Abrir a caixa-preta e refletir sobre métodos do fazer. Otimização de projeto orientado ao desempenho em arquitetura

Universidade Católica de Pernambuco

Universidade Federal da Paraíba

Universidade de São Paulo
Instituto de Ciências Matemáticas e de Computação

Introdução

Um dos usos que mais geram interesse em pesquisadores e arquitetos em relação a aplicação de algoritmos e da computação na área, é a possibilidade de testar muitas alternativas de projeto e verificar suas eficiências. Este fluxo de trabalho integra modelagem paramétrica, simulação e otimização para definir quais as melhores alternativas de projeto para um problema que se quer verificar solução. É possível verificar desempenhos em simulações estruturais, de consumo energético, ou de análises de iluminância, por exemplo. É comum nas etapas do projeto orientado ao desempenho (ou performance), o uso de algoritmos de otimização caixa-preta. Na matemática, uma otimização caixa-preta se refere ao uso de softwares que podem simular um comportamento que deseja-se verificar –como por exemplo a tensão e deslocamento de forças em uma viga– sem que o projetista necessariamente descreva o problema de simulação em uma fórmula matemática. Desta maneira, os mecanismos presentes nos softwares calculam as simulações e fornecem os resultados em valores numéricos para os projetistas, sem suas fórmulas matemáticas correspondentes (Wortmann e Nannicini, 2017).

No entanto, com uma vista mais abrangente deste processo de projeto e para além desta especificidade técnica, chamamos de caixa-preta, um método tomador de decisão que não explicita seu algoritmo ou detalhes precisos de como operam os dados que retornam como soluções “ótimas”. Por exemplo, é popular o uso do otimizador Galapagos, nativo da linguagem de programação visual Grasshopper. O plugin permite aplicar um método de recozimento simulado (simulated annealing) e um evolucionário (evolutionary solver). Existem variedades de decisões e estratégias na definição destes algoritmos que podem impactar tanto os resultados da otimização quanto sua adequação ao problema de projeto. No caso do algoritmo evolucionário é possível tomar decisões sobre tamanho inicial da população, indivíduos iniciais descartados, taxa de mutação, estratégias de cruzamento, taxa de elitismo, entre outros. Em um algoritmo caixa preta, não podemos verificar ao certo como opera o método escolhido.

Este artigo chama atenção para o fato de que as pesquisas que exploram o projeto orientado ao desempenho em arquitetura –e projetos do design computacional em geral– têm frequentemente publicado trabalhos sem compartilhar ou detalhar os conjuntos de procedimentos que levaram a tais resultados. Há uma emergência aparente de positivismo sobre esses projetos. Mesmo onde resultados inovadores de desempenho são atingidos, a não abertura dos métodos fornece pouca ou nenhuma informação para que a comunidade científica possa desenvolver uma análise crítica sobre os procedimentos empregados e resultados apresentados. Destacam-se as inovações, e sem informações abertas sobre os algoritmos, dificulta-se a reflexão crítica sobre a coerência da tecnologia aplicada na resolução do problema que se deseja solucionar.

Tal condição impossibilita reflexões seguras sobre as características dos processos e otimizações produzidas, torna-se reduzida a reflexão em arquitetura sobre quais métodos são mais apropriados para a otimização de determinados problemas do projeto arquitetônico. Além disso, desampara o fluxo de trocas de conhecimentos, uma vez que a possibilidade de replicar o experimento e discutir aprofundadamente a respeito das soluções encontradas tornam-se reduzidas. Também, acentua-se o cenário de que pesquisas de ponta são produzidas em centros de inovação, geralmente localizados no norte global, enquanto países no capitalismo dependente, como o Brasil, reproduzem as técnicas caixa-preta (ou de código fechado) sem terem desenvolvido olhar crítico sobre a adequação entre métodos e busca por soluções de problemas.

Diferente dos métodos não-computacionais de processo de projeto em arquitetura, nos quais o objeto arquitetônico se manifesta através da representação pelo desenho –baseado em conhecimentos implícitos– no design computacional existe a explicitação dos processos cognitivos, baseados na capacidade de configurar, programar e implementar os algoritmos do fluxo de projeto, ao mesmo tempo que interage com sua representação visual. Esta transição entre paradigmas amplia consideravelmente a capacidade de compartilhamento dos processos e soluções de projetos, agora declarados como algoritmos. Contudo, esta cultura não se manifesta na maior parte das pesquisas publicadas na área.

