figura 5 - A máquina de Turing............................................................................. 28
Figura 6 - Diagrama de inteligência artificial e seus subcampos........................... 30
Figura 7 - Ótimo global e ótimo local ..................................................................... 36
Figura 8 - Estrutura básica de um Algoritmo Genético.......................................... 37
Figura 9 - Operações genéticas: crossover e mutação ......................................... 39
Figura 10 - Genótipo e fenótipo............................................................................. 40
Figura 11 - Mapeamento de genótipo para fenótipo na CE .................................. 41
Figura 12 - Otimização evolutiva e tomada de decisão......................................... 42
Figura 13 - Função normalizada em “articulação a priori” ..................................... 42
Figura 14 - Design de uma longarina otimizada por processo evolucionário ........ 44
Figura 15 - Mapa do processo DSR ...................................................................... 47
Figura 16 - Mapa do desenvolvimento e implementação do constructo E-BIM .... 50
Figura 17 - Padrão de um Algoritmo Genético ...................................................... 54
Figura 18 - Processo de desenvolvimento do constructo E-BIM ........................... 55
Figura 19 - Subetapas do ciclo GERAR do constructo E-BIM .............................. 57
Figura 20 - Escola Estadual Nova Cumbica (FDE) ............................................... 58
Figura 21 - Fluxograma escolas FDE – anos iniciais do ensino fundamental ....... 59
Figura 22 - Módulos do vocabulário da Gramática da Forma ............................... 60
Figura 23 - Dimensões espaciais dos módulos da Gramática da Forma .............. 61
Figura 24 - Representação típica de módulo e ordenação de regras ................... 63
Figura 25 - Guias de componentes e painel (canvas) Grasshopper ..................... 69
Figura 26 - Organização de um algoritmo generativo no Grasshopper................. 69
Figura 27 - Algoritmo generativo completo e partes do desenvolvimento ............. 70
Figura 28 - Destaques do algoritmo generativo .................................................... 71
Figura 29 - Destaque 1 do algoritmo generativo ................................................... 72
Figura 30 - Interior do cluster “sala” ...................................................................... 73
Figura 31 - Destaque 2: interações B1.................................................................. 74
 xi

Figura 32 - Destaque 3: interações B2.................................................................. 75

Figura 33 - Destaque 4: interações B3.................................................................. 76
Figura 34 - Solucionador algorítmico Galapagos .................................................. 78
Figura 35 - Geração de indivíduos aptos .............................................................. 78
Figura 36 - Integração Galapagos, Grasshopper e Rhinoceros ............................ 79
Figura 37 - Destaque 5: filtragem e coleta da amostragem .................................. 80
Figura 38 - Amostragem de indivíduos da população ........................................... 81
Figura 39 - Destaque 6: modelagem BIM IFC generativa ..................................... 83
Figura 40 - Modelagem generativa Rhino-Grasshopper e Archicad ..................... 85
Figura 41 - Modelo BIM IFC generativo ................................................................ 86
Figura 42 - Modelagem BIM IFC generativa da amostragem da população ......... 87
Figura 43 - Subetapas do ciclo AVALIAR do constructo E-BIM ............................ 88
Figura 44 - Early Concept Design Validation ........................................................ 91
Figura 45 - Estrutura para o ruleset: Análise do Projeto Conceitual...................... 92
Figura 46 - Leis relativas à economia do projeto................................................... 95
Figura 47 - Parâmetros para o ruleset: “Análise do Projeto Conceitual” ............... 96
Figura 48 - Ruleset: “Análise do Projeto Conceitual” ............................................ 97
Figura 49 - Interface do SMC com um indivíduo em análise ................................. 98
Figura 50 - Subetapas do ciclo EVOLUIR do constructo E-BIM.......................... 101
Figura 51 - Destaque 7: Implementação do algoritmo genético .......................... 103
Figura 52 - Componente “seed”: input de interação das regras .......................... 105
Figura 53 - Genótipo e fenótipo de um indivíduo ................................................ 106
Figura 54 - Fenótipos e genótipos de indivíduos da população .......................... 107
Figura 55 - Função fitness da “articulação a priori” do experimento ................... 108
Figura 56 - Estratégia de crossover da população .............................................. 109
Figura 57 - Cálculo de indivíduos avaliados por geração.................................... 109
Figura 58 - Síntese do constructo E-BIM ............................................................ 111
Figura 59 - Amostragem das soluções válidas.................................................... 112
Figura 60 - Boxplots para variáveis do ciclo AVALIAR........................................ 116
Figura 61 - Boxplots para variáveis do ciclo EVOLUIR ....................................... 120
Figura 62 - Indivíduos otimizados no ciclo EVOLUIR.......................................... 123
 xii

LISTA DE QUADROS

Quadro 1 - Usos BIM ............................................................................................ 16

Quadro 2 - Funções e dimensões dos módulos .................................................... 61
Quadro 3 - Quantidades e agrupamentos dos módulos........................................ 62
Quadro 4 - Elementos de modelagem Grasshopper-Archicad .............................. 84
Quadro 5 - Domínios de composição dos DNAs ................................................. 105
 xiii

LISTA DE TABELAS

Tabela 1 - Matriz de indicadores de desempenho ciclo AVALIAR ........................ 99

Tabela 2 - Matriz de indicadores de desempenho ciclo EVOLUIR...................... 110
Tabela 3 - Medidas descritivas da amostragem ciclo AVALIAR.......................... 114
Tabela 4 - Classificação dos indivíduos para o ciclo EVOLUIR .......................... 117
Tabela 5 - Medidas descritivas dos indivíduos ciclo EVOLUIR ........................... 118
Tabela 6 - Comparação das variáveis entre ciclos AVALIAR e EVOLUIR .......... 121
Tabela 7 - Ocorrências ponderadas totais entre ciclos AVALIAR e EVOLUIR ... 122
 xiv

LISTA DE ABREVIATURAS E ACRÔNIMOS

ACO Ant Colony Optimization

AEC Arquitetura, Engenharia e Construção
AG Algoritmo(s) Genético(s)
AIA American Institute of Architects
API Application Programming Interface
BIM Building Information Modeling
CAD Computer Aided Design
CE Computação Evolucionária
CNC Computer Numerical Control
DE Design Evolucionário
DG Design Generativo
DNA Deoxyribonucleic Acid ou Ácido Desoxirribonucleico
DSR Design Science Research
E-BIM BIM Evolucionário
FDE Fundação para o Desenvolvimento da Educação
GPS Global Positioning System
GSA United States General Services Administration
IA Inteligência Artificial
IFC Industrial Foundation Classes
ITO Information Takeoff
MOP Multiobjective problems
PG Programação Genética
PMCMV Programa Minha Casa, Minha Vida
PMI Project Management Institute
PSO Particle Swarm Optimization
RNA Rede Neural Artificial
SMC Solibri Model Checker
VPL Visual Programming Language
 xv

SUMÁRIO
1 INTRODUÇÃO ..................................................................................................... 1

1.1 Contexto ............................................................................................................ 1

1.2 Problema de pesquisa ...................................................................................... 5

1.3 Questões de pesquisa ...................................................................................... 9

1.4 Objetivos ......................................................................................................... 10

1.5 Delimitações.................................................................................................... 10

1.6 Estrutura do trabalho ....................................................................................... 11

2 REVISÃO BIBLIOGRÁFICA ............................................................................... 12

2.1 Projetos paramétricos ..................................................................................... 12

2.1.1 Building Information Modeling (BIM) ............................................................ 14

2.1.2 Design generativo (DG)................................................................................ 18

2.1.3 Gramática da Forma .................................................................................... 22

2.2 Verificação automatizada de projetos ............................................................. 25

2.3 Inteligência artificial ......................................................................................... 27

2.4 Computação evolucionária .............................................................................. 33

2.4.1 Algoritmos evolutivos genéticos (AG) .......................................................... 35

2.5 Design evolucionário ....................................................................................... 43

3 MÉTODO DA PESQUISA .................................................................................. 46

3.1 Problema e importância .................................................................................. 48

3.2 Proposta de solução ....................................................................................... 48

3.2.1 BIM Evolucionário (E-BIM) ........................................................................... 49

3.3 Constructo E-BIM ............................................................................................ 50

3.4 Avaliação......................................................................................................... 52

4 CONSTRUCTO: DESENVOLVIMENTO E IMPLEMENTAÇÃO ......................... 54

 xvi

4.1 Ciclo 1 - Gerar: design generativo ................................................................... 56

4.1.1 Gramática da Forma “Arquitetura Escolar”................................................... 57

4.1.2 Algoritmo paramétrico generativo “Arquitetura Escolar” ............................... 68

4.1.3 Modelagem BIM IFC .................................................................................... 82

4.2 Ciclo 2 - Avaliar: Verificação automatizada de regras ..................................... 88

4.2.1 Ruleset: “Análise do projeto conceitual” ....................................................... 91

4.3 Ciclo 3 - Evoluir: otimização por algoritmo evolucionário .............................. 101

4.3.1 Algoritmo genético “Otimizar coeficientes do projeto” ................................ 103

5 RESULTADOS E DISCUSSÃO ....................................................................... 111

5.1 Resultados quantitativos ............................................................................... 112

5.2 Discussão...................................................................................................... 124

6 CONCLUSÕES ................................................................................................ 130

REFERÊNCIAS BIBLIOGRÁFICAS .................................................................... 132

APÊNDICE A – Especificações do equipamento e softwares do experimento ... 141

APÊNDICE B – Amostragem de indivíduos da população .................................. 142

APÊNDICE C – Modelagem BIM IFC da amostragem ........................................ 152

APÊNDICE D – Relatórios típicos da avaliação ciclo “Avaliar” ........................... 162

APÊNDICE E – Questionário sobre asserção do termo...................................... 167

ANEXO A – Lista de artigos sobre DE: 1992-2014 ............................................. 170

ANEXO B – Programa de arquitetura FDE ......................................................... 172

ANEXO C – Projetos FDE: requisitos e recomendações precedentes ............... 173

ANEXO D – Lista templates do Solibri Model Checker ....................................... 174

ANEXO E – Algoritmo Genético básico em Grasshopper Python ....................... 178

 1

1 INTRODUÇÃO

1.1 Contexto

O bem-estar de uma sociedade se relaciona, em alguma medida, segundo Bock e

Linner (2015), com sua eficiência, maior produtividade e crescimento econômico.
Os autores alemães, em uma publicação da Universidade de Cambridge,
consideram que tanto processos socioeconômicos quanto sociotécnicos
acessíveis e eficientes são necessários ao desenvolvimento. Argumentam sobre as
análises de que a produtividade na indústria da Arquitetura, Engenharia e
Construção (AEC) vem diminuindo há décadas, em todo o mundo. Além disso,
defeitos construtivos, condições de trabalho inadequadas e baixa atratividade da
indústria AEC para as gerações mais jovens, bem como o enorme consumo de
matérias-primas e energia pelo processo e produtos de construção, apresentam
desafios para os quais a construção e arquitetura convencionais atualmente não
têm soluções. Assim, os pesquisadores pontuam que a riqueza futura apenas pode
ser gerada por saltos de inovação e tipos radicalmente novos de projetos e
engenharia de valor.

Diversos e relevantes relatórios de instituições nacionais e internacionais divulgam,

a todo tempo, a crescente lacuna em infraestrutura e habitação mundiais. O World
Resources Institute, no relatório “Rumo a uma cidade mais igual: moradia
adequada, segura e acessível” apontou que, àquela altura, a demanda global de
moradias populares era estimada em 330 milhões de domicílios urbanos e a
previsão de crescimento era de mais de 30%, para 440 milhões de domicílios, o
que diz respeito à vida de 1,6 bilhão de pessoas, até 2025. A publicação sinaliza
ainda que não somente a carência da habitação precisa ser suprida, mas também
carecem de ampliação toda infraestrutura dos serviços como saneamento,
mobilidade e equipamentos urbanos públicos (KING et al. 2017).

Em muitos cenários, os déficits de infraestrutura e habitação não são ocasionados

estritamente por políticas urbanas. Em determinados contextos, tais déficits ainda
se relacionam muito diretamente com a questão da improdutividade do setor. A
 2

Nigéria é um destes casos globais. O país tem um déficit habitacional muito grande
e crescente, sendo de, aproximadamente, 8 milhões de unidades habitacionais em
1991, chegando a 12 a 14 milhões em, 2007. O problema do déficit habitacional
neste caso, é o resultado da escassez de habilidades profissionais, alto custo dos
materiais de construção, desafios logísticos, entre outros. Como em todo o mundo,
o problema, naturalmente, também se relaciona com uma série de fatores como
migração rural-urbana, alto custo dos insumos, ambiente regulatório e legal,
estruturas de financiamento habitacional precárias. Porém, neste contexto,
especialistas da indústria AEC nigeriana mostraram que, para resolver o problema
da habitação inadequada é mandatório e urgente repensar também a limitada
diversidade de processos e os sistemas convencionais de construção para um
sistema mais flexível e produtivo (KOLO; RAHIMIAN; GOULDING, 2014).

Tullio (2020) corrobora considerando que, para aumento da qualidade de vida das
pessoas, os empreendimentos devem atender aos requisitos do trinômio da
engenharia: prazo, custo e qualidade, além do conceito de sustentabilidade.

Não suficientemente inquietante o impacto da produtividade da construção no

aspecto da sustentabilidade social, Barbosa et al. (2017) apresentam uma extensa
e minuciosa pesquisa 1 do McKinsey Global Institute e McKinsey Capital Projects &
Infrastructure Practice, onde alertam sobre os impactos econômicos negativos da
improdutividade do setor no cenário mundial.

Globalmente, nas últimas duas décadas, o crescimento da produtividade do

trabalho na indústria AEC foi em média de apenas 1% ao ano, em comparação com
o crescimento de 2,8% para a economia mundial total e 3,6% no caso da indústria
de manufatura. Se a produtividade do setor de construção alcançasse a sua
eficiência total (produtividade e economia) isso aumentaria o valor agregado do
setor em cerca de US$ 1,6 trilhão, o que acrescentaria cerca de 2% à economia

1
A pesquisa afirma examinar as causas do baixo crescimento da produção na indústria da
construção mundial, explora maneiras práticas de melhorar a situação e discute uma mudança em
partes do setor em direção a um sistema de produção em massa, padronização, pré-fabricação e
modularização - que teriam potencial para aumentar a produtividade em cinco a dez vezes,
dependendo do setor.
 3

global, ou o equivalente à metade da necessidade de infraestrutura atual do mundo

(BARBOSA et al., 2017).

Vários indicadores sugerem que a metodologia de construção convencional atingiu

seus limites. A curva “S” de Foste demonstra a relação entre a estagnação e os
limites técnicos do processo convencional e o início, desenvolvimento e
crescimento de novas estratégias e tecnologias de automação de construção. Para
superar esses limites, o setor deveria fazer maior uso da automação, como outras
indústrias de manufatura e serviços já fizeram com sucesso. De toda forma,
atualmente, já se pode observar casos em que a tecnologia de automação de
construção, sistemas de robôs de serviços e outras tecnologias de microssistemas
estão se fundindo com o ambiente construído (BOCK, 2015).

Embora a automação tenha sido usada ativamente e com sucesso em diferentes

setores desde a década de 1970, sua aplicação na indústria AEC ainda não é
totalmente explorada. Garcia de Soto (2018) realizou uma investigação para avaliar
os efeitos da fabricação digital (um tipo de construção automatizada) na
produtividade construtiva, analisando o custo e o tempo necessário para a
construção de uma parede de concreto complexa. No experimento o autor verificou
que a produtividade é maior quando se utiliza o método robótico e percebe que é
possível obter também benefício econômico significativo.

Castro-Lacouture (2007), apresenta a avaliação de desempenho de um robô

totalmente autônomo que foi usado na construção de pavimento de concreto e suas
implicações na produtividade e segurança. Dois processos de pavimentação
equivalentes – um convencional e outro automatizado, foram comparados com o
uso de ferramentas de simulação, incorporando os recursos necessários para a
realização das tarefas e representando as durações com dados de campo e
estimativas prototípicas. Os resultados mostraram que o processo automatizado foi
mais produtivo, gerando valores até 20% maiores quando simulado por 500 horas,
ou 7,5% maiores após atingir o estado estacionário na curva de produtividade
versus tempo. O processo automatizado utilizou, segundo o autor,
 4

consideravelmente menos mão de obra do que o convencional e maior segurança

de operações automatizadas nos ambientes perigosos de construção.

A Universidade Técnica de Munique, dentro do grupo de alta tecnologia da Baviera,

considera que o conhecimento integrado em vários campos do conhecimento é
necessário para trabalhar com as mudanças complexas que a construção civil irá
sofrer na transição de uma indústria de baixo desempenho - baseada em
artesanato, para uma indústria de alto desempenho - baseada em máquinas. O
setor se expandirá para novos campos do conhecimento, transferindo e absorvendo
tecnologias avançadas de várias disciplinas (arquitetura, engenharias civil,
mecatrônica, elétrica, de produção, ciência da computação, tecnologia da
informação, entre outras). O sucesso desta construção do futuro dependerá da
capacidade de lidar com a inovação e de melhorar a cadeia de valor completa,
viabilizando e integrando as tecnologias (BOCK; LINNER, 2015).

Em outro relevante relatório do setor, Blanco (2018) afirma que, em se tratando de

tecnologias digitais, a inteligência artificial (IA) pode oferecer maneiras novas, mais
confiáveis, precisas e rápidas de realizar tarefas também na indústria AEC. O autor
coloca exemplos de aplicações alimentadas por IA que, originadas em outras
indústrias, podem ser transferidas para a construção: algoritmos de otimização de
rotas de transporte para otimização do planejamento do projeto; previsão de
resultados farmacêuticos para questões de construtibilidade; otimização da cadeia
de suprimentos de varejo para gerenciamento de materiais e estoque; robótica para
construção modular ou pré-fabricada e impressão em 3D; reconhecimento de
imagens de saúde para gerenciamento de riscos e segurança. Assim, a IA aplicada
à indústria AEC pode ter um alcance variado, desde melhorias incrementais de
produtividade a novos paradigmas de gerenciamento e projetos da construção.

Uma pesquisa da AI Innovators: Cracking the Code on Project Performance (2019),

do Project Management Institute (PMI) revela que 81% dos entrevistados relatam
que sua organização está sendo impactada pelas tecnologias de IA e 37% dizem
que adotar essas tecnologias é uma alta prioridade para sua organização.
 5

1.2 Problema de pesquisa

Bock e Linner (2015) afirmam que, para ser capaz de desenvolver plenamente seu
potencial, a construção do futuro necessita de uma mudança disruptiva em toda a
sua cadeia. O que, para eles, inclui: modelos de negócios, organização, produtos,
processos e projetos.

No âmbito dos processos de projetos de construção, o projeto digital integrado

resulta em mais controle e flexibilidade nas fases de construção, permitindo que
mais simulações, avaliações e ajustes sejam feitos em estágios anteriores, sem
aumentar os custos de construção (GARCIA de SOTO, 2018).

As tecnologias paramétricas têm suportado novos sistemas de projetação na

arquitetura e engenharia, tais como o Building Information Modeling (BIM) e o
Projeto ou Design Generativo. O BIM, por exemplo, pode ser compreendido como
um protótipo virtual do edifício, no qual diversas simulações podem ser realizadas
para um melhor planejamento e controle do processo real (EASTMAN et al., 2014).

O projeto paramétrico é um método em que as soluções de arquitetura e

engenharia são definidas por meio de especificação de seus parâmetros. Os
elementos das formas que caracterizam os projetos são expressos por meio desses
parâmetros e da variação deles. Dessa maneira, cada alteração realizada sobre um
componente paramétrico do conjunto resultará numa forma diferente. Assim, a
partir da modificação de um ou mais parâmetros é possível obter facilmente
soluções diversas (BARRETO, 2016).

O Design Generativo (DG), conforme Barreto (2016), é um método que produz

formas por meio de algoritmos, permitindo mecanizar tarefas, produzir geometrias
complexas, e otimizar a criação em design. Ferramentas de DG são
disponibilizadas através de linguagem de programação visual.

A tecnologia BIM é fundamentalmente paramétrica e o Design Generativo é

algorítmico e paramétrico. Se a inteligência que embasa a multiplicação ou a
 6

otimização de alternativas de projeto é dada pelos algoritmos, os valores

fundamentais que variam alimentando estas regras e alterando os resultados são
os parâmetros – meio pelo qual plataformas viabilizam projetos mais ágeis e
inteligentes (DAVIS, 2013).

Desde o início dos anos 1970, quando a representação eletrônica do projeto de

construção se tornou disponível, a verificação automatizada de regras de
construção tornou-se também um foco de interesse e estudo na automatização de
projetos. Entende-se que esse processo automatizado facilita a avaliação do
projeto, reduzindo o tempo e custos de sua avaliação e aumentando a objetividade
e a confiabilidade destas análises. Graças à disseminação do BIM, já é possível
gerar modelos virtuais paramétricos, e vários sistemas automatizados de
verificação de código de construção estão sendo desenvolvidos e aplicados
(SOLIBRI, 2016).

Na atual coordenação e análise dos modelos paramétricos BIM, após o relatório

gerado no software de checagem, a solicitação de revisão do projeto é requerida
ao projetista daquela autoria. A partir de métodos individuais e de seu
conhecimento tácito, o autor do projeto reformula as inconsistências encontradas e
submete o projeto a uma nova rodada de checagem das regras, e, assim, o ciclo
se repete sucessivamente, até que se esgotem os conflitos.

Especialistas humanos confiam em suas experiências anteriores e se restringem a

estas experiências na nova rodada de soluções, sem qualquer “aconselhamento”
de algoritmos. Assim, embora altamente útil na automação de verificação de
parâmetros e na comunicação das inconformidades verificadas, o SMC, como
software de avaliação, se restringe à função analítica e não propositiva na análise
dos projetos de engenharia e arquitetura. Em outras palavras, observa-se que
projetos paramétricos permitem ser automatizados, mas não se baseiam em
inteligência de dados.

Segundo Domingos (2017), subcampos da IA se dedicam ao desenvolvimento de

algoritmos e técnicas que permitam ao computador aprender, isto é, aperfeiçoar
 7

seu desempenho em alguma tarefa. O princípio de aplicabilidade destes algoritmos

é que, no lugar de programar todas as situações possíveis por meio de instruções
de computador, a máquina é treinada com os dados e “aprende” a maneira de
executar uma determinada tarefa.

Considerando-se que o ambiente computacional dos projetos paramétricos já seja

uma realidade disponível na indústria da construção é possível imaginar que
algoritmos de IA possam não apenas nos ajudar a ser mais rápidos e eficientes,
mas também a incrementar nossa criatividade e experiência. Um algoritmo pode
então processar e analisar dados orientados a gerar projetos novos e com melhor
desempenho (NAGY, 2017).

A Computação Evolucionária (CE) é um ramo de pesquisa emergente da

inteligência artificial que compreende um conjunto de técnicas de busca e
otimização inspiradas na evolução natural das espécies. Desta forma, cria-se uma
população de indivíduos (soluções para um problema) que vão reproduzir e
competir pela sobrevivência. Os melhores sobrevivem e transferem suas
características a novas gerações (EIBEN; SMITH, 2008).

Algoritmos Genéticos (AG) são provavelmente os algoritmos de busca da

computação evolucionária mais conhecidos e aplicados. O conceito foi proposto
por John Henry Holland, em 1975, e o objetivo era explicar os processos
adaptativos dos sistemas naturais e projetar sistemas artificiais baseados neles
(DAVIS, 1991).

A abordagem denominada Design Evolucionário (DE) diz respeito à aplicação dos

Algoritmos Evolucionários ao Design Generativo. Alguns arquitetos e
pesquisadores exploram as possibilidades da expressão de conceitos
arquitetônicos como regras geradoras, para que sua evolução e otimização possam
ser aceleradas e testadas pelo uso de modelos computacionais (BENTLEY, 1999).

Embora o DE tenha sido explorada desde o início do desenvolvimento do design

computacional, ainda é um vasto campo para exploração. Além disto, conforme a
 8

revisão bibliográfica desta pesquisa apresenta, não foram encontrados registros

desta aplicabilidade considerando-se também os projetos paramétricos BIM e
avaliação automatizada de projetos.

Os problemas de planejamento espacial com base em uma abordagem

evolucionária foram desenvolvidos por 22 anos e ainda não foram
totalmente explorados. O desenvolvimento da computação nos últimos
anos não impacta significativamente o desenvolvimento de problemas de
planejamento de espaço e novos algoritmos para otimizar o tempo de
processamento são necessários para permitir que o número de elementos
no arranjo seja aumentado. Problemas de planejamento de espaço
constituem um amplo campo de pesquisa e têm sido explorados desde o
início do desenvolvimento da área de design computacional, embora
novos métodos e o aprimoramento dos antigos tenham que ser feitos para
o desenvolvimento desse campo (CALIXTO; CELANI, 2015, p.669).

Observa-se assim, que mesmo projetos de construções que já sejam praticados

em ambiente paramétrico, necessitam ainda avançar para o incremento da
inteligência artificial, como tantos outros campos do conhecimento. No futuro, o
aumento dessa aplicabilidade poderá elevar as soluções de projetos (criação,
avaliação e otimização ) ao nível da indústria AEC que urge se reinventar.

Desta forma, promover a integração e sinergia das diversas tecnologias de projetos

- projetos paramétricos BIM, design generativo, verificação automatizada de
projetos e algoritmos evolucionários é promover o incremento na cadeia da
construção do futuro como previu Bock e Linner (2015).
 9

Figura 1 - Diagrama conceitual de projetos e modelos virtuais

Fonte: A autora (2020).

1.3 Questões de pesquisa

Conforme o problema de pesquisa discutido anteriormente, é definida a seguinte

questão principal:

“Como associar as tecnologias paramétricas digitais disponíveis a algoritmos de IA,

como contributo a uma construção do futuro mais eficiente e produtiva?”.
A questão principal se desdobra nas seguintes questões secundárias:

1) Como associar as tecnologias paramétricas digitais disponíveis a algoritmos de

IA, como contributo a uma construção do futuro mais eficiente e produtiva?

2) A integração das estratégias de geração, avaliação e evolução de uma solução

de projeto paramétrico é viabilizada computacionalmente?

3) Há incremento nos indicadores de desempenho das soluções de projetos

produzidas generativamente após a implementação do algoritmo evolucionário?

4) Verifica-se a asserção do termo BIM Evolucionário (E-BIM) no contexto dos

algoritmos de inteligência artificial aplicados a projetos de engenharia e
arquitetura? Quais indícios sustentariam essa premissa?
 10

1.4 Objetivos

O objetivo geral da presente pesquisa é propor, viabilizar e analisar a aplicabilidade

e incremento de algoritmos de inteligência artificial no processo de elaboração dos
projetos de edificações, associando as tecnologias de projetos paramétricos BIM,
design generativo, verificação automatizada de projetos e algoritmos
evolucionários. Foram também definidos os seguintes objetivos específicos:

a) desenvolver, implementar e avaliar um algoritmo genético inserido no fluxo de

projetos BIM, como instrumento evolucionário;

b) gerar, avaliar e evoluir (otimizar) um objeto arquitetônico integrando as

ferramentas computacionais Rhino-Grasshopper, Archicad, Solibri Model
Checker e script Python;

c) verificar a asserção do termo BIM Evolucionário (E-BIM) proposto ao contexto

dos algoritmos de inteligência artificial aplicados a projetos paramétricos de
edificações.

