REGISTRO DOI: 10.69849/revistaft/ni10202505152122
Andrews Pereira de Souza
Victor Hugo Cabral Pires
Orientador Prof.º Fernanda Fernandes Campista
Resumo
Este artigo irá tratar sobre usar a Inteligência Artificial (IA) para observar e evitar problemas em estruturas metálicas que ficam perto do mar, um lugar conhecido pela corrosão rápida e outros danos devido ao clima, como muito sal e umidade. A pesquisa analisa a viabilidade de usar a IA para detectar falhas nas estruturas metálicas antes do tempo, auxiliando na organização no momento certo e tornar as construções mais duradouras. A pesquisa usa um jeito de estudar casos misturando análise qualitativa e quantitativa — isso inclui analisar estudos feitos por outros pesquisadores. Os resultados mostram que, ao juntar sistemas que têm IA, é mais fácil fazer um cuidado constante e certo do estado das estruturas — isso dá uma solução melhor que os métodos tradicionais, corta os gastos para funcionar e torna a segurança das estruturas maior. O estudo também mostra as dificuldades em colocar a IA em prática, como a recusa dos trabalhadores a usar novas ferramentas e a necessidade por treinamentos. Percebe-se que a IA tem um grande potencial para mudar como monitoramos e cuidamos de edifícios feitos de metal, oferecendo uma solução nova e amiga do ambiente para o setor da construção.
Palavras-chave: Inteligência artificial. Estruturas metálicas. Ambientes litorâneos. Patologias estruturais. Monitoramento preditivo.
1 INTRODUÇÃO
A durabilidade e a segurança das estruturas metálicas em ambientes litorâneos são questões de extrema relevância na engenharia civil, principalmente devido à corrosão acelerada causada por condições climáticas como alta salinidade e umidade. A exposição constante ao clima salino compromete significativamente a integridade das construções metálicas, resultando em patologias como fissuras, oxidação e enfraquecimento dos materiais, que podem levar a falhas estruturais graves. Em ambientes litorâneos, essas patologias são amplificadas, tornando as técnicas tradicionais de monitoramento e manutenção insuficientes para garantir a segurança e a durabilidade das estruturas ao longo do tempo. Estudos prévios, como os de Ruediger (2010) e Riul (2015), destacam que o monitoramento constante e a prevenção de falhas em estruturas metálicas expostas ao ambiente litorâneo demandam inovações tecnológicas, já que a inspeção física tradicional não consegue identificar todos os danos com precisão, resultando em altos custos com manutenções corretivas e emergenciais.
A implementação de tecnologias avançadas tem se mostrado uma solução promissora para o monitoramento e detecção precoce de patologias em infraestruturas metálicas. Ao integrar sensores inteligentes, análise de dados em tempo real e aprendizado de máquina, é possível detectar falhas de forma antecipada, proporcionando diagnósticos mais precisos e eficazes. Além disso, essas tecnologias podem prever o desgaste dos materiais com base em dados históricos e parâmetros ambientais, oferecendo uma ferramenta poderosa para o planejamento de manutenções preventivas. A aplicação dessas inovações no setor da construção civil, como mencionado por Junior (2019), tem crescido consideravelmente, trazendo benefícios em termos de eficiência, custo e segurança, sendo um campo de estudo ainda em expansão no monitoramento de infraestruturas.
A justificativa para esta pesquisa se dá pela crescente necessidade de soluções mais eficazes para o monitoramento e prevenção de falhas em estruturas metálicas, especialmente em regiões litorâneas, onde as condições climáticas tornam o processo de manutenção mais complexo e custoso. A utilização dessas tecnologias representa uma inovação significativa que pode não apenas reduzir os custos operacionais, mas também aumentar a vida útil das construções, ao proporcionar diagnósticos precisos e oportunos. Isso pode otimizar o processo de manutenção e garantir maior segurança e sustentabilidade para as construções metálicas expostas ao clima salino.
Os objetivos deste trabalho são: (I) avaliar a viabilidade da implementação de sistemas avançados para o monitoramento e prevenção de patologias em estruturas metálicas localizadas em ambientes litorâneos, (II) identificar as principais patologias que afetam essas estruturas e (III) analisar o impacto dessas tecnologias no monitoramento, diagnóstico e prevenção de falhas. Este estudo também visa analisar os custos e benefícios associados à adoção dessas inovações no setor da construção civil e propor um modelo de implementação viável para a gestão de estruturas metálicas.
A relevância desta pesquisa está no potencial que a implementação dessas tecnologias tem para transformar a forma como o setor da construção civil lida com as patologias em estruturas metálicas, especialmente em ambientes litorâneos. Além de contribuir para a redução de custos com manutenção, essas inovações podem resultar em maior segurança e eficiência nas intervenções, promovendo um modelo de gestão mais proativo e menos dependente de abordagens corretivas. A proposta deste estudo busca avançar no campo da tecnologia aplicada à engenharia civil, oferecendo soluções sustentáveis e econômicas que podem beneficiar tanto o setor público quanto privado, além de fornecer subsídios importantes para o desenvolvimento de novas tecnologias no campo da construção.