Diante deste contexto de escassez de referências que abrem seus processos com transparência, este artigo apresenta um experimento comparativo de otimização de projeto orientado ao desempenho em arquitetura. Apresentamos uma reimplementação do projeto Vancouver Academic Building, do escritório Perkins+Will Atlanta, que utiliza o método Design Space Construction (Haymaker et al., 2018) e a comparação deste com um algoritmo genético, através do plugin ArchOptimum, desenvolvido pelos autores (Landim, Digiandomenico, Amaro, Pratschke, Tramontano e Toledo, 2017). O objetivo aqui é transitar entre a aplicabilidade técnica de um algoritmo de otimização aberto, e o que se aprendeu deste processo de maneira mais ampla e crítica frente a área do projeto orientado ao desempenho. Nossa finalidade inicial foi identificar quais as potencialidades e limites dos métodos e qual deles é mais eficiente na otimização do projeto de arquitetura estudado. Além disso, buscamos saber quais reflexões emergem quando os projetistas desenvolvem ou operam métodos de otimização de código-fonte aberto. Em outras palavras, neste trabalho tentamos abrir certas caixas-pretas e ver o que elas nos despertam a respeito do design computacional e otimização de projetos em arquitetura. Assim, a partir das observações apresentadas até aqui, nos perguntamos se estimular a abertura dos métodos de otimização no design computacional em arquitetura pode tornar a otimização mais eficiente, verificável e reproduzível.

Otimização de projeto em arquitetura

O fluxo de trabalho que integra modelagem paramétrica, simulações de desempenho e algoritmos de otimização, conhecido como projeto orientado ao desempenho –em inglês performance-driven architectural design– é definido como um método capaz de estabelecer relações de compensação entre objetivos concorrentes e testar seus impactos em muitas alternativas de projetos. Dessa maneira, a otimização integrada de múltiplas variáveis pode guiar e aperfeiçoar o projeto (Shi e Yang, 2013). A literatura internacional têm apontado que a otimização tem grande relevância na arquitetura, engenharia e construção (AEC), pois ela pode aumentar consideravelmente os padrões de eficiência dos resultados nas respostas às diversas demandas e objetivos do projeto (Li, Liu e Peng, 2020). São geralmente usadas em estudos de massa, orientação e implantação de edificações, projeto de fachadas, sistemas estruturais, qualidade do ar, eficiência energética, sistemas de aquecimento, ventilação e ar-condicionado, iluminação natural e artificial, logística, acústica, ciclo de vida, custos, entre outros (Shi, 2010; Machairas, Tsangrassoulis e Axarli, 2014; Touloupaki e Theodosiou, 2017). O projeto orientado ao desempenho se conecta com os aspectos que podem ser quantificáveis. Vale lembrar que este método reduz uma série de combinações possíveis a inadequadas ou insuficientes, e em certa medida desconsidera que a proposta de uma solução ótima ignora o estado impermanente e subjetivo que compõem o caráter qualitativo da resposta arquitetônica.

Considerações sobre a escolha do método de otimização: Algoritmo Genético

Entre as metaheurísticas –heurísticas para resolver de forma genérica problemas de otimização– os Algoritmos Genéticos (AGs) é um dos métodos mais populares em problemas de arquitetura. Algoritmos Evolutivos, especialmente AGs, são conhecidos por serem robustos na exploração de espaço de design para uma ampla gama de problemas de otimização (Attia, Hamdy, O’Brien e Carlucci, 2013). No entanto, existem outros métodos de otimização baseados em algoritmos que dependem de menos aleatoriedade e mais de fundamentos matemáticos, portanto, podem ser mais eficientes, uma vez que encontram soluções com menor número de iterações (Holmström, 2008; Rios, 2009; Costa, Nannicini, Schroepfer e Wortmann, 2015). O que se pode afirmar é que nenhum método de otimização tem o melhor desempenho em todos os problemas possíveis. Assim, é relevante apontar que o AG é um processo heurístico, portanto, pode não necessariamente gerar soluções ótimas globais. A vasta documentação do conjunto de procedimentos do AG, assim como a quantidade de exemplos práticos em arquitetura aplicando esse método em seu processo de projeto, motivaram o enfoque desta pesquisa.

Experimento

A partir do uso da computação, o processo de projeto ganha complexidade, uma vez que tenta obter respostas eficientes às crescentes solicitações na AEC, dentre elas, a maximização da eficiência energética do projeto em relação a sua forma e componentes construtivos.