1.5 Delimitações

A pesquisa propõe desenvolver um constructo aplicável a contextos de projetos de

edificações e, sob o ponto de vista acadêmico, a pesquisa contribui com uma
lacuna de conhecimento a respeito dos problemas de planejamento espacial
assistidos por algoritmos e inteligência e tecnologias projetuais. Contudo, devem
ser consideradas as premissas e delimitações da investigação:

a) embora a problemática dos déficits habitacional e de infraestrutura tenha sido

mencionada na contextualização deste trabalho para elucidação de correlações
da improdutividade da indústria AEC, o objeto de investigação e a prova de
conceito não se direcionam a nenhuma tipologia específica.
b) as simulações do constructo ocorreram em ambiente simulado com
problemáticas e condicionantes alusivas a problemáticas reais.
 11

1.6 Estrutura do trabalho

Para cumprir os objetivos, o trabalho foi estruturado nos seguintes capítulos: no

capítulo um é realizada a introdução ao tema, com a definição do problema de
pesquisa, descrição dos objetivos geral e específicos e da estruturação do texto;
no capítulo dois é apresentada uma revisão bibliográfica sobre os diversos
conceitos necessários ao aprofundamento de conhecimento teórico e prático do
problema e da solução proposta; o capítulo três descreve detalhadamente o método
científico utilizado na pesquisa, incluindo sua estratégia e delineamento; o quarto
capítulo contempla a descrição das etapas realizadas no desenvolvimento e
aplicação do constructo proposto; no capítulo cinco são apresentados os aspectos
dos resultados obtidos na aplicação, bem como discutidas as percepções destes
resultados; o sexto capítulo é composto pelas conclusões e sugestões de trabalhos
futuros.
 12

2 REVISÃO BIBLIOGRÁFICA

A fundamentação teórica para a construção da pesquisa selecionou fontes de

informação sobre bases de periódicos, dissertações e teses nacionais e
internacionais.

2.1 Projetos paramétricos

Na matemática, as Equações Paramétricas são comumente usadas para expressar

as coordenadas dos pontos que compõem um objeto geométrico, como uma curva
ou uma superfície. Nesses casos, o conjunto destas equações é chamado de
parametrização do objeto (STOVER; WEISSTEIN, 2019).

A definição de parametrização também é compreendida como:

Processo que se baseia na definição de relações topológicas entre as

partes de um modelo e seus parâmetros variáveis. A partir da variação
destes parâmetros, o modelo é alterado, mantendo-se as relações
topológicas estabelecidas. Normalmente, é um processo matemático,
baseando-se em algoritmos e equações (CAMPOS, 2017, p.13).

Para Kolarevic (2005), a arquitetura (ou modelagem) paramétrica seria aquela que
usa a parametrização como base técnica para gerar formas tridimensionais
complexas.

Davis (2013) alerta para uma importante distinção entre Modelagem Paramétrica e
Modelagem 3D. Enquanto a Modelagem Paramétrica é baseada na inserção de
funções e variáveis, e, assim, manipula a forma a partir da alteração de parâmetros,
a Modelagem 3D é construída baseada exclusivamente na manipulação de
elementos geométricos tridimensionais.

A ideia da modelagem paramétrica computacional foi a característica essencial do

primeiro programa de desenho assistido por computador, ou computer aided design
(CAD), o Sketchpad, desenvolvido em 1963 por Ivan Sutherland no Massachusetts
 13

Institute of Technology. O princípio do programa era o de que, para gerar um objeto,

essa geometria possuísse atribuições de um conjunto de parâmetros. Em meados
da década de 1980, softwares baseados em 3D paramétrico, tais como o CATIA,
SolidWorks, Pro/Engineer e outros, alcançaram uma presença comercial. Alguns
tornaram-se padrão em setores como eletrônica, infraestrutura, engenharias naval
e aeroespacial e fabricação de automóveis. Entretanto, o setor AEC ainda
implementaria sistemas de desenho assistido por computador, ou computer aided
design (CAD), 2D ou as modelagens 3D não paramétricas. O software AutoCAD foi
uma destas ferramentas mais adotadas. Demorou mais de duas décadas para que
o modelo paramétrico 3D fosse adotado no segmento das engenharias e
arquitetura (CELANI, 2011; DAVIS, 2013).

Figura 2 - The Generator Project - 1976, de Cedric e Frazer

Fonte: Arquivo online MOMA (2002).

O AutoLISP – uma linguagem de programação projetada para adaptar a

funcionalidade do AutoCAD – foi introduzida pela primeira vez em meados da
década de 1980, como uma interface de programação de aplicativos, ou Application
Programming Interface (API), no AutoCAD Versão 2.1. O aplicativo pode controlar
todas as operações do AutoCAD, sendo muito útil para criar mais ferramentas que
 14

aumentam a produtividade do AutoCAD e também permitir a exploração de

geometrias mais complexas, que as ferramentas CAD convencionais não são
capazes de produzir (AUTODESK, 2012).

Entretanto, Celani (2011) aborda que para profissionais técnicos da engenharia e

arquitetura é necessário um grande esforço para utilizar o potencial das linguagens
de programação. Assim, o AutoLISP e outras linguagens de script não foram
amplamente aderidas no setor, pois requerem uma habilidade de programação que
a maioria destas partes interessadas não possui, até os tempos atuais.

Eastman et al. (2014) abordam ainda que, apesar de setores de manufatura, como
a Eletrônica, terem alcançado a parametrização nos anos de 1980, o mesmo não
foi possível para o setor AEC, pois, ao contrário do que ocorria na indústria, a
tecnologia computacional naquela ocasião não era tão disponível, ou viável, para a
complexidade e escala dos componentes de uma edificação se comparados aos
produtos manufaturados.

2.1.1 Building Information Modeling (BIM)

Os programas de modelagem paramétrica precisavam de computadores de alta

capacidade, por isso os usos foram limitados, durante décadas, à indústria de
manufatura, e seu desenvolvimento ficou estagnado até que a capacidade de
processamento computacional crescesse a um patamar compatível à escala e
complexidade de edificações. Durante este período, diferentes tipos de pesquisas
foram realizados para continuar a ampliar as alternativas nas operações de
modelagem de sólidos (SACKS et al., 2004).

Em 1975, um conceito muito semelhante ao que compreendemos atualmente como

Modelagem da Informação da Construção ou Building Information Modeling (BIM)
foi tratado, pela primeira vez, por Chuck Eastman, no trabalho ''Building Description
System'', publicado no American Institute of Architects (AIA) Journal. Já o primeiro
uso do termo ''Building Modeling'', no sentido de BIM, foi publicado em um artigo de
Robert Aish, em 1986. A publicação descrevia, então, um estudo de caso onde o
 15

sistema de modelagem de edifícios foi aplicado, ilustrando os argumentos e

conceitos de BIM conforme a abordagem que conhecemos hoje (QUIRK, 2012;
EASTMAN et al., 2014).

Ao contrário do CAD, no lugar de produzir modelagem 3D simples, o BIM modela

objetos paramétricos contendo todas as informações necessárias para a
construção. Essas informações podem ser extraídas do modelo BIM a qualquer
momento durante o processo do projeto, incluindo planos, materiais, dimensões,
estimativas de custo, cronogramas e análises de projetos. Além disso, essas
informações servem para apoiar todas as partes envolvidas nos processos de
projeto e construção, de especialistas, empreiteiros, construtores, clientes e até
mesmo a equipe de manutenção pós-construção. Outra vantagem do BIM é a
precisão e consistência do projeto. Como trabalha-se com um modelo paramétrico
3D e todas as visualizações são interconectadas, qualquer alteração em uma parte
do projeto será atualizada automaticamente em todas as visualizações (EASTMAN
et al., 2014).

Assim, no conceito BIM, um modelo tridimensional preciso do edifício é construído

digitalmente com o uso de informações paramétricas. A principal característica do
que o distingue das tecnologias de projeto que o precedem não é a modelagem
tridimensional, mas a informação sistematizada, que pode ser organizada, definida
e permutável (SMITH; TARDIF, 2009).

Desenvolvido por Gabor Bojar, na Hungria, o primeiro software BIM verdadeiro foi
o Radar CH, que mais tarde se tornou o Archicad. Embora tenha sido o primeiro
software BIM do mundo, devido às limitações de computação da época e a
questões de mercado, ele só se tornou popular nos últimos anos. Então, nos anos
2000, foi desenvolvido e amplamente impulsionado o software Revit, trazendo
muitas inovações que revolucionaram o setor, como famílias paramétricas, controle
de fases de construção, cronogramas e ambiente de programação visual (QUIRK,
2012).
 16

Embora totalmente suportado pela tecnologia computacional, o BIM pode ser

abstraído em três níveis: (1) como um produto, refere-se a um modelo virtual da
edificação; (2) como ferramenta, refere-se às aplicações que interpretam o modelo
e a ele agregam informações e representações; (3) como um processo, o BIM é
formado pelas atividades desenvolvidas durante todo o ciclo de vida da edificação.
Autores como Chuck Eastman, Rafael Sacks e Bilal Succar estudaram a ampla
aplicabilidade do BIM, fazendo a associação entre seus usos e benefícios,
localizados nas fases do ciclo de vida de um edifício (MANZIONE, 2013).

Quadro 1 - Usos BIM

PROJETO Visualização Projetos com visualização em 3D
Controle de ciclos de revisões
Documentação e detalhamento
Escaneamento de edifícios com raio laser
Fotogrametria
Representação realística
Realidade virtual
Realidade aumentada
Análise Verificações de requisitos de normas
Estimativas de custo
Análises estruturais por elementos finitos
Simulação de fogo e fumaça
Análises de luminotecnia
Levantamentos quantitativos
Análises de implantação no terreno
Estudos de radiação solar
Coordenação espacial e análise de interferências
Análise estrutural
Análises de sustentabilidade
Análises energéticas
Análises térmicas
Estudos do impacto do vento
CONSTRUÇÃO Execução Consuntibilidade
Construção virtual
Segurança do trabalho
Especificações da construção
Projeto de sistemas construtivos
Tecnologias móveis para uso no canteiro
Planejamento e controle da produção
Licitações e contratações
Pré-fabricação Estruturas metálicas
Estruturas em concreto pré-moldado
Aquisição Coordenação dos suprimentos
Preparação de pacotes de compras
OPERAÇÃO Gerenciamento Rastreamento dos ativos
Manutenção dos ativos
Monitoramento de ativos por GPS
 17

Gerenciamento dos espaços

Gerenciamento de reformas
Simulação Gestão dos sistemas
Planejamento para situações de emergência
Análises do consumo energético
Rastreamento da ocupação
OTIMIZAÇÃO DE Lean construction
PROCESSOS Gestão da cadeia de suprimentos
Gestão do conhecimento
Análises de valor
Melhoria do processo de comunicação
Fonte: Manzione (2013).

Visto a amplitude e aplicabilidade do conceito do BIM, tem-se que seus

fundamentos consideram questões relativas não somente à parametrização, mas
também dizem respeito à interoperabilidade e à colaboração entre os diversos
profissionais deste setor. Assim, esse processo envolve distintas fases e
especialistas ao longo de todo o ciclo de vida do projeto. Ocorre, entretanto, que
são verificadas dificuldades na troca da informação, devido à baixa
interoperabilidade atual, emergindo, portanto, um dos fatores limitantes do uso do
BIM atualmente (RUSCHEL e ANDRADE, 2009).

Desta forma, mesmo com as dificuldades de interoperabilidade, a BuildingSMART

International, como discorre Manzione (2013), empenha-se na colaboração
irrestrita entre os stakeholders BIM, estabelecendo um padrão neutro para troca de
dados entre aplicativos, permitindo a representação de toda a edificação em um
modelo numérico, através da especificação de estruturas de dados chamadas
classes. Esse padrão foi denominado como Industry Foundation Classes (IFC) e
trata-se de um modelo semântico de dados formado por constructos que
representam os diversos objetos da edificação, as suas propriedades,
comportamentos e relacionamentos com outros objetos.

Para Ruschel e Andrade (2009), se existe uma boa interoperabilidade entre os

aplicativos, é dispensada a necessidade de réplica de dados de entrada (que já
tenham sido gerados), viabilizando, de forma automatizada e sem obstáculos, o
fluxo de trabalho entre diferentes aplicativos, durante o processo de projeto. Porém,
um dos maiores obstáculos para a adoção do IFC é a própria perda de robustez e
confiabilidade dos dados na interface entre os aplicativos. A argumentação propõe
 18

também que o uso de aplicativos BIM ainda aparece como um evento fragmentado,
limitando a integração da potencialidade dos diversos aplicativos, de vocações tão
próprias.

Outras desvantagens das ferramentas BIM percebidas por Caetano et al. (2016)
são as tarefas repetitivas e bastante morosas, necessárias na modelagem,
principalmente na produção de geometrias de crescente complexidade.

Andia e Spiegelhalter (2014) ponderam, então, que apesar das alegações

exageradas de que o BIM está revolucionando o setor de AEC, observa-se que este
é, ainda, em determinados momentos do processo, um procedimento intensivo em
mão de obra, não sendo um método computacional totalmente automatizado,
tampouco inteligente 1. Já Faceli et al. (2011) consideram que a capacidade de
aprendizado é essencial para um comportamento inteligente.

Contudo, como visto inicialmente neste capítulo, os aplicativos BIM têm várias
vantagens em relação às ferramentas CAD tradicionais. Como tal, Barreto (2016)
considera estimulante explorar o Design Generativo em associação à tecnologia
BIM.

2.1.2 Design generativo (DG)

O Design generativo (DG) é uma abordagem de design que permite a geração de

formas por meio de algoritmos. Devido à natureza algorítmica do DG, é possível
resolver a mecanização de tarefas repetitivas e demoradas. Essa automação
colabora com os projetistas minimizando erros, permitindo economizar tempo e
esforço durante o processo. Essa vantagem é mais perceptível em projetos com
alto grau de repetição. Usando o DG, em vez de projetar uma edificação, projeta-
se o sistema que projeta a edificação (BARRETO, 2016).

Um sistema generativo, segundo Sedrez e Martino (2018), proporciona a geração

de múltiplas alternativas a um dado problema com parâmetros em aberto, a partir

1
Inteligência: sf 1.faculdade de conhecer, compreender e aprender. 2.capacidade de resolver
situações novas com rapidez e êxito, adaptando-se a elas por meio do conhecimento adquirido.
 19

da entrada de valores para tais parâmetros. Conjuntos de regras podem ser

aplicados em diferentes ordens e combinações, ou por modelos geométricos,
formando um sistema generativo.

Silva Júnior (2011) aborda a Gramática da Forma como um sistema generativo

capaz de criar formas a partir de regras que determinam relações e operações
combinatórias de um dado grupo de elementos, definindo uma linguagem formal.
Sistemas Generativos são conhecidos por três principais características: (1)
capacidade de geração de múltiplas soluções, viabilizando análises e mais estudos
do projeto; (2) ampliação criativa e inovadora dado o grande número de soluções
geradas; (3) obtenção dos melhores projetos a partir das precisas definições de um
dado problema (FISCHER e HERR, 2001).

Devido às dificuldades apresentadas na interoperabilidade BIM, muitas vezes são

desenvolvidas soluções de aplicativos personalizados que se valem de APIs, por
fornecerem uma forma programática de interação. Por outro lado, o
desenvolvimento de APIs requer amplo conhecimento de linguagens de
programação avançada, que poucos arquitetos ou engenheiros possuem, conforme
Barreto (2016).

Para solucionar esta complexidade e viabilizar a interface, foram desenvolvidos

programas com linguagem de programação visual ou visual programming language
(VPL). Os programas escritos com linguagem visual representam algoritmos
gráficos como redes de nós, sendo parâmetros ou componentes. Enquanto
parâmetros, contêm dados numéricos, textuais, geométricos ou lógicos
(verdadeiro/falso). Sendo componentes, realizam tarefas como operações
matemáticas, geração e transformação geométrica (BUENO, 2016; FERREIRA;
LEITÃO, 2016).

Dynamo e Rhino-Grasshopper são alguns destes aplicativos de linguagens de

programação simples, baseadas em metáforas visuais. Embora amigáveis para o
desenvolvimento de pequenos algoritmos, essas linguagens se tornam uma
 20

barreira para soluções muito complexas em atributos e escala, dificultando a

manipulação e leitura da codificação (BARRETO, 2016).

O Grasshopper rapidamente evoluiu de um sistema de composição

explícita do histórico de modelagem para ser um modelador algorítmico
com uma linguagem de programação visual, capaz de estabelecer
associações paramétricas de projeto arquitetônico, implementar
algoritmos generativos e evolutivos e fornecer meios para entrada e saída
de dados para outros tipos de software, incluindo BIM e dispositivos como
smartphones, em tempo real (RMA, 2013, s.p.).

Tanto a modelagem paramétrica quanto o design generativo são ferramentas para

materializar uma solução, e os profissionais escolhem aquela que melhor se adapte
às suas necessidades, de acordo com a complexidade e o estágio de
desenvolvimento do projeto, tirando partido do melhor de cada ferramenta
(SAMMER, 2019).

O Grasshopper é um plug-in para o software Rhinoceros 3D (software CAD), que

fornece uma linguagem de programação visual baseada em blocos funcionais que
podem ser conectados em uma sequência de ações. Trabalhando de forma
integrada, é possível visualizar no Rhinoceros a modelagem 3D programada no
Grasshopper. Embora mais intuitivo para programação de design, a VPL contém a
desvantagem da falta de escalabilidade. Conforme os algoritmos crescem em
complexidade, tornam-se de difícil manipulação (FERREIRA; LEITÃO, 2016).

No Grasshopper, você não trabalha nas geometrias reais. Em vez disso,

você trabalha na lógica por trás das geometrias. Uma vez que a lógica de
fazer maçã foi configurada, você pode alterar parâmetros como ângulos
inicial e final. Além disso, você pode alterar a forma das maçãs fornecendo
diferentes curvas de perfil, bem como o eixo de rotação. Ou você pode
fazer várias maçãs com apenas uma definição, fornecendo vários valores
de ângulo e / ou curvas de perfil / rotação para a definição (SUNG, 2010,
p. 4).
 21

Figura 3 - Programação visual paramétrica

Fonte: Traduzido de SUNG (2010).

Para atenuar essa desvantagem, o Grasshopper permite a criação de pequenos

scripts em Visual Basic, C# e Python com a utilização de um bloco de código
específico. Esses blocos possuem múltiplas entradas e saídas que permitirão a
conexão com outros blocos do programa Grasshopper. Apesar da capacidade de
criar pequenos scripts textuais, esse recurso ainda não elimina totalmente os
problemas de escala de um projeto porque tais scripts ainda estão vinculados à
linguagem visual; a escala e complexidade do projeto podem levar a um alto custo
computacional de processamento (FERREIRA; LEITÃO, 2016).
 22

Figura 4 - VPL Grasshopper e Rhinoceros / sricpt Phyton

Fonte: Mostapha (2012).

2.1.3 Gramática da Forma

Gramática da Forma é um tipo de sistema generativo baseado em regras que

permitem capturar, criar e entender formas. Knight (1994) apresenta que o objetivo
inicial era propor um sistema de geração de formas para a pintura e a escultura no
qual o artista projetaria suas regras de composição, combinando-as de diferentes
maneiras e, então, criaria seu repertório de obras de arte. Desenvolvida por George
Stiny e James Gips, a Gramática da Forma foi baseada nos sistemas de produção
de Emil Post e nas gramáticas geradoras de Noam Chomsky. Tal como o uso de
palavras para formar sentenças, as Gramáticas da Forma funcionam como
estruturas para gerar composições formais a partir de formas básicas e regras de
associação entre elas.

Estas gramáticas desempenham um papel importante em uma nova geração de

ferramentas para análise e criação de formalismos. A estrutura gramatical de
 23

formas permite, além da geração, a representação do conhecimento sobre a lógica

formal de um design, ou representar o conhecimento sobre a funcionalidade de
uma composição. O sistema de gramática da forma foi um dos primeiros sistemas
computacionais a viabilizar o desenvolvimento de projetos através da computação
de dados sobre as formas. Por meio de uma linguagem visual, tal formalismo
possibilitou o emprego da computabilidade (CELANI, 2002; WORTMANN, 2018).

Celani (2002) organiza o desenvolvimento da Gramática da Forma a partir da

definição dos seguintes elementos:

1. Vocabulário de formas: conjunto finito de formas primitivas que serão a

composição da gramática, podendo ser bi ou tridimensionais;
2. Relações espaciais entre as formas: operações espaciais estabelecidas entre
as formas primitivas do vocabulário das formas, como: translação,
espelhamento, adição, subtração, rotação, roto-translação e transformação
escalar;
3. Regras formais: consistem na combinação das operações e/ou
transformações espaciais;
4. Formas primitivas (iniciais): conjunto de formas pertencentes ao vocabulário
das formas. Referem-se aos elementos iniciais da construção da concepção
do projeto. Através desses elementos conceptivos, pode-se identificar a
sucessão e evolução das etapas de composição do projeto com o uso da
metodologia da Gramática da Forma.

Celani (2006) demonstra ainda que, com objetivos sintéticos, seus inventores e
outros pesquisadores, como Gips (1975), incrementaram o sistema original,
acrescentando novas características e novas aplicações da Gramática da Forma:

1. Gramáticas de forma restrita: tipos de gramáticas da forma que podem ser

definidos colocando-se mais restrições sobre regras formais permitidas;
2. Gramáticas paralelas: dentro da geração de uma forma paralela, sempre que
uma regra formal é utilizada, ela é aplicada, simultaneamente, para todas as
partes da forma, em que seja aplicável;
 24

3. Gramáticas matriciais: uma gramática matriz define uma linguagem de

dimensões (normalmente, N=2) de matrizes de símbolos;
4. Gramáticas gráficas: uma gramática de rede é definida por um vocabulário de
não terminais, um vocabulário de terminais, uma rede inicial e um conjunto de
regras de reescrita da rede;
5. Gramáticas de padrões: estas gramáticas são, geralmente, chamadas
gramáticas de padrões, ou gramáticas de descrição da imagem;
6. Gramáticas com coordenadas: nas gramáticas com coordenadas, os símbolos
terminais e não terminais têm coordenadas que lhes estão associadas;
7. Gramáticas analíticas: estudos analíticos usam um conjunto de projetos
existentes para representar a linguagem-corpus e inferir as regras da
gramática;
8. Gramáticas paramétricas: aquelas em que as regras são parametrizadas de
modo que cada regra represente um conjunto de regras;
9. Gramáticas predefinidas: trata-se de um tipo de gramática determinística em
que uma mesma regra ou uma mesma sequência de regras é aplicada
sucessivamente;
10. Gramáticas com marcadores: o uso de marcadores (labels), que são marcas
aplicadas às formas para reduzir sua ordem de simetria. Restringem a
maneira como as regras podem ser aplicadas, mas permitem maior controle
sobre os resultados;
11. Gramáticas da cor: essa variação utiliza cores no lugar de marcadores;
12. Gramáticas discursivas: inclui um conjunto de heurísticas numa gramática da
forma.

Entretanto, de forma essencial, para a construção de uma gramática da forma, são

necessários três elementos fundamentais: (1) os elementos (ou formas), aos quais
são aplicadas as regras; (2) as regras a serem aplicadas, construídas por algum
tipo de transformação (euclidiana); e (3) um operador booleano (marcadores). As
transformações básicas aplicadas às formas consistem em transformações
euclidianas, tais como: tradução, rotação, reflexão, escala e identidade, podendo
ser feitas em diferentes dimensões e em variados tipos de formas (WORTMANN,
2018; LUDOVICO, 2018).
 25

2.2 Verificação automatizada de projetos

Schumacher (2009) considera que a automação moverá o assunto dos

computadores no design muito além das narrativas de computação gráficas (CAD
/ BIM) que dominaram a arquitetura e a engenharia nas últimas duas décadas.

Segundo Campana (2011), a palavra “automação” é proveniente do latim

automatus e significa “mover-se por si”. De forma prática, a Automação é a
aplicação de técnicas computadorizadas ou mecânicas, com o objetivo de tornar
um processo mais eficiente, maximizando a produção com menor gasto de energia
e gerando maior segurança. Gasto de energia, por sua vez, é compreendido como
a aplicação de mão de obra especializada em atividades de baixa geração de valor,
gasto de tempo e desperdícios.

O termo Automação começou a ser popularizado pela indústria automobilística

americana nas décadas de 1940 e 1950 e foi usado para descrever a mecanização
automatizada que estava amadurecendo em todos os tipos de linhas de produção
na época. O termo começou a mudar em meados do século 20, com a introdução
de ferramentas como máquinas de controle numérico, ou Computer Numerical
Control (CNC), que eram automaticamente controladas por informações
matemáticas codificadas salvas em cartões perfurados. Nos tempos atuais, à
medida que o crescimento exponencial do poder da computação se viabiliza, um
novo nível de controle de automação digital sobre produção, serviços, e até mídias
sociais, continua a surpreender e a se transformar constantemente. Assim,
algoritmos, scripts, robôs, fabricação digital e novos sistemas de fluxo de trabalho
autônomo estão novamente transformando o significado do termo Automação
(SCHUMACHER, 2009; HILLER, 2012).

No setor AEC, a verificação automatizada de regras é um processo automatizado

de avaliação do projeto em relação aos seus requisitos. Quando processos
computacionais mais eficientes ficaram acessíveis, a verificação automatizada de
projetos de construção tornou-se um foco de estudo. A redução do tempo e dos
custos de avaliações e o aumento da objetividade e da confiabilidade das análises
 26

dos projetos são resultados desta aplicabilidade. Com o surgimento e expansão do

BIM, graças ao seu alcance de parametrização, vários sistemas automatizados de
verificação de código de construção estão sendo desenvolvidos em projetos reais
de edifícios (SCHWABE; KONIG; TEIZER, 2016).

O Solibri Model Checker (SMC), um potente software comercial desenvolvido neste

âmbito, tem como funcionalidades analisar modelos BIM a partir de um conjunto de
regras para identificar e avisar de potenciais problemas, conflitos ou violações que
possam existir num determinado modelo paramétrico. O SMC analisa diretamente
o modelo BIM, codificado segundo o formato IFC, que retira do modelo apenas os
objetos necessários à verificação requerida. O fato deste software funcionar por
aplicação de regras torna-o versátil, uma vez que descarta a necessidade de
conhecimentos de programação para a sua utilização. Efetuada a verificação das
regras num determinado modelo, o SMC gera um relatório dos problemas
detectados, com o respetivo grau de severidade e com a possibilidade de
visualização do problema no próprio modelo virtual (EASTMAN et al., 2009).
Eastman et al. (2009a) estruturam o processo de verificação de regras em modelos
paramétricos em quatro etapas:

1. Interpretação de regras;
2. Preparação do modelo paramétrico da edificação;
3. Execução de análise das regras;
4. Relatório de verificação de resultados.

Na primeira etapa, os textos de regras naturalmente escritos precisam ser

transcritos para uma linguagem de computador interpretável. A segunda etapa
trabalha com objetos e seus parâmetros em um modelo 3D. As informações na
tabela paramétrica devem ser iguais aos parâmetros dos objetos 3D, para garantir
uma rastreabilidade adequada. A etapa três verifica as regras de conformidade.
Ambos os valores de retorno – positivo (verdadeiro) e negativo (falso) – são
adicionados à estrutura de dados. Um valor de retorno falso detecta um conflito de
regras. A forma de um conflito depende da regra que foi associada. Informações de
conflito são transferidas para a próxima etapa. A quarta etapa recebe as
 27

informações de conflito da execução da regra e exibe os resultados de duas

maneiras diferentes: o relatório textual e o relatório visual. O SMC é atualmente o
software comercial mais robusto na verificação de regras. As regras predefinidas
nele incluem desde detecção de conflito físico à comparação de parâmetros dos
elementos. Porém, mesmo com a possível edição desses conjuntos de regras
predefinidas, essa personalização ainda é limitada (EASTMAN et al., 2009a).

Para Silva e Arantes (2016), em um estudo de caso de um empreendimento, a

aplicação da verificação automática de parâmetros constatou redução de 60% no
tempo de conferência dos projetos e 22% a mais de não conformidades em relação
ao mesmo projeto em uma verificação manual. O trabalho apresenta, portanto,
quanto a verificação automatizada de projetos demonstra potencial, mas ressalva
que a eficiência do processo está intimamente ligada ao protocolo de
desenvolvimento do modelo paramétrico em relação à própria modelagem,
parametrização e verificação em cada requisito a ser verificado.