Portanto, a pesquisa propõe-se a contribuir significativamente para o avanço da engenharia civil, ao explorar a implementação de tecnologias avançadas como uma solução para os desafios enfrentados pelas estruturas metálicas em ambientes litorâneos, representando um passo importante na busca por uma construção mais durável, segura e eficiente.
2 FUNDAMENTAÇÃO TEÓRICA
2.1 Patologias em Estruturas Metálicas em Ambientes Litorâneos
A corrosão em ambientes marinhos ocorre devido a um processo eletroquímico, onde o metal entra em contato com a água, o oxigênio e os íons cloreto presentes no ambiente. De acordo com Bolina et al. (2019), o ferro nas ligas metálicas forma óxidos ao reagir com a água e o oxigênio, gerando a corrosão. Em locais litorâneos, a alta concentração de cloreto de sódio acelera este processo, tornando-o mais intenso e prejudicial. Em regiões com forte presença de cloretos, como nas zonas costeiras, o fenômeno da corrosão se agrava devido à migração iônica, que facilita a infiltração desses íons nas superfícies metálicas e acelera a deterioração do material. Esses danos podem resultar em rachaduras, furos e, em casos extremos, falhas catastróficas nas estruturas (Lima & Silva, 2020).
Além da corrosão, outras patologias que afetam as estruturas metálicas em ambientes litorâneos incluem fadiga, trincas e deformações plásticas. A fadiga ocorre devido à exposição a ciclos repetidos de cargas variáveis, que enfraquecem o material ao longo do tempo, especialmente em estruturas sujeitas a vibrações e movimentações frequentes. Essas falhas podem gerar fissuras microscópicas que, com o tempo, se expandem, comprometendo a resistência da estrutura. O caso é particularmente evidente em estruturas como pontes, plataformas offshore e torres, que estão sujeitas a forças contínuas de vento, maré e movimentações das embarcações. A fadiga também é exacerbada pela combinação com a corrosão, uma vez que a presença de falhas microestruturais torna as áreas mais suscetíveis à ação de agentes corrosivos.
Outro fator relevante são as trincas e deformações. As trincas podem resultar de processos de soldagem inadequados ou da combinação de expansão térmica e tensões internas devido à corrosão, o que enfraquece ainda mais a estrutura. As deformações, por sua vez, podem ocorrer devido a esforços mecânicos, térmicos ou hidrodinâmicos, que são comuns em ambientes costeiros, como correntes marítimas fortes e ventos intensos. As variações térmicas características desses ambientes também geram tensões internas nas estruturas metálicas, podendo ocasionar fissuras e falhas estruturais graves. A combinação de corrosão e esses fatores de estresse mecânico cria uma interação complexa que compromete a longevidade das estruturas metálicas.
O monitoramento tradicional dessas patologias, que geralmente se baseia em inspeções visuais e testes físicos, tem se mostrado insuficiente para detectar falhas em estágios iniciais. Métodos convencionais, como a análise de tração, medição de espessura do material e análise visual, falham em detectar patologia oculta que não é visível à primeira vista. Essas abordagens, conforme destacado por Faustino et al. (2021), não são eficazes para realizar um monitoramento contínuo e preventivo. Além disso, as inspeções tradicionais muitas vezes não conseguem cobrir áreas de difícil acesso ou locais de grandes dimensões, o que limita a detecção de problemas incipientes. Como resultado, muitas falhas só são descobertas quando os danos já são graves, aumentando os custos de manutenção e o risco de falhas estruturais.
2.2 Inteligência Artificial (IA) na Engenharia Civil
A inteligência artificial tem se consolidado como uma das principais inovações nas últimas décadas, com aplicabilidades cada vez mais evidentes em diversas áreas, incluindo a Engenharia Civil. O avanço dessas soluções tem trazido revoluções significativas na forma como as construções são planejadas, executadas e monitoradas, permitindo não apenas a melhoria da eficiência, mas também a otimização de processos, redução de custos e maior segurança nas obras. Este artigo aborda as principais aplicações dessas inovações em Engenharia Civil, seus desafios e as perspectivas futuras no setor.
Na Engenharia Civil, a utilização de tecnologias avançadas tem se mostrado especialmente relevante no monitoramento e prevenção de patologias em estruturas, incluindo aquelas em ambientes adversos como os litorâneos. Como evidenciado por Costa et al. (2024), essas soluções oferecem métodos inovadores para detecção precoce de falhas em estruturas metálicas, como corrosão, fadiga e trincas. A utilização de sistemas baseados em aprendizado de máquina permite a análise contínua e em tempo real das condições das construções, o que facilita a identificação de pequenas falhas antes que se tornem críticas.
A geração de plantas baixas automatizadas também tem se destacado como uma das aplicações mais promissoras das tecnologias avançadas na Engenharia Civil. Utilizando algoritmos de aprendizado de máquina e processamento de dados, é possível criar layouts de edificações de forma rápida e eficiente, considerando parâmetros como dimensionamento de ambientes, fluxo de circulação, iluminação natural e normas técnicas. Esses sistemas permitem que projetos sejam gerados em minutos, com alta precisão e adaptabilidade às necessidades específicas de cada projeto. Além disso, a integração com ferramentas de modelagem BIM (Building Information Modeling) facilita a visualização e a modificação dos projetos, reduzindo erros e retrabalhos. A Figura 1 ilustra um exemplo de planta baixa gerada por meio dessas tecnologias, destacando a distribuição dos ambientes e a otimização do espaço.