Os sistemas de classificação de sustentabilidade, desenvolvidos em todo o mundo nas últimas décadas, alavancaram pesquisas de otimização em AEC por envolverem requisitos de projeto difíceis de calcular, onde muitas vezes é necessário balancear fatores concorrentes como, por exemplo, a maximização do uso da luz natural e a minimização do calor por radiação solar. Diante desse panorama, muitas vezes a varredura do espaço de design, sem a aplicação de um método de otimização, torna-se complexo e custoso para as equipes de projeto. Considerando este contexto, o presente experimento apresenta reflexões a partir do desenvolvimento e aplicação do método em código aberto que propõe realizar três contribuições:

1. Demonstrar a implementação do método de otimização por AG como recurso de buscas dentro de um grande espaço de design, operando junto com simuladores de eficiência energética.

2. Abrir os métodos de otimização implementados, assim como detalhar e comparar os dois métodos de otimização aplicados no mesmo estudo de caso, abrindo a possibilidade dos métodos investigados serem verificados e adaptados.

3. Fornecer recursos para a reflexão prática, teórica e crítica a respeito dos potenciais e limites da otimização de projetos orientados ao desempenho.

Problema arquitetônico

O problema corresponde ao estudo de caso Vancouver Academic Building, do escritório de arquitetura Perkins+Will da cidade de Atlanta, Geórgia, nos Estados Unidos, é balancear objetivos conflitantes e atender pré-requisitos de certificações internacionais de sustentabilidade. São eles, a carga de resfriamento e aquecimento Standard da International Passive House Association (IPHA) e a maximização do uso da luz natural disponível definido pelo Leadership in Energy and Environmental Design (LEED). Portanto, a otimização do projeto se concentra na fachada do edifício compondo a distribuição de painéis pré-moldados, brises e a definição dos valores de ganho de calor aceitáveis para o vidro e para as paredes opacas. A tradução dos objetivos da otimização em sua forma quantificável está descrita na tabela abaixo:

Os autores envolvidos no experimento tiveram autorização do escritório Perkins+Will para a utilização do projeto, que concedeu acesso a parte dos dados do processo de projeto. A autorização foi concedida pelos arquitetos pesquisadores John Haymaker, diretor de pesquisa da Perkins+Will San Francisco, professor na Georgia University of Technology, Estados Unidos, e Marcelo Bernal, diretor de pesquisa da Perkins+Will Atlantae professor na Universidad Técnica Federico Santa María, Chile. Tais dados englobam o fluxo de trabalho do processo, informações sobre os critérios de decisão do projeto, métricas de desempenho e os métodos de otimização.

A implementação do estudo parte do modelo paramétrico, compartilhado no material disponibilizado pelo escritório de arquitetura Perkins+Will no workshop Design Space Construction: Defining, optimizing, and communicating performance-based building design spaces, realizado no congresso Association for Computer-Aided Design in Architecture, ACADIA 2017.

O projeto Vancouver Academic Building foi selecionado como estudo de caso por integrar concepção, simulação e otimização de desempenho em arquitetura, assim, possui características processuais que colaboram com as investigações da presente pesquisa.

Abordagem Design Space Construction (DSC)

O fluxo de trabalho aplicado no estudo de caso se baseia na abordagem Design Space Construction (DSC). A metodologia oferece um modelo computacional que dá suporte para definição de objetivos de projeto, geração de modelos paramétricos e simulações de alternativas de projeto. Essa estrutura guia o projetista por meio de processos de formulação de problemas, geração de alternativas de projetos, análise de impacto e avaliação de valor das alternativas obtidas (Haymaker et al., 2018). O estudo de caso segue o quadro conceitual de implementação proposto por Haymaker et al. (2018), descrito a seguir.

Modelo Paramétrico

Dentre o material disponibilizado, os itens fundamentais são, um arquivo Rhinoceros (.3dm) e uma arquivo Grasshopper (.gh), que geram o modelo paramétrico do projeto. O arquivo Rhinoceros contém a representação computacional volumétrica do projeto do estudo de caso. Os dados do projeto estão reunidos em cinco conjuntos de camadas, que reúnem o volume dos elementos das lajes, áreas ocupadas, volumes internos, fachadas estáticas e curvas da silhueta do volume.

O modelo paramétrico do projeto se refere à geração da geometria dos diferentes tipos de painéis e seus possíveis posicionamentos em cada trecho de fachada. O modelo paramétrico será responsável por gerar iterativamente as alternativas de projeto e o algoritmo de simulação atrelado à ele avalia o modelo analítico com os atributos necessários para cada análise de simulação.