Toda ferramenta de verificação de regras, e, de fato, toda ferramenta de análise

BIM, exige que informações paramétricas específicas estejam presentes, e com
qualidade, nos modelos virtuais. O enriquecimento semântico de um modelo
paramétrico é um processo no qual o conhecimento especializado de uma disciplina
técnica oferece a oportunidade de automatizar diversos estágios de verificação do
projeto. Este incremento de informações paramétricas abrange, por exemplo, a
classificação de objetos de construção, agregação e agrupamento, identificação
exclusiva, dedução de objetos ausentes e reconstrução de objetos obstruídos
(SACKS; BLOCH, 2018).

2.3 Inteligência artificial

“Can machines think?”. Esta foi uma questão proposta por Alan Turing, quando da
publicação do artigo “Computing machinery and intelligence” em 1950. Neste
momento, o matemático introduziu uma discussão sobre se é justificável chamar
um computador de cérebro eletrônico e lançou as bases do que viria a ser o campo
da inteligência artificial (TURING, 2009).
 28

Turing foi responsável pela criptoanálise que derrotou a máquina “Enigma” da

Alemanha nazista. O cientista, conhecido como o pai da computação, trabalhou
neste secreto projeto inglês e, assim, foi também o pioneiro da ciência da
computação e da inteligência artificial (HODGES, 2014).

Algoritmo, como define Ashlock (2006), é todo e qualquer procedimento capaz de

solucionar um dado problema, através de passos previamente elaborados; e que
otimizar significa aperfeiçoar algum processo.

A IA, em seus anos de formação, foi influenciada por ideias de muitas disciplinas.
De pessoas que trabalham em engenharia (Norbert Wiener sobre cibernética, que
inclui feedback e controle), em biologia (W. Ross Ashby e Warren McCulloch no
trabalho de Walter Pitts sobre redes neurais em organismos simples), psicologia
experimental (Newell e Simon), teoria da comunicação (no trabalho teórico de
Claude Shannon), teoria dos jogos (John Von Neumann e Oskar Morgenstern),
matemática e estatística (Irving J. Good), lógica e filosofia (nos trabalhos de Alan
Turing, Alonzo Church e Carl Hempel) e linguística (com Noam Chomsky sobre
gramática). Essas linhas de trabalho deixaram sua marca e continuam a influenciar
a IA ainda nos tempos atuais (BUCHANAN, 2005).

Figura 5 - A máquina de Turing

Fonte: Acervo online Bletchley Park (2013).

 29

Li (2018) aborda uma breve cronologia de entendimentos versus expectativas

sobre a inteligência artificial:

– gestação da inteligência artificial: 1943 a 1955;

– nascimento da inteligência artificial: 1956;
– entusiasmo precoce, grandes expectativas: 1952 a 1969;
– uma dose de realidade: 1966 a 1973;
– sistemas baseados no conhecimento: a chave do poder?: 1969 a 1979;
– a inteligência artificial se torna uma indústria: 1980 - presente;
– o retorno das redes neurais: 1986 - presente;
– a inteligência artificial adota o método científico: 1987- presente;
– o surgimento de agentes inteligentes: 1995 - presente;
– a disponibilidade do big data (conjuntos de dados grandes demais): 2001 -
presente).

No histórico sobre AI de Buchanan (2005), somente no último meio século tivemos

dispositivos computacionais e linguagens de programação poderosos o suficiente
para construir testes experimentais de ideias sobre o que é inteligência. Segundo
o autor, o artigo seminal de Turing em 1950 foi um importante ponto de virada na
história da IA.

A inteligência artificial é uma área muito ampla, e, segundo Li (2018), mesmo um

livro oficial como Russell e Norvig (2003) 1 não fornece uma definição precisa. Para
racionalização desta compreensão são listadas a seguir quatro formas de definição
da IA:

1. Agindo humanamente: seguindo uma abordagem chamada Teste de Turing,

na qual um computador passa no teste se um interrogador humano não pode
dizer se as respostas a alguma pergunta são de um computador ou de um ser
humano.

1
Conforme a editora, a primeira edição de “Inteligência artificial - uma abordagem moderna” tornou-
se um clássico na literatura sobre IA. O livro foi adotado por mais de 600 universidades de 60 países
e foi elogiado como a síntese definitiva desse campo.
 30

2. Pensando humanamente: uma abordagem da modelagem cognitiva, na qual

se faz os computadores pensarem em atividades que associamos ao
pensamento humano, como tomada de decisão, resolução de problemas,
aprendizado.
3. Pensando racionalmente: abordagem da "lei do pensamento", quando as
faculdades mentais, através do uso de modelos computacionais, possibilitam
perceber, raciocinar e agir.
4. Agindo racionalmente: segue a abordagem do agente racional ou Inteligência
Computacional, onde a IA está preocupada com o comportamento inteligente
em artefatos, sendo esta mais favorável à ciência do que aquelas abordagens
baseadas no comportamento ou pensamento humano.

Domingos (2017) e Li (2018) compreendem que a IA atualmente possui diversas

vertentes e aplicabilidades distintas e, assim, algoritmos e modelos matemáticos
variam conforme a natureza do problema a ser resolvido computacionalmente. Em
notável expansão e aplicabilidade atualmente, o aprendizado de máquinas
(machine learning), por exemplo, é um subcampo da IA voltado ao desenvolvimento
de algoritmos e técnicas que permitam ao computador aprender.

Figura 6 - Diagrama de inteligência artificial e seus subcampos

Fonte: LI (2018).
 31

Em machine learning, computadores são programados para aprender com a

experiência passada. Para isso, utilizam um princípio de inferência denominado
indução, obtendo conclusões genéricas a partir de um conjunto particular de
exemplos. Assim, conforme Faceli et al. (2011), algoritmos de machine learning
aprendem a induzir uma função ou hipótese capaz de resolver um problema a partir
de dados que representam instâncias do problema a ser resolvido.

Quando um algoritmo de machine learning está aprendendo a partir de um

conjunto de dados de treinamento, ele está procurando uma hipótese, no
espaço de possíveis hipóteses, capaz de descrever as relações entre os
objetos e que melhor se ajuste aos dados de treinamento. Cada algoritmo
utiliza uma forma ou representação para descrever a hipótese induzida.
Por exemplo, redes neurais artificiais representam uma hipótese por um
conjunto de valores reais, associados aos pesos das conexões da rede.
Árvores de decisão utilizam uma estrutura de árvore em que cada nó
interno é representado por uma pergunta referente ao valor de um atributo
e cada nó externo está associado a uma classe. A representação utilizada
define a preferência ou viés (bias) de representação do algoritmo e pode
restringir o conjunto de hipóteses que podem ser induzidas pelo algoritmo.
Além do viés de representação, os algoritmos de machine learning
possuem também um viés de busca. O viés de busca de um algoritmo é a
forma como o algoritmo busca a hipótese que melhor se ajusta aos dados
de treinamento. Ele define como as hipóteses são pesquisadas no espaço
de hipóteses (FACELI et al. 2011, p.5).

Algoritmos de machine learning podem ser organizados de acordo com diferentes

critérios, como o paradigma de aprendizado a ser adotado para lidar com uma
tarefa. Sobre esse critério, Arel et al. (2010) e Faceli et al. (2011) dividem as tarefas
de aprendizado em:

1. Preditivas: em tarefas de previsão, a meta é encontrar uma função (modelo

ou hipótese) a partir dos dados de treinamento que possa ser utilizada para
prever um valor que caracterize um novo exemplo, com base nos valores de
seus atributos de entrada. Para tanto, cada objeto do conjunto de treinamento
deve possuir atributos de entrada e de saída. Os algoritmos de modelos
preditivos seguem o paradigma de aprendizado supervisionado, onde há a
 32

simulação da presença de um “supervisor externo", que conhece a saída

(rótulo) desejada para cada exemplo (conjunto de valores para os atributos de
entrada). Com isso, o supervisor externo pode avaliar a capacidade da
hipótese induzida de predizer o valor de saída para novos exemplos.

2. Descritivas: em tarefas de descrição, o objetivo é explorar ou descrever um

conjunto de dados. Nessas tarefas, os algoritmos de machine learning não
fazem uso do atributo de saída. Por esta razão, seguem o paradigma de
aprendizado não supervisionado. Uma tarefa descritiva de agrupamento de
dados, por exemplo, tem por meta encontrar grupos de objetos semelhantes
no conjunto de dados. Outra tarefa descritiva é encontrar regras de
associação que relacionam um grupo de atributos a outro grupo de atributos.

Buchanan (2005) lembra que se os primeiros programas eram necessariamente

limitados em escopo pelo tamanho e velocidade da memória e processadores e
pela relativa falta de jeito dos sistemas operacionais e linguagens anteriores,
atualmente as aplicabilidades e efetividade dos algoritmos se multiplicaram.

Sacks e Bloch (2018) exemplificam que as técnicas de inteligência artificial e

machine learning têm sido mais aplicadas por pesquisadores a vários problemas
na indústria de AEC: uma rede neural artificial utilizada para prever o consumo de
energia em edifícios (os recursos considerados foram orientação do edifício,
propriedades do isolamento etc.); classificar e rotular superfícies obtidas a partir de
uma varredura a laser (classificaram assim os principais objetos construtivos de um
edifício, como paredes, tetos e pisos, e separá-los de outros objetos obtidos a partir
da digitalização que são considerados desorganizados).

Brígitte e Ruschel (2018) ponderam que algoritmos matemáticos têm se tornado

particularmente importantes por servirem como base para abordagens e estratégias
paramétricas também na indústria AEC.
 33

2.4 Computação evolucionária

A Computação Evolucionária também é compreendida como uma área da

inteligência computacional ou inteligência artificial destinada à resolução de
problemas de otimização através do uso de processos iterativos. Tem como
objetivo desenvolver, avaliar e aplicar técnicas na criação de algoritmos inteligentes
(ASHLOCK, 2006).

A terminologia contemporânea denota que os algoritmos envolvidos na

computação e programação evolucionária são denominados Algoritmos
Evolucionários, que empregam princípios semelhantes aos da seleção natural para
busca de soluções otimizadas (EIBEN; SMITH, 2008).

Para Lopes e Takahashi (2011), projetos de engenharia são um campo no qual se

requer tanto o conhecimento de cada especialidade da engenharia como também
o uso de técnicas capazes de tratar melhores soluções possíveis para um mesmo
projeto que mereceriam ser chamadas de ótimas, ou de alto desempenho,
econômicas e confiáveis. Para encontrar tais soluções são necessárias técnicas de
otimização. Para os autores, devido ao aumento da complexidade dos sistemas a
serem projetados, à medida em que avançam as tecnologias, torna-se cada vez
mais importante o uso da otimização através de algoritmos.

Algoritmos de otimização resolvem problemas em que a pesquisa exaustiva seria

inviável. Entende-se como pesquisa exaustiva quando, para um determinado
problema, são testadas todas as diferentes possibilidades e então escolhida a
melhor. Porém, determinados problemas gerariam um número tão grande de
alternativas, que estaria além dos limites, não apenas de um humano avaliá-las,
mas também mesmo computadores poderosos seriam incapazes de gerá-las. Ao
resolver problemas de otimização onde é impraticável testar cada solução possível,
pode-se contar com soluções aproximadas, garantindo que se alcance uma solução
razoável, mesmo não sendo a melhor possível. Na ciência da computação, esses
métodos são chamados de "heurísticas". Embora ágeis e eficazes, as estratégias
heurísticas devem ser desenvolvidas especificamente para cada estratégia de
 34

projeto e não são generalizáveis para diferentes problemas. Entretanto, nem

sempre os problemas podem contar com estratégias de métodos diretos – aqueles
que podem ser derivados deterministicamente seguindo um conjunto fixo de regras.
Quando pouco se sabe sobre a relação dos parâmetros de entrada e as funções
de otimização, uma alternativa é testar soluções aleatórias e considerar a melhor
solução encontrada como a ótima. Essas abordagens puramente aleatórias são
chamadas de “métodos de Monte Carlo”. Mas uma estratégia puramente aleatória
dificilmente encontraria uma boa solução em um período de tempo razoável. Para
permitir um resultado satisfatório de busca, é importante evitar que ela se direcione
e termine em uma única direção de soluções (ótimo local). Para isso, são
necessárias muitas iterações do algoritmo, iniciando em pontos diferentes, a cada
iteração (uma abordagem chamada “descida de gradiente estocástica”).
Atualmente, algoritmos estocásticos baseados neste princípio são usados em
diversas aplicações como otimizações, criptografia e machine learning. A classe de
algoritmos de otimização que se baseia em princípios estocásticos é chamada de
“metaheurística”. O termo refere-se, portanto, ao conjunto de regras que orientam
o processo de otimização de cada algoritmo. Assim, diferentemente dos métodos
heurísticos, as abordagens metaheurísticas são generalizáveis para qualquer
problema de otimização. Embora sejam uma abordagem relativamente nova para
resolver problemas de otimização, permite a escolha de muitos tipos de algoritmos.
Muitos desses algoritmos são inspirados por processos encontrados na natureza,
com sua capacidade em resolver problemas complexos por meio de uma
abordagem iterativa e estocástica (EIBEN; SMITH, 2008; BORENSTEIN;
MORAGLIO, 2014; NAGY, 2017b; NAGY, 2017d).

Eiben e Smith (2008) discorrem que a metáfora fundamental da computação

evolucionária relaciona essa poderosa evolução natural a um estilo particular de
solução de problemas: o de tentativa e erro. Essa ideia de aplicar os princípios
darwinianos à solução automatizada de problemas data da década de 1940, muito
antes do avanço dos computadores. E, já em 1948, Turing propôs “pesquisa
genética ou evolutiva”, e, em 1962, Bremermann já havia realizado experiências
computacionais sobre “otimização através da evolução e recombinação”. Da
década de 1960 a 1990, quatro implementações diferentes da ideia básica foram
 35

desenvolvidas: programação evolutiva, algoritmo genético, estratégias de evolução

e programação genética. Depois, estes diferentes dialetos de uma mesma
tecnologia passaram a ser conhecidos como Computação Evolucionária. A
terminologia contemporânea denota todo o campo pela Computação Evolucionária,
onde os algoritmos envolvidos são denominados algoritmos evolucionários, e
considera a programação evolutiva, estratégias de evolução, algoritmos genéticos
e programação genética como subáreas variantes.

Os principais algoritmos evolucionários (ou evolutivos) são os Algoritmos Genéticos

(AG), a Programação Genética (GP), a Otimização por Colônia de Formigas (ACO)
e a Otimização por Enxame de Partículas (PSO). Estas três últimas conhecidas
como Inteligência de Enxames (Swarm Intelligence) (LOPES; TAKAHASHI, 2011).

A escolha do método, conforme defende Davis (1991), depende de uma série de

características do problema a ser otimizado, principalmente do comportamento da
função que o representa.

2.4.1 Algoritmos evolutivos genéticos (AG)

Os Algoritmos Genéticos (AG) são inspirados na Teoria da Origem das Espécies

de Charles Darwin, onde uma população desenvolve-se durante várias gerações,
segundo os princípios da sobrevivência do mais apto. Os AG foram propostos para
desenvolver soluções para problemas do mundo real, como problemas de busca e
otimização. Entretanto, a teoria aponta que não há garantia de se encontrar a
melhor solução do problema, ou seja, o ótimo global, e sim a melhor solução
possível, podendo ser um ótimo local ou, eventualmente, o global, pois não é feita
a varredura completa do espaço de busca. Esta técnica de resolução de problemas
foi desenvolvida por John Henry Holland, em 1975, e os principais objetivos de sua
pesquisa eram: (a) abstrair e explicar rigorosamente os processos adaptativos dos
sistemas naturais; (b) desenvolver programas de sistemas artificiais capazes de
simular a robustez dos mecanismos dos sistemas naturais. Sendo que esta
evolução ocorre através da utilização de um tipo de seleção natural em conjunto
com outros operadores genéticos, tais como: mutação (onde um gene é substituído
 36

por um alelo de forma aleatória), e recombinação ou cruzamento (onde os

indivíduos escolhidos trocam pedaços de seus cromossomos e, assim, geram
novas soluções). Um AG busca produzir indivíduos melhores com base na
combinação dos melhores existentes na população; e, por meio da estratégia da
sobrevivência do mais apto, elimina os menos aptos. Não são produzidas apenas
boas soluções, mas sempre soluções melhores. Isto ocorre devido ao fato de serem
combinadas as melhores características dos pais, na produção de filhos superiores.
Assim, os AG são algoritmos de busca baseados nos mecanismos de seleção
natural e genética, que têm a capacidade de evoluir uma população de indivíduos.
(DAVIS, 1991; LOPES; TAKAHASHI, 2011).

Figura 7 - Ótimo global e ótimo local

Fonte: JIN (2015).

 37

Lopes e Takahashi (2011) apresentam a estrutura proposta por Holland:

Figura 8 - Estrutura básica de um Algoritmo Genético

Fonte: Lopes e Takahashi (2011).

A técnica de Holland também é descrita por Davis (1991), conforme a sequência:

1. Iniciar uma população aleatoriamente de tamanho N (ou seja, criar N

cromossomos com conteúdo aleatório que será a população inicial);
2. Aplicar a função de avaliação (fitness) em cada um desses cromossomos,
obtendo uma classificação dos mais adaptados ao problema;
3. Fazer o cruzamento dos cromossomos, levando-se em consideração que os
mais adaptados devem ter maiores chances de reprodução. Esse
procedimento poderá gerar novos cromossomos;
4. Aplicar mutação a uma pequena porcentagem dos cromossomos criados. A
mutação pode proporcionar o aparecimento de boas surpresas;
5. Eliminar os cromossomos da população antiga, de forma que os novos
cromossomos gerados possam ser inseridos sem alterar o tamanho da
população inicial;
6. Aplicar a função de avaliação e inserir os melhores selecionados na
população anterior, gerando uma nova população;
7. Se a população de cromossomos atual representar o resultado esperado ou
se a quantidade de gerações máxima definida for atingida, parar. Caso
contrário, voltar à etapa 3.
 38

O tamanho N da população inicial é uma variável do algoritmo e seu valor

depende da complexidade do problema. Valores típicos encontram-se entre 20
e 200 indivíduos. Ao final do algoritmo acima espera-se que a população de
cromossomos gerada seja mais bem adaptada à função de avaliação, sendo,
dessa forma, a que melhor represente o resultado do problema (DAVIS, 1991).

Neto (2011) sintetiza as condições do funcionamento de um AG:

– Codificação (geração dos cromossomos): deverá ser de tal forma que

represente uma solução do problema e deverá possuir a característica de poder
ser dividida em partes menores, chamadas de genes. Pode-se codificar o
cromossomo como sendo um conjunto de números reais, ou um conjunto de
números inteiros, ou até mesmo, e mais comumente, um conjunto de bits.
– Função de avaliação (fitness): basicamente um modo de avaliar o quão
distante um dado cromossomo está da solução ótima. É ela quem faz a ligação
entre o problema real e o Algoritmo Genético, uma vez que os cruzamentos são
feitos com os indivíduos mais bem adaptados. Sem a função de avaliação seria
impossível determinar se um problema está evoluindo para a solução ótima ou
não.
– Seleção: forma como, fazendo uso da função de avaliação, serão classificados
e selecionados os cromossomos. Os operadores de seleção envolvem
algoritmos que utilizam métodos determinísticos ou probabilísticos como o
elitismo, roleta (roulette wheel) e torneio (ranking).
– Elitismo: consiste em um caso particular de seleção na qual um ou mais
dos melhores indivíduos da população é sempre mantido e nenhum dos
piores indivíduos é selecionado.
– Roleta: atribui, a cada indivíduo de uma população, uma probabilidade de
passar para a próxima geração. A probabilidade é proporcional a seu fitness
normalizado, ou seja, o fitness medido em relação ao somatório do fitness
de todos os indivíduos da população.
– Torneio: para se selecionar N indivíduos, realizam-se N torneios envolvendo
q indivíduos em cada torneio, escolhidos sem levar em conta o fitness e com
 39

reposição (um indivíduo pode aparecer mais de uma vez num mesmo
torneio). Vence cada torneio aquele que apresentar o maior fitness.
– Reprodução: processo através do qual se combinam dois cromossomos (pais)
para formar filhos a partir deles. Tais filhos herdam as características dos pais
através da herança de material genético (genes). Esse processo é conhecido
como recombinação. Além da recombinação, está envolvida, no processo de
reprodução, a mutação. Na mutação, altera-se aleatoriamente o material
genético de uma pequena parcela dos filhos gerados.
– Recombinação (crossover): processo de troca de material genético entre
dois cromossomos. Pode-se definir aqui a probabilidade de recombinação,
que indica a probabilidade de dois indivíduos escolhidos no processo de
seleção virem a se reproduzir. Quebram-se os dois cromossomos envolvidos
(em um ou mais pontos), juntando-se a primeira parte do cromossomo A com
a segunda parte do cromossomo B e a primeira parte do cromossomo B com
a segunda parte do cromossomo A, gerando, assim, dois filhos.
– Mutação: utilizada para que sejam gerados novos cromossomos distintos
dos pais. É de grande importância, pois a população inicial é gerada
aleatoriamente e as novas gerações são frutos da recombinação da
população inicial. Se nenhum cromossomo da população inicial possuir
carga genética do ponto ótimo, passarão muitas gerações até que surja um
cromossomo que possua as características desejadas. Na prática, escolhe-
se, aleatoriamente, um gene de alguns cromossomos e troca-se o seu valor
por outro também aleatório. Se os cromossomos forem representados por
cadeias de bits, isto significa trocar o valor 0 por 1 e vice-versa (DAVIS, 1991;
FACELI et al., 2011; LOPES; TAKAHASHI, 2011).

Figura 9 - Operações genéticas: crossover e mutação

Fonte: Adaptado de Lopes e Takahashi (2011).

 40

A computação evolucionária usa um processo para criar uma saída chamada

mapeamento de genótipo para fenótipo, uma terminologia também adaptada da
biologia. Um genótipo é uma codificação sobre a qual agem os operadores
evolutivos de mutação e recombinação. Um exemplo biológico de um genótipo seria
o DNA humano; e o fenótipo uma característica observável de um indivíduo – como
a altura, por exemplo. A avaliação de uma aptidão é realizada na observação do
fenótipo (EIBEN; SMITH, 2008).

Figura 10 - Genótipo e fenótipo

Fonte: Valeri Natole (2019).

Na CE este conceito biológico foi introduzido como um método para separar o

espaço de busca e solução e também como uma metáfora para descrever as
representações e processos de mapeamento, mostrados na Figura 11. A cadeia
numérica é análoga à dupla hélice do DNA – ambas são responsáveis por definir
as características do fenótipo. Assim, a computação evolucionária gera strings
usando uma lista de valores numéricos na representação genotípica que podem
ser armazenados como valores binários ou inteiros. As strings de saída são a forma
fenotípica do indivíduo. Os fenótipos são avaliados pela função de aptidão do
algoritmo (BYRNE, 2012).

A aplicação de técnicas evolutivas ocorre, muitas vezes, a uma classe particular de

problemas: a otimização multiobjetivo. Problemas multiobjetivos (MOPs) são
aqueles onde a qualidade de uma solução é definida por seu desempenho em
relação a mais de um objetivo, possivelmente conflitantes entre si (EIBEN; SMITH,
2008). Na prática, porém, verifica-se que, em muitas situações, um problema MOP
é transformado em uma função de objetivo único (single-objective optimization), a
fim de tornar a otimização computacionalmente mais viável (CHANG, 2015).
 41

Figura 11 - Mapeamento de genótipo para fenótipo na CE

Fonte: Byrne (2012).

De acordo com Cuadros et al. (2013), em um cenário que envolva um problema de

otimização com múltiplos objetivos igualmente importantes, as técnicas de solução
de funções MOP podem ser divididas em três categorias principais. Estas
categorias são baseadas na preferência do procedimento de aquisição da
informação e no uso desta informação nos processos de análise de decisão. São
elas: (i) Articulação a priori; (ii) Articulação progressiva; (iii) Articulação a posteriori.
A “articulação a priori” é a forma mais utilizada, o que significa que diferentes
objetivos são convertidos em um único item antes de realizar a operação de
otimização real.

Existem inúmeras maneiras de categorizar os métodos de solução, como aplicação

de escalas versus métodos de Pareto, “articulação a priori” versus “a posteriori”, e
assim por diante. Embora muitas técnicas de solução tenham sido desenvolvidas
nas últimas décadas, nenhum desses métodos é perfeito, e a seleção dentre eles
dependerá dos requisitos do projeto em particular. A “articulação a priori” implica
que o projetista indique a importância relativa das funções objetivo ou metas
desejadas antes de executar o algoritmo de otimização. Com as preferências
especificadas, o multiobjectivo é convertido em um único problema de otimização,
levando a uma única otimização.
 42

Figura 12 - Otimização evolutiva e tomada de decisão

Fonte: De Vasconcelos (2016).

No entanto, valores de funções diferentes podem ter unidades diferentes e/ou

limites significativamente diferentes, tornando as comparações difíceis. Assim,
geralmente, é necessário transformar as funções objetivo de modo que todas
tenham parâmetros semelhantes. Embora existam diferentes abordagens
propostas para tal propósito, uma das mais simples é normalizar as funções
objetivo individuais por seus respectivos valores de função absoluta do projeto em
questão (CHANG, 2015). A Figura 13, a seguir, exemplifica uma função
normalizada em uma “articulação a priori”.

Figura 13 - Função normalizada em “articulação a priori”

Fonte: Chang (2015).

 43

2.5 Design evolucionário

O Design Evolucionário tem suas raízes na ciência da computação e na biologia

evolucionária. É um ramo da Computação Evolucionária, estende e combina
softwares de CAD e análises, emprestando de ideias da evolução natural. Bentley
(1999) divide os tipos variados de design evolucionário em quatro categorias
principais: 1) otimização do design evolucionário; 2) design evolucionário criativo;
3) arte evolucionária; e 4) formas de vida artificiais evolucionárias.

Jones (2009) avalia que o desenvolvimento de projetos em computadores agora

permite empregar computadores em todas as etapas do processo de design. Não
sendo mais o design assistido por computador, mas tornando o design produzido
pelo computador.

Como os problemas de design oferecem um número inesgotável de soluções, o

processo de design pode não ter um fim identificável. O trabalho dos designers
nunca é realmente concluído e, provavelmente, sempre é possível fazer melhor,
conforme afirma Jo (1998).

A capacidade de um algoritmo evolutivo de otimizar uma solução foi aplicada aos

problemas de design desde o início do design computacional. Byrne (2012) relata
que Rechenberg demonstrou uma das primeiras aplicações práticas da
computação evolucionária. Posteriormente, a abordagem acabou se
desenvolvendo no campo das estratégias evolutivas e a aplicabilidade demonstrou
que o computador poderia desenvolver um projeto conceitual e depois permitir que
o refinasse ainda mais.

Calixto e Celani (2015) apresentam uma revisão da literatura sobre a otimização do

planejamento espacial usando a abordagem de algoritmos evolutivos de 1992 a
2014. Segundos os referidos autores, o uso desses algoritmos em problemas de
planejamento espacial tem sido explorado desde o início dos anos 1990, e ainda
não foi totalmente esgotado. O Anexo A apresenta a lista destes artigos revisados
pelos autores.
 44

Como é possível verificar na abordagem, embora estudos sobre a aplicabilidade

dos algoritmos evolucionários em projetos de design já sejam amplos, não se
verifica a relação do tema com a avaliação automatizada de projetos, tampouco em
relação à geração de projetos paramétricos BIM.

As aplicações evolucionárias na otimização de soluções de engenharia podem ser

ilustradas com o caso de uma longarina de suporte de antena parabólica: uma
construção em forma de escada conecta o corpo do satélite com o prato necessário
para a comunicação. Como requisitos espera-se que esta barreira seja estável e,
em particular, resistente a vibrações, pois não há elementos que possam amortecer
as vibrações que quebrariam toda a construção. A imagem da Figura 14 representa
uma otimização desta construção usando um algoritmo evolutivo, resultando em
uma estrutura 20.000% melhor do que as formas tradicionais. Para o senso comum,
pode parecer uma solução muito estranha: não possui nenhuma simetria e não há
nenhuma lógica de design intuitiva visível, parecendo uma forma aleatória. De fato,
um desenho aleatório, desenhado sem inteligência, mas evoluindo através de
várias gerações consecutivas de soluções de melhoria. Um design puramente
direcionado pela qualidade e que, assim, pode chegar a soluções que estão fora
do âmbito do pensamento humano, muitas vezes, limitado por convenções,
considerações estéticas ou preferências infundadas (EIBEN; SMITH, 2008).