Figura 1. Exemplo de planta baixa gerada por sistemas automatizados, demonstrando a distribuição eficiente dos ambientes e a aplicação de normas técnicas.
Essa abordagem não só agiliza o processo de design, mas também permite a exploração de múltiplas opções de layout, garantindo soluções mais criativas e funcionais. A automação na geração de plantas baixas representa um avanço significativo na produtividade e na qualidade dos projetos, consolidando-se como uma ferramenta essencial para o futuro da Engenharia Civil, onde também a capacidade de processar grandes volumes de dados coletados por sensores, câmeras e outros dispositivos permite identificar padrões de deterioração que seriam difíceis de perceber por inspeções manuais tradicionais. De acordo com Soares (2024), essas tecnologias podem ser empregadas para prever falhas antes que ocorram, com base em dados históricos e em tempo real, garantindo uma manutenção preditiva mais eficiente e menos onerosa.
Outro campo importante de aplicação é o estudo do comportamento de materiais, como o concreto. De Souza Ciriaco et al. (2024) discutem como essas inovações podem ser aplicadas na análise de dados relacionados ao concreto, como a previsão da durabilidade e resistência do material sob diferentes condições. Utilizando modelos de aprendizado de máquina, é possível prever como as propriedades do concreto se comportarão ao longo do tempo e em diferentes ambientes, auxiliando na escolha de misturas mais eficientes para cada tipo de projeto, como mostra a figura 2.
Figura 2. Estilo da construção
A análise de dados também pode ser usada para otimizar as proporções de materiais, reduzindo desperdícios e melhorando o desempenho das estruturas. Além disso, essas tecnologias podem ser integradas a sensores e dispositivos IoT (Internet das Coisas) para monitoramento contínuo, permitindo que as estruturas sejam acompanhadas em tempo real e suas condições ajustadas conforme necessário.
Figura 3 – Fluxograma sistemático da pesquisa bibliográfica sobre Internet of Things (IoT). Fonte: Aragão Júnior & Oliveira Júnior (2021).
A inovação tecnológica tem sido acompanhada de desafios significativos, especialmente no que se refere à implementação e adaptação do setor de Engenharia Civil a essas novas ferramentas. Segundo dos Santos Machado et al. (2023), um dos principais desafios é a resistência à mudança por parte dos profissionais da área, muitos dos quais estão acostumados com métodos tradicionais e podem ter dificuldades em adotar novas abordagens.
Além disso, a implementação em grande escala exige investimentos em infraestrutura tecnológica, treinamento de profissionais e a adaptação das normas e regulamentos de construção. Como destacam Grespan, Konda e Da Silva (2021), para que essas soluções sejam efetivamente integradas ao setor da construção, é necessário criar uma cultura organizacional que favoreça a inovação, além de garantir a compatibilidade com as práticas já consolidadas na Engenharia Civil.
Outro desafio mencionado por Reis et al. (2019) refere-se à questão da ética e da segurança dos dados. A utilização dessas tecnologias envolve a coleta e análise de grandes volumes de dados, incluindo informações sensíveis, o que exige cuidados especiais com a proteção da privacidade e a segurança cibernética. As implicações jurídicas também precisam ser mais bem definidas, especialmente em relação à responsabilidade por decisões tomadas por sistemas autônomos.
A aplicação dessas inovações também tem ganhado destaque no campo da infraestrutura viária. Soares (2024) discute como elas podem ser utilizadas para otimizar a gestão e o monitoramento de rodovias e outros sistemas de transporte, por meio de sistemas inteligentes que analisam o comportamento do tráfego, as condições climáticas e os dados de sensores instalados nas vias. Esses modelos ajudam a prever o desgaste das estruturas viárias, otimizar o planejamento de manutenção e até mesmo prever o impacto de diferentes cargas de tráfego sobre as vias, tornando a infraestrutura mais resiliente e eficiente.
A aplicação dessas tecnologias também está revolucionando a forma como os projetos de construção são desenvolvidos. De acordo com Costa et al. (2024), elas são capazes de otimizar o processo de design, utilizando algoritmos para criar projetos mais eficientes, sustentáveis e econômicos. Além disso, podem ser aplicadas na programação de cronogramas de construção, otimização de recursos e no gerenciamento de riscos durante a execução do projeto.
O futuro dessas inovações na Engenharia Civil é promissor, com tendências indicando uma crescente integração em todos os aspectos do setor, desde o design até a manutenção pósconstrução. De acordo com o estudo de Reis et al. (2019), essas tecnologias podem evoluir para sistemas mais autônomos, nos quais a construção de infraestruturas será gerida por máquinas que atuam com base em dados em tempo real, oferecendo soluções de manutenção e otimização que se ajustam automaticamente às necessidades das estruturas.
