Divisão de Engenharia Civil Ano: 2024
(Turma 2024, TGs 2024)
Análise de métodos e proposta de ferramenta computacional para estimativas paramétricas de obras de engenharia civil (pdf 2 MB)
Autor: Talles Eduardo Camargo dos Santos
Orientador(es): Maryangela Geimba de Lima e Paulo de Tarso Machado Leite Soares
Relator(es): Luiz Augusto Penteado Yamamoto Ten Cel Eng
Ano: 2024
Resumo:
Este trabalho aborda o desenvolvimento de métodos inovadores para estimativa de custos no setor de construão civil, com foco na aplicação de técnicas paramétricas e aprendizado de máquina. Reconhecendo as limitações dos métodos tradicionais, como os baseados no Custo Unitário Básico (CUB), propõe-se a criação de uma ferramenta computacional para prever custos com maior precisão, mesmo em estágios iniciais dos projetos, quando os detalhes são escassos. A metodologia integra dados históricos de 204 obras, disponibilizados pelo Centro de Estudos e Pesquisa de Engenharia da Força Aérea Brasileira (CEPE), com algoritmos avançados de regressão, como Elastic Net, Support Vector Regressor e técnicas baseadas em árvores de decisão (Random Forest e XGBoost). Os melhores algoritmos se apresentaram como ajustes moderados para o contexto, atingindo coeficientes de determinação R2 próximos de 0,5. Os resultados destacam a evolução de modelos baseados em aprendizado de máquina na captura de interações complexas entre variáveis do projeto, contribuindo para menor risco financeiro e maior eficiência no gerenciamento de recursos. Potenciais melhorias e limitações foram identificadas e discutidas para que a futura implementação possa ser otimizada. Abstract:
The cost forecasting of civil engineering projects is of great importance, especially in
tenders conducted annually by the Brazilian Air Force (FAB). Due to the variability of
projects in aspects such as location, function, scale, complexity, and typology, estimating
costs in the early stages of a project is a challenging task. Parametrization, based on
historical series with the characteristics of each project, enables a predictive analysis of the
total cost, serving as an important indicator to assess the financial feasibility of the project.
Moreover, it contributes to establishing a consistent investment plan for projects, allowing
for the evaluation of each project’s priority and ensuring that expenditures align with
expectations. This study aims to compare machine learning methods for cost estimation
in civil engineering projects. Several regression models, such as Ridge Regression, Lasso,
Random Forest, CatBoost, among others, were applied to the database provided by the
Center for Engineering Studies and Projects (CEPE - São Paulo). The comparison of
results seeks to identify the method that delivers the best performance in cost estimation,
contributing to the improvement of the planning and management process of investments
in civil engineering projects.