Simuladores de performance

Ladybug e Honeybee, são plugins de código aberto para Grasshopper. Integram o Grasshopper com conjuntos de dados ambientais validados e motores de simulação com a finalidade de explorar e avaliar o desempenho ambiental. Portanto, são responsáveis por intermediar a comunicação entre o modelo paramétrico no Grasshopper com o software que calcula a simulação definida.

O Ladybug torna possível a importação de arquivos padrão do WeatherPlus Weather (.EPW). O Honeybee permite a realização de simulações de iluminação natural com o software Radiance e DAYSIM, modelos de energia usando o OpenStudio e EnergyPlus e fluxos de calor através do Berkeley Lab Therm.

EnergyPlus é um programa de simulação de energia capaz de avaliar consumo energético para aquecimento e resfriamento, ventilação, iluminação e cargas. Além disso, o programa é capaz de incorporar durante a simulação questões como cálculo de horas específicas, sendo que as etapas de tempo podem ser pré-definidas para análise de zonas térmicas do ambiente. O EnergyPlus é gratuito e de código aberto, financiado e desenvolvido pelo Building Technologies Office (BTO) do United States Department of Energy (DOE).

Open Studio reúne um conjunto de programas que suportam a modelagem de energia do edifício através do EnergyPlus e Radiance acrescendo a interface gráfica de visualização no seu funcionamento, que também pode ser inicializado por entradas em linguagens textuais, como C++, Ruby e C#, é gratuito e de código aberto, também financiado e desenvolvido pelo Building Technologies Office (BTO) do United States Department of Energy (DOE).

Radiance, reúne um conjunto de programas de análise e visualização focado na iluminação, utilizado por profissionais da construção e pesquisadores para simulação de luminosidade e qualidade visual. Os cálculos realizados pelo programa incluem índices de brilho, iluminância e cor, ou seja, radiância espectral e irradiância. Radiance foi desenvolvido por Greg Ward no Building Technologies Program na Environmental Energy Technologies Division do Lawrence Berkeley National Laboratory em Berkeley.

DAYSIM, é um programa de análise capaz de modelar a iluminação natural dentro de um período específico, medindo a quantidade de luz no interior e entorno dos edifícios operando baseado no Radiance. O desenvolvimento do programa foi coordenado por Christoph Reinhart e as implementações foram realizadas no Fraunhofer Institute for Solar Energy Systems (ISE), Harvard University, Massachusetts Institute of Technology (MIT) e no National Research Council (NRC) do Canada.

Otimizador

No projeto original, o escritório utiliza uma função matemática que atribui pesos a cada um dos objetivos. O resultado dessa função é o valor fitness de cada alternativa de projeto. Essa função é escrita na planilha de dados resultantes das simulações de todas as alternativas de projeto.

O objetivo do método é explorar a combinação de parâmetros que melhor atende o balanceamento dos seguintes itens:

Iluminação (lighting) dentro da edificação, o resultado equivale a porcentagem da área dentro da faixa aceitável;

Resfriamento (cooling) em kWh/m²; e Aquecimento (heating) em kWh/m².

Para poder comparar diretamente os resultados das simulações que estão em diferentes unidades de medida, é necessário normalizar os resultados (quando todos os valores ficam na mesma escala, de 0 a 1) através da função

f ator – min(f ator) / max(f ator) – min(f ator).

A função objetivo aplicada da otimização considera então:

Os pesos dos fatores são definidos em um acordo entre a equipe de projeto e clientes. Por exemplo: 0,3 para cooling, 0,2 para heating, 0,3 para lighting, pesos somam cem por cento.

Visualização de dados

Após a realização das simulações de todas as alternativas de projeto definidas na planilha, o conjunto de dados e imagens de cada alternativa (gravados pelo plugin Colibri em um arquivo .csv e imagens .jpg do resultado de cada iteração) podem ser carregados na ferramenta web Designer Explorer.

Design Explorer é uma ferramenta de código aberto desenvolvida pelo CORE Studio, para a exploração da representação do espaço de busca. A partir do arquivo data.csv a ferramenta gera a visualização 2D do espaço de busca do projeto através da plotagem do Gráfico de Coordenadas Paralelas (Parallel Coordinates Plot) (Figuras 10 e 11 na página 14).