Figura 14 - Design de uma longarina otimizada por processo evolucionário

Fonte: Eiben e Smith (2008).

 45

Eiben e Smith (2008) trazem, ainda, que o design evolucionário, muitas vezes, anda
de mãos dadas também com a engenharia reversa: uma vez que uma solução
comprovadamente superior é desenvolvida, ela pode ser analisada e explicada pela
engenharia tradicional. Isso pode levar a conhecimentos generalizáveis com a
formulação de novas leis, teorias ou princípios de design aplicáveis a uma
variedade de outros problemas de tipo semelhante.

De acordo com Guimarães (2008), em projetos assistidos por computador, tem-se

que:

O processo começa com o estabelecimento de especificações e requisitos,

o que leva à definição de um protótipo, um primeiro modelo de projeto para
o problema em questão. Essas etapas iniciais dependem do conhecimento
e intervenção de um designer humano. O próximo passo é gerar o modelo
geométrico computacional do protótipo, cuja descrição depende do método
de análise a ser utilizado. O principal objetivo do protótipo (e seu modelo
computacional associado) é fornecer um espaço de pesquisa parametrizado
e um conjunto de funções de objetivo e restrição para o processo de
otimização. O objetivo do processo de otimização é encontrar a solução, no
espaço de pesquisa fornecido, que move o projeto atual (protótipo atual)
para o protótipo mais próximo possível que atenda aos requisitos.
Finalmente, se o protótipo otimizado atender às especificações e requisitos
definidos pelo designer, o processo de design será interrompido e a solução
final será alcançada (GUIMARÃES, 2008, p.32).

Ocorre que os problemas de design, na maioria das vezes, são definidos por muitos
objetivos diferentes, que podem estar relacionados entre si de maneiras complexas
e não intuitivas. Mesmo para um problema de otimização multiobjetivo trivial, é
improvável que exista uma única solução que otimize simultaneamente cada
objetivo. Pesquisadores estudam MOPs sob diferentes pontos de vista, com
diferentes abordagens de solução e objetivos. O objetivo pode ser encontrar um
conjunto representativo de soluções ótimas de Pareto, satisfazer os diferentes
objetivos e/ou encontrar uma única solução que satisfaça as preferências definidas
pelo projetista (CHANG, 2015).
 46

3 MÉTODO DA PESQUISA

O método de pesquisa adotado neste estudo consiste na aplicação da Design

Science Research (DSR), também conhecida como Constructive Research ou
Pesquisa Construtiva.

A Pesquisa Construtiva tem como finalidade conceber um conhecimento, e não

somente explicá-lo ou aplicá-lo. Simon (1996) afirma que a ciência tradicional não
pode ser considerada a única fonte de construção do conhecimento. A análise
decorre da justificativa de que, embora também importantes, as ciências
tradicionais têm como objetivos centrais descrever e explorar, não sendo
suficientes para a criação de elementos. Apesar da comparação, o autor esclarece
que as ciências tradicionais e a DSR não são opostas, ao contrário, se
complementam e apenas possuem sentidos distintos. Destaca ainda que um
artefato é a interface entre o mundo natural e o artificial.

Assim, a DSR muda o estado do mundo por meio da introdução de novos artefatos.
Usando criação, análise, reflexão e abstração, o método cria conhecimento na
forma de constructos, técnicas e métodos, modelos, e/ou teoria bem desenvolvida
para a solução de problemas reais (VAISHNAVI; KUECHLER, 2004).

Embora lide com um problema real, Lukka (2003) aborda que a solução proposta
pela Pesquisa Construtiva deve permitir uma generalização para um determinado
“Tipo de Problema”. Neste sentido, a DSR é principalmente utilizada em áreas com
demandas de intervenções práticas, como engenharias e arquitetura. Seja o
resultado da Pesquisa Construtiva positivo ou negativo, ela é relevante pelo legado
da avaliação empírica na medida em que se torna embasamento de futuras
pesquisas no tema.

Vaishnavi e Kuechler (2004) estabelecem uma sequência de etapas para atingir os

objetivos estabelecidos no desenvolvimento e a aplicação da metodologia Design
Science Research, compreendendo as etapas da Figura 15:
 47

Figura 15 - Mapa do processo DSR

Fonte: adaptado de Vaishnavi e Kuechler (2004).

- Entendimento do problema: a investigação é iniciada quando o pesquisador

toma conhecimento de um problema ou da oportunidade de pesquisa.

- Sugestões: etapa criativa em que diferentes pesquisadores podem chegar a

diferentes modelos experimentais. Durante a etapa de sugestão, elabora-se uma
proposta de solução para o problema compreendido na etapa anterior. Estas
sugestões são delineadas a partir da obtenção de conhecimento teórico e prático
do problema objeto de estudo da pesquisa.

- Desenvolvimento: etapa onde o pesquisador construirá um ou mais artefatos.

As técnicas utilizadas variam, dependendo do produto a ser construído.

- Avaliação: antes e durante o desenvolvimento do artefato, o pesquisador formula

hipóteses sobre como será o seu comportamento. Quando desenvolvido, ele deve
ser avaliado em função dos critérios definidos na proposta de trabalho, e mesmo
desvios de expectativas devem ser relatados pelo pesquisador. Na DSR, raramente
 48

hipóteses preliminares são desconsideradas. Entretanto, os desvios no

desempenho esperado podem levar os pesquisadores a redefinir e buscar novas
sugestões.

- Conclusões: são consolidados e registrados os resultados da pesquisa.

Entretanto, não são apenas os resultados consolidados que devem ser registrados
nesta etapa, mas também o conhecimento obtido é frequentemente classificado
como proveitoso.

Visto que o Design Science Research é o método mais adequado à presente

pesquisa, e compreendidas suas etapas propostas por Vaishnavi e Kuechler
(2004), tem-se, a seguir, portanto, a aplicação do método estrutura o procedimento
experimental da pesquisa em cinco fases, a saber: (i) problema e importância; (ii)
proposta de solução; (iii) constructo: desenvolvimento e implementação; (iv)
avaliação; e (v) conclusões.

Para a condução das fases do DSR nesta pesquisa, seguiu-se, os seguintes

delineamentos de trabalho:

3.1 Problema e importância

Conforme detalha o capítulo 1 – Introdução, o problema e a importância desta

pesquisa nascem da conscientização de que, embora a indústria AEC disponha de
diversas tecnologias contemporâneas aplicadas a projetos, estas ainda são, muitas
vezes, dissociadas e não preditivas, carecendo de instrumentos que conduzam o
setor aos ganhos de produtividade e escala da era da inteligência artificial aplicada.

3.2 Proposta de solução

Este estudo propõe desenvolver um constructo, de maneira a contribuir para a

inserção de algoritmos de IA no processo de elaboração dos projetos de
edificações. Para a solução proposta nesta pesquisa foram aplicadas tecnologias
disponíveis como o design generativo, a verificação automatizada de projetos
paramétricos, o BIM e os algoritmos evolucionários em um único ambiente.
 49

Como forma de obtenção de conhecimento teórico e prático, na revisão bibliográfica

e na pesquisa as ferramentas disponíveis relativas às tecnologias os conceitos
pertinentes foram ampliados e/ou revisados de maneira aplicável à problemática.

Durante a revisão bibliográfica deste trabalho, buscou-se por uma terminologia que
pudesse retornar mais objetivamente a integração do universo BIM em face aos
algoritmos evolucionários. Foi buscada a expressão “BIM Evolucionário” (ou
“Evolutionary BIM”). Entretanto, até a data deste projeto de pesquisa 1, a
terminologia não foi encontrada na busca de bases no Portal de Periódicos
CAPES/MEC. Nem mesmo em busca livre pelo mecanismo de busca Google
encontrou-se um resultado para a expressão exata.

3.2.1 BIM Evolucionário (E-BIM)

Observou-se, portanto, a oportunidade de proposição e adoção do termo “BIM

Evolucionário” (E-BIM), como denominação deste constructo. A terminologia, a
priori, se demonstra pertinente uma vez que objetiva unificar os campos da
computação evolucionária e dos projetos paramétricos, em especial os projetos
BIM.

Para tanto, propõe-se “BIM Evolucionário” (E-BIM) como método aplicado a

projetos de edificações, no qual modelos virtuais paramétricos são gerados,
avaliados e otimizados pela integração de algoritmos generativos e evolucionários.
Explora a aplicabilidade dos algoritmos de inteligência artificial no fluxo de
desenvolvimento e automação destes projetos.

Em simetria à proposição deste conceito, a fim de se alcançar os objetivos geral e

específicos deste estudo, o constructo E-BIM foi desenvolvido e implementado
conforme detalha a seção a seguir.

1
Projeto de Dissertação escrito até 07 de novembro de 2019. Banca de avaliação do Projeto de
Dissertação ocorrida em 27 de novembro de 2019.
 50

3.3 Constructo E-BIM

Para o cumprimento dos objetivos geral e específicos da pesquisa, o

desenvolvimento e implementação do constructo foram planejados em três fases,
conforme a Figura 16:

– Fase A: desenvolver, implementar e avaliar um algoritmo genético inserido no

fluxo de projetos BIM, como instrumento evolucionário;

– Fase B: gerar, verificar e evoluir (otimizar) um objeto arquitetônico;

– Fase C: verificar a asserção do termo BIM Evolucionário (E-BIM) proposto ao

contexto dos algoritmos de IA aplicados a projetos de edificações.

Figura 16 - Mapa do desenvolvimento e implementação do constructo E-BIM

Objetivo geral:
Constructo E-BIM

Objetivo específico 1: Objetivo específico 2: Objetivo específico 3:

fase "a" fase "b" fase "c"

Ciclo 1 - Gerar

Ciclo 2 - Avaliar

Ciclo 3 - Evoluir
(otimizar)

Fonte: A autora (2020).

 51

A “Fase A” constitui-se do desenvolvimento de um algoritmo evolucionário de

otimização, através de um script Python, a fim de ser implementado e avaliado em
um protótipo.

A “Fase B” contempla o modelo de implementação e avaliação do algoritmo da fase

“a” e é construída em três ciclos, conforme padrão de um algoritmo evolucionário
genético, sendo: (1) gerar; (2) avaliar; e (3) evoluir (otimizar).

Para o ciclo “Gerar”, ocorre a criação da população inicial de soluções de

arquitetura, através de um algoritmo generativo, nos aplicativos Rhino-
Grasshopper; uma amostragem desta população formará generativamente
modelos paramétricos BIM do tipo IFC. No ciclo “Avaliar” são estabelecidos
indicadores de medição de desempenho para a classificação dos indivíduos da
amostra, que sejam mais aptos ao ciclo seguinte; no software Solibri Model Checker
(SMC) foi desenvolvido e implementado um conjunto de regras de checagem
automática (ruleset) desses indicadores e então os resultados exportados a partir
de relatórios personalizados no SMC. No ciclo “Evoluir” é então executado o
algoritmo evolucionário (fase “a”), novamente em ambiente Rhino-Grasshopper; o
objetivo do algoritmo evolucionário é processar os indivíduos mais aptos da
classificação, e interferir na geração de uma nova população, de maneira a otimizar
a qualidade do processo generativo, de maneira que novos indivíduos contenham
características superiores, ou computacionalmente evoluídas, em relação à
geração inicial do design generativo, conforme os indicadores estabelecidos.

A “Fase C”, que diz que respeito à avaliação do constructo, é abordada na seção
seguinte deste capítulo.

O desenvolvimento e a implementação do Constructo E-BIM estão detalhados no

Capítulo 4.
 52

3.4 Avaliação

Para Lukka (2003), inovar uma ideia de solução requer desenvolver uma
construção de resolução de problemas e também trabalhar pela contribuição
teórica. O autor adverte que este pode ser um processo iterativo trabalhoso e
demorado, incluindo o desenvolvimento de ideias de protótipos, seus esforços de
implementação em pequena escala e uma revisão na base do conhecimento. E
aborda que, ainda que o teste falhe, haverá espaço para análises teóricas, pois
provavelmente vale a pena discutir se as causas do insucesso poderiam ser
evitadas em outros experimentos.

A obtenção de conclusões teóricas interessantes não depende

necessariamente se a nova construção projetada funcionou ou não: em
ambos os casos, existe a possibilidade de contribuição teórica. Por
exemplo, o que deveria ter funcionado com base na teoria anterior não
funcionou - então, há algo errado com nossa teoria existente? No entanto,
deve-se notar que uma pré-condição importante para tirar quaisquer
conclusões significativas de uma pesquisa construtiva é que o trabalho
empírico deve ser considerado bem administrado como um processo
(LUKKA, 2003, p. 90).

Assim, em se tratando de uma pesquisa DSR, a avaliação do constructo E-BIM

será suportada pela implantação de um protótipo. A prova de conceito terá como
objeto uma arquitetura escolar, conforme exposição de motivações justificada na
seção 4.1.1 deste trabalho.

Portanto, como estratégia de delineamento, a avaliação da contribuição prática do

modelo deverá responder, ao menos, às questões apontadas na seção 1.3 deste
trabalho.

Como anteriormente demonstrado por Lukka (2003), do ponto de vista acadêmico,

a pesquisa DSR deve ser capaz de esclarecer também sua contribuição teórica,
havendo, nesse caso, dois tipos principais de contribuições potenciais: I) se o novo
constructo funcionou, poderá fornecer um incremento natural à literatura anterior,
considerando-se as novas relações meio-fim construídas; II) além da tentativa de
 53

projetar e testar novos instrumentos, o refinamento da teoria é, provavelmente, o

resultado mais esperado de um projeto de pesquisa construtivo, pois fornece razão
para modificar crenças anteriores a respeito das relações estruturais ou dos
processos considerados antes de o estudo ter sido conduzido.

Isso posto, em continuidade à estratégia de delineamento, a avaliação da

contribuição teórica deverá discorrer sobre a “Questão 4” do item 1.3 deste
trabalho, que se refere à “Fase C” do constructo.

As questões então demarcadas, bem como suas conjunturas, são discutidas no

capítulo 5 e sintetizadas no capítulo 6.
 54

4 CONSTRUCTO: DESENVOLVIMENTO E IMPLEMENTAÇÃO

A presente pesquisa e dissertação de mestrado procurou desenvolver uma

aplicação dos princípios evolutivos dos algoritmos de IA às tecnologias de projetos
generativos e paramétricos BIM, tendo como objeto de implementação e avaliação
um objeto arquitetônico de função escolar.

Na seção 2.4, viu-se que a Computação Evolucionária (CE) é um ramo de pesquisa

da IA que propõe a solução de problemas inspirada na seleção natural,
compreendendo um conjunto de técnicas de busca de otimização inspiradas na
evolução natural das espécies. Diversas técnicas são utilizadas na CE, dentre elas
os Algoritmos Genéticos (AG), que possuem ampla aplicação em muitas áreas
científicas, entre elas a inteligência artificial e machine learning.

Na seção 2.4.1 foi compreendido o princípio dos Algoritmos Genéticos, que trata
de gerar uma população de indivíduos que irão reproduzir e competir pela
sobrevivência. Os mais aptos sobrevivem e transferem suas características às
novas gerações, promovendo a evolução (aptidão) da espécie.

Figura 17 - Padrão de um Algoritmo Genético

Fonte: adaptado de Davis (1991).

 55

Esse processo evolucionário pode ser sintetizado em três ciclos consecutivos

(NAGY, 2017b):

1) Gerar: é criada uma população inicial de diferentes soluções do projeto objeto

do estudo;

2) Avaliar: o grau de adequação das soluções individuais é calculado;

3) Evoluir: as soluções com melhor desempenho são levadas à uma operação

genética (mutação, cruzamento) para gerar uma nova população otimizada.

A partir deste princípio, foram estruturados os processos de desenvolvimento das

fases A e B do constructo (delineadas na seção 3.3), conforme representado na
Figura 18.

Os desenvolvimentos dos ciclos “Gerar”, “Avaliar” e “Evoluir” estão descritos nas

seções 4.1, 4.2 e 4.3 deste trabalho, respectivamente.

Figura 18 - Processo de desenvolvimento do constructo E-BIM

Fonte: A autora (2020).

 56

4.1 Ciclo 1 - Gerar: design generativo

Baseado em algoritmos, o software Grasshopper tem por objetivo a geração de

modelos paramétricos para arquitetura, design e áreas correlatas, como descrito
na seção 2.1.2. Com uma linguagem de programação visual, o software é capaz de
implementar algoritmos generativos e fornece funções de entrada e saída de dados
para outros tipos de softwares, incluindo o sistema BIM (RMA, 2016).

Segundo Fischer e Herr (2001), um sistema generativo possibilita gerar conjuntos

ou populações de um projeto, a partir da combinação exaustiva de seus
parâmetros. A partir da geração de um grande número de alternativas para a
solução de um programa de projeto, a possibilidade de obtenção de bons projetos
é maximizada.

Segundo Stiny (1980), a Gramática da Forma é um sistema de geração de formas

baseado em algoritmos parametrizados (computacionais ou não), em um
vocabulário definido de formas geométricas e em um conjunto de regras de
transformações euclidianas (translação, divisão, rotação, reflexão e escala),
operadas nos locais definidos por marcadores. Assim, como descreve a seção
2.1.3, a Gramática da Forma é um método generativo de soluções formais.

Neste sentido, para o ciclo “Gerar” do desenvolvimento do constructo, foi elaborada

uma gramática da forma para o objeto da prova de conceito (seção 4.1.1), e, a partir
deste formalismo, foi desenvolvido um algoritmo paramétrico no Grasshopper
(seção 4.1.2), de maneira a gerar a população inicial do algoritmo evolucionário.
Desta população inicial retirou-se uma amostragem de indivíduos que, também de
forma generativa, formaram modelos paramétricos BIM – em arquivos IFC, para o
ciclo posterior “Avaliar” (seção 4.2). A Figura 19 representa essas subetapas.
 57

Figura 19 - Subetapas do ciclo GERAR do constructo E-BIM

Fonte: A autora (2020).

4.1.1 Gramática da Forma “Arquitetura Escolar”

O objeto de prova de conceito do constructo E-BIM foi definido como um objeto

arquitetônico de tipologia escolar, aqui denominado de “Arquitetura Escolar”.

Não obstante, muitas vezes, tratada como conceito de conhecimento comum, a

expressão “objeto arquitetônico” merece aqui uma breve revalidação: arquitetura
como objeto para atender às necessidades humanas e abrigar as nossas atividades
(NETTO, 2006).

Como mencionado no capítulo 1 deste trabalho, King (2017) quantifica a demanda

por infraestruturas em escalas globais e evidencia urgência por soluções escaláveis
na Construção Civil.

Com efeito, como prova de conceito deste constructo, poder-se-ia ter elegido um
objeto arquitetônico de diversas tipologias e, portanto, optou-se por determinar uma
tipologia escolar.
 58

A orientação a esta tipologia deveu-se a dois fatores: 1) experimentalmente, como

elemento de pesquisa, a tipologia escolar oferece mais complexidade em relação a
um programa arquitetônico habitacional, por exemplo, o que permitiria testar maior
alcance e aplicabilidades do constructo; 2) a questão social construtiva se relaciona
amplamente com outras tipologias arquitetônicas e de infraestrutura que emergem
da mesma problemática.

É importante lembrar aqui que, para as camadas mais carentes da população, que
vivem nas periferias das cidades, a escola é praticamente o único equipamento
público. Estas edificações se destacam por sua escala e arquitetura diferenciada
em contraste à vastidão das autoconstruções e conjuntos habitacionais ainda
massificados:

[...] um prédio bem construído, funcional, agradável ao convívio e de

melhor resultado plástico e espacial, poderá obter o reconhecimento
dessa população, isto é, despertar o sentido de pertinência e identidade
desses moradores com seu equipamento público, contribuindo para sua
preservação. Irá permitir, também, que as crianças utilizem esse espaço
e usufruam dessa referência de edifício, diferente daquele que habitam.
Num sentido mais amplo, ao construir o prédio destinado à educação,
considerando também questões sociais e ambientais, produz-se um
ganho social e contribui-se para a formação da cidadania (FDE, 2006a,
p.47).

Figura 20 - Escola Estadual Nova Cumbica (FDE)

Fonte: FDE (2006a).

 59

Nascimento (2012) coloca que o déficit educacional brasileiro levou à massificação

do ensino e, durante boa parte do século XX, conduziu à adoção de soluções
multiplicáveis, como os projetos-padrão e, posteriormente, a padronização de
ambientes escolares. Segundo o autor, este procedimento contribuiu para a
redução do potencial de inovação dos projetos, limitando a criação de novos
espaços.

A Fundação para o Desenvolvimento da Educação (FDE, 2006) apresenta uma

coletânea significativa de casos da arquitetura escolar pública paulista, e defende
que é possível obter diversidade e qualidade plástica e espacial a partir de
modulação e definições padronizados para o projeto.

A Gramática da Forma, elaborada para o sistema generativo do constructo E-BIM,

referenciou-se em parâmetros 1 dos programas de projeto da FDE, por considerar
que a Fundação tem alto reconhecimento de excelência em seus programas, sendo
premiada em diversas áreas: programas e projetos, informática, mobiliário, vídeos,
publicações e arquitetura. A Fundação conquistou pelo menos dezessete prêmios
e menções em seus projetos arquitetônicos escolares (FDE, 2019a; FDE, 2019b).

Figura 21 - Fluxograma escolas FDE – anos iniciais do ensino fundamental

Fonte: FDE (2019).

1
Programa de áreas conforme Anexo B e distribuição dos blocos conforme Figura 21.
 60

Desta maneira, a Arquitetura Escolar, objeto da prova de conceito do constructo,

contempla o programa distribuído em três blocos: pedagógico, administrativo e
vivência.

a) Bloco 1 (B1) – Pedagógico: salas de aula e de usos diversos;

b) Bloco 2 (B2) – Administrativo: salas de direção e administração;

c) Bloco 3 (B3) – Vivência: pátio, vestiário (e sanitário), refeitório (e conjunto de

serviços).

No vocabulário adotado para a Gramática da Forma, foram elaborados sete tipos

de módulos (“s”, “c”, “h”, “e”, “p”, “v”, “r”), conforme Figura 22, que correspondem
aos ambientes espaciais para atender o programa de arquitetura (Anexo B);
combinados conforme as regras e marcadores descritos a seguir, serão as
instâncias para o algoritmo generativo do ciclo “Gerar”.

Figura 22 - Módulos do vocabulário da Gramática da Forma

Fonte: A autora (2020).

Os módulos possuem funções e dimensões espaciais (x, y, z), conforme

demonstram a Figura 23 e o Quadro 2:
 61

Figura 23 - Dimensões espaciais dos módulos da Gramática da Forma

Fonte: A autora (2020).

Quadro 2 - Funções e dimensões dos módulos

AMBIENTE / DIMENSÃO x DIMENSÃO y DIMENSÃO z

MÓDULO
FUNÇÃO (metros) (metros) (metros)

s sala 6,0 8,5 3,5

circulação
c 2,5 8,5 3,5
horizontal

circulação
h 8,5 8,5 3,5
vertical

quadra
e 15,0 46,0 7,0
poliesportiva

p pátio 8,5 8,5 3,5

v vestiário 4,25 4,25 3,5

r refeitório 17,0 8,5 3,5

Fonte: A autora (2020).

Para cumprir o programa de áreas do programa de necessidades, as quantidades

e agrupamentos dos módulos seguiram a ordenação do Quadro 3:
 62

Quadro 3 - Quantidades e agrupamentos dos módulos

BLOCO QUANTIDADE MÓDULOS

10

B1

10

B2

B3

Fonte: A autora (2020).

Para combinar e operar os módulos demonstrados nas legendas da Figura 22 e

dos Quadros 2 e 3, foram criadas 12 regras que são classificadas entre obrigatórias,
condicionais e aleatórias. E para que os algoritmos possam operar tais regras,
localizam-se nos módulos os marcadores onde as operações ocorrem. A Figura 24
demonstra tipicamente esta ordenação:
 63

Figura 24 - Representação típica de módulo e ordenação de regras

Fonte: A autora (2020).

A seguir, são descritas as 12 regras da Gramática da Forma:

i. Regra 1
Classe: obrigatória
Módulos e Marcadores:

Operação: atrai e conecta

ii. Regra 2
Classe: aleatória
Módulos e Marcadores:

Operação: X espelha na aresta

 64

iii. Regra 3
Classe: aleatória
Módulos e Marcadores:

Operação: atrai e conecta , no eixo x ou no eixo y

iv. Regra 4
Classe: aleatória
Módulos e Marcadores:

Operação: gira 90º na aresta do eixo z

v. Regra 5
Classe: aleatória
Módulos e Marcadores:

Operação: gira 270º na aresta do eixo z

 65

vi. Regra 6
Classe: aleatória
Módulos e Marcadores:

Operação: atrai e conecta , no eixo z

vii. Regra 7
Classe: condicional
– Se ocorrer Regra 6, então haverá a Regra 7.1 ou 7.2 ou 7.3, onde:

– Regra 7.1
Módulos e Marcadores:

Operação: atrai e conecta

– Regra 7.2
Módulos e Marcadores:

Operação: atrai e conecta

 66

– Regra 7.3
Módulos e Marcadores:

Operação: atrai e conecta

viii. Regra 8
Classe: obrigatória
Módulos e Marcadores:

Operação: e atrai e conecta v

ix. Regra 9
Classe: obrigatória
Módulos e Marcadores:

Operação: v atrai e conecta v

v atrai e conecta p
 67

x. Regra 10
Classe: obrigatória
Módulos e Marcadores:

Operação: p atrai e conecta p

xi. Regra 11
Classe: obrigatória
Módulos e Marcadores:

Operação: r atrai e conecta p

xii. Regra 12
Classe: obrigatória, onde:
– Bloco 1 (B1) conecta Bloco 2 (B2) e Bloco 1 (B1) conecta Bloco 3 (B3)
ou,
– Bloco 1 (B1) conecta Bloco 2 (B2) e Bloco 2 (B2) conecta Bloco 3 (B3)

e se,
– coordenada z de B1 ≠ coordenada z de B2: operar também Regra 7
– coordenada z de B1 ≠ coordenada z de B3: operar também Regra 7
– coordenada z de B2 ≠ coordenada z de B3: operar também Regra 7

Os blocos descritos na Regra 12 dizem respeito aos agrupamentos do programa

de necessidades, conforme Figura 21 e Quadro 3.
 68

A partir das instâncias definidas nesta Gramática da Forma, foi implementado o

algoritmo paramétrico generativo no Grasshopper.

4.1.2 Algoritmo paramétrico generativo “Arquitetura Escolar”

Em continuidade ao ciclo “Gerar” do constructo, após a estruturação do sistema

generativo com a criação da Gramática da Forma (seção 4.1.1), foi implementado
o algoritmo no ambiente computacional Rhinoceros-Grasshopper. Esta e todas as
especificações de equipamentos e softwares utilizadas no experimento desta
pesquisa estão descritas no Apêndice A. Os softwares e hardwares utilizados pela
autora na pesquisa foram autopatrocinados, viabilizando a abrangência
multidisciplinar e cronograma do trabalho.

Conforme descrito na seção 2.1.2, com a integração dos dois softwares é possível
aplicar computacionalmente as regras de geração das formas de forma dinâmica e
interativa à visualização 3D.

Gramáticas paramétricas podem gerar uma população muito grande de

combinações de formas viáveis, permitindo a exploração de alternativas mais
complexas e até imprevisíveis. Métodos de design generativo são ferramentas
precisas, flexíveis e controláveis que permitem alterações com mais facilidade.

