Diseño estructural preliminar para arquitectura ayudado por inteligencia artificial
DOI:
https://doi.org/10.11606/gtp.v17i3.185781Palabras clave:
Diseño preliminar, estructuras, aprendizaje automático, modelo sustitutoResumen
El diseño estructural y el predimensionamiento en Arquitectura son temas frecuentes en la literatura sobre diseño de edificios; durante varias décadas. Tradicionalmente, esto se ha hecho de forma analógica utilizando expresiones matemáticas simplificadas o ábacos, lo que ha dado lugar a reelaboración debido a la imprecisión y al laborioso método manual. Estos procesos han ido cambiando y, recientemente, las tecnologías digitales han traído sofisticación, ofreciendo rapidez y precisión en las respuestas del espesor de los elementos estructurales en un lapso determinado. La integración entre modelado paramétrico, simulación estructural en elementos finitos, verificación algorítmica de la estructura e Inteligencia Artificial (IA) puede ofrecer grandes aportes al proceso de diseño y prediseño estructural. Este artículo demuestra un flujo de trabajo que utiliza una base de datos con el espacio de solución de un sistema estructural y se procesa en un modelo sustituto mediante la técnica de agrupación en clústeres k-means y la regresión no lineal con IA. Este proceso tiene como objetivo obtener el modelo generalizado del sistema estructural, ofreciendo los espesores de los miembros definiendo las luces, cargas y resistencias del material. El modelo generalizado obtenido fue validado exitosamente por el método de elementos finitos y la verificación estructural algorítmicamente, demostrando una velocidad de procesamiento satisfactoria dada la agilidad que demanda el proceso de diseño arquitectónico en sus primeras etapas y la accesibilidad de acuerdo al paradigma de diseño basado en desempeño.
Descargas
Referencias
ADELI, H.; YEH, C. Explanation-based machine learning in engineering design. Engineering Applications of Artificial Intelligence. v. 3, p.127-137, 1990.
ALLEN, E.; IANO, J. The architect’s studio companion: rules of thumb for preliminary design. 6th Ed. New Jersey: John Wiley and Sons, 2017. 410 p.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6118: projeto de estruturas de concreto: procedimento. Rio de Janeiro, 2014.
AMEZQUITA-SANCHEZ, J. P.; VALTIERRA-RODRIGUEZ, M.; ADELI, H. Machine learning in structural engineering. Scientia Iranica A. v. 27(6), p.2645-2656, 2020.
http://dx.doi.org/10.24200/sci.2020.22091
BARANAUSKAS, M. C. C.; ROCHA, H. V.; MARTINS, M. C.; D’ABREU, J. V. V. Uma taxonomia para ambientes de aprendizado baseados no computador. In: VALENTE, J. A., Liv. (Org.). O computador na sociedade do conhecimento. 1ª Ed. Campinas: UNICAMP/NIED, 1999, p. 49-68
BRITO, B. L.; SILVA, F. T.; "ESTUDO PARAMÉTRICO DE SISTEMAS DE PISO BIDIRECIONAL E UNIDIRECIONAL MODULADOS EM CONCRETO ARMADO", p. 142-155. In: Anais do VII Encontro de Tecnologia de Informação e Comunicação na Construção - TIC2015 [ANTAC e Blucher Engineering Proceedings]. Porto Alegre: ANTAC; São Paulo: Blucher, 2015. DOI: https://doi.org/10.5151/engpro-tic2015-013
BROWN, N. C.; JUSIEGA, V.; MUELLER, C. T. Implementing data-driven parametric building design with a flexible toolbox. Automation in Construction. v. 118, 103252, 2020. https://doi.org/10.1016/j.autcon.2020.103252
BRUNO, F. Tecnologias cognitivas e espaços do pensamento. In: FRANÇA, Vera; WEBER, Maria Helena; PAIVA, Raquel; SOVIK, Liv. (Org.). Livro da XI Compós 2002: Estudos de Comunicação. 1ª Ed. Porto Alegre: Sulina, 2003, v. 1, p. 193-217.
CHING, F.D.K.; ONOUYE, B.S.; ZUBERBUHLER, D. Sistemas estruturais ilustrados: padrões, sistemas e projeto. 2ª Ed. Porto Alegre: Bookman, 2015. 352 p.
CORKILL, P. A. Preliminary Structural Design Charts for Architects. Architectural Science Review. v. 12, n. 1, p. 15-20, 1969.
DRESCH, A.; LACERDA, D. P.; ANTUNES JÚNIOR, J. A. V. Design Science Research: Método de pesquisa para avanço da ciência e tecnologia. Porto alegre: Bookman, 2015. 181 p.ENGEL, H. Sistemas Estruturais. 1ª Ed. Barcelona: Gustavo Gili, 2001. 352 p.
ENGEL, H. Sistemas Estruturais. 1ª Ed. Barcelona: Gustavo Gili, 2001. 352 p.