Conceito do fluxo da implementação

A partir dos recursos apresentados, o fluxo da implementação do DSC pode ser conceitualmente descrito em quatro etapas:

Etapa 1. Início do fluxo da implementação, onde são definidos os objetivos e parâmetros de entradas de projeto, atrelados a geometria volumétrica do arquivo Rhinoceros (.3dm) e a modelagem algorítmica no Grasshopper. Nessa etapa, também são estabelecidas as zonas e os intervalos da análise energética.

Etapa 2. O projeto computacional gera as alternativas através de modelos analíticos tridimensionais incluindo os painéis paramétricos que serão alocados na fachada do edifício. Os modelos analíticos são encaminhados para a etapa posterior.

Etapa 3. São realizadas as simulações para análises e validações das alternativas de projeto.

Etapa 4. Os resultados de desempenho das análises são computados na função objetivo que classifica as melhores alternativas de projeto.

Implementação do estudo de caso

A partir desse conjunto de programas e procedimentos, é composto o fluxo de trabalho do estudo de caso. No entanto, mesmo com todos os programas instalados e verificados, o código cedido pelo escritório, desenvolvido no Grasshopper, apresentou erros de operação que precisaram ser adaptados e corrigidos. Na fase de implementação foram superados erros causados por versionamento da interface de programação e outros comportamentos intermitentes do código, como rodar em uma máquina e em outra não. Este tipo de erro é identificado na literatura de linguagens de programação visual: “A falta de mecanismos para checar o funcionamento do código progressivamente é um ponto negativo da linguagem [de programação visual]” (Landim, 2019, p. 130). O motivo não foi declarado nas mensagens de erro do Grasshopper e o próprio programa não possui suporte a nenhum método automatizado de revisão e testes de códigos.

Foi necessário recriar e avaliar o código por inteiro. Os erros encontrados possuem fontes diversas, entre eles um arquivo solicitado pelos plugins Ladybug e Honeybee ao programa EnergyPlus que não era encontrado. O código fonte dos plugins desenvolvido em Python foram atualizados manualmente para buscar outra versão do arquivo dentro da biblioteca do programa EnergyPlus, sanando esse problema. O código original disponibilizado pelo escritório correspondia à simulação e otimização de apenas um pavimento do edifício. Isso significa que no código cedido não era considerada a interferência da arquitetura de um pavimento no outro. Desse modo, o desempenho do edifício não poderia ser simulado e otimizado como um todo.

Para proceder o estudo de caso do edifício integralmente, é necessário que o código seja capaz de realizar as simulações de eficiência energética em aquecimento, resfriamento, ventilação e iluminação de todos os pavimentos simultaneamente (Figura 5).

Foi realizada a reestruturação do código para que a complexidade da simulação e otimização de todos os pavimentos do edifício fosse considerada sem custos computacionais desnecessários por limitações da linguagem de programação visual Grasshopper.

Parâmetros do processo de projeto

Os parâmetros definidos na modelagem paramétrica do projeto são:

Painéis paramétricos: variação de oito tipos de painéis, que deverão ser distribuídos em 15 grupos de áreas da fachada do edifício. A equipe de projeto definiu qual área de fachada poderia receber quais tipos de painéis. Por exemplo, uma área de fachada pode receber apenas dois tipos de painéis disponíveis, e há partes da fachada que não recebem nenhum tipo de painel paramétrico, como áreas de circulação vertical (Figura 6).

Além dos tipos de painéis nos grupos das fachadas, outros parâmetros aplicados no processo de projeto DSC, e diretamente relacionados à eficiência energética são:

R-Value, representa a resistência térmica de um material isolante, ou seja, sua habilidade de condução da energia térmica. Assim, quanto maior o valor R, maior a eficácia do material isolante, que varia de acordo com a sua espessura e densidade do material, e em alguns casos depende também da sua temperatura, envelhecimento e acúmulo de umidade.

A equipe de projetodefiniu a representação dos parâmetros de R-Value permitidos para o projeto com os números os valores 5, 6, e 7, que correspondem a uma representação simplificada da tolerância da resistência térmica do material medida em watts por metro quadrado kelvin.

U-Value, representa a transferência térmica de um material isolante, ou seja, sua habilidade de transferência de calor. Assim, quanto menor o valor de U, maior a eficácia do material isolante, que varia de acordo com a sua capacidade de transferir energia térmica da massa quente para uma massa mais fria, configurando a troca de energia calórica entre dois sistemas de temperatura.