A interface de programação visual do Grasshopper permite que o desenvolvimento

do algoritmo seja visto como um fluxograma. Possui menus similares ao sistema
Windows e duas partes importantes na interface: guias de componentes e um
painel (canvas), conforme apresenta a Figura 25. As guias de componentes
fornecem os elementos necessários para programação do algoritmo ou da
geometria – sendo estes componentes nativos ou plug-ins instalados; o painel
(canvas) é o local de trabalho onde são carregados os componentes e estruturado
o algoritmo do design.
 69

Um algoritmo pode ser compreendido como uma rotina de tarefas em ordem:

recebe informações, processa dados e entrega resultado. A Figura 26 demonstra
um algoritmo generativo simplificado.

Figura 25 - Guias de componentes e painel (canvas) Grasshopper

Fonte: A autora (2020).

Para configurar um algoritmo de projeto, é necessário fornecer dados para diversos

componentes, conectá-los na ordem da tarefa que se deseja executa e obter o
resultado. Assim, um algoritmo generativo é composto de vários componentes com
conectividade lógica (KHABAZI, 2012).

Figura 26 - Organização de um algoritmo generativo no Grasshopper

Fonte: A autora (2020).

 70

Figura 27 - Algoritmo generativo completo e partes do desenvolvimento

Fonte: A autora (2020).

 71

O algoritmo foi desenvolvido em três partes: i) Gramática da Forma; ii) geração BIM
IFC; iii) algoritmo evolucionário; esquematizadas na Figura 27 nas cores verde, azul
e roxo, respectivamente.

Como indicado na Figura 27, o fluxograma completo do algoritmo é altamente

complexo e extenso 1. Por esta razão, as partes mais relevantes do
desenvolvimento serão demonstradas em 7 destaques, conforme ordena a Figura
28 a seguir.

Figura 28 - Destaques do algoritmo generativo

Fonte: A autora (2020).

– Destaque 1: formação geométrica dos ambientes (módulos)

Conforme ilustra a Figura 29, o algoritmo generativo é iniciado organizando-se os

módulos e as regras que irão operá-los. Cada denominação de módulo (ver Figura
22/Quadro 3) é um agrupamento (cluster) de funções do algoritmo. Os grupos de
funções aparecem como um único componente no espaço de trabalho do
Grasshopper.

1
A leitura impressa, mesmo em um formato estendido (A1, por exemplo), foi testada e não
apresentou legibilidade satisfatória.
 72

Figura 29 - Destaque 1 do algoritmo generativo

Fonte: A autora (2020).

Para permitir que o algoritmo funcione de forma otimizada, sem arquivo secundário
do Rhinoceros, os ambientes (módulos) foram modelados diretamente no
Grasshopper como “caixas”, através do componente “Box 2pt”, usando-se como
referência 2 pontos localizados nas extremidades da caixa (o ponto 0,0,0 e o ponto
com as coordenadas x, y e z correspondentes ao comprimento, largura e altura do
ambiente, conforme Quadro 3).

A Figura 30 apresenta o interior do cluster “Sala”, com a formação geométrica do

ambiente (módulo) definido na Gramática da Forma. O mesmo processo se repetiu
para os clusters “Circulação Horizontal”, “Circulação Vertical”, “Quadra”, “Pátio”,
“Vestiário” e “Refeitório”.

Para efeitos de visualização dos ambientes em 3D no Rhinoceros, um bloco de

componentes foi criado, distribuindo os ambientes de forma sequencial. Os
ambientes foram agrupados, componente “Merge”, e receberam uma cor, de
maneira a corresponder visualmente à legenda da Figura 22.
 73

Figura 30 - Interior do cluster “sala”

Fonte: A autora (2020).

Após configurações dos parâmetros iniciais (elementos da gramática), foram

desenvolvidas as simulações das regras da Gramática da Forma. Neste momento,
são organizados os agrupamentos das regras de acordo com a formação dos
blocos B1, B2 e B3, como determina o Quadro 3.

– Destaques 2 e 3: geração dos blocos B1 e B2

Os blocos B1 e B2 possuem parâmetros similares, exceto pelo número de

ambientes, logo, as informações relacionadas a B1 também atendem a B2.

O algoritmo é estruturado em um sistema de interações onde cada interação é

baseada em dois inputs: i) o resultado da interação anterior; e ii) um “Seed”
(geração) randômico. As interações estão agrupadas em clusters, sendo a primeira
interação diferente das demais, pois nela ocorre somente a execução da regra 1
(da Gramática da Forma), havendo a criação do módulo integrado “Sala +
Circulação Horizontal”. Nas próximas interações acontece o processamento das
regras 2 a 7, adicionando-se um novo módulo integrado ao módulo da interação
anterior. A regra a ser aplicada na criação desse novo módulo é baseada em um
valor randômico. Tais interações acontecem num total de 10 vezes para o grupo B1
 74

e de 5 vezes para o grupo B2, correspondendo à quantidade de módulos estipulada

para estes blocos no Quadro 3. As Figuras 31 e 32 representam estas formações
dos grupos B1 e B2, respectivamente:

Figura 31 - Destaque 2: interações B1

Fonte: A autora (2020).

 75

Figura 32 - Destaque 3: interações B2

Fonte: A autora (2020).

– Destaque 4: geração do bloco B3

A geração do bloco B3 também é baseada em interações e regras, entretanto, a

estruturação do código tem fundamentos diferentes a respeito de ordem de
influência umas nas outras. As regras que compõem este grupo (regras 8 a 12) são
hierarquicamente mais importantes do que as interações por serem todas
obrigatórias (assim como a regra 1). Aqui as interações têm a função de inserir
variáveis randômicas sobre a determinação das conexões entre os módulos.

Assim como nas interações, as regras ilustradas na Figura 33 também estão

organizadas em clusters.
 76

Figura 33 - Destaque 4: interações B3

Fonte: A autora (2020).

Durante o desenvolvimento do algoritmo foi observado que, mesmo ao seguir essas

regras, os ambientes (módulos) poderiam se colidir (sobrepor), ocupando algum
ponto espacial em comum, frustrando o processo generativo. Uma solução possível
para evitar esse erro seria a criação de diversas condicionais em que, por exemplo,
uma determinada regra seria invalidada no caso de ocorrer a sobreposição. Em
outras palavras: criação de subregras de lógica que condicionassem o algoritmo.
 77

Entretanto, ao se impor condicionais, o código tornava-se cada vez mais complexo

e lento, com grande ocorrência de falhas (bugs). A melhor estratégia, então, foi
permitir que os parâmetros gerassem milhares de combinações – válidas ou não,
integrando estas gerações a um mecanismo de filtragem de colisões. Assim, o
algoritmo funcionou gerando o máximo de combinações possíveis e descartando
as que não são desejáveis (outputs com colisões detectadas).

Desta forma, após as combinações geradas para os blocos B1, B2 e B3, foram
realizadas a simulação e a filtragem dos resultados parciais do algoritmo. Estes
processos foram executados com o recurso Galapagos (atualmente já nativo ao
plug-in Grasshopper).

Ilustrado pela Figura 34, o Galapagos é um solucionador algorítmico baseado em

critério similar ao critério evolutivo, em que uma população de soluções candidatas
é mantida e novas soluções são geradas aleatoriamente por mutação ou
recombinação de variantes na população existente. Ciclicamente, a população
gerada é cortada pela aplicação de um critério de seleção (uma função de
adequação – fitness), permitindo que apenas os melhores candidatos sobrevivam
na próxima geração. Iterando ao longo de muitas gerações, a qualidade média das
soluções aumenta gradualmente.

Neste caso, a função de adequação desejada (fitness) foi relacionada ao número

de colisões. O recurso “Solver” do Galapagos buscou as soluções de composição
volumétrica que retornavam esse valor de colisões igual a zero.
 78

Figura 34 - Solucionador algorítmico Galapagos

Fonte: A autora (2020).

As Figuras 35 e 36 são capturas ilustrativas do processo de formação volumétrica

dos indivíduos aptos, na integração Galapagos, Grasshopper e Rhinoceros.

Figura 35 - Geração de indivíduos aptos

Fonte: A autora (2020).

 79

Figura 36 - Integração Galapagos, Grasshopper e Rhinoceros

Fonte: A autora (2020).

– Destaque 5: filtragem e armazenagem dos indivíduos aptos

Cada solução sem colisão encontrada pelo Galapagos é então denominada

“indivíduo apto da população”. Após esta busca, foi incluído um processo de
filtragem e armazenagem dos indivíduos aptos, com seus respectivos “códigos
genéticos” 1.

Esse destaque 5 do algoritmo generativo, representado na Figura 37, trata de um

conjunto de processos que encerra a parte (i) do algoritmo, que, por sua vez
implementa a codificação da Gramática da Forma.

Como discorrido até aqui, a combinação das regras da Gramática da Forma com
instrumentos de condicionamento de soluções válidas, em um processamento
computacional atual, é capaz de gerar um número vasto de soluções formais para
uma mesma proposição.

Neste projeto não foi estipulado um processo automático de parada de

processamento do algoritmo. Nas simulações de testagem do algoritmo observou-

1
Na seção 4.3 o conceito de “código genético” será retomado contextualmente.
 80

se que é possível a coleta de uma quantidade mínima de soluções mesmo em um

pequeno espaço de tempo.

Assim, “tempo” foi o critério de parada definido para coleta de resultados de

implementação desta fase do algoritmo generativo. O experimento foi processado
durante precisamente 12 horas, com o computador totalmente dedicado à tarefa.
As especificações do equipamento utilizado estão descritas no Apêndice A. Nestas
condições, portanto, foram coletadas soluções válidas criadas generativamente
pelo algoritmo.

Número de soluções válidas coletadas em 12 horas de processamento: 8.574.

Desta população, baseado em processo de seleção aleatória randômica, foi
retirada uma amostragem de 100 indivíduos que alimentaram as partes
subsequentes do experimento.

Figura 37 - Destaque 5: filtragem e coleta da amostragem

Fonte: A autora (2020).

A galeria da Figura 38 apresenta, esquematicamente, 98 (de 100) indivíduos da

amostragem da população, que podem ser melhor examinados no Apêndice B.
Cada indivíduo recebeu um nome denominado “TAG n”, onde n é sua numeração
na população. Conforme padrão do Grasshopper, a numeração começa em zero.
Logo, os indivíduos foram nomeados TAG0 a TAG99.
 81

Figura 38 - Amostragem de indivíduos da população

Fonte: A autora (2020).

 82

4.1.3 Modelagem BIM IFC

– Destaque 6: modelagem BIM IFC generativa

Como abordado na seção 2.1.1 deste trabalho, em termos de eficiência no fluxo do

projeto, a introdução da tecnologia BIM permitiu a modelagem da realidade virtual
da construção e a extração de todas as informações de projeto, desenhos e
representações, a qualquer momento, além de apoiar todas as partes envolvidas
nos processos de projeto e construção.

Entretanto, mesmo que o BIM seja definido como uma abordagem poderosa para
o processo de projeto, ainda não é capaz de otimizar a questão de tarefas
repetitivas, muitas vezes lentas, sobretudo em produção de geometrias mais
complexas ou de grandes áreas.

Neste sentido, a abordagem do Design Generativo permite que projetistas sejam

liberados do processo de modelagem, uma vez que o algoritmo projetado é que irá
gerar as várias soluções de projeto. No entanto, esse método fornece, geral e
prioritariamente, entidades geométricas simples, sem informações semânticas da
construção, insuficientes a potencialidades do BIM.

Por sua vez, sistemas de avaliação automatizada de projetos, como colocado na

seção 2.2, demandam que os modelos submetidos a este tipo de avaliação
possuam semântica paramétrica.

Se a proposição deste constructo prevê que no ciclo “Avaliar” haja uma análise
automatizada dos indivíduos gerados, torna-se imprescindível, portanto, que a
amostragem destes indivíduos não possua informações restritas à geometria da
solução. Como visto até aqui, na parte (i) do algoritmo generativo, as soluções
geradas são constituídas basicamente pela associação dos módulos dos
ambientes, como apresentado na Figura 38.
 83

Para tanto, para equacionar a necessidade de que a amostragem da população

fosse de modelos paramétricos semânticos, foi desenvolvida a parte (ii) do
algoritmo generativo, orientada à formação generativa dos modelos BIM IFC. Esta
parte diz respeito ao destaque 6 do algoritmo, ilustrado na Figura 39 a seguir.

Figura 39 - Destaque 6: modelagem BIM IFC generativa

Fonte: A autora (2020).

Visto que o objetivo da geração de modelos paramétricos será a avaliação

automatizada da amostragem da população (seção 4.2), é fundamental considerar
que o software que fará este processamento demanda uma modelagem preparada
para o sistema neutro de arquivos IFC 1.

1
Ver seção 2.1.1, parágrafos 9 e 10.
 84

Embora o Rhino-Grasshopper contenha recursos à geração de modelos BIM IFC,

a saída e a visualização destes arquivos se mostram mais eficientes quando
integradas a um software de modelagem BIM. Para esta pesquisa, foi especificado
o software Archicad (Apêndice A) para cumprir esta integração. A comunicação
entre estes sistemas ocorre através do plug-in “Grasshopper-Archicad Live
Connection”.

O objeto da prova de conceito deste constructo prevê a geração, avaliação e

evolução de um objeto arquitetônico para a fase de projeto denominada “Early
Concept Design”, conceitualmente equivalente à fase de “Estudo Preliminar” de um
projeto. A justificativa para esta escolha de fase é dada na seção 4.2 deste texto.

O CAU/BR (2014) define “Estudo Preliminar” como a “etapa de projeto destinada à

concepção e à representação do conjunto de informações técnicas iniciais e
aproximadas, necessários à compreensão da configuração da edificação, podendo
incluir soluções alternativas.”

Isto posto, os elementos de modelagem paramétrica que constam nos modelos BIM
IFC gerados foram definidos de maneira a cumprirem suficientemente o escopo
formal de um Estudo Preliminar, sem a pretensão de tornarem-se Projetos
Executivos. O Quadro 4 apresenta os elementos definidos para a modelagem
generativa:

Quadro 4 - Elementos de modelagem Grasshopper-Archicad

Elemento Descrição
Beam Gera elementos ao longo de uma ou mais linhas, polilinhas ou curvas
(viga) abertas ou fechadas. Essas curvas podem estar no espaço 3D.
Requer dois pontos como parâmetros de entrada e gera pilares ao
Column
longo dos segmentos definidos (que servem como eixos do
(pilar)
elemento).
Determinados elementos de modelagem não estão disponíveis no
Object
integrador Archicad-Grasshopper, como o elemento Escada. Nestas
(objeto /
situações estes componentes recebem inputs do Archicad como
escada)
elementos do tipo “objetos da biblioteca”. Requerem, então, um único
 85

parâmetro de entrada: ponto de ancoragem. O tipo de peça da

biblioteca padrão depende do que é definido nas configurações
padrão do objeto.
O parâmetro de entrada necessário é um ou mais polígonos fechados
Slab definidos pela superfície plana dos dados do tipo curva. Como o
(laje) Archicad pode interpretar apenas lajes horizontais, os polígonos de
entrada devem estar no plano XY ou paralelo.
Gera elementos com base em uma ou mais linhas, polilinhas ou
Wall
curvas abertas ou fechadas. As geometrias de entrada devem estar
(parede)
no plano XY ou paralelo.
Window / Ambos os elementos só podem ser colocados em paredes geradas.
Door Portanto, os componentes “janela e porta” requerem uma entrada do
(janela / porta) tipo Parede e pontos de orientação.
Gera unidades espaciais para representar os ambientes do projeto
Zone (salas, circulação,...) e forma a base do processo de revisão do
(zona) modelo. Requer duas entradas: curva que determina a forma da
zona, e o ponto de localização do selo de identificação da zona.
Fonte: A autora (2020).

A correspondência de um indivíduo gerado no Rhino-Grasshopper versus Archicad

é apresentada na Figura 40; e na Figura 41 vê-se um modelo BIM IFC com todos
os elementos listados no Quadro 4.

Figura 40 - Modelagem generativa Rhino-Grasshopper e Archicad

Fonte: A autora (2020).

 86

Figura 41 - Modelo BIM IFC generativo

Fonte: A autora (2020).

A partir da galeria de imagens da Figura 42, e no Apêndice C, é possível verificar

como este processo foi aplicado aos mesmos 100 indivíduos da amostragem da
população e que seguirão para os ciclos “Avaliar” e “Evoluir” do constructo.

Nesta parte do algoritmo, portanto, o Grasshopper foi utilizado como um editor de

relacionamentos lógicos que definiram o modelo paramétrico. Por meio do
algoritmo, foi possível estabelecer um conjunto de operações em sequência que
viabilizaram o processo generativo de modelagem BIM IFC. Com a utilização do
plug-in Grasshopper-ARCHICAD Live Connection, essa integração ocorreu sem
troca de arquivos, tendo sido gerados de forma programada.

Cada geração de modelo BIM (um indivíduo da população) demandou o tempo

médio aproximado de 13 minutos, entre abertura dos softwares, carregamento do
arquivo do algoritmo generativo e processamento completo da modelagem no
Archicad. Após a conclusão de geração de cada indivíduo, um arquivo IFC2x3 era
salvo manualmente, utilizando-se o tradutor nativo “Exportação Geral” 1. Já a
exportação para o software SMC ocorreu de forma automática através do conector
“Archicad-Solibri”.

1
Tradutor IFC: define as regras para as quais os elementos devem ser convertidos e como devem
ser interpretados – seja no ARCHICAD ou no aplicativo que lê o arquivo IFC. Exportar para fins
gerais: exporta tantos elementos paramétricos com todas as propriedades e classificações.
 87

Figura 42 - Modelagem BIM IFC generativa da amostragem da população

Fonte: A autora (2020).

 88

4.2 Ciclo 2 - Avaliar: Verificação automatizada de regras

Em um processo computacional evolucionário, após a geração da população inicial

de indivíduos, a aptidão de cada indivíduo é avaliada para selecionar quem
participará da geração de novos indivíduos nas gerações seguintes, promovendo a
evolução daquela solução. A Figura 43 esquematiza como ocorre o ciclo “Avaliar”
do constructo.

Figura 43 - Subetapas do ciclo AVALIAR do constructo E-BIM

Fonte: A autora (2020).

Processos de avaliação são frequentemente realizados por softwares de análise

dedicados, que podem demandar minutos, ou até horas, para avaliar as soluções
da população inicial. A avaliação envolve o uso de funções (fitness) para atribuir
pontuações de aptidão às soluções iniciais. Essas funções podem ter objetivos
únicos ou múltiplos, podem ser unimodais ou multimodais, contínuos ou
descontínuos, estáticas ou em constante mudança. Algoritmos genéticos são
hábeis em encontrar boas soluções para todos esses tipos de funções, mas, muitas
vezes, são necessárias técnicas especializadas nestes cálculos. Essa avaliação de
adequação também pode ser determinada pela competição entre as soluções.
Assim, classificações por pontuações (escores) também são comumente
consideradas como avaliação para critérios multiobjetivos (BENTLEY, 1999).
 89

Entretanto, problemas de aptidão e otimização relacionados a projetos de

arquitetura e engenharia são complexos e definidos por muitos objetivos diferentes,
nem sempre expressos em funções matemáticas aplicáveis em algoritmos ou
diretamente relacionáveis somente aos parâmetros geométricos gerados em um
processo de design generativo.

Novos critérios surgem continuamente na arquitetura, desde os códigos

de construção e segurança, até as técnicas de fabricação e montagem.
Até recentemente, os únicos meios de lidar com esse complexo e
crescente corpo de conhecimento eram a cognição humana e os
processos de revisão organizacional. Alguns critérios envolvem análises
computadorizadas (por exemplo, estruturas), mas, ainda assim, os
detalhes dos fatores de segurança e a interpretação dos resultados têm
sido um empreendimento manual e centrado nas pessoas. Embora
algumas regras possam ser incorporadas em sistemas de geração de
projeto paramétrico, a verificação automatizada de regras de projetos
candidatos é apropriada quando as regras:
1. Aplicar em diferentes edifícios e sistemas espaciais, porque os objetos
e regras de geração não podem ser definidos de antemão. As
configurações espaciais são um exemplo.
2. São aqueles de agências públicas, organizações ou clientes que
precisam revisar projetos que são gerados por um conjunto aberto de
ferramentas de projeto.
3. Onde as condições sendo avaliadas são globais, tais como regras
associadas à segurança, integridade estrutural, uso de energia e custos
(EASTMAN et al., 2009a, p.1012).

Abordado na seção 2.2 deste trabalho, o software SMC tem como objetivo
promover a qualidade BIM, através de controle de integridade, controle de
conformidade, análise de projeto e verificação de código por meio de processos de
validação de interferência, espaços de circulação, segurança, códigos de
construção e controle de quantitativos. Com mais de 50 modelos de conjuntos de
regras nativas do software, os usuários podem definir regras parametrizadas para
verificar seus projetos de construção. O sistema de análise baseado em regras
consiste em filtragem, regras de classificação e regras de severidade. Para tal, o
SMC possui um algoritmo interno que identifica e classifica a severidade dos
conflitos entre: Críticas, Moderadas e Leves (LEE et al., 2015).
 90

Bell et. al. (2009) abordam que a verificação automatizada de projetos, entretanto,
é muito mais frequente na versão de um projeto completo. Entretanto, na visão dos
autores, esta prática pode levar a um retrabalho caro, caso o projeto falhe na
verificação. Segundo os autores, em vez de esperar que modelos BIM completos
sejam submetidos à verificação, poderia-se utilizar todo o potencial do processo
BIM, fazendo verificações mais cedo, quando informações relevantes estiverem
disponíveis a alterações conceituais.

Também sob a visão da aplicabilidade das ferramentas computacionais para

avaliação e otimização de performances do projeto, Eastman (2009b) afirma que
o conceito inicial do projeto (Early Concept Design) é extremamente importante
para determinar o eventual sucesso e impacto de um projeto. Para o pesquisador,
– conhecido como “o pai do BIM” 1, o projeto conceitual (ou Estudo Preliminar) ainda
tem sido um exercício amplamente mental de gerar vários conceitos espaciais e
avaliá-los intuitivamente, com base no conhecimento e na experiência acumulada
do arquiteto, como pouca assistência computacional ou lógica, nesta fase. Assim,
para o pesquisador, embora a importância do Estudo Preliminar de um projeto seja
reconhecida há muito tempo, as ferramentas digitais para apoiar esse estágio do
processo de projeto ainda são escassas ou insuficientes.

Portanto, o BIM também pode ser uma ferramenta poderosa quando se têm
requisitos programáticos complexos em andamento. Eastman (2019b) descreve,
por exemplo, que sua equipe (do Laboratório de Integração AEC da Faculdade de
Arquitetura do Instituto de Tecnologia da Geórgia, contratada pela Administração
Geral de Serviços dos EUA - GSA) foi contratada para automatizar e analisar as
diretrizes de projetos para todos os tribunais dos Estados Unidos. O objetivo era
que os estudos preliminares dos arquitetos pudessem ser avaliados e verificados
automaticamente de acordo com critérios específicos. O US Courts Design Guide
possui muitos critérios relacionados à circulação, segurança e eficiência, e, assim,
dentre os requisitos mínimos a serem atendidos nesta fase de concepção dos

1
“O pai do BIM”: ver página 33 e em acesso livre disponível em <https://www.rib-international.com/
en/company/ blog/if-bims-a-mystery-heres-the-history/>. Acesso em 19 maio 2020.
 91

projetos, estão o requisito “Análise de Circulação da Planta” e “Análise Preliminar

de Energia”. A Figura 44 ilustra a estratégia de validação de projetos no GSA.

Figura 44 - Early Concept Design Validation

Fonte: Georgia Institute of Technology - Eastman (2009b).

Para que as soluções de projeto do GSA sejam então analisadas, os softwares BIM
devem proceder com a exportação de arquivos no formato neutro IFC e então lidos
em APIs que trabalham em conjunto com o SMC.

4.2.1 Ruleset: “Análise do projeto conceitual”

Em analogia ao método de avaliação de projetos do GSA abordado na seção

anterior, definiu-se, portanto, que as soluções geradas na população inicial fossem
analisadas por regras de verificação no software SMC. A Figura 45 apresenta a
estrutura de adaptação das estratégias de avaliação para o contexto desta
pesquisa, criadas em um padrão denominado Ruleset: “Análise do Projeto
Conceitual”, estruturada em três camadas: 1) Validação das circulações; 2)
Validação do conforto ambiental; e 3) Validação de avaliações econômicas.
 92

No SMC, um “ruleset” é um conjunto de regras em uma unidade funcional definida

pelo usuário. Um conjunto de regras contém informações sobre: Regras do
conjunto; Ordem das regras e possíveis subconjuntos de regras; Valores de
parâmetros usados para as regras.

Figura 45 - Estrutura para o ruleset: Análise do Projeto Conceitual

Fonte: Adaptado de Georgia Institute of Technology - Eastman (2009b).

Na sequência, foram então definidos os parâmetros de avaliação que

fundamentariam a criação do ruleset.

A seção 4.1.1 deste trabalho aborda a tipologia proposta para o objeto arquitetônico
da prova de conceito do constructo (arquitetura escolar padrão FDE). Diante àquela
reflexão, esclarece-se que a função formal e a estética de uma edificação são
fundamentais à boa arquitetura escolar. Entretanto, é essencial lembrar também
que a racionalidade e a viabilidade econômica são uma realidade determinante no
que diz respeito ao investimento público. Muitas vezes, terrenos para a implantação
de projetos são altamente restritivos e com características nada padronizadas.
Neste âmbito, a possibilidade da variabilidade tipológica de uma edificação deve
ser considerada tanto como instrumento da valorização arquitetônica quanto da
otimização do investimento de recursos.
 93

Os critérios para estas avaliações procederam de estudos técnico-científicos

existentes quanto à qualidade e à economicidade do objeto arquitetônico, a saber:

– Critérios de qualidade do projeto

Pereira et al. (2018) apresentam em artigo um método de análise de projetos

arquitetônicos escolares utilizando parâmetros de projeto, projetos de referência e
comparações para o contexto brasileiro como embasamento teórico. No estudo,
parâmetros de projeto foram selecionados, especificamente para a Fundação para
o Desenvolvimento da Educação (FDE), responsável por gerenciar mais de 5000
escolas públicas do Estado de São Paulo, Brasil. Segundo os autores, o método
contém uma estrutura de análise de projeto baseada nos parâmetros de projeto e
em comparações entre os projetos precedentes e as soluções locais de projeto. É
uma ferramenta de apoio ao processo de projeto para vários contextos, para
inspirar uma arquitetura escolar de qualidade e com o aprendizado como foco
principal. Embora ressaltem que a descrição do procedimento não é um método
passo a passo, afirmam que há uma indicação ou recomendação de como proceder
em uma análise de proposta de projeto usando requisitos e recomendações
precedentes, conforme relaciona o Anexo C.

Destas recomendações, foram adotados os seguintes referenciais:

a) Os fluxos de circulação devem evitar becos sem saídas;

b) Os fluxos de circulação devem permitir fluxo em dois sentidos, sem obstáculos
e evitar becos sem saídas;
c) Comprimento de rota de fuga da sala deve ser de até 40 m;
d) A distância de conforto de qualquer espaço às escadas deve ser até 25 m;
e) Entradas de ventilação e iluminação devem ter afastamento mínimo de 3 m de
outras paredes;
f) Ambientes podem ser iluminados e ventilados indiretamente por fossos de
iluminação com diâmetro mínimo de 6 m;
g) Áreas de ventilação e iluminação, em relação à área do piso, devem ter mínimos
e máximos, respectivamente:
 94

– Salas: 20% e 30%;.

– Vestiário:10% e 30%;
– Refeitório: 10% e 20%.

– Critérios de economicidade do projeto

Diferentes opções de solução de um programa de arquitetura produzem resultados

imediatos formais e circunstanciais. Logan (1987) exemplifica como os critérios e
consequências estão atrelados em um projeto: “se aumentamos o tamanho de uma
janela, podemos captar mais luz e obter uma melhor vista; mas também haverá
uma troca maior de calor e maiores problemas de privacidade” (apud FURTADO
SILVA e MACIEL FURTADO SILVA, 2020).