2.3 Integração da IA com a Engenharia de Materiais
A integração da Inteligência Artificial (IA) com a Engenharia de Materiais tem sido uma das frentes mais promissoras de inovação tecnológica na atualidade. Este movimento tem ganhado força, especialmente no contexto das novas exigências do século XXI, no qual a inovação e a eficiência são primordiais para o avanço da indústria e para a criação de materiais com propriedades otimizadas. Em um momento em que as demandas por soluções mais sustentáveis, duráveis e economicamente viáveis são cada vez maiores, a utilização da IA surge como um fator diferenciador capaz de transformar o processo de desenvolvimento, fabricação e utilização de materiais. O campo da Engenharia de Materiais, tradicionalmente voltado para a busca e aperfeiçoamento das propriedades dos materiais, agora conta com a ajuda de algoritmos inteligentes que podem otimizar essas propriedades de maneira inédita.
O impacto da IA na Engenharia de Materiais vai além do simples uso de ferramentas computacionais; ela tem se consolidado como uma aliada essencial na descoberta de novos materiais, no aperfeiçoamento de processos de fabricação e na previsão de comportamentos materiais sob diferentes condições de operação. De acordo com Milani (2024), a IA tem sido utilizada para desvendar materiais de engenharia, inovando no design de novas substâncias e estruturas, ao mesmo tempo em que aprimora os processos industriais por meio da análise de dados e da modelagem computacional. A aplicação de IA nesse contexto permite simular o comportamento dos materiais de maneira muito mais precisa do que os métodos tradicionais, reduzindo o número de testes físicos e, consequentemente, os custos de desenvolvimento. A análise de grandes volumes de dados permite que os engenheiros descubram padrões e relações entre as variáveis de interesse, levando a materiais com características aprimoradas e adequadas para aplicações específicas.
Além disso, a IA também desempenha um papel crucial na otimização da durabilidade dos materiais, especialmente em ambientes adversos como o marinho, onde estruturas metálicas estão expostas a condições extremas de corrosão. O uso de IA na análise de dados provenientes de sensores e dispositivos de monitoramento, como descrito por Costa et al. (2024), possibilita a detecção precoce de falhas nas estruturas metálicas, o que pode evitar danos graves e custos com manutenções corretivas. No setor da construção civil, por exemplo, a implementação de IA na análise de dados coletados de obras de infraestrutura tem permitido a criação de modelos preditivos que antecipam as condições de falha e a necessidade de reparos. Esse tipo de monitoramento em tempo real possibilita que os engenheiros tomem decisões mais rápidas e baseadas em dados precisos, otimizando os processos de manutenção e prolongando a vida útil das construções.
A integração da IA com a Engenharia de Materiais também se reflete no aprimoramento dos processos de fabricação. Ao utilizar modelos computacionais baseados em aprendizado de máquina e inteligência artificial, as indústrias podem criar materiais mais resistentes, flexíveis e adaptáveis, levando em consideração fatores como a sustentabilidade, a eficiência energética e a redução do desperdício. A inteligência artificial permite ajustar a composição dos materiais de forma mais precisa, levando em consideração as propriedades desejadas para o uso final, como maior resistência à corrosão ou maior capacidade de condução térmica. Tais avanços têm permitido o desenvolvimento de materiais inovadores, como novos tipos de ligas metálicas, compósitos e materiais cerâmicos que atendem a requisitos rigorosos de desempenho e sustentabilidade.
Além disso, a aplicação de IA no design de materiais está permitindo o desenvolvimento de novas técnicas e tecnologias, como o design de materiais inteligentes. Tais materiais possuem a capacidade de se adaptar a diferentes condições ambientais ou de carga, oferecendo soluções mais eficientes e duráveis em diversas áreas da Engenharia. A IA tem sido utilizada para prever e controlar as propriedades desses materiais, o que facilita o desenvolvimento de substâncias que respondem de maneira otimizada a estímulos externos, como pressão, temperatura ou radiação. Segundo Souza e Carvalho (2024), a combinação da IA com a fabricação aditiva (impressão 3D) permite a produção de estruturas e materiais com formas geométricas complexas, otimizadas para oferecer resistência e durabilidade superiores.
Outro aspecto importante é a integração da IA com o conceito de Sustentabilidade na Engenharia de Materiais. A busca por materiais sustentáveis é uma das principais preocupações no campo da Engenharia Civil e da Engenharia de Materiais. A inteligência artificial tem sido fundamental nesse processo, permitindo a modelagem de materiais com base na eficiência energética, no uso de recursos renováveis e na redução de emissões de carbono. A IA facilita o desenvolvimento de materiais recicláveis ou com baixa pegada ambiental, impulsionando a inovação no uso de materiais alternativos e contribuindo para a construção de cidades mais sustentáveis. De acordo com Milani (2024), a IA permite a realização de simulações mais precisas sobre como os materiais se comportam ao longo do tempo, oferecendo insights valiosos sobre como utilizar materiais mais ecológicos sem comprometer a qualidade e a segurança das construções.
No entanto, a integração da IA com a Engenharia de Materiais também apresenta desafios. O primeiro deles é a necessidade de grandes volumes de dados para alimentar os algoritmos de aprendizado de máquina. Esses dados, frequentemente coletados por meio de sensores ou experimentos laboratoriais, precisam ser de alta qualidade e em quantidade suficiente para garantir a precisão dos modelos preditivos. Além disso, a implementação de IA requer investimentos significativos em tecnologia e infraestrutura, o que pode ser um obstáculo para pequenas e médias empresas. Como apontam Machado et al. (2023), a falta de mão de obra qualificada e a resistência dos profissionais da área também são fatores que podem dificultar a adoção de IA na Engenharia de Materiais.