Os parâmetros U-Value interessantes ao projeto podem variar entre 0,65; 0,7; 0,8. Correspondem a uma representação simplificada da tolerância da resistência térmica do material medida em watts por metro quadrado por kelvin.

SHGC, representa a fração de radiação solar incidente transmitida, absorvida e liberada para dentro do ambiente através de uma janela. Assim, quanto menor for o coeficiente SHGC menor será o calor solar transmitido.

Os valores podem variar entre 0,3; 0,4; 0,5 que correspondem à tolerância de SHGC expressa entre o domínio de 0 e 1.

Também são posicionados em cada painel de brises que servem como anteparo para a incidência da luz solar, posicionados na verga superior dos painéis das fachadas norte, leste e oeste da edificação. Os valores são a largura em metros: 0; 0,5; 1 para fachada sul, 0,05; 0,5 para fachada norte e 0; 0,5; 1 para as fachadas leste e oeste. Abaixo apresentamos uma tabela com a sistematização destas variáveis, seus tipos de dados e amplitudes:

Os parâmetros são definidos dentro da modelagem paramétrica e atribuídos em uma combinação aleatória que gera cada indivíduo (ou alternativa de projeto). Os parâmetros atribuídos são gravados em uma planilha com o plugin TTToolbox e a estruturação dos dados gravados são organizadas através do plugin Colibri (Figura 7).

A partir dos parâmetros estabelecidos são geradas as alternativas de projeto, que irão compor a tabela de input. Para compô-la, são aplicados dois métodos, o primeiro, um método randômico, definido no código do Grasshopper, que adota algum dos valores dentro dos parâmetros estabelecidos. O segundo, realizado através de um Design of Experiments (ou Projeto de Experimentos), no qual se testa um espaço de variáveis de projeto e suas métricas de desempenho a fim de perceber se há significância estatística em manter o domínio de parâmetros, ou seja, é um recurso para determinar a importância de uma variável sobre o resultado final de uma avaliação. O objetivo aqui é reduzir a quantidade de combinações possíveis de variáveis, e por sua vez, reduzir a quantidade de alternativas possíveis. No projeto original, esta fase é executada com o software proprietário JMP, e é parte importante na etapa de otimização.

Otimização proposta – caixa aberta

O método de otimização operado neste experimento é calculado pelo plugin ArchOptimum, desenvolvido inicialmente por Gabriele Landim, Dyego Digiandomenico, Jean Amaro, Anja Pratschke, Marcelo Tramontano e Claudio Toledo (2017). O plugin ArchOptimum foi desenvolvido em C# para Grasshopper, e comunica com uma aplicação externa desenvolvida em C++ através da troca de informações via arquivo. A aplicação avalia os valores obtidos nas simulações de eficiência energética e atribui um valor de desempenho para cada solução de projeto analisada.

Algoritmo genético implementado

O ArchOptimum emprega um algoritmo genético (AG), no processo de otimização das alternativas de projeto.

O AG gera uma população de indivíduos a partir dos parâmetros de entrada fornecidos, os mesmos estabelecidos pelo escritório Perkins+Will. As soluções são codificadas como vetores n dimensionais v = (v1, v2, …, vi, …, vn), onde cada entrada corresponde a vi  [min, max]. Os parâmetros min e max representam o intervalo de variação ponderada do resultado obtido nas simulações. Assim, cada vetor v representa um indivíduo no AG e a população inicial de indivíduos é gerada assumindo uma distribuição uniforme na determinação das entradas v_i.

A avaliação dos indivíduos utiliza a mesma função fitness aplicada pelo escritório, para efeito de comparação do desempenho dos dois métodos. Assim, a função fitness mensura três resultados de desempenho, são eles:

Lighting, resultado das simulações das distribuições anuais de iluminação diurna dentro dos ambientes do projeto.

Cooling, resultado das simulações de resfriamento dos ambientes do projeto.