Mascaró (2006) afirma que arquitetos são impossibilitados de controlar

economicamente cada uma das decisões do projeto porque desconhecem não
apenas sua influência no custo total, mas também suas inter-relações. Ao
pesquisador, parece que, no caso do desempenho de custos, os arquitetos ainda
necessitam de um projeto completo ou de um anteprojeto detalhado para avaliarem
o impacto econômico do projeto. E, na maioria dos casos, quando pretende-se
diminuir o custo verificado o caminho se dá através da diminuição da qualidade
através da escolha de materiais e do tipo de execução, e, raras vezes, por meio da
apropriação da forma da edificação. Em seu trabalho, o autor demonstra como cada
vez que o arquiteto define uma forma arquitetônica, está determinando uma variável
direta do custo de uma edificação: altura, forma da planta, relação comprimento-
largura-altura do edifício, tamanho das circulações verticais e horizontais são
decisões que definem os coeficientes de economia do projeto. A Figura 46
apresenta os preceitos que refletem nesses coeficientes.

Os critérios de avaliação econômica a serem adotados neste estudo são

referenciados, portanto, no profundo estudo de Mascaró (2006), que analisa as
relações entre a forma e a economicidade do projeto:
 95

Figura 46 - Leis relativas à economia do projeto

Fonte: adaptado de Mascaró (2006).

a) Coeficiente de compacidade (CP): relação percentual que existe entre o

perímetro de um círculo de igual área do projeto e o perímetro das paredes
exteriores do projeto. Matematicamente, o índice máximo de compacidade do
círculo é 100% e o do quadrado é 88,6%, e dificilmente os projetos se aproximam
dele. Mas, quanto mais este índice é maximizado para se aproximar de 88,6%
tanto melhor será o desempenho da solução formal em relação à compacidade.
b) Coeficiente de circulação (CR): um contrassenso pouco conhecido é que áreas
de circulações têm custo de 20% a 30% superior em relação ao custo das áreas
principais de edifício. A melhor estratégia para minimizar a área de uma
circulação não é diminuir as larguras das circulações, mas encurtá-las. Uma
possível forma de analisar a eficiência de área de circulação em um projeto com
programa e parâmetros já definidos é avaliar a relação desta área e do seu
comprimento total. Assim, espera-se que estas relações sejam inferiores a 25%.
c) Coeficiente de densidade de alvenarias (DS): relação entre a área de projeção
das paredes e a área líquida ocupada. Da análise deste índice é possível verificar
se a compartimentação do projeto foi feita de forma racional e eficiente. Quanto
menor a densidade de paredes, maior a área útil do pavimento. Espera-se que
este coeficiente seja inferior a 16%.
d) Coeficiente de fachada (FC): dos custos totais de um edifício, as fachadas
constituem, em média, 15% a 20% do custo total do edifício. Para a
economicidade da solução é importante obter o máximo de aproveitamento
destas fachadas. Importante lembrar que arestas nas fachadas têm também seu
 96

custo a ser considerado: acréscimo de 0,5m por aresta. A avaliação do

coeficiente pode então ser feita pela relação entre a área da fachada e a área
líquida ocupada, objetivando-se que não ultrapasse 65%.

Diante dos critérios de avaliação estabelecidos, têm-se a Figura 47, que sintetiza
os parâmetros para criação do Ruleset: “Análise do Projeto Conceitual”.

Figura 47 - Parâmetros para o ruleset: “Análise do Projeto Conceitual”

Fonte: A autora (2020).

De acordo com Andrade e Silva (2017), o SMC contém templates de regras que
podem ser combinados e/ou customizados, para um objetivo de análise que se
pretende executar. A nomenclatura destas regras segue o padrão “SOL n”, em que
se trata de um número, não sequencial, para indexar a regra. Estes templates estão
referenciados no Anexo D, e foram utilizados na criação do ruleset, conforme
 97

mostra a Figura 48, relacionando os aspectos definidos para a validação (Figura

47) com os templates das regras.

Figura 48 - Ruleset: “Análise do Projeto Conceitual”

Fonte: A autora (2020).

Além de rulesets, o SMC também oferece o recurso de geração e personalização

de relatórios do tipo Information Takeoff (ITO), que permite ao usuário analisar as
informações dos componentes de um modelo tanto na visualização 3D quanto na
forma de um relatório, que pode ser exportado para uma planilha customizada do
Microsoft Excel. Essas informações incluem identificadores e classificações, locais,
quantidades que podem ser totalizadas agrupando componentes juntos, bem como
quaisquer valores de propriedade que estão dentro de um conjunto de
propriedades. Para o incremento de dados de análise, o recurso ITO também foi
atribuído ao processo de avaliação, na camada “Validação de avaliações
econômicas”.
 98

A Figura 49 apresenta a interface do SMC com um indivíduo (solução de projeto)

em análise. É válido lembrar que os softwares de modelagem Archicad e SMC
podem trabalhar com uma API de integração. Assim, ao se gerar os modelos BIM
IFC no Archicad, estes foram abertos automaticamente no SMC, onde então as
regras e o ITO foram executados para cada um dos 100 indivíduos da amostragem.
Foram pré-configurados 5 tipos de relatórios, dos quais foram extraídas as
informações do tipo ITO e as ocorrências verificadas pelas regras do ruleset criado.
O Apêndice D contém um tipo de cada relatório extraído do SMC.

Assim, após a análise automatizada da população de amostragem, todos os

resultados obtidos nos relatórios do SMC foram compilados em uma matriz única,
para fins de classificação dos indivíduos mais aptos a seguirem para o processo
evolutivo do ciclo "Evoluir”. Como visto anteriormente, as ocorrências verificadas
pelo SMC são automaticamente classificadas, podendo ser do tipo Críticas,
Moderadas ou Leves. Para efeitos de totalização das ocorrências deste
experimento, foram calculadas as médias ponderadas das ocorrências Críticas,
Moderadas e Leves, aplicando-se pesos, de 1,0, 0,5 e 0,25, respectivamente. A
Tabela 1 apresenta esta matriz de compilação dos resultados:

Figura 49 - Interface do SMC com um indivíduo em análise

Fonte: A autora (2020).

 99

Tabela 1 - Matriz de indicadores de desempenho ciclo AVALIAR

 100

Fonte: A autora (2020).

 101

4.3 Ciclo 3 - Evoluir: otimização por algoritmo evolucionário

Como visto na seção 2.4 deste trabalho, algoritmos baseados em metaheurísticas

são a estratégia dominante para resolver problemas de otimização em projetos
generativos, pois funcionam através da amostragem direta do espaço de busca e
se mostraram muito eficazes em evitar condições de ótimo local e espaços
descontínuos de aprendizagem. Conforme fundamentam as seções 2.4 e 2.4.1
deste trabalho, os Algoritmos Genéticos demonstram ser apropriados a problemas
de otimização de design, como o desta pesquisa.

Então, definido o espaço de busca de otimização do design (seção 4.1) e

estabelecidas as métricas para avaliá-lo (seção 4.2), a pesquisa tornou-se apta a
receber o incremento do algoritmo de otimização, para exploração das soluções de
alto desempenho, conforme propõe a ideia do Design Evolucionário (seção 2.5).

Assim, no ciclo “Evoluir”, conforme esquematiza a Figura 50, é então

implementando o algoritmo evolucionário genético, otimizando a qualidade do
processo generativo, em que as novas gerações de populações de soluções
contenham características superiores, ou computacionalmente evoluídas, em
relação à geração inicial do design generativo, conforme os indicadores
estabelecidos.

Figura 50 - Subetapas do ciclo EVOLUIR do constructo E-BIM

Fonte: A autora (2020).

 102

O software Grasshopper, utilizado para o design generativo da população inicial,

oferece um componente evolutivo denominado Galapagos, que propõe simplificar
a implementação dos algoritmos evolucionários, pois o script algorítmico faz parte
da sua estrutura interna, não sendo necessário ao usuário programar o algoritmo.
Entretanto, mesmo oferecendo algumas opções de configurações que possibilitam
certa flexibilidade na modelagem do algoritmo evolucionário, o componente
apresenta limitações, conforme descreve seu desenvolvedor:

O Galapagos ainda é um produto muito jovem e realmente não teve tempo

de se posicionar firmemente em qualquer fluxo de trabalho. Parece ser
capaz de resolver problemas relativamente pequenos rapidamente, mas
certamente precisa de muito trabalho para torná-lo mais robusto e
utilizável. É provável que as aplicações mais eficazes para um
solucionador desse tipo e capacidade sejam problemas pequenos ou
parciais. Tentar evoluir qualquer coisa complicada quase certamente
resultará em frustração (RUTTEN, 2010, s.p.).

Nagy (2017c) descreve que a partir da versão 5 o Rhino-Grasshopper possui a

linguagem de programação Python incorporada a ele. Além de executar qualquer
código Python padrão, ele também pode se comunicar com a interface Rhino-
Grasshopper e trabalhar com geometria usando um conjunto de bibliotecas Python.
A interface é feita através de um “nó Python” no Grasshopper, que permite
incorporar código aos seus modelos. O código gravado nesses nós usa as mesmas
bibliotecas para manipular geometria e executar várias tarefas de modelagem e é
capaz de se comunicar com os ambientes Rhino-Grasshopper. Esta aplicabilidade
permite misturar e combinar o código com os nós tradicionais do Grasshopper.
Assim, não há exigência em desenvolver todo o modelo apenas através do código
começando com um arquivo de texto em branco, e, em vez disso, pode-se
desenvolver a maior parte do modelo usando nós do Grasshopper e usar apenas
nós Python para executar tarefas mais complexas que são difíceis ou impossíveis
no Grasshopper padrão.

Embora não seja necessário trabalhar totalmente em linguagem de programação

neste caso, para muitos autores, a linguagem Python é relativamente simples de
ser incorporada e, portanto, bem assimilável também para stakeholders do setor
 103

AEC. Essa popularidade pôde ser atribuída ao Python pela: (I) sintaxe
relativamente simples, com foco na simplicidade, clareza e legibilidade, o que torna
menos complicado aprender e escrever; (ii) extensibilidade através de uma grande
coleção de bibliotecas externas; e (iii) comunidade de suporte de usuários ativos.
(NAGY, 2017c).

4.3.1 Algoritmo genético “Otimizar coeficientes do projeto”

– Destaque 7: implementação do algoritmo genético no design generativo

Diante a este contexto, a implementação do algoritmo evolucionário ocorreu em

dois momentos: na “Fase A”, com o desenvolvimento de um script Python, e na
“Fase B - ciclo “Evoluir”, com a inserção no fluxo do algoritmo generativo. A Figura
51 representa o destaque 7 do algoritmo generativo, localizando essa
implementação do algoritmo genético.

Figura 51 - Destaque 7: Implementação do algoritmo genético

Fonte: A autora (2020).

A codificação de um AG em Python, ou demais linguagens, pode partir de uma

estrutura existente, conforme demonstra o Anexo E, ou ser totalmente reescrita.
Pelas caraterísticas do componente GHPython foi necessário construir o AG em
 104

componentes separados e criar um mecanismo de comunicação e manipulação de

arquivos de registros em um diretório específico.

Os genes, com os quais trabalha um AG, são compreendidos como entidades que
correspondem às variáveis do problema em estudo. Ao aplicar um algoritmo
genético, é importante entender que todas as operações de otimização acontecem
no nível do genótipo, enquanto a seleção é baseada no desempenho real em um
determinado ambiente, ou seja, no nível do fenótipo. Os conceitos relacionados ao
mapeamento genótipo-fenótipo estão abordados na seção 2.4.1 deste trabalho.

Conforme Duarte et al. (2013), ao aplicar um algoritmo genético, certos elementos

devem ser considerados:

– O fenótipo deve ser especificado, ou seja, as soluções permitidas para o

problema devem ser definidas pela especificação e enumeração de um espaço
de busca;
– O genótipo (ou codificação das soluções permitidas) deve ser definido;
– A função de aptidão deve ser criada, a fim de permitir a avaliação de possíveis
soluções do problema para o AG.

Tendo sido o campo de busca dos fenótipos definido na seção 4.2 desta pesquisa
(Figura 38), ciclo “Avaliar”, o passo seguinte foi definir uma representação
adequada para o mapeamento genótipo-fenótipo correspondente.

Na seção 4.1.2 foi visto que cada solução possível gerada para a arquitetura
escolar – objeto da prova de conceito – foi tratada como um indivíduo de uma
população. Nos destaques 2, 3 e 4 do algoritmo generativo (figuras 31, 32 e 33,
respectivamente), tem-se 29 interações possíveis, através dos inputs dos
componentes “seed” do Grasshopper. A Figura 52, a seguir, recapitula esse
componente que é alimentado por um domínio de números naturais.
 105

Figura 52 - Componente “seed”: input de interação das regras

Fonte: A autora (2020).

É visto que no algoritmo generativo, para o atendimento às regras da Gramática da

Forma, cada indivíduo válido possui uma sequência de caracteres numéricos,
denominada string. Como tratado na seção 2.4.1 deste texto, para efeitos de
mapeamento genótipo-fenótipo, pode-se comparar esta string aos códigos
cromossômicos, ou DNA, de um indivíduo.

O Quadro 5 apresenta os domínios de inputs por posições que compõem a string

do DNA de cada indivíduo. As iterações dizem respeito às entradas do algoritmo
para composição da Gramática da Forma dos blocos B1 a B3 (seção 4.1.1) e das
conexões entre estes blocos. O domínio de cada posição da string é formado por
números naturais definidos em cada “seed” do algoritmo, variando conforme a
estruturação da regra dentro de cada cluster.

Quadro 5 - Domínios de composição dos DNAs

Interações Posições Domínio

1 N={0, 1, ..., 9}
2 N={0, 1, ..., 9}
3 N={0, 1, ..., 9}
4 N={0, 1, ..., 9}
B1 5 N={0, 1, ..., 9}
6 N={0, 1, ..., 9}
7 N={0, 1, ..., 9}
8 N={0, 1, ..., 9}
9 N={0, 1, ..., 9}
10 N={0, 1, ..., 9}
11 N={0, 1, ..., 9}
B2
12 N={0, 1, ..., 9}
13 N={0, 1, ..., 9}
 106

14 N={0, 1, 2, 3}
15 N={0, 1, 2, 3}
16 N={0, 1, 2, 3}
17 N={0, 1, 2, 3}
18 N={0, 1, 2, 3}
B3 19 N={0, 1, 2, 3}
20 N={0, 1, 2, 3}
21 N={0, 1, 2, 3}
22 N={0, 1, 2, 3}
23 N={0, 1, 2, 3}
24 N={0, 1, 2, 3}
25 N={0, 1, ..., 9}
Conexões 26 N={0, 1, 2, 3}
27 N={0, 1, 2, 3, 4}
28 N={0, 1, 2, 3, 4}
Conexões
29 N={0, 1, 2, 3}

Fonte: A autora (2020).

Têm-se estabelecido, portanto, a correlação entre genótipo e fenótipo dos

indivíduos do algoritmo evolucionário E-BIM, como ilustra a Figura 53.

Figura 53 - Genótipo e fenótipo de um indivíduo

Fonte: A autora (2020).

É válido lembrar que na seção 4.1.2 foi abordada a nomeação de cada indivíduo
pelo padrão “TAG n”. Assim, cada genótipo mapeado relaciona-se a seu fenótipo
por nome próprio, garantindo a busca destes dados com precisão para as
operações genéticas no AG, posteriormente. A Figura 54 ilustra este padrão:
 107

Figura 54 - Fenótipos e genótipos de indivíduos da população

Fonte: A autora (2020).

Como visto nas seções 2.4.1 e 2.5, problemas de otimização de design

normalmente são complexos por conterem múltiplos objetivos, muitas vezes,
conflitantes entre si. Nessas situações, a estratégia de definição da(s) função
(funções) de aptidão (fitness) torna-se fundamental para a viabilidade de
implementação do sistema de otimização, uma vez que a complexidade
computacional 1 de execução do algoritmo pode comprometer a resposta ao
problema. Assim, objetivando manter viável o experimento, a pesquisa foi orientada
a optar pela “articulação a priori”, em que os objetivos são convertidos em um único
item na operação de otimização, e implementa-se um AG mono-objetivo.

Primeiramente, também a favor da viabilização computacional do experimento, dos

critérios de avaliação utilizados no ciclo “Avaliar” (seção 4.2.1), foram selecionados
dois deles, como os objetivos de otimização no processo evolutivo:

a) Coeficiente de compacidade: maximizar para aproximar de 88,6% (0,866);

b) Coeficiente de circulação: minimizar do máximo ideal de 25% (0,25),
tolerando-se, com depreciação, soluções de até 50% (0,5).

A seção 2.4.1 discorre sobre a estratégia de “articulação a priori”. Neste conceito,

os dois objetivos de otimização do problema foram combinados em uma única
função fitness, como representado na Figura 55:

1
A teoria da complexidade computacional é um ramo da teoria da ciência da computação que se
concentra em classificar problemas computacionais de acordo com suas dificuldades inerentes
como disponibilidade de infraestrutura, tempo de processamento e gasto energético (DE SIQUEIRA,
2019).
 108

Figura 55 - Função fitness da “articulação a priori” do experimento

Fonte: A autora (2020).

Como método de seleção do AG foi adotada a estratégia de seleção elitista (seção

2.4.1), na qual os melhores indivíduos permanecem e formam a futura geração.
Arbitrariamente, pretendeu-se selecionar os 30 melhores indivíduos. Todavia, por
análise estatística (seção 5.1), houve empate dos 36 primeiros indivíduos, que
então vieram participar da reprodução. O algoritmo processou num espaço de
busca de 40 gerações, que teve um tempo de processamento aproximado de 8
horas.

Para a reprodução dos indivíduos – processo através do qual se combinam os

cromossomos dos pais para formar novos filhos, as operações genéticas
empregadas foram o cruzamento (crossover) e a mutação, dadas as
particularidades do problema:

– Crossover: a estratégia de cruzamento adotada selecionou aleatoriamente

segmentos entre dois indivíduos. Cada segmento foi definido com uma das
cinco sequências do cromossomo que formam um indivíduo (TAG). Essa
dinâmica foi adotada a fim de se manter alguma similaridade com os pais,
preservando características originais bem avaliadas. Cada par de indivíduos
gerou um único filho (offspring). A Figura 56 demonstra um possível
cruzamento.
 109

Figura 56 - Estratégia de crossover da população

Fonte: A autora (2020).

Todos os indivíduos de uma população participaram do processo de crossover,

que ocorreu entre todos os possíveis pares daquela população. Assim, a cada
geração foram avaliados 630 filhos, dados por Noff , onde:

Figura 57 - Cálculo de indivíduos avaliados por geração

Fonte: A autora (2020).

– Mutação: a alteração de uma única posição do código cromossômico pode

mudar totalmente um indivíduo deste problema (dada a estruturação
generativa), podendo, inclusive, até torná-lo inviável. Assim, quando ocorria
a mutação (processo aleatório AG), eram alteradas todas as posições do
DNA – respeitando os domínios do Quadro 5, possibilitando, assim, a
introdução de nova diversidade ao processo evolutivo.

Ao final do processamento do algoritmo genético, para fins de comparação e

análise do constructo, repetiu-se todo o fluxo do ciclo “Avaliar” para obtenção e
comparação dos novos resultados. Desta vez, foram avaliados 36 novos indivíduos.
Esta população de filhos (offspring), para melhor análise estatística, corresponde à
mesma quantidade de indivíduos classificados anteriormente. A Tabela 2
apresenta, portanto, os indicadores de desempenho dos filhos do ciclo “Evoluir”.
 110

Tabela 2 - Matriz de indicadores de desempenho ciclo EVOLUIR

Fonte: A autora (2020).

Embora a nomenclatura para os indivíduos mantenha o padrão “TAG n”, cada

indivíduo neste ciclo “Evoluir” é um novo indivíduo e não tem correspondência ao
homônimo do ciclo “Avaliar”.
 111

5 RESULTADOS E DISCUSSÃO

Este trabalho apresenta resultados da integração das tecnologias BIM, design

generativo, verificação automatizada de projetos e algoritmos evolucionários,
demonstrando contribuições para o incremento da geração otimizada de soluções
para projetos de edificações – em especial na fase do Early Concept Design –,
evidenciando, assim, avanços na aplicabilidade da inteligência artificial no campo
de projetos da construção civil. A Figura 58 representa a síntese do constructo E-
BIM, conforme os procedimentos realizados na pesquisa, detalhados no capítulo 4.

Figura 58 - Síntese do constructo E-BIM

Fonte: A autora (2020).

 112

Na figura 58, as simbologias de círculos demonstram conexões automatizadas

entre os softwares através de APIs já existentes, citadas na seção 4.1.3. Já para a
coleta de dados de avaliação, conforme menciona a seção 4.2, foram criados
templates para os relatórios do SMC, que se ligaram automaticamente com a
planilha de compilação do software Microsoft Excel. O círculo tracejado deste
processo também está representado na Figura 58.

O processo desenvolvido - não nativo aos softwares utilizados, permitiu a

automatização do processamento de 500 relatórios do Ciclo 2 - “Avaliar” e 185
relatórios do Ciclo 3 - “Evoluir”, viabilizando a interoperabilidade entre os sistemas.

5.1 Resultados quantitativos

– Resultados do “Ciclo 1 - Gerar”

A seção 4.1 deste trabalho discorre sobre o processo generativo na criação das
soluções iniciais do objeto de prova de conceito (Arquitetura Escolar), por meio de
um algoritmo desenvolvido nos aplicativos Rhinoceros-Grasshopper. Neste “Ciclo
1” do constructo, foram geradas 8.574 soluções válidas, conforme o tempo
estabelecido para o experimento. Para continuidade ao “Ciclo 2” seguinte, desta
população de soluções válidas, foi retirada uma amostragem de 100 indivíduos. O
Apêndice B apresenta os indivíduos desta amostragem.

Figura 59 - Amostragem das soluções válidas

Fonte: A autora (2020).

 113

Seguindo o processo generativo, com a amostragem de indivíduos, foram gerados

automaticamente 100 modelos BIM IFC, como verifica-se no Apêndice C.
Conforme descreve a seção 4.1.3, o tempo total para a geração destes modelos foi
de, aproximadamente, 1.300 minutos. Assim, observa-se que após o
desenvolvimento e implementação do algoritmo generativo, foi possível, em
menos de 24h, gerar 100 modelos BIM IFC válidos para o objeto arquitetônico
escolar, em fase de “Early Concecpt Design”.

– Resultados do “Ciclo 2 - Avaliar”

A seção 4.2 apresenta os processos onde foram estabelecidos indicadores de

medição de desempenho dos indivíduos da amostragem e a coleta de dados
quantitativos a respeito destes. O procedimento deste “Ciclo 2” permitiu ainda a
classificação destes indivíduos, formando os candidatos ao processo evolucionário
do “Ciclo 3” seguinte.

Assim, para esta avaliação, foi elaborada uma análise estatística 1 exploratória das
variáveis obtidas com os indicadores estabelecidos na seção 4.2.1. (Tabela 1 -
Matriz de indicadores de desempenho e classificação). As avaliações tiveram foco
em valores extremos (valores mínimo e máximo), seus valores médios, as medidas
separatrizes, como os quartis, e as medidas de dispersão, bem como o desvio
padrão e o coeficiente de variação. Estas variáveis utilizadas são lembradas a
seguir:

– CP: coeficiente de compacidade ou compacidade;

– CR: coeficiente de circulação ou circulação;
– DS: coeficiente de densidade de alvenarias ou densidade de alvenarias;
– FC: coeficiente de fachada ou fachada;
– OC: número de ocorrências críticas;
– OM: número de ocorrências moderadas;
– OL: número de ocorrências leves;
– OPC: número de ocorrências ponderadas críticas;

1
Referências sobre estatística: (PINHEIRO et al., 2009).
 114

– OPM: número de ocorrências ponderadas moderadas;

– OPL: número de ocorrências ponderadas leves.

A fim de se verificar o comportamento das variáveis, foi realizada a análise

descritiva, conforme os resutados da Tabela 3:

Tabela 3 - Medidas descritivas da amostragem ciclo AVALIAR

Categorias Variável Min Max Q1 Q2 Q3 Média DP CV (%)

CP 0,28 0,46 0,32 0,34 0,37 0,35 0,04 11,43

DS 0,06 0,08 0,06 0,07 0,07 0,07 0,00 0,00

Coeficientes
CR 0,29 0,43 0,34 0,36 0,38 0,36 0,03 8,33

FC 0,39 1,06 0,74 0,84 0,93 0,83 0,13 15,66

OC 0,00 24,00 4,00 6,00 9,00 6,95 4,92 70,79

Ocorrências OM 1,00 29,00 12,00 14,00 17,00 14,91 4,84 32,46

OL 0,00 8,00 1,00 2,00 3,00 1,98 1,69 85,35

OPC 0,00 24,00 4,00 6,00 9,00 6,95 4,92 70,79

Ocorrências
OPM 1,00 15,00 6,00 7,00 9,00 7,68 2,43 31,64
ponderadas
OPL 0,00 2,00 0,00 1,00 1,00 0,59 0,57 96,61

Min - Valor mínimo; Max - Valor máximo; DP - Desvio-padrão; CV (%) - Coeficiente de variação em
forma de porcentagem.
Fonte: A autora (2020).

A partir da Tabela 3, foram obtidos os seguintes resultados:

– Compacidade (CP) possui média de 0,35 e um coeficiente de variação de

11,43%, sendo considerado um valor moderado, podendo afirmar que a
variabilidade dessa variável é baixa e os dados estão moderadamente
concentrados em torno da média;
– Densidade de alvenarias (DS) possui média 0,07 e uma variabilidade
extremamente baixa, indicada pela proximidade dos valores extremos e dos
quartis, o que indica que os dados estão bastante concentrados em torno da
média;
 115

– Circulação (CR) possui um valor médio de 0,36 e um coeficiente de variação de

8,33%, indicando uma baixa variabilidade dos dados, ou seja, os dados estão
bem próximos do valor médio;
– Fachada (FC) possui o valor médio de 0,83 e uma variabilidade também
considerada moderada, devido ao seu coeficiente de variação de 15,66%,
indicando que os dados estão moderadamente concentrados em torno da
média;
– O número médio de ocorrências críticas (OC) é aproximadamente 7, porém sua
variabilidade é bastante alta, com um coeficiente de variação de 70,79%, os
dados estão bastante dispersos com relação ao seu valor médio;
– Ocorrências moderadas (OM) possuem média de aproximadamente 15,
também com uma variabilidade considerada alta, com um coeficiente de
variação de 32,46%, os dados não estão bem concentrados em torno da média;
– O número médio de Ocorrências leves (OL) é de aproximadamente 2, também
com uma variabilidade bastante alta, com um coeficiente de variação de
85,35%, os dados estão bastante dispersos com relação à média;
– Para as ocorrências ponderadas, tem-se que críticas (OPC) e moderadas
(OPM) possuem valores médios bastante próximos, sendo 6,95 e 7,68,
respectivamente, e um valor médio de 0,59 para ocorrências ponderadas leves
(OPL). Todas as ocorrências ponderadas mantiveram a alta variabilidade, com
valores muito altos para o coeficiente de variação.

Na Figura 60 verificou-se a representação do comportamento das variáveis em

boxplots 1, de onde foram extraídas as seguintes análises:

– Compacidade (CP), Densidade de alvenarias (DS), Circulação (CR) e

Ocorrências ponderadas leves (OPL) não possuem outliers;
– A variável Fachada (FC) possui um outlier, o indivíduo TAG 56;
– Ocorrências críticas (OC) apresentam os indivíduos TAG 40, 56, 82 e 90 como
outliers;

1
Boxplot ou gráfico de caixa é um tipo de gráfico utilizado para auxiliar na identificação de valores
discrepantes de um conjunto de dados (outliers), assim como comparar a dispersão entre dois ou
mais conjuntos de dados (análise da simetria). A altura do retângulo é definida pelos quartis Q1 e
Q3. Uma linha secciona o retângulo no valor da mediana (ou Q2). A haste central se estende do
valor mínimo ao máximo do conjunto de dados (MORETTIN; BUSSAB, 2017).
 116

– Ocorrências moderadas (OM) apresentam os indivíduos TAG 19, 36, 71, 83, 93
e 96 como outliers;
– Ocorrências leves (OL) apresentam os indivíduos TAG 12 e 16 como outliers;
– Ocorrências ponderadas críticas (OPC) apresentam os indivíduos TAG 40, 56,
82 e 89 como outliers;
– Ocorrências ponderadas moderadas (OPM) apresentam os indivíduos TAG 19,
36, 71, 83 e 93 como outliers.