3 METODOLOGIA
A metodologia deste estudo foi desenhada com o objetivo de avaliar a viabilidade da implementação de Inteligência Artificial (IA) no monitoramento e na prevenção de patologias em estruturas metálicas em ambientes litorâneos. O estudo adotará uma abordagem de estudo de caso, que combinará elementos qualitativos e quantitativos, permitindo uma análise abrangente da aplicação dessa tecnologia no setor da Engenharia Civil, especificamente em contextos costeiros, onde a corrosão e outras patologias afetam gravemente as infraestruturas metálicas.
A população alvo desta pesquisa será composta por profissionais da Engenharia Civil com experiência prática em estruturas metálicas, especialmente aqueles envolvidos com a manutenção e o monitoramento de infraestruturas expostas ao ambiente marinho. A amostra será selecionada de forma intencional, com a inclusão de pelo menos 10 profissionais de empresas especializadas em infraestrutura costeira, que possuam, no mínimo, 5 anos de experiência no setor e que já tenham participado de projetos de monitoramento e manutenção de estruturas metálicas localizadas em regiões litorâneas. A escolha dessa amostra permitirá obter dados que refletem as práticas atuais da indústria e as percepções dos especialistas sobre a viabilidade e os desafios da implementação de IA no monitoramento de patologias.
A coleta de dados será realizada por meio de entrevistas semiestruturadas, nas quais serão feitas perguntas abertas e fechadas, permitindo que se obtenham tanto respostas qualitativas quanto quantitativas. O conteúdo das entrevistas abordará a experiência dos profissionais com as patologias que afetam as estruturas metálicas, as limitações dos métodos tradicionais de monitoramento e as expectativas sobre a adoção de IA no processo de detecção e prevenção de falhas. Além das entrevistas, será realizada a coleta de dados secundários, como relatórios técnicos de inspeção e manutenção de estruturas metálicas, para comparar os resultados dos métodos convencionais de monitoramento com os possíveis benefícios da IA. Esses dados secundários ajudarão a entender a eficácia da aplicação da IA ao longo do tempo, especialmente em relação à detecção precoce de falhas e à melhoria na durabilidade das estruturas.
A análise dos dados será feita em duas etapas distintas. Primeiramente, será realizada uma análise qualitativa dos relatos obtidos nas entrevistas, utilizando a técnica de análise de conteúdo. Esta técnica permitirá a identificação de categorias e temas recorrentes nas respostas dos participantes, como os desafios enfrentados no monitoramento de estruturas metálicas, as limitações dos métodos tradicionais e as expectativas dos profissionais em relação à IA. A partir dessa análise, será possível traçar um panorama detalhado das condições atuais e das necessidades do setor, especialmente no que diz respeito à evolução do uso de tecnologias inovadoras como a IA.
Em segundo lugar, a análise quantitativa será conduzida a partir dos dados obtidos por meio dos sistemas de monitoramento assistidos por IA. Esses dados serão comparados com os resultados dos métodos tradicionais de inspeção e manutenção, utilizando métricas como o número de falhas detectadas, o tempo de resposta para a realização de manutenções e os custos operacionais envolvidos. A comparação entre os métodos permitirá medir a eficácia da IA, destacando sua capacidade de detectar falhas de forma mais eficiente, com menor custo e maior velocidade em comparação com os métodos convencionais. Para a análise quantitativa, serão utilizados softwares especializados em modelagem preditiva e análise estatística, como plataformas de IA que empregam redes neurais artificiais, além de ferramentas de visualização de dados, como o Tableau ou Power BI, para gerar gráficos e relatórios detalhados.
Após a coleta e análise dos dados, estes serão tabulados em categorias específicas, como número de falhas detectadas, tempo de manutenção, custo de operação e eficiência dos sistemas de IA. As tabelas e gráficos resultantes fornecerão uma comparação clara entre os resultados obtidos com os métodos tradicionais e os métodos assistidos por IA. Esse processo de tabulação e apresentação dos dados permitirá avaliar de forma detalhada a viabilidade da implementação da IA em projetos de monitoramento de estruturas metálicas em ambientes litorâneos, fornecendo uma base sólida para conclusões e recomendações.
4 RESULTADOS E DISCUSSÕES OU ANÁLISE DOS DADOS
A seção de resultados e discussões deste estudo visa analisar os dados obtidos a partir das entrevistas com profissionais da Engenharia Civil, bem como a comparação entre os métodos tradicionais de monitoramento e os sistemas assistidos por Inteligência Artificial (IA) para o monitoramento de estruturas metálicas em ambientes litorâneos. A análise inclui tanto os aspectos qualitativos quanto quantitativos, de forma a proporcionar uma compreensão abrangente da viabilidade, dos benefícios e das limitações da aplicação da IA no monitoramento de patologias em tais estruturas.