Heating,  resultado das simulações de aquecimento dos ambientes do projeto.
Apesar das simulações gerarem muitos outros resultados de eficiência energética, esses são os três valores que compõem a função objetivodefinida pelo escritório Perkins+Will no seu processo de otimização.
Contudo, os três resultados de desempenho dos indivíduos são normalizados, pois são valores de natureza e grandeza distintas, assim, a normalização e função fitness aplicada foi:

x = resultado atual.
n = resultado normalizado de 0 a 1, em que 0 é o menor e 1 o mais alto.
i = invertido (o baixo consumo de energia é o alvo, buscando evitar números altos).
min = resultado mínimo dentro da amostra.
max = resultado máximo dentro da amostra.
w = fator de ponderação de acordo com as preferências da equipe de projeto (onde w1 = 30, w2 = 50, w3 = 20).
v = valor.
n = x – / (max – min)

Durante a etapa de reprodução, uma recombinação das informações codificadas em dois indivíduos v1 e v2 (parent1 e parent2, que equivalem aos pais da na abordagem evolutiva do AG) gera uma nova solução v (child). O operador blend alpha crossover (BLX – α) foi aplicado, onde duas versões foram implementadas como se segue:

No crossover BLX – α1, o parâmetro α, aleatoriamente selecionado no intervalo [0,1], é o mesmo aplicado a todas as entradas das soluções v¹ e v² durante o processo de recombinação. No BLX – α2, um valor αi diferente pode ser aplicado na recombinação que gera cada entrada v_i.

Durante a fase de mutação do AG, alterações em cada entrada v_i podem ocorrer, caso a taxa de mutação λ seja satisfeita. Isso significa que, para cada entrada v_i da nova solução, um número aleatório β  [0,1] é gerado e, se β  λ, um novo valor v_i  [min, max] é definido. Uma vez criada a nova solução a partir do crossover e mutação, um valor de fitness é atribuído, esse valor é atualizado a cada verificação de v_i  [min, max] nos valores de Lighting, Cooling e Heating.

Se a nova solução v apresentar valor de fitness melhor que v¹ ou v², ela assume o lugar daquele com pior valor de fitness.

Foi implementado um gatilho de genocídio, pelo qual um número é determinado pelo usuário e representa o limite da quantidade de gerações sem melhora no valor do fitness. Caso esse limite seja atingido, o melhor indivíduo é preservado –que representa a melhor solução encontrada dentro do espaço de busca– todo o restante da população é eliminado e uma nova população é iniciada. Isso evita que a população fique estagnada em um mínimo local por várias gerações. Nos parâmetros do ArchOptimum também foi implementado um contador para o limite de tempo da execução dado em segundos e um indicador do tamanho da população inicial.

Também foram implementados os controladores para taxa de mutação, tamanho da população inicial e a ponderação de Lighting, Cooling e Heating, assim os parâmetros podem ser ajustados pelo usuário na interface do plugin.

Comparação entre os métodos

Os dois métodos descritos compuseram o experimento comparativo entre o método de otimização originalmente implementado pelo escritório de arquitetura Perkins+Will e o do plugin ArchOptimum. Foi verificado qual dos dois métodos apresentou o melhor resultado de função fitness. Não foram considerados índices qualitativos ou quantitativos de certificações de eficiência energética na comparação dos resultados, apenas a comparação direta do desempenho entre os métodos experimentados.

O AG proposto foi executado oito vezes em um computador com processador i7-7700HQ, 2.8GHz, quatro núcleos físicos e oito núcleos lógicos, 16GB de RAM, com sistema operacional Windows 10 de 64 bits, versão do kernel 10.0.14393. Os programas Rhinoceros 6 Version 6 (6.1.18023.13161, 01/23/2018) e Grasshopper versão 1.0 também foram utilizados. O código C++ foi desenvolvido no Visual Studio 2015 Enterprise, atualização 3, compilador Visual C++ 14.0, 64 bits.

Os parâmetros definidos para as execuções do ArchOptimum, nos respectivos campos, foram:

> populationSize, tamanho da população inicial, definida em seis indivíduos.
> generationsWithoutlmprovementLimit, gatilho do genocídio da população em caso de estagnação, definido em três gerações.
> mutationRate, taxa de mutação empregada, definida em 0,3.
> runningTimeLimit, limite do tempo máximo de cada execução, definida em 3 horas de execução.
> O espaço de design explorado pelo método é composto por todos os parâmetros estabelecidos nos painéis paramétricos, R-Value, U-Value, SHGC, shading, sem a redução dos parâmetros executada pelo escritório com o programa JMP. Os valores ponderados dos componentes do cálculo da função de fitness preservaram a especificação do estudo de caso:
> fatorCooling, definido em 0,3.
> fatorHeating, definido em 0,5.
> fatorLighting, definido em 0,2.

O método do Perkins+Will foi executado duas vezes, com as mesmas 64 alternativas já determinadas após a redução do espaço de design. Foi utilizada a mesma configuração de software e hardware. O tempo médio para cada simulação analisada foi de 7 minutos, e o tempo médio de execução de todas 64 avaliações totalizou 7 horas 50 minutos.