GUDIPATI, V. K.; CHA, E. J. Surrogate modeling for structural response prediction of a building class. Structural Safety. v. 89, 102041, 2021. https://doi.org/10.1016/j.strusafe.2020.102041
HOLZER, D. Optioneering in Collaborative Design Practice. International Journal of Architectural Computing. v. 8, n. 2, p.165-182, 2010. https://doi.org/10.1260/1478-0771.8.2.165.
KOLAREVIC, B. (Ed.). Architecture in the digital age: design and manufacturing. New York: Taylor & Francis, 2003. 314 p.
LE, V.; CARACOGLIA, L.; A neural network surrogate model for the performance assessment of a vertical structure subjected to non-stationary, tornadic wind loads. Computers and Structures. v. 231, 106208, 2020. https://doi.org/10.1016/j.compstruc.2020.106208
MACDONALD, A. J. Structure and Architecture. 2nd Ed. Oxford: Architectural Press, 2001. 164 p.
MACHAIRAS, V.; TSANGRASSOULIS, A.; AXARLI, K. Algorithms for optimization of building design: A review. Renewable and Sustainable Energy Reviews. v. 31, p.101–112, 2014. http://dx.doi.org/10.1016/j.rser.2013.11.036
MITCHELL, W. J. The theoretical foundation of computer-aided architectural design. Environment and Planning B. v.2, p.127-150, 1975. https://doi.org/10.1068/b020127
MOUSSAVI, F. The function of Form. 1st Ed. Barcelona: ACTAR, 2009. 520 p.
MÜLLER, A. C.; GUIDO, S. Introduction to Machine Learning with Python: A Guide for Data Scientists. O’Reilly, 2017, 394p.
NGUYEN, L. C.; NGUYEN-XUAN, H. Deep learning for computational structural optimization. ISA Transactions. v. 103, pp.177–191, 2020. https://doi.org/10.1016/j.isatra.2020.03.033.
OXMAN, R. Digital architecture as a challenge for design pedagogy: theory, knowledge, models and medium. Design Studies. v. 29, pp. 99-120, 2008.
http://dx.doi.org/doi:10.1016/j.destud.2007.12.003
OXMAN, R. E.; OXMAN, R. M. New structuralism: design, engineering and Architectural technologies. Architectural design: The new structuralism: Design, engineering and architectural technologies. pp. 14-23, 2010.
OXMAN, R. Informed tectonics in material-based design. Design Studies. v. 33, pp. 427-455, 2012. http://dx.doi.org/10.1016/j.destud.2012.05.005
OXMAN, R. Thinking difference: Theories and models of parametric design thinking. Design Studies. v. 52, p. 4-39, 2017. http://dx.doi.org/10.1016/j.destud.2017.06.001
PRIMO, A. F. T. Interação Mediada por Computador: a comunicação e a educação a distância segundo uma perspectiva sistêmico-relacional. 2003. Tese (Doutorado em Informática na Educação) – Programa de Pós-graduação em Informática na Educação da Universidade Federal do Rio Grande do Sul, Porto Alegre, 2003.
REBELLO, Y. C. P. Bases para o projeto estrutural na arquitetura. 1ª Ed. São Paulo: Zigurate Editora, 2007. 288 p.
SARAMAGO, R. C. P. Ensino de estruturas nas escolas de arquitetura do Brasil. 2011. Dissertação (Mestrado em Arquitetura, Urbanismo e Tecnologia) - Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2011. DOI: https://doi.org/10.11606/D.18.2011.tde-31052011-101630
SIAM, A.; EZZELDIN, M.; EL-DAKHAKHNI, W. Machine learning algorithms for structural performance classifications and predictions: Application to reinforced masonry shear walls. Structures. v. 22, p.252–265, 2019. https://doi.org/10.1016/j.istruc.2019.06.017.
SILVA, F. T. Modelo paramétrico de pórticos em concreto armado com dimensionamento otimizado: uma proposta de ferramenta de projeto para as fases iniciais de concepção estrutural. Ambiente Construído, v. 18, n. 1, p. 193-210, 2018. http://dx.doi.org/10.1590/s1678-86212018000100216
SILVA, F. T. Experiências com ferramentas digitais no ensino de estruturas arquitetônicas. PARC Pesquisa em Arquitetura e Construção, Campinas, SP, v. 12, p. e0210xx, 2021. DOI: http://dx.doi.org/10.20396/parc.v12i00.8661548
SUN, H.; BURTON, H. V.; HUANG, H. Machine learning applications for building structural design and performance assessment: State - of - the - art review. Journal of Building Engineering. v. 33, 2021, 101816. https://doi.org/10.1016/j.jobe.2020.101816.
TSERANIDIS, S.; BROWN, N. C.; MUELLER, C. T. Data-driven approximation algorithms for rapid performance evaluation and optimization of civil structures. Automation in Construction. v. 72, p.279–293, 2016. http://dx.doi.org/10.1016/j.autcon.2016.02.002
ZHENG, H.; MOOSAVI, V.; AKBARZADEH, M. Machine learning assisted evaluations in structural design and construction. Automation in Construction. v. 119, 103346, 2020. https://doi.org/10.1016/j.autcon.2020.103346.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2022 Felipe Tavares da Silva
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).