Figura 60 - Boxplots para variáveis do ciclo AVALIAR

Fonte: A autora (2020).

Enfim, para selecionar os indivíduos da amostragem mais aptos a seguirem para o

ciclo “Evoluir”, foram classificados os 30 indivíduos 1 que tiveram melhor
desempenho. Para esta classificação, foi calculado o desvio absoluto entre cada
variável em relação a seus respectivos valores de referência. Em seguida, realizou-
se, em cada variável, uma dicotomização (divisão em duas categorias), onde os 30
menores desvios absolutos receberam o valor 1 e os demais receberam valor 0. Na
sequência, foi calculado um escore para cada indivíduo (TAG), realizando a soma
dos seus respectivos valores dicotômicos em cada variável. Por exemplo, se
determinado indivíduo obtiver um dos 30 menores desvios absolutos em 6

1
Número arbitrado.
 117

variáveis, seu escore será equivalente a 6. Os resultados da classificação estão

contidos na Tabela 5.

Dado o empate de escores verificado na Tabela 4, foram então classificados os 36

indivíduos que apresentaram melhor desempenho.

Tabela 4 - Classificação dos indivíduos para o ciclo EVOLUIR

Indivíduo Escore Indivíduo Escore Indivíduo Escore Indivíduo Escore

TAG 17 8 TAG 21 4 TAG 47 3 TAG 77 2
TAG 03 6 TAG 24 4 TAG 49 3 TAG 82 2
TAG 07 6 TAG 26 4 TAG 64 3 TAG 86 2
TAG 08 6 TAG 40 4 TAG 71 3 TAG 92 2
TAG 16 6 TAG 42 4 TAG 73 3 TAG 94 2
TAG 23 6 TAG 48 4 TAG 74 3 TAG 96 2
TAG 25 6 TAG 54 4 TAG 84 3 TAG 33 1
TAG 27 6 TAG 61 4 TAG 87 3 TAG 34 1
TAG 02 5 TAG 63 4 TAG 90 3 TAG 35 1
TAG 10 5 TAG 66 4 TAG 97 3 TAG 55 1
TAG 11 5 TAG 93 4 TAG 14 2 TAG 69 1
TAG 12 5 TAG 98 4 TAG 20 2 TAG 76 1
TAG 18 5 TAG 04 3 TAG 31 2 TAG 78 1
TAG 37 5 TAG 06 3 TAG 36 2 TAG 79 1
TAG 53 5 TAG 22 3 TAG 44 2 TAG 85 1
TAG 65 5 TAG 28 3 TAG 51 2 TAG 88 1
TAG 70 5 TAG 29 3 TAG 56 2 TAG 89 1
TAG 83 5 TAG 30 3 TAG 57 2 TAG 91 1
TAG 0 4 TAG 32 3 TAG 58 2 TAG 99 1
TAG 01 4 TAG 38 3 TAG 59 2 TAG 50 0
TAG 05 4 TAG 39 3 TAG 62 2 TAG 52 0
TAG 09 4 TAG 41 3 TAG 67 2 TAG 60 0
TAG 13 4 TAG 43 3 TAG 68 2 TAG 80 0
TAG 15 4 TAG 45 3 TAG 72 2 TAG 81 0
TAG 19 4 TAG 46 3 TAG 75 2 TAG 95 0

Fonte: A autora (2020).

 118

Com a mesma classificação é possível verificar que o indivíduo TAG17 obteve o

melhor desempenho, obtendo um dos 30 menores desvios em 8, de um total de 10
variáveis. Observa-se também que os indivíduos TAG50, 52, 60, 80, 81 e 95
obtiveram os piores desempenhos, não obtendo um dos 30 menores desvios em
nenhuma variável.

– Resultados do ciclo “Evoluir”

Embora os critérios de otimização do AG tenham sido definidos apenas para os

indicadores Compacidade (CP) e Circulação (CR), optou-se por coletar os dados
de todos os indicadores novamente, para que fosse possível compreender não
somente os resultados dos coeficientes otimizados, como também um possível
impacto nos demais indicadores. Assim, após a execução do AG, seguiu-se o
mesmo critério de análises descritivas do clico anterior e os resutados são
apresentados na Tabela 5:

Tabela 5 - Medidas descritivas dos indivíduos ciclo EVOLUIR

Categorias Variável Min Max Q1 Q2 Q3 Média DP CV (%)

CP 0,464 0,508 0,468 0,480 0,494 0,483 0,015 3,154%

DS 0,066 0,081 0,073 0,075 0,076 0,075 0,003 3,796%

Coeficientes
CR 0,275 0,362 0,301 0,309 0,336 0,316 0,025 7,776%

FC 0,518 0,675 0,582 0,589 0,595 0,592 0,028 4,787%

OC 0,00 5,00 0,00 2,00 2,00 1,405 1,481 105,351%

Ocorrências OM 9,00 23,00 14,00 17,00 19,00 16,05 3,358 20,916%

OL 0,00 6,00 0,00 0,00 4,00 2,054 2,285 111,222%

OPC 0,00 5,00 0,00 2,00 2,00 1,405 1,481 105,351%

Ocorrências
OPM 4,50 11,50 7,00 8,50 9,50 8,027 1,679 20,916%
ponderadas
OPL 0,00 1,50 0,00 0,00 1,00 0,514 0,571 111,222%

Min - Valor mínimo; Max - Valor máximo; DP - Desvio-padrão; CV (%) - Coeficiente de variação em
forma de porcentagem.
Fonte: A autora (2020).
 119

A partir da Tabela 5, foram obtidos os seguintes resultados:

– Compacidade (CP) possui média de 0,483 e um coeficiente de variação de

3,154%, indicando uma baixa variabilidade dos dados, ou seja, os dados estão
bem próximos do valor médio;
– Densidade de alvenarias (DS) apresentou valor mínimo de 0,066 e máximo de
0,081, com valor médio foi de 0,075 e um coeficiente de variação de 3,796%,
indicando uma baixa variabilidade dos dados, ficando próximos ao valor médio;
– Circulação (CR) possui um valor médio de 0,316 e um coeficiente de variação
de 7,776%, indicando uma baixa variabilidade dos dados, ou seja, os dados
estão bem próximos do valor médio;
– Fachada (FC) possui o valor médio de 0,592 e uma variabilidade também
considerada baixa, devido ao seu coeficiente de variação de 4,787%, indicando
que os dados estão moderadamente concentrados em torno da média;
– O número médio de ocorrências críticas (OC) é aproximadamente 1,405 e
coeficiente de variação muito alto, o que indica dispersão nos dados;
– Ocorrências moderadas (OM) possuem média de aproximadamente 16,054
sendo uma moderada dispersão de dados;
– O número médio de Ocorrências leves (OL) é de 1,481, sendo que o valor
mínimo que a mesma recebeu foi de 0 e o máximo de 6;
– Para as ocorrências ponderadas, tem-se que críticas (OPC), moderadas (OPM)
e leves (OPL) possuem valores médios de 1,405, 8,027 e 5,014,
respectivamente. As ocorrências OPC e OPL tiveram alta variabilidade de dados
e a ocorrência OPM apresentou variabilidade média.

Na Figura 61 verificou-se a representação do comportamento das variáveis em

boxplots, de onde foram extraídas as seguintes análises:

– As variáveis Compacidade (CP), Circulação (CR) e todas as categorias de

ocorrências não possuem outliers;
– Na variável Fachada (FC) os indivíduos TAG 15, 16, 27, 35, 18, 21, 23, 25, 26,
28 e 31 são outliers.
 120

Figura 61 - Boxplots para variáveis do ciclo EVOLUIR

Fonte: A autora (2020).

– Comparação de resultados dos ciclos “Avaliar” e “Evoluir”

Calculados os ciclos “Avaliar” e “Evoluir”, foram então realizadas as comparações

entre os seus resultados para confirmação da hipótese de otimização dos
indicadores Compacidade (CP) e Circulação (CR), quando da aplicação do AG.
Para efeitos de observação de interferências entre as variáveis, foram comparados
também os resultados dos demais indicadores.

As variáveis foram comparadas de acordo com seus valores de referência e a

Tabela 6 apresenta estes comparativos:
 121

Tabela 6 - Comparação das variáveis entre ciclos AVALIAR e EVOLUIR

Média Média Valor de
Categoria Variável ciclo Avaliar ciclo Evoluir referência
CP 0,350 0,483 Ideal = 0,886

DS 0,070 0,075 Máx. = 0,160

Coeficientes
CR 0,360 0,316 Máx. = 0,250

FC 0,830 0,592 Máx. = 0,650

OC 6,950 1,405 Ideal = 0,000

Ocorrências OM 14,910 16,054 Ideal = 0,000

OL 1,980 2,054 Ideal = 0,000

OPC 6,950 1,405 Ideal = 0,000

Ocorrências
OPM 7,680 8,027 Ideal = 0,000
ponderadas
OPL 0,590 0,514 Ideal = 0,000

Fonte: A autora (2020).

– O indicador Compacidade (CP) apresentou diferença significativa entre os

ciclos, sendo que os dados do ciclo “Evoluir” apresentaram maior
aproximação ao valor de referência, comprovando a sua otimização;
– O indicador Circulação (CR) apresentou redução entre os ciclos, sendo que
os dados do ciclo “Evoluir” apresentaram maior aproximação ao valor de
máximo de referência, comprovando a sua otimização;
– Densidade das alvenaria (DS) apresentou sutil perda, entretanto, manteve-
se com ótimo resultado, abaixo do máximo de referência;
– Fachada (FC) demonstrou ser um indicador impactado positiva e
significativamente pela otimização, passando a respeitar o limite máximo
desejado.

As Ocorrências e Ocorrências Ponderadas oscilaram entre aumento e diminuição

dos seus valores médios. Entretanto, observando-se as tabelas 1 e 2, nota-se que
houve otimização favorável no número total das Ocorrências Ponderadas,
conforme compara a Tabela 7.
 122

Tabela 7 - Ocorrências ponderadas totais entre ciclos AVALIAR e EVOLUIR

Ocorrências ponderadas totais ciclo Avaliar ciclo Evoluir

máximo 28 14
Total de
mínimo 1 7
ocorrências
média 14,98 9,95

Fonte: A autora (2020).

O total de Ocorrências Ponderadas apresentou diferença entre os ciclos, sendo que

os dados do ciclo “Evoluir” apresentaram significativa diminuição do número médio
destas ocorrências. Os valores da Tabela 7 demonstram assim, impacto favorável
da otimização mesmo em indicadores não tratados diretamente.

Diante aos indicadores analisados no ciclo “Evoluir”, conforme o mesmo critério do

ciclo “Avaliar”, foram listados os indivíduos que obtiveram o melhor escore relativo
final. Tais indivíduos, em modelos BIM IFC são apresentados na galeria da Figura
62.

Tabela 8 - Classificação dos novos indivíduos após o ciclo EVOLUIR

Indivíduo Escore Indivíduo Escore

TAG 01 10 TAG 10 10

TAG 00 10 TAG 11 10

TAG 02 10 TAG 12 10

TAG 03 10 TAG 13 10

TAG 04 10 TAG 15 10

TAG 05 10 TAG 17 10

TAG 09 10 TAG 19 10

Fonte: A autora (2020).

 123

Figura 62 - Indivíduos otimizados no ciclo EVOLUIR

Fonte: A autora (2020).

 124

5.2 Discussão

No capítulo “Método da Pesquisa”, na seção 3.4, que delineia os critérios de

Avaliação do constructo, foram planejadas quatro questões de discussão sobre as
contribuições prática e teórica do trabalho:

1) a inserção de um script de algoritmo genético evolucionário no processo de

design generativo é exequível?
2) a integração das estratégias de geração, avaliação e evolução de uma solução
de projeto foi viabilizada computacionalmente?
3) houve incremento nos indicadores de desempenho das soluções produzidas
generativamente após a implementação do algoritmo evolucionário?
4) verifica-se a asserção do termo BIM Evolucionário (E-BIM) no contexto dos
algoritmos de inteligência artificial aplicados a projetos de engenharia e
arquitetura? Quais indícios sustentariam essa premissa?

Com base nos resultados quantitativos da seção 5.1, os números são notórios a
respeito da capacidade generativa de soluções válidas para o objeto prova de
conceito do “Ciclo Gerar”. É nítido como o estabelecimento de uma gramática da
forma para um problema definido, aliado ao processamento computacional de um
algoritmo generativo, permite ao autor do projeto uma exploração formal muito mais
ampla se comparada a um método de projeto não generativo. O método proposto
por esta pesquisa ainda vai além: coloca à disposição das partes interessadas não
somente um espectro de variedade formal em suas formas primárias: entrega
alternativas em modelos BIM IFC que proporcionam explorações e análises muito
mais aprofundadas, dada sua característica paramétrica de dados.

Ocorre que para muitos projetistas, como coloca Nourian (2016), a avaliação
qualitativa do projeto requer informações contextuais que não são necessariamente
codificadas pois existem qualidades que não são facilmente representáveis ou
mensuráveis. Para o autor, sempre haverá necessidade de visão especializada e
envolvimento de partes interessadas reais, e, portanto, a questão da avaliação é
tratada por meio de discussões.
 125

No entanto, Silva (2005) reflete a partir da ótica de que questões pertinentes à

avaliação da qualidade do projeto arquitetônico se consolidam, em última análise,
na emissão de um juízo de valor daquele que avalia. Sendo, para o autor, a
natureza desse juízo na arquitetura uma questão de opinião. Portanto, mesmo uma
avaliação humana sobre a qualidade de um projeto arquitetônico não será
definitiva, visto que também está condicionada à opinião que se tem sobre o
avaliador.

Para Guimarães et al. (2020), a crescente utilização de sistemas de IA tem levado

a um impacto significativo na sociedade e nas suas decisões cotidianas. No
entanto, os humanos tendem a ser menos dispostos a aceitar decisões feitas pelas
máquinas quando não são diretamente interpretáveis ou confiáveis. A
interpretabilidade pode ser definida pela capacidade de explicar ou apresentar
resultados em termos compreensíveis a um ser humano.

Neste sentido, um processo de avaliação automatizado, baseado em informações

paramétricas, requer uma síntese de muitas análises e uma estrutura sobre a qual
as medidas de desempenho possam ser julgadas quanto à sua qualidade relativa.
Isso pode ser feito de acordo com indicadores de desempenho previamente
definidos para o problema (NOURIAN, 2016).

Os resultados quantitativos de avaliação automatizada do “Ciclo Avaliar” são

objetivos em relação aos indicadores previamente fundamentados e então
coletados. Resultados estes que demonstram recursividades analíticas na
abordagem interpretativa e, portanto, transmitem confiabilidade sobre o processo
avaliativo adotado. Este ciclo demonstrou cumprir com efetividade a classificação
dos melhores candidatos ao “Ciclo Evoluir”.

Newell e Simon (1972) defendem que qualquer decisão racional pode ser vista
como uma conclusão alcançada a partir de certas premissas, e que o
comportamento de uma pessoa racional pode ser verificado, portanto, se o valor e
 126

as premissas factuais sobre as quais ela baseia suas decisões forem especificados
para ela (apud BUCHANAN, 2005).

A automação está movendo a realidade do design computacional para além das

narrativas BIM e design paramétrico, que dominaram a arquitetura e a engenharia
nas últimas duas décadas. Algoritmos de IA fornecem ao projetista um feedback
sobre as decisões de projeto. Não apenas a validação de uma ideia, mas uma
sugestão de uma projetação em curso (ANDIA; SPIEGELHALTER 2014).

E foi justamente o que se experimentou no “Ciclo Evoluir”. O algoritmo evolucionário

genético, inserido através de um script no fluxo do algoritmo, produziu indivíduos
melhorados, com base na combinação dos melhores existentes na população, e,
através da estratégia da sobrevivência do mais apto, eliminou os menos aptos.

Algoritmos evolucionários aplicados ao design não tentam encontrar a solução

ótima global, mas encontram uma solução que satisfaça alguns critérios enquanto
sacrifica outros. Otimizam as soluções existentes selecionadas, e, então, as
soluções melhoradas se propagam por toda a população. Embora seja capaz para
o algoritmo encontrar o ótimo global, tal resultado não pode ser garantido.

Torna-se fundamental, no entanto, refletir que a mesma incerteza sobre encontrar

a “solução ótima” ocorre durante o processo de criação produzido puramente por
um humano. Ou seja, é inviável, mesmo para um projetista humano experiente,
maximizar todos os objetivos simultaneamente. Então, em vez disso, procura-se
encontrar soluções adequadas para o maior número de objetivos possíveis
simultaneamente. Projetistas humanos nem sempre possuem as informações
completas a respeito de um problema, não têm tempo ilimitado para chegar a uma
conclusão, e são naturalmente limitados pela capacidade cognitiva.

Neste sentido, deve-se enfatizar que a proposta deste método e as ferramentas

não se propõem a substituir os projetistas ou sua tomada de decisão. Esses
instrumentos devem ser usados como recursos interativos e serão tão bons quanto
 127

forem aqueles que programarem os scripts e as informações geradas em

colaboração com as partes envolvidas na criação do projeto.

Um script aberto incorporado ao processo apresenta a vantagem de não ser uma

“caixa-preta”, como ocorre quando um plug-in é fixado. Na seção 4.3, o Galapagos,
aplicativo evolucionário nativo do Grasshoperr, foi colocado como exemplo de um
processo fechado que permite ajustes limitados na programação de busca do
algoritmo. No processo generativo-evolucionário E-BIM ora proposto, o script do
algoritmo genético é adaptável e permite ajustes conforme se desenvolve a
interação projetista/algoritmo. As prioridades para os critérios de otimização podem
variar conforme o projeto: performance espacial, desempenho ambiental,
economicidade, construtibilidade, dentre outras tantas possibilidades.

Olhando para a contínua evolução das pesquisas e métodos, é oportuno lembrar a

abordagem de Pratschke (2015) quando o autor reflete sobre a previsão do
ciberneticista Heinz von Foester, que previu, já nos anos 1960, que ao invés de
focar no projeto de um objeto mecânico, há que propor um sistema orgânico onde
haja a mudança de foco na cibernética do mecanismo para linguagem e de
sistemas observados para sistemas que observam. Em outras palavras, como
postula a Cibernética de Segunda Ordem, um sistema inteligente que permita a
criação conjunta de objetivos e que assim o processo permita também a inclusão
da subjetividade, em algum grau.

Os resultados quantitativos que comparam os indicadores da implementação do

constructo comprovam que a combinação de fluxos paramétricos com soluções
evolutivas resultou em uma modelagem BIM já otimizada. O uso desta abordagem
aumenta a capacidade de tomada de decisão do projetista, pois o assiste na
geração de múltiplas alternativas, na avaliação para comparação das opções e na
otimização computacional daquelas mais potenciais a seus objetivos estabelecidos.
Dispor desta inteligência adicional pode aumentar potencialmente a capacidade de
tomada de decisão da equipe do projeto. O recurso de geração de alternativas e
simulações é particularmente útil em cenários de projeto complexos.
 128

Muitas vezes, espera-se da inteligência artificial efeitos de ficção científica, como

os citados na abertura do capítulo “Introdução” deste trabalho. Mas, em ciência,
resultados são construídos paulatinamente. A IA viável, e aquela que vemos neste
trabalho, é um incremento que aumenta nossas capacidades humanas como
criadores, acentuando nossas capacidades e compensando nossos pontos mais
fracos. A tecnologia demonstra não nos substituir, mas nos tornar mais eficientes
em nossos processos.

Com uma mentalidade mais esclarecida a respeito da evolução, e à medida que

aumentarem a disseminação e a adesão da aplicabilidade desses algoritmos de IA
em contextos próprios, mais o refinamento da teoria proposta contribuirá para
modificar o status quo das nossas carências como sociedade.

Em projeto, a fundamentação da decisão pode estar em dois momentos distintos:

na justificativa para uma escolha ou na verificação de seu efeito. Ou seja, pode-se
decidir por uma determinada alternativa considerando-se um argumento
verdadeiro, e pode-se decidir por uma alternativa e avaliar suas consequências.
Formular e verificar as hipóteses é a base do pensamento científico (MOREIRA,
2007).

Para Lacerda (2012), uma das razões para aplicação da metodologia DSR nas
pesquisas é a possibilidade deste método diminuir a lacuna existente entre teoria e
prática e tornar um constructo generalizável a uma determinada classe de
problemas. Conforme discorre em sua narrativa, esta generalização permite que o
conhecimento gerado em uma situação particular possa, posteriormente, ser
aplicado a outras situações similares enfrentadas pelas mais diversas
organizações.

Em consonância a este entendimento a respeito da DSR, a aplicabilidade do

constructo E-BIM pode, portanto, tornar-se generalizável, na medida em que se
estrutura em sistemas abertos e configuráveis, tais como a Gramática da Forma, o
sistema generativo de VPL, script do AG em linguagem aberta e resultados em
modelos paramétricos neutros (IFC).
 129

Como visto no início deste capítulo, embora não totalmente automatizado

nativamente, o fluxo construído demostrou-se viavelmente produtivo e eficiente
para um contexto de produção de concepção de projetos, conforme visto no
experimento.

No que tange à terminologia E-BIM ora proposta, ocorre que durante manifestação
da problemática desta pesquisa, foi observada a oportunidade de proposição de
um termo próprio que definisse a integração dos campos da computação
evolucionária e dos projetos paramétricos, em especial os projetos BIM. Assim, foi
proposto:

BIM Evolucionário (E-BIM): método aplicado a projetos de edificações, no

qual modelos virtuais paramétricos são gerados, avaliados e otimizados
pela integração de algoritmos generativos e evolucionários. Explora a
aplicabilidade dos algoritmos de inteligência artificial no fluxo de
desenvolvimento e automação destes projetos.

A asserção da terminologia, no contexto dos algoritmos de inteligência artificial

aplicados a projetos de edificações, foi verificada por meio das respostas de 41
respondentes das áreas de Construção Civil (34,1%) e Ciências da Computação
(65,9%). A inquirição apresentou unanimidade a favor da pertinência de aplicação
da terminologia: “Inicialmente [a aplicabilidade do termo BIM Evolucionário] parece
adequada, merecendo atenção para melhor avaliação em estudo mais
aprofundado.”. O Apêndice E apresenta o questionário aplicado.
Diante de tal aceitabilidade, reforça-se também a contribuição teórica da pesquisa,
com a proposição de um termo que especifica esta abordagem de modelagem
evolucionária interoperável e multidisciplinar.
 130

6 CONCLUSÕES

Tecnologias e softwares relativos ao BIM, design generativo, verificação

automatizada de projetos são amplamente aplicados no mercado AEC, todavia a
integração no processo proposto e a agregação dos algoritmos evolucionários,
desta pesquisa demonstram contribuir para o incremento da geração otimizada de
soluções para projetos de edificações, em especial na fase do Early Concept
Design, avançando na aplicabilidade da inteligência artificial no campo da
construção civil.

O script aberto de um AG, incorporado ao processo generativo-evolucionário,

permite ajustes conforme se desenvolve a interação projetista/algoritmo. As
estratégias e os critérios de otimização do algoritmo podem variar conforme as
necessidades do projeto, demonstrando também seu atributo de adaptabilidade.

O “Ciclo Gerar” favorece uma exploração formal ampla, uma vez que alia, em um
algoritmo paramétrico, o fundamento generativo da Gramática da Forma e o
processamento computacional, entregando alternativas de projetos em modelos
BIM IFC. No “Ciclo Avaliar”, a partir de indicadores previamente estipulados, ocorre
a avaliação automatizada das alternativas geradas no ciclo anterior, que então são
classificadas pelos resultados quantitativos objetivos, gerando-se confiabilidade e
segurança acerca do processo avaliativo adotado. No “Ciclo Evoluir”, há a
implementação do algoritmo evolucionário genético que otimiza as soluções
geradas e classificadas anteriormente, retornando uma modelagem BIM já
otimizada pelo algoritmo de AI, ampliando, assim, a capacidade de tomada de
decisão do projetista.

Sintetizando o constructo, verifica-se a indicação da asserção da terminologia BIM

Evolucionário (E-BIM) proposta, dizendo respeito ao método aplicado a projetos de
edificações, no qual modelos virtuais paramétricos são gerados, avaliados e
otimizados pela integração de algoritmos generativos e evolucionários, explorando-
se, assim, a aplicabilidade dos algoritmos de inteligência artificial no fluxo de
desenvolvimento e automação destes projetos. Todavia, vale destacar que a
 131

terminologia foi verificada em um universo qualificado de entrevistados, com

limitação quantitativa, merecendo também novas avaliações qualitativas em
revisões científicas paritárias.

Enfatiza-se também que, mesmo com os resultados e conclusões favoráveis

verificadas no experimento, para que estes possam ser tomados como
generalizáveis, acredita-se que trabalhos futuros possam explorar novos cenários
e condições de aplicabilidade do constructo. E ainda, que a evolução do constructo
para um API própria possa catalisar a automação e otimização do processo e,
assim, potencializar maiores ganhos futuros.

Conquanto, considera-se que o início da aplicabilidade destes elementos

combinados em ambiente da práxis projetual já seja amplamente viável, conforme
a presente autora vem experimentando no exercício da disciplina.
 132

REFERÊNCIAS BIBLIOGRÁFICAS

ANDIA, A.; SPIEGELHALTER, T. Post-Parametric Automation in Design and

Construction. London: Artech House, 2014. 230 p.

ANDRADE E SILVA, Flávio Paulino de. Verificação automática dos requisitos

de projetos da Norma de Desempenho pela plataforma BIM Solibri Model
Checker. 2017. 161 p. Dissertação (Mestrado em 2017) – Universidade Federal
de Minas Gerais, Belo Horizonte, 2017.

AREL, I., et al. Deep Machine Learning - A New Frontier in Artificial Intelligence
Research. IEEE Computational Intelligence Magazine, v. 5, p. 13-18, 2010.

ASHLOCK, D. Evolutionary Computation for Modeling and Optimization. New

York: Springer, 2006. 572p.

AUTODESK. AutoLISP Developer's Guide. AUTODESK. Autodesk Knowledge

Network. 2012. Disponível em: http://docs.autodesk.com/ACDMAC/2013/ENU/
PDFs/acdmac_2013_autolisp_developers_guide.pdf. Acesso em: 13 nov. 2019.

BARBOSA, F. et al. Reinventing construction through a productivity revolution.

McKinsey Global Institute, [s. l.], 2017.

BARRETO, G. H. A. S. Generative Design for Building Information Modeling.

2016. 79 p. Dissertação (Mestrado em Sistemas da Informação e Engenharia da
Computação) - Instituto Superior Técnico de Lisboa, Lisboa, 2016.

BELL, H. et al. Standardized Computable Rules. Oslo: Standards Norway, dez.

2009.

BENTLEY, P. J. An Introduction to Evolutionary Design by Computers. In: Blog

ResearchGate. 1999. Disponível em: https://www.researchgate.net/ publication/
244418116_. Acesso em: 14 out. 2019.

BLANCO, J. L. et al. Artificial intelligence: Construction technology’s next frontier.

In: McKinsey & Company. [s.n.], abr. 2018. Disponível em:
https://www.mckinsey.com/business-functions/operations/our-insights/artificial-
intelligence-construction-technologys-next-frontier. Acesso em: 2 out. 2019.