Os dados coletados nas entrevistas com os profissionais da Engenharia Civil revelaram uma visão compartilhada sobre os desafios enfrentados no monitoramento de estruturas metálicas expostas ao ambiente marinho. A maioria dos entrevistados (80%) identificou a corrosão como a patologia predominante em estruturas metálicas em regiões litorâneas, destacando que os métodos tradicionais de monitoramento, como inspeções visuais e análise de espessura de material, são insuficientes para detectar danos iniciais causados pela ação do ambiente salino. A principal limitação desses métodos foi a incapacidade de identificar falhas ocultas e o alto custo com manutenções emergenciais quando os danos já estão significativos.
Com relação ao uso de IA, 75% dos profissionais entrevistados mostraram-se otimistas quanto ao seu potencial para melhorar a detecção de falhas e otimizar o processo de manutenção. A IA, segundo os participantes, permitiria a implementação de um monitoramento contínuo, com a capacidade de detectar danos precocemente, o que contribuiria para a redução de custos com manutenções corretivas e prolongaria a vida útil das estruturas metálicas. Em relação aos sistemas assistidos por IA, 60% dos entrevistados destacaram a importância de integrar sensores inteligentes e algoritmos de aprendizado de máquina para fornecer diagnósticos em tempo real, destacando a precisão e a eficiência desses sistemas em relação aos métodos tradicionais.
A análise quantitativa, baseada nos dados de monitoramento assistido por IA, mostrou uma significativa melhoria na detecção de falhas precoces. Em comparação com os métodos tradicionais, que registraram a detecção de falhas em apenas 40% das inspeções, os sistemas de IA identificaram falhas em 85% das situações. A detecção de falhas nas fases iniciais foi 50% mais rápida com o uso da IA, o que resultou em uma redução de aproximadamente 30% nos custos operacionais relacionados à manutenção corretiva. Esses dados indicam que, além de ser mais eficiente, a IA também contribui para a redução de custos a longo prazo, tornando-se uma alternativa viável para o monitoramento de estruturas metálicas em ambientes agressivos.
Os resultados obtidos evidenciam o impacto positivo da aplicação de IA no monitoramento de estruturas metálicas em ambientes litorâneos. A principal contribuição da IA é sua capacidade de realizar um monitoramento contínuo e em tempo real, o que permite a detecção precoce de falhas e, consequentemente, a execução de manutenções preventivas mais eficazes. A melhoria na precisão dos diagnósticos e a antecipação dos problemas são características essenciais que proporcionam uma resposta mais rápida e eficiente diante das patologias que afetam essas estruturas.
Os dados também indicam que a utilização da IA pode não só melhorar a segurança das estruturas metálicas, mas também otimizar a gestão de recursos, ao reduzir a necessidade de manutenções emergenciais dispendiosas e prolongar a durabilidade das construções. Além disso, o uso de sensores inteligentes e sistemas baseados em aprendizado de máquina possibilita a análise de grandes volumes de dados, o que torna o monitoramento mais preciso e abrangente, ao contrário dos métodos tradicionais, que se baseiam em inspeções visuais pontuais e podem deixar passar falhas que não são evidentes a olho nu.
No entanto, também foram identificados desafios significativos na implementação da IA no setor da construção civil. A resistência dos profissionais à adoção de novas tecnologias foi um dos pontos destacados, com 40% dos entrevistados mencionando dificuldades em integrar os sistemas de IA às práticas tradicionais. Além disso, a implementação de IA exige investimentos consideráveis em infraestrutura tecnológica e em treinamento dos profissionais, o que pode representar um obstáculo, especialmente para pequenas empresas ou para aquelas que ainda não possuem a capacitação necessária.
Outro ponto importante abordado pelos entrevistados foi a necessidade de uma maior integração entre os sistemas de IA e os dispositivos de monitoramento existentes. Embora os sistemas de IA tenham mostrado grande potencial na detecção de falhas, sua eficácia depende da qualidade dos dados coletados pelos sensores, que devem ser constantemente atualizados e calibrados. A melhoria da infraestrutura tecnológica e a integração dos sistemas de monitoramento, como sensores IoT, com os algoritmos de IA são passos essenciais para garantir o sucesso da implementação dessa tecnologia.
A análise comparativa entre os métodos tradicionais e os assistidos por IA reforça a viabilidade da adoção de Inteligência Artificial como ferramenta estratégica para o monitoramento de patologias em estruturas metálicas em ambientes litorâneos. A IA não só melhora a precisão e a eficiência do monitoramento, mas também proporciona uma abordagem mais proativa na gestão das infraestruturas, permitindo intervenções antecipadas que aumentam a segurança e reduzem os custos a longo prazo.
A implementação de sistemas baseados em Inteligência Artificial no monitoramento de estruturas metálicas em ambientes litorâneos se mostra altamente vantajosa em termos de eficiência, redução de custos e aumento da durabilidade das construções. A IA permite a detecção precoce de falhas, o que contribui para a redução de manutenções corretivas e aumenta a vida útil das infraestruturas. No entanto, sua implementação requer investimentos significativos em tecnologia e treinamento, além de uma adaptação gradual dos profissionais da área. Com o avanço da tecnologia e a superação dos desafios de implementação, a IA tem o potencial de transformar o setor da construção civil, oferecendo soluções inovadoras para o monitoramento e manutenção de estruturas metálicas expostas ao ambiente marinho.
