Giner utiliza banco de dados de ensaios acústicos para desenvolver estudos de isolamento acústico com Inteligência Artificial
Estudos foram apresentados em dois congressos internacionais – no Tecnicacústica, em 2022 na Espanha, e no Inter-Noise, realizado no Japão em 2023
Inquietação, inteligência artificial e um grande banco de dados que acumula ensaios acústicos realizados nos últimos 25 anos são a matéria-prima do estudo Machine Learning aplicado à análise de isolamento acústico em edificações residenciais – Partes 1 e 2, desenvolvido pelo time do Laboratório de Ensaios Acústicos Giner.
O estudo realizado em duas partes – a primeira sobre sistemas de piso e a segunda sobre divisórias entre unidades habitacionais distintas – visa compreender se as soluções acústicas padronizadas são efetivas para atender aos requisitos da ABNT NBN 15575, ainda que sejam aplicadas em edificações com características similares.
Para analisar os resultados obtidos em mais de 500 ensaios acústicos, o time contou com o auxílio de uma Inteligência Artificial, a Machine Learning que foi alimentada com dados de projetos já concluídos – informações como como volume dos ambientes, área de partição e elementos construtivos – com o objetivo de investigar se seria capaz de, a partir do aprendizado da máquina, encontrar soluções acústicas satisfatórias a partir de um padrão identificado.
A conclusão do estudo refuta qualquer possibilidade de aplicação de soluções acústicas padronizadas e evidencia a importância das ferramentas computacionais de simulação para predição segura dos resultados de desempenho acústico.
Para explicar, em detalhes, o objetivo, a metodologia e o conclusão deste estudo, entrevistamos Bárbara Fengler, coordenadora técnica da Giner. Confira a entrevista na íntegra.
Toda pesquisa começa com um incômodo ou um problema ainda sem solução. Qual foi a motivação do estudo Machine Learning aplicado à análise de isolamento acústico em edificações residenciais – Parte 2: vedações verticais, apresentado nesta semana no 52º Congresso e Exposição Internacional de Engenharia de Controle de Ruído – Inter-Noise 2023?
Bárbara Fengler: As duas partes deste estudo foram incentivadas pelo fato de que, muitas vezes, nos deparamos com projetos de soluções padronizadas: uma determinada solução foi satisfatória na obra A, então também será suficiente na obra B. Na prática, entretanto, sabemos que não é bem assim, uma vez que são muitas as variáveis que determinam a qualidade acústica de um ambiente.
Nos estudos, focamos na análise dos resultados de isolamento acústico conforme requisitos da Norma Brasileira de Desempenho - ABNT NBR 15575. A proposta era verificar se soluções acústicas padronizadas são suficientes para garantir o atendimento à norma e utilizamos o grande banco de dados de ensaios da Giner para fundamentar os estudos.
Para familiarizar o leitor, o que é exatamente o Machine Learning e qual a aplicação desta metodologia nos ensaios acústicos?
Bárbara Fengler: O Machine Learning, ou aprendizado de máquina, é um processo computacional no qual a máquina “estuda” um determinado padrão para conseguir responder às novas perguntas sobre esse mesmo problema. Por exemplo, na escola aprendemos as regras de acentuação por meio de vários exemplos até que esse padrão seja compreendido para conseguirmos aplicar em novas palavras.
O processo de Machine Learning é similar. Fornecemos à máquina um banco de dados já com os resultados obtidos nos ensaios, que servem como exemplos, para que ela possa estudar o padrão e apresentar novos resultados sobre o mesmo problema. Esta metodologia, geralmente, é aplicada à problemas complexos, para os quais é difícil estabelecer as regras ou um modelo matemático para previsão de resultados.
No campo da construção civil, estudos mostram que a partir de gravações e imagens de pontes, por exemplo, é possível identificar problemas estruturais por meio desse tipo de metodologia. No campo da acústica, a metodologia vem sendo utilizada para reconhecimento do tipo de veículo em rodovias, gravadas em vídeos, para posterior elaboração de mapas de ruído.
O artigo foi desenvolvido a partir de quais objetivos?
Bárbara Fengler: O objetivo era compreender se o problema “qual será o resultado do ensaio acústico nessa edificação?” poderia ser resolvido por meio desta metodologia. A Parte 1 do estudo, apresentada no congresso Tecnicacústica, na Espanha em 2022, avaliou os resultados em ensaios para sistema de piso. Agora, no Inter-Noise, no Japão, foi apresentada a Parte 2, com os resultados de divisórias entre unidades habitacionais distintas.
Qual foi a base de dados utilizada para as análises?
Bárbara Fengler: Para os estudos, utilizamos a base de dados de ensaios realizados pelo Laboratório de Ensaios Acústicos Giner nos últimos 25 anos.
Neste banco de dados constam informações geométricas, referentes aos ambientes de ensaios como volume dos ambientes e área de partição, e informações sobre os elementos construtivos como tipo da partição, espessura, existência ou não e tipo de revestimentos, existência e tipo de solução acústica adicional, por exemplo, contrapiso flutuante para o caso de sistema de piso e preenchimento com graute para divisórias.
Para que a máquina pudesse “estudar e entender” os padrões, fornecemos também os resultados obtidos em cada situação. No total, consideramos mais de 500 resultados nas Partes 1 e 2 do estudo.
E qual o método aplicado ao estudo?
Bárbara Fengler: Existem alguns tipos de Machine Learning. Neste estudo utilizamos o método supervisionado que consiste em separar o banco de dados em 2 partes: uma para estudo e outra para teste. Com a primeira parte, a máquina “estuda” as informações e identifica os padrões entre os resultados. Com a segunda parte, a máquina é testada, indicamos os dados para que ela apresente o resultado obtido e verificamos se a solução apresentada é capaz de atender aos requisitos da norma, em outras palavras, verificamos se a máquina é capaz de aprender corretamente e fornecer uma solução satisfatória.
Quais foram os resultados obtidos a partir das análises realizadas?
Bárbara Fengler: A máquina conseguiu resolver o problema com exatidão apenas para casos de atendimento ao intermediário e superior, ou seja, quando temos soluções acústica demasiadamente robustas, ela consegue entender que os requisitos de desempenho acústico da norma brasileira são atendidos. Nos casos mais simples, a máquina tem dificuldade de indicar se uma determinada situação irá ou não atender aos requisitos de forma a fornecer segurança na tomada de decisões.
E como estes resultados contribuem para os projetos no campo da acústica?
Bárbara Fengler: Os resultados evidenciam a importância da utilização de ferramentas computacionais de simulação para predição segura dos resultados de desempenho acústico, especialmente quando é esperada uma economia de recursos financeiros e de material.
Uma vez que uma inteligência artificial não consegue utilizar a experiência de 25 anos de ensaios para garantir novos resultados, fica evidente que não podemos utilizar soluções padronizadas em uma situação esperando que seja suficiente apenas porque foi suficiente em outra situação, mesmo que similar.