BOCK, T. The future of construction automation: Technological disruption and the

upcoming ubiquity of robotics. Automation in Construction, [s. l.], v. 59, p. 113–
121, 2015. Available at: https://doi.org/https://doi.org/10.1016/j.autcon.2015.07.022
Acesso em: 5 fev. 2021.

BOCK, T.; LINNER, T. (org.). Advanced Construction and Building Technology. In:
Robot-Oriented Design: Design and Management Tools for the Deployment of
Automation and Robotics in Construction. Cambridge: Cambridge University
Press, 2015. p. 1–17. Available at: https://doi.org/DOI: 10.1017/
CBO9781139924146.002. Acesso em: 5 fev. 2021.
 133

BORENSTEIN, Y.; MORAGLIO, A. Theory and principled methods for the

design of metaheuristics. Natural Computing Series. Berlin: Springer, 2014. 270
p.

BRÍGITTE, G.; RUSCHEL, R. Identification of applicable patterns to algorithmization

in BIM to explore solutions in the design stage of Social Housing. Anais…
Conference of the iberoamerican society of digital graphics, 22. p. 68-73. 2018.
Disponível em: https://www.researchgate.net/ publication/328677313. Acesso em:
10 nov. 2019.

BUCHANAN, Bruce G. A (very) brief history of artificial intelligence. AI

Magazine, v. 26, n. 4, p. 53-53, 2005.

BUENO, E. G. 101 Conceitos de arquitetura e urbanismo na era digital. São

Paulo: Probooks, 2016. 256 p.

BYRNE, Jonathan. Approaches to evolutionary architectural design

exploration using grammatical evolution. 2012. Tese University College Dublin,
Dublin, 2012.

CAETANO, Inês et al. Aplicação do design generativo nas tecnologias BIM. Anais...
Congresso português de building information modelling, 1., 2016. Braga:
Universidade do Minho.

CALIXTO, Victor; CELANI, Gabriela. A literature review for space planning

optimization using an evolutionary algorithm approach: 1992-2014. Anais...
Conference of the Iberoamerican society of digital graphics 19., 2015, Florianópolis.
p. 662-671.

CAMPANA, G. A.; OPLUSTIL, C. P. Conceitos de automação na medicina

laboratorial: revisão de literatura. J Bras Patol Med Lab, Rio de Janeiro, v. 47, n.
2, p. 119-127, 2011.

CAMPOS, F. M. de. Estudo do uso de parametrização e simulações

computacionais nas etapas iniciais do processo de projeto visando à
otimização. 2017. 191 p. Dissertação (Mestrado em Arquitetura, Tecnologia e
Cidade) – Faculdade de Engenharia Civil, Arquitetura e Urbanismo, Universidade
Estadual de Campinas, Campinas, 2017.

CASTRO-LACOUTURE, D. et al. Concrete paving productivity improvement using

a multi-task autonomous robot. Automation and Robotics in Construction -
Proceedings of the 24th International Symposium on Automation and
Robotics in Construction, [s. l.], p. 223–228, 2007.

CAU/BR. Conselho de Arquitetura e Urbanismo do Brasil. Tabelas de honorários

de serviços de arquitetura e urbanismo do Brasil. Módulo I: Remuneração do
Projeto Arquitetônico de Edificações. Brasília, 2014.

CELANI, G. An educational experiment with shape grammars and computer

applications. International Journal of Design Computing, Liverpool, v. 3, 2002.
 134

CELANI, G. et al. A Gramática da Forma como Metodologia de Análise e Síntese

em Arquitetura. Conexão – Comunicação e Cultura. Caxias do Sul, v. 5, n. 10,
2006.

CELANI, M. G. C.; VAZ, C. E. V. Scripts em CAD e ambientes de programação

visual para modelagem paramétrica: uma comparação do ponto de vista
pedagógico, 2011, Anais... V TIC, Salvador, p. 1-13.

CHANG, K. Multiobjective Optimization and Advanced Topics. In: CHANG, K.

Design Theory and Methods using CAD/CAE. London: Academic Press, 2015. p.
325-406.

COSTA, M. A; THADEU, M.; FAVARÃO, C. B. (Org.) A Nova agenda urbana e o

Brasil: insumos para sua construção e desafios a sua implementação. Brasília:
IPEA, 2018. 133 p.

CRESWELL, J. W. Projeto de pesquisa: métodos qualitativo, quantitativo e misto.

Trad. Magda Lopes. 3.ed. Porto Alegre: Artmed, 2010. 296 p.

CUADROS, J. F. et al. A hybrid GA-SQP multi-objective optimization methodology

for carbon monoxide pollution minimization in fluid catalytic cracking process. In:
Computer Aided Chemical Engineering. Elsevier, 2013. p. 763-768.

DAVIS, D. Modelled on Software Engineering: flexible parametric models in the

practice of architecture. Tese (Doutorado em Filosofia) - School of Architecture and
Design, College of Design and Social context, RMIT University, Malborne, 2013.
243p.

DAVIS, L. Handbook of Genetic Algorithms. New York: Van Nostrand Reinhould,

1991. 385 p.

DE SIQUEIRA, E. C. Heurísticas computacionais aplicadas a um problema

flowshop híbrido multiobjetivo. Tese (Doutorado em Modelagem Matemática e
Computacional) – Centro Federal de Educação Tecnológica de Minas Gerais, Belo
Horizonte, 2019. 150 p.

DOMINGOS, P. O. O algoritmo mestre: como a busca pelo algoritmo de machine

learning definitivo recriará nosso mundo. São Paulo: Novatec, 2017. 344 p.

DUARTE, J. P. et al. A general indirect representation for optimization of generative

design systems by genetic algorithms: Application to a shape grammar-based
design system. Automation in Construction, v. 35, 2013.

EASTMAN, C. et al. Automatic rule-based checking of building designs.

Automation in Construction, Elsevier, v. 18, n. 8, p. 1011-1033, 2009a.

EASTMAN, C. Automated Assessment of Early Concept Designs. Architectural

Design, v. 79, p. 52-57. 2009b.
 135

EASTMAN et al. Manual de BIM: Um guia de modelagem da informação da

construção para arquitetos, engenheiros, gerentes, construtores e incorporadores.
Tradução: Cervantes G. Alves Filho et al. Porto Alegre: Bookman, 2014. 500 p.

EIBEN, A. E.; SMITTH, J. E. Introduction to Evolutionary Computing. 2. ed.

Berlim: Springer-Verlag, 2008. 316 p.

FACELI, K. et al. Inteligência artificial: uma abordagem de aprendizado de

máquina. Rio de Janeiro: LTC, 2011. 394 p.

FDE - Fundação para o Desenvolvimento da Educação. Arquitetura escolar

paulista: estruturas pré-fabricadas. FERREIRA, A. F.; MELLO, G. (org.). São
Paulo, FDE, 2016. Disponível em:
http://www.fde.sp.gov.br/PagePublic/Interna.aspx?codigoMenu=255. Acesso em: 7
set. 2019

FDE - Fundação para o Desenvolvimento da Educação. Catálogo Ambientes:

Especificações da edificação. São Paulo, SP. FDE, 2019a. Disponível em:
https://produtostecnicos.fde.sp.gov.br/ Pages/CatalogosTecnicos/ Default.aspx.
Acesso em: 7 set. 2019

FDE - Fundação para o Desenvolvimento da Educação. Prêmios e Menções de

Arquitetura. São Paulo, SP. FDE, 2019b. Disponível em:
http://www.fde.sp.gov.br/PagePublic/Interna.aspx? codigoMenu=260. Acesso em:
7 set. 2019

FERREIRA, B.; LEITÃO, A. Design generativo para building information modeling.

In: I Congresso Português de Building Information Modelling, 1., 2016. Braga:
Universidade do Minho.

FISCHER, T.; HERR, C. M. Teaching Generative Design. In: International

Generative Art Conference, 4. 2001, Milão. Disponível em:
https://www.researchgate.net/publication/30869860_Teaching_Generative_Design
/citation/download. Acesso em: 7 out. 2019.

FURTADO SILVA, N.; MACIEL FURTADO SILVA, L. Uma estratégia de ensino para
estimular o uso de múltiplas linguagens arquitetônicas em resposta a tecnologias
digitais emergentes. Paranoá: cadernos de arquitetura e urbanismo, n. 26, p. 185-
204, 28 maio 2020.

GARCÍA DE SOTO, B. et al. Productivity of digital fabrication in construction: Cost

and time analysis of a robotically built wall. Automation in Construction, [s. l.], v.
92, p. 297–311, 2018. Available at: https://doi.org/https://doi.org/10.1016/
j.autcon.2018.04.004. Acesso em: 12 fev. 2021.

GIPS, J. Shape grammars and their uses. Artificial Perception, Shape Generation
and Computer Aesthetics. Stuttgart: Birkhauser Verlag, 1975. 243 p.
GUIMARÃES, F. G. Aprendizagem e busca local em algoritmos meméticos
para projeto assistido por computador. 2008. 206p. Tese (Doutorado em
 136

Engenharia Elétrica). Escola de Engenharia, Universidade Federal de Minas

Gerais, Belo Horizonte, 2008.

GUIMARÃES, F. et al. Applying Genetic Programming to Improve

Interpretability in Machine Learning Models. 2020. Disponível em:
https://www.researchgate.net/publication/341505097.Acesso em: 29 out. 2020.

HILLER, J.; LIPSON, H. Automatic Design and Manufacture of Soft Robots. IEEE
Transactions on Robotics, Evanston, v. 28, n. 2, p. 457-466, 2012.

HODGES, A. Alan Turing: The Enigma. Princeton: Princeton University Press,

2014. 768 p.

JIN, C. A sequential process monitoring approach using hidden Markov model

for unobservable process drift. 2015. Tese de Doutorado. University of
Cincinnati.

JO, Jun H.; GERO, John S. Space layout planning using an evolutionary
approach. Artificial Intelligence in Engineering, v. 12, n. 3, p. 149-162, 1998.

JONES, N. Architecture as a complex adaptive system. 2009. Disponível em:

https://www.researchgate.net/publication/307513051. Acesso em: 02 nov. 2019.

KHABAZI, Z. Generative algorithms with grasshopper version 2.0. AA on-line

book, 2012. Disponível em: http://morphogenesism.com/wp/generative-algorithms.
Acesso em: 02 nov. 2019.

KING, R. et al. Confronting the Urban Housing Crisis in the Global South: Adequate,
Secure, and Affordable Housing. World Resources Institute Working Paper,
2017. Disponível em: https://files.wri.org/s3fs-public/towards-more-equal-city-
confronting-urban-housing-crisis-global-south.pdf. Acesso em: 27 out. 2019.

KNIGHT, T. W. Transformations in design: a formal approach to stylistic change

and innovation in the visual arts. Cambridge: Cambridge University Press, 1994.
276 p.

KOLAREVIC, B. Architecture in the digital age: design and manufacturing. 1.ed.

London: Taylor & Francis, 2005. 320 p.

KOLO, S. J.; RAHIMIAN, F. P.; GOULDING, J. S. Offsite manufacturing

construction: A big opportunity for housing delivery in Nigeria. Procedia
Engineering, [s. l.], v. 85, p. 319–327, 2014. Available at:
https://doi.org/10.1016/j.proeng.2014.10.557

KOTSIANTIS, Sotiris. Supervised Machine Learning: A Review of Classification

Techniques. Informatica (Ljubljana), v. 31, 2007. Disponível em:
https://www.researchgate.net/publication/
265544297_Supervised_Machine_Learning_A_Review_of_Classification_Techniq
ues. Acesso: 12 nov. 2019.
 137

LACERDA, D. P. et al. Design science research: método de pesquisa para a

engenharia de produção. São Leopoldo: [s.n.], 2012

LEE, Y. et al. Validations for ensuring the interoperability of data exchange of a

building information model. Automation in Construction, v 58, p. 176-195, 2015.

LI, Y. Deep reinforcement learning. 2018. In: Cornell University. Disponível em:
https://arxiv.org/pdf/1810.06339.pdf. Acesso em: 10. out. 2019.

LIN, S. H.; GERBER, D. J. Evolutionary energy performance feedback for design:

multidisciplinary design optimization and performance boundaries for design
decision support, Energy Build, v. 84, p. 426-441, 2014.

LOPES, H. S; TAKAHASHI, R. H. C. (org.) Computação evolucionária em

problemas de engenharia. Curitiba: Omnipax, 2011. 385 p.

LUDOVICO, S. S. A.; BRANDÃO, D. Q. Caracterização da identidade morfológica

do espaço arquitetônico de uma habitação evolutiva. Gestão e Tecnologia de
Projetos, São Carlos, v. 13, n. 1, p. 39-58, 2018.

LUKKA, K. The constructive research approach. Case study research in logistics.

Publications of the Turku School of Economics and Business Administration,
Series B, v. 1, n. 2003, p. 83-101, 2003.

MANZIONE, L. Proposição de uma estrutura conceitual de gestão do processo

de projeto colaborativo com o uso do BIM. 2013. 325p. Tese (Doutorado em
Engenharia) - Escola Politécnica, Universidade de São Paulo, São Paulo, 2013.

MASCARÓ, J. O custo das decisões arquitetônicas. 4. ed. Porto Alegre:

Masquatro. 2006. 192 p.

MOREIRA, D. C. Os princípios da síntese da forma e a análise de projetos

arquitetônicos. Campinas, SP: [s.n.], 2007.

MORETTIN, P. A.; BUSSAB, W. O. Estatística básica. São Paulo: Saraiva, 2017.

NAGY, D. The problem of learning. In: Medium – Get smarter about what matters
to you. Nova York, 2017a. Disponível em: https://medium.com/generative-
design/generative-design-introduction-64fb2db38e1. Acesso em: 22 set. 2019.

NAGY, D. Learning from Nature. In: Medium – Get smarter about what matters to
you. Nova York, 2017b. Disponível em: https://medium.com/generative-
design/learning-from-nature-fe5b7290e3de. Acesso em: 22 set. 2019.

NAGY, D. Using Python in Grasshopper. In: Medium – Get smarter about what
matters to you. Nova York, 2017c. Disponível em: https://medium.com/generative-
design/using-python-in-grasshopper-77bfca86e84b. Acesso em: 17 nov. 2019.

NAGY, D. Nature-based hybrid computational geometry system for optimizing the

interior structure of aerospace components. In: ACM SIGGRAPH 2017 Talks
 138

(SIGGRAPH '17). Association for Computing Machinery, New York, NY, USA,
2017d, Article 76, 1–2. DOI: https://doi.org/10.1145/3084363.3085088

NASCIMENTO, M. F. P. do. Arquitetura para a educação: a contribuição do

espaço para a formação do estudante. 2012. 154 p. Dissertação (Mestrado em
História e Fundamentos da Arquitetura e do Urbanismo) – Faculdade de Arquitetura
e Urbanismo de São Paulo, São Paulo, 2012.

NETO, S. P. Computação Evolutiva: desvendando os algoritmos genéticos. Revista

de Ubiquidade, v. 1, n. 1, p. 34-45, 2011.

NETTO, V. M. O efeito da arquitetura: Impactos sociais, econômicos e ambientais

de diferentes configurações de quarteirão. Arquitextos, São Paulo, ano 07, n.
079.07, Vitruvius, dez. 2006. Disponível em: https://www.vitruvius.com.br/
revistas/read/arquitextos/07.079/290. Acesso em: 02 nov. 2019.

NOURIAN, P. Configraphics: Graph theoretical methods for design and analysis

of spatial configurations. Tese (Doutorado em Filosofia) - Delft University of
Technology, Delft, 2016. 348p.

PEREIRA, P. R. P. et al. Analysis support for the design process of school 375
buildings. Ambiente Construído, Porto Alegre, v. 18, n. 3, p. 375-390, jul./set.
2018.

PINHEIRO, J. I.D et al. Estatística básica: a arte de trabalhar com dados. Rio de
Janeiro: Elsevier Brasil, 2009.

PMI - Project Management Institute. AI Innovators: Cracking the Code on Project

Performance. [S.l.], PMI, 2019. Disponível em: https://www.pmi.org/
learning/thought-leadership/pulse/ai-innovators. Acesso em: 22 set. 2019.

PRATSCHKE, A.; DI STASI, M.G. Quão cibernética é a parametrização? São

Carlos, n. 11, 2015. Disponível em: http://www.nomads.usp.br/
virus/virus11/?sec=6&item=1&lang=pt. Acesso em: 15 set. 2020.

QUIRK, V. A Brief History of BIM. In: ARCHDAILY. 2012. Disponível em:

https://www.archdaily.com/ 302490/a-brief-history-of-bim. Acesso em: 5 nov. 2019.

RMA - Robert Mcnell and Associates. Grasshopper Wiki Pages. 2016. Disponível
em: https://wiki.mcneel.com/labs/explicithistory/home. Acesso em: 7 out. 2019.

ROLNIK, R. (Org). Como fazer valer o direito das mulheres à moradia? São
Paulo: FAO/USP, 2012. Disponível em: <https://goo.gl/JmUjt5>. Acesso em: 5 fev.
2021.

RUSCHEL, R. C.; ANDRADE, M. L. V. X. de. Interoperabilidade de aplicativos BIM

usados em arquitetura por meio do formato IFC. Gestão & Tecnologia de
Projetos, São Paulo, v. 4, n. 2, nov. 2009.
 139

RUSSELL, S.; NORVIG, P. Inteligência Artificial: uma abordagem moderna.

Campus: São Paulo, Brazil, 2003. Disponível em https://books.google.com.br/
books/about/Intelig%C3%AAncia_artificial.html?id=wBMvAAAACAAJ&redir_esc=y
Acesso em 07 dez. 2019.

RUTTEN, David. Evolutionary Principles applied to Problem Solving. 2010. In: Blog
Grasshopper. Algorithmic Modeling for Rhino, 2019. Disponível em:
https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles. Acesso em:
14 out. 2019.

SACKS, R.; BLOCH, Tanya. Comparing machine learning and rule-based

inferencing for semantic enrichment of BIM models. Automation in Construction,
v. 91, p. 256-272, 2018.

SACKS, R. et al. Parametric 3D modeling in building construction with examples

from precast concrete. Automation in Construction, v. 13, n. 3, p. 291-312, 2004.

SAMMER, M. J. The Expressive Power of Programming Languages in

Architecture. 2019. 108p. Tese (Master of Science Degree in Architecture) -
Instituto Técnico de Lisboa, Lisboa, 2019.

SCHUMACHER, P. Parametricism: A New Global Style for Architecture and Urban

Design. Archit Design, v. 79, p. 14-23, 2009.

SCHWABE, K; KÖNIG, M; TEIZER, J. BIM applications of rule-based checking in

construction site layout planning tasks. In: ISARC. Proceedings of the
International Symposium on Automation and Robotics in Construction. IAARC
Publications, 2016. p. 1.

SEDREZ, M; MARTINO, J. A. Sistemas generativos. In: CELANI, M.G.C. et al.

(org.). Arquitetura contemporânea e automação: prática e reflexão. São Paulo:
ProBooks, 2018. 438 p.

SILVA, E. Crítica e avaliação no ensino do projeto arquitetônico: subsídios para

uma discussão necessária, Anais... Seminário Projetar, 2005, Rio de Janeiro,
UFRJ: Faculdade de Arquitetura e Urbanismo.

SILVA, F; ARANTES, E. Proposta de verificação automática dos requisitos de

projeto pelo uso de ferramentas de análise BIM aplicados a norma de desempenho.
In: Encontro nacional de tecnologia do ambiente construído, 16., 2016, São
Paulo.

SILVA JÚNIOR, F. A. da. O uso de algoritmos e de sistemas paramétricos na

concepção arquitetônica de pequenas residências. 2011. 147p. Dissertação
(Mestrado em Arquitetura e Urbanismo) - Faculdade de Arquitetura e Urbanismo,
Universidade de Brasília, Brasília, 2011.

SIMON, H. A. The Sciences of the Artificial. 3. ed. Cambridge: MIT Press, 1996.
248 p.
 140

SMITH, D. K.; TARDIF, M. Building Information Modeling: A Strategic

Implementation Guide for Architects, Engineers, Constructors, and Real Estate
Asset Managers. Hoboken (NJ): John Wiley & Sons, 2009.

SOLIBRI, Inc. Getting Started with Solibri Model Checker. [S.l.]: SOLIBRI, 2016.
Disponível em: https://solibri-assets.s3.amazonaws.com/old-site/2016/03/ Getting-
Started-v9.pdf. Acesso em: 22 set. 2019

STINY, G. Introduction to shape and shape grammars. Environment and planning

B: planning and design, v. 7, n. 3, p. 343-351, 1980.

STOVER, C.; WEISSTEIN, E. W. Parametric Equations. In: MathWorld - A Wolfram

Web Resource. Disponível em: http://mathworld.wolfram.com/
ParametricEquations.html. Acesso em: 10 out. 2019

SUNG, W. Grasshopper Learning Material. 2010. Disponível em:

https://woojsung.com/2010/04/09/digital-workshops-lectures-syracuse-
architecture/. Acesso em: 12 out 2019.

TABARI, M. H. S. Basic Genetic Algorithm in Grasshopper Python. Nova York,

2020. Disponível em: https://medium.com/@saleh.tabari93/basic-genetic-
algorithm-in-grasshopper-python-61fe1998f378. Acesso em: 05 jul. 2020.

TULLIO, F. B. M. (Org.) Força, crescimento e qualidade da engenharia civil no

Brasil. Ponta Grossa: Atena, 2020. DOI: 10.22533/at.ed.873202109

TURING, Alan M. Computing machinery and intelligence. In: Parsing the turing
test. Springer, Dordrecht, 2009. p. 23-65. DOI: https://doi.org/10.1007/978-1-4020-
6710-5_3

VAISHNAVI, V.; KUECHLER, B. Design Science Research in Information

Systems. Association for Information Systems. 2004. Disponível em:
https://www.researchgate.net/publication/235720414_Design_Science_Research_
in_Information_Systems/. Acesso em: 25 set. 2019.

VASCONCELOS, J. A. de. Computação evolucionária: Otimização Evolutiva

Multiobjetivo. Notas de aula, Departamento de Engenharia Elétrica, Universidade
Federal de Minas Gerais, Belo Horizonte, 2016.

WORTMANN, T.; STOUFFS, R. Algorithmic complexity of shape grammar

implementation. Artificial Intelligence for Engineering Design, Analysis and
Manufacturing, Cambridge, v.32(2), p. 138-146, 2018.
 141

APÊNDICE A – Especificações do equipamento e softwares do experimento

– Computador:

– Nome do Modelo: iMac15,1

– Monitor:
– Tipo do Monitor: LCD Retina Integrado
– Resolução: 5120 x 2880 Retina
– Nome do Processador: Quad-Core Intel Core i5
– Velocidade do Processador: 3,3 GHz
– Número de Processadores: 1
– Número Total de Núcleos: 4
– Memória: 24 GB
– Unidade física:
– Capacidade: 880 GB (879.999.975.424 bytes)
– Tipo de Mídia: SSD
– Protocolo: SATA
– BOOTCAMP:
– Capacidade: 119,99 GB (119.993.794.560 bytes)

– Softwares:

– Sistema operacional: Windows 10, Enterprise

– Design generativo: Rhinoceros 6
– Plug-ins: Grasshopper (nativo)
Galapagos
Grasshopper-Archicad Live Connection
Tool Box
Anemone
Phyton (nativo)
– Modelagem BIM: Archicad 22 Solo
– Avaliação automatizada BIM: Solibri Model Checker
– Tratamento de dados: Microsoft Excel
 142

APÊNDICE B – Amostragem de indivíduos da população

143
144
145
146
147
148
149
150
151
 152

APÊNDICE C – Modelagem BIM IFC da amostragem

153
154
155
156
157
158
159
160
161
 162

APÊNDICE D – Relatórios típicos da avaliação ciclo “Avaliar”

163
164
165
166
 167

APÊNDICE E – Questionário sobre asserção do termo

168
169
 170

ANEXO A – Lista de artigos sobre DE: 1992-2014

Autor Ano Artigo (título traduzido)

Algoritmos genéticos, otimização de funções e design de
TAM 1992
layout de instalações
Uma investigação de algoritmos genéticos para
KADO 1995
problemas de layout de instalações
Representação e uso do conhecimento de design no
JO e GERO 1995
Design Evolucionário
GARCEZ-PEREZ,
Resolvendo problemas de layout de instalação usando
SCHOENEFELD e 1996
programação genética
WAINWRIGHT
O problema do layout da instalação: tendências e
MELLER e GAU 1996
perspectivas recentes e emergentes
Aprendizagem e reutilização de informações em
GERO e KAZAKOV 1997 problemas de planejamento de layout de espaço usando
engenharia genética
Uma abordagem evolutiva para gerar topologias de layout
DAMSKI e GERO 1997
de espaço baseadas em restrições
Uma abordagem de programação genética para o
JAGIELSKI e GERO 1997
problema de planejamento de layout de espaço
Evolução de genes de design em problemas de
GERO e KAZAKOV 1997
planejamento de layout de espaço
planejamento de layout de espaço usando uma
JO e GERO 1998
abordagem evolucionária
Layout de instalações em nível de local usando
Li e LOVE 1998
algoritmos genéticos
KOCHHAR, FOSTER e Esperança: um algoritmo genético para o problema de
1998
HERAGU layout de instalações em áreas desiguais
TAVAKKOLI -
MOGHADDAIN e 1998 Projeto de layout de instalações por algoritmos genéticos
SHAYAN
Evolução de projetos por generação de estruturas de
ROSENMAN e GERO 1999
gene complexas úteis
Casos de layout de design em evolução para satisfazer
GARZA E MAHER 1999
as restrições dos filhos do Feng Shui
Geometria e topologia: uma interface de usuário para a
ELEZKURTAJ e
2000 evolução artificial no projeto arquitetônico
FRANK
 171

Layout das instalações automatizadas: passado, presente

LIGGETT 2000
e futuro
MICHALEK e
2002 Otimização de design interativo de layouts arquitetônicos
PAPALAMBROS
Um algoritmo genético paralelo para o problema de layout
HARMANANI, ZOUEIN
2004 de site geometricamente restrito com instalações de
e HAJAR
tamanhos desiguais
Uma abordagem de algoritmo genético para a otimização
HOMAYOUNI 2007
do planejamento do layout do espaço
Programação genética + desdobramento da embriologia
DOULGERAKIS 2007
no planejamento automatizado de layout
BANERJEE e Um modelo de design criativo usando algoritmos
2008
QUEIROZ genéticos interativos-colaborativos
EvoArch: um algoritmo evolutivo para design de layout
WONG e CHAN 2009
arquitetônico
Gerando layouts de planta baixa com árvores k-d e
KNECHT 2010
algoritmos evolutivos
FLACK 2010 Evolução das plantas arquitetônicas
Planejamento de layout arquitetônico usando algoritmos
THAKUR e KUMARI 2010
genéticos
Planejamento de espaço arquitetônico usando
DUTTA e SARTHAK 2011
abordagens de computação evolucionária: uma revisão
Uma estratégia evolutiva aprimorada com uma técnica de
RODRIGUES, GASPAR
2013 busca local para o problema de alocação de espaço na
e GOMES
arquitetura, Parte 1: Metodologia
Uma estratégia evolutiva aprimorada com uma técnica de
RODRIGUES, GASPAR
2013 busca local para o problema de alocação de espaço em
e GOMES
arquitetura, Parte 2: Validação e testes de desempenho
Uma abordagem para o problema de alocação de espaço
RODRIGUES, GASPAR
2013 em vários níveis na arquitetura usando uma técnica
e GOMES
evolutiva híbrida
Planejamento de espaço e projeto preliminar usando vida
FERNANDO 2014
artificial

Fonte: traduzido de Calixto e Celani (2015).

 172

ANEXO B – Programa de arquitetura FDE

Fonte: FDE (2019a).

 173

ANEXO C – Projetos FDE: requisitos e recomendações precedentes

Fonte: Pereira et al. (2018).

 174

ANEXO D – Lista templates do Solibri Model Checker

175
176
 177

Fonte: Andrade e Silva (2017).

 178

ANEXO E – Algoritmo Genético básico em Grasshopper Python

 179

Fonte: Tabari (2020).