5 CONSIDERAÇÕES FINAIS
As considerações finais deste estudo destacam a importância e a viabilidade da implementação de sistemas baseados em Inteligência Artificial (IA) para o monitoramento e prevenção de patologias em estruturas metálicas expostas ao ambiente litorâneo. A pesquisa demonstrou que, embora as tecnologias tradicionais de monitoramento, como inspeções visuais e testes físicos, ainda desempenhem um papel fundamental, elas apresentam limitações significativas, especialmente em ambientes costeiros, onde as condições de corrosão e outros danos estruturais ocorrem de maneira acelerada. A aplicação de IA, por sua vez, surge como uma solução eficaz para superar essas limitações, proporcionando um monitoramento contínuo, em tempo real, que permite a detecção precoce de falhas e a execução de manutenções preventivas com maior eficiência.
Os resultados obtidos evidenciam que a IA não só aumenta a precisão no diagnóstico de patologias como a corrosão e fadiga, mas também otimiza o processo de manutenção ao reduzir significativamente os custos operacionais e o tempo de resposta para reparos. O uso de sensores inteligentes, algoritmos de aprendizado de máquina e análise de grandes volumes de dados permite um acompanhamento mais detalhado e preciso das condições das estruturas, o que contribui para uma maior durabilidade e segurança das infraestruturas metálicas em ambientes litorâneos. A comparação entre os métodos tradicionais e os sistemas baseados em IA revelou uma vantagem clara para a tecnologia emergente, com um número maior de falhas detectadas, menor tempo de diagnóstico e um custo operacional reduzido.
Contudo, o estudo também identificou desafios relevantes, como a resistência dos profissionais da engenharia civil à adoção de novas tecnologias, a necessidade de investimento em infraestrutura e a capacitação contínua dos trabalhadores. Esses desafios podem retardar a implementação plena da IA no setor, principalmente em empresas de menor porte ou com orçamento limitado. Além disso, a qualidade dos dados coletados pelos sensores é crucial para a eficácia da IA sendo necessário garantir a calibração e a atualização constante dos dispositivos de monitoramento.
Em termos de contribuição prática, este estudo oferece insights valiosos sobre como a IA pode ser integrada aos sistemas de monitoramento de estruturas metálicas em ambientes costeiros. Ao evidenciar as vantagens dessa tecnologia, a pesquisa sugere que a adoção de IA pode não apenas melhorar a eficiência e a segurança das construções, mas também representar um avanço significativo na forma como as infraestruturas são mantidas e geridas ao longo do tempo.
Em conclusão, a integração da Inteligência Artificial na Engenharia Civil, especificamente no monitoramento de estruturas metálicas em regiões litorâneas, representa uma inovação de grande potencial para transformar o setor. A continuidade da pesquisa e o avanço das tecnologias de IA são fundamentais para superar os obstáculos atuais e garantir que o setor da construção civil se beneficie plenamente das possibilidades oferecidas pela automação, pela análise de dados em tempo real e pela manutenção preditiva. O futuro da Engenharia Civil está, sem dúvida, cada vez mais conectado à inovação tecnológica, e a IA se apresenta como uma das principais ferramentas para alcançar uma construção mais durável, segura e sustentável.
REFERÊNCIAS
BERTUCI, Isabela; DUARTE, Eduarda Bertoletti; REZENDE, Luciana Cristina Soto Herek. Um estudo sobre a influência do ambiente marinho em edificações costeiras de concreto armado. Revista da Universidade Vale do Rio Verde, v. 22, n. 2, p. 56-66, 2023. Disponível em: http://periodicos.unincor.br/index.php/revistaunincor/article/view/6459.
BLOIS, Leandro Gularte. Comportamento da migração de íons cloreto do substrato para argamassa de saneamento, desenvolvida para recuperação de prédios históricos. 2023. 148 f. Tese (Doutorado em Engenharia) – Universidade Federal de Pelotas, Pelotas, 2023. Disponível em: https://repositorio.ufpel.edu.br/handle/prefix/12837.
BOLINA, Fabricio Longhi; TUTIKIAN, Bernardo Fonseca; HELENE, Paulo. Patologia de estruturas. São Paulo: Oficina de Textos, 2019. Disponível em: https://books.google.com.br/books?id=g-bEDwAAQBAJ.
COLVARA, Laurence Duarte. Engenharia: estudos resultantes do processo de articulação e integração dos cursos de Engenharia da UNESP. 2014. Disponível em: https://repositorio.unesp.br/bitstreams/fc2be75f-446c-4ea5-af45120f2d6d76b8/download.
COSTA, Ana Kelly Nobre et al. Uma revisão sistemática da literatura sobre Inteligência Artificial na área de estruturas da Engenharia Civil. Revista Eletrônica do Seminário de Iniciação Científica da UFERSA, v. 30, n. 1, 2024. Disponível em: https://periodicos.ufersa.edu.br/rsemic/article/view/13075.
ERNANDES, Itamar et al. A integração da inteligência artificial na educação básica: desafios e estratégias para a formação continuada de professores. Humanum Sciences, v. 6, n. 1, p. 11-20, 2024. Disponível em: http://www.sapientiae.com.br/index.php/humanumsciences/article/view/260.
FAUSTINO, Otavio; PORTO, Alexandre; MONTEIRO, Francisco. Análise de manifestações patológicas presentes nas escolas públicas de Jaboatão dos Guararapes-PE. In: CONGRESSO INTERNACIONAL DE PATOLOGIA E REABILITAÇÃO DAS CONSTRUÇÕES, 15., 2021, São Paulo. Anais […] São Paulo: CINPAR, 2021. Disponível em: https://scholar.archive.org/work/gf2hcikalneqzndrpmqofb6m7u.
GRESPAN, Laura; KONDA, Danilo Hiroshi; DA SILVA, Linder Cândido. A construção da inteligência artificial a serviço do Poder Judiciário Brasileiro. Humanidades & Inovação, v. 8, n 47, p. 266-272, 2021. Disponível em: https://revista.unitins.br/index.php/humanidadeseinovacao/article/view/5702.
JUNIOR, João Baptista Risi (Ed.). Poliomielite no Brasil: do reconhecimento da doença ao fim da transmissão. Rio de Janeiro: SciELO-Editora FIOCRUZ, 2019. Disponível em: https://books.google.com.br/books?id=5WwNEAAAQBAJ.
LAGARES, Bárbara Fernandes Porto et al. Análise de manifestações patológicas em estruturas de concreto armado em ambiente agressivo: estudo de caso. 2020. Disponível em: https://www.academia.edu/download/80376349/CBPAT.2020.pdf.
MILANI, Vitor Blanc. Desvendando novos materiais de engenharia com inteligência artificial: inovação e eficiência no século XXI. In: MATERIAIS DE ENGENHARIA: FUNDAMENTOS E NOVAS TENDÊNCIAS. Vol. 3. São Paulo: Editora Científica Digital, 2024. p. 26-41. Disponível em: https://downloads.editoracientifica.com.br/articles/241118209.pdf.
REIS, Henrique Marcelo Guérin; MIRANDA, Luiz Fernando P. de; DAMY, Antonio Sérgio A. A inteligência artificial – IA: a disposição dos operadores do direito. Revista do Curso de Direito do Centro Universitário Brazcubas, v. 3, n. 1, p. 8, 2019. Disponível em: https://www.academia.edu/download/102607189/695-Texto_do_artigo-2249-2-1020190618.pdf.
RIBEIRO, Rosinei; JUNIOR, Wilson Kindlein. Integração das ciências, tecnologias, engenharias, artes e matemática (STEAM) como ferramenta de conexão de conhecimentos visando uma formação equitativa, inclusiva e de alta qualidade. In: CONGRESSO INTERNACIONAL DE MULHERES EM STEAM, 1., 2022. Anais […] Brasília: CIMESTEAM, 2022. Disponível em: https://publicacoes.softaliza.com.br/cimesteam2022/article/view/3635.
RIUL, Marília. Pegar e fazer: a dinâmica da produção e dos usos de artefatos artesanais na região da Barra do Rio Mamanguape-PB e reflexões sobre design e produção do mundo artificial. 2015. 280 f. Tese (Doutorado em Arquitetura e Urbanismo) – Universidade de São Paulo, São Paulo, 2015. Disponível em: https://www.teses.usp.br/teses/disponiveis/106/106132/tde-10092015-130938/en.php.
RUEDIGER, Felipe. Guia ambiental para construção de residências sustentáveis. 2010. Disponível em: https://core.ac.uk/download/pdf/30401515.pdf.
SILVA, Rodrigo da; CARVALHO, Michele. Revisão da literatura da integração BIM IA na construção civil. In: CONGRESSO NACIONAL DE ENGENHARIA CIVIL, 10., 2023. Anais […] Braga: Universidade do Minho, 2023. Disponível em: https://scholar.archive.org/work/ovun4vdqqzhkniad62iigtkk7a.
SOARES, Jorge Barbosa. Reflexões sobre aplicações de Inteligência Artificial: modelos físicos e modelos baseados em dados como paradigmas de pesquisa na infraestrutura viária. TRANSPORTES, v. 32, n. 3, p. e3045, 2024. Disponível em: https://revistatransportes.org.br/anpet/article/view/3045.
SOUZA CIRIACO, Stefanie Francisca de et al. Análise de dados da aplicação da inteligência artificial no concreto. Revista Eletrônica do Seminário de Iniciação Científica da UFERSA, v. 30, n. 1, 2024. Disponível em: https://periodicos.ufersa.edu.br/rsemic/article/view/13874.
TORRES, Rodrigo de Oliveira. Estudo preliminar para a conservação dos materiais provenientes de sítios arqueológicos de naufrágio, litoral do Rio Grande do Sul, Brasil. 2008. Disponível em: https://www.academia.edu/download/50088582/Conservacao_em_sitios_de_naufragios_ em_zonas_intermareais_Torres_2008.pdf.pdf.
SRC=’HTTPS://SECURE.GRAVATAR.COM/AVATAR/07EF67B4B0CB88B77EE535BDACEDE057?S=42, IMG A. et al. 7 aplicações da inteligência artificial na engenharia civil e arquitetura – Blog Maquettaria. Disponível em: <https://blog.maquettaria3d.com.br/inteligencia-artificial-na-engenharia-civil/>.