Assim, o método do escritório Perkins+Will teve duas vantagens a seu favor, o espaço de busca já reduzido por sua estratégia de otimização e mais que o dobro de tempo para sua execução.

Durante a execução do experimento foi identificado um ruído nos resultados das análises produzidas pelos simuladores que poderia interferir nos resultados. Foram realizados diversos testes e pesquisas em fóruns e manuais dos desenvolvedores dos simuladores utilizados, todos os programas envolvidos no processo foram reinstalados e executados em diferentes computadores. O erro se tratava de uma intermitência nos simuladores que não poderia ser facilmente identificado. Em algumas simulações, o mesmo modelo apresentou valores diferentes nos resultados, alterando o valor de fitness do indivíduo avaliado. Contudo, a alteração só acontecia quando o programa de simulação era acionado novamente no terminal do Grasshopper, após todas as execuções predefinidas já terem sido executadas, ou seja, os simuladores apresentavam instabilidade de funcionamento a cada execução.

Além disso, os valores dos fitness não poderiam ser comparados entre execuções diferentes uma vez que na função de fitness estabelecida pelo escritório os valores máximos e mínimos aplicados na normalização dos resultados eram atualizados pelos valores obtidos em cada uma das execuções.

Para contornar tal situação e validar os valores de desempenho dos métodos, foi modelada a estratégia na qual o ArchOptimum foi rodado inicialmente oito vezes, e em cada execução foi gerada e avaliada uma média de 25 indivíduos. Os indivíduos foram salvos, e os três melhores indivíduos de cada uma das sete primeiras execuções e quatro indivíduos da última execução foram agrupados, totalizando um grupo com os 25 melhores indivíduos de todas as execuções do ArchOptimum. Esse grupo foi inserido na tabela que já continha todos os indivíduos gerados pelo método da Perkins+Will. Em sequência, todos os indivíduos foram avaliados numa mesma execução dos simuladores, contornando a variação de valores do ruído ao reiniciar a execução da simulação. Os valores máximos e mínimos utilizados no cálculo de fitness considerou os valores de todos os indivíduos da tabela.

O resultado obtido no experimento de comparação entre os métodos demonstrou que entre as 30 melhores soluções de projeto, as 21 melhores foram produzidas através do método do ArchOptimum. O resultado confirmou o desempenho favorável do plugin ArchOptimum em comparação ao método aplicado pelo escritório (Figura 9).

Após obtermos do otimizador os valores de resultado da função objetivo (fitness), o conjunto completo de dados foi carregado na aplicação web Designer Explorer. O gráfico representa a correlação entre as colunas de alternativas de projeto, os objetivos propostos,os índices de desempenho de cada alternativa e suas respectivas funções fitness.

Figuras 10 e 11
Respectivamente a fachada Sul dos melhores indivíduos (alternativas de projeto) obtidos através do ArchOptimum e do método do escritório Perkins+Will.
Fonte: Digiandomenico (2019).

Figuras 12 e 13
Respectivamente a fachada Norte dos melhores indivíduos (alternativas de projeto) obtidos através do ArchOptimum e do método do escritório Perkins+Will.
Fonte: Digiandomenico (2019).

Discussão e conclusões do experimento

A abertura e comparação dos dois métodos explorados durante o experimento demonstraram que o resultado obtido pelo ArchOptimum superou os do projeto original. Todas as operações implementadas no plugin permaneceram abertas para intervenções ao longo do experimento, possibilitando adaptações e aperfeiçoamentos. Também foi demonstrada a capacidade de adaptabilidade do plugin ao se encaixar no processo de projeto DSC desenvolvido pelo escritório. O experimento evidenciou a complexidade técnica de se trabalhar com simuladores e otimização de maneira eficiente. O tempo necessário para executar as simulações das alternativas de projeto podem ser maiores caso o algoritmo não esteja definido com estruturas de dados eficazes, por exemplo. O experimento demonstrou a capacidade do ArchOptimum de atingir um resultado satisfatório de otimização mesmo com uma população inicial pequena, ou seja, com pouca variabilidade de indivíduos iniciais.

Além disso, em um algoritmo de código fonte aberto, é possível aferir melhor o impacto das taxas de mutação, elitismo e estratégia de cruzamento de alternativas, no caso do AG, o que deixa o desempenho melhor adaptado à função objetivo em teste. Outros detalhes de funcionamento do AG que estão fora do escopo deste artigo, estão descritos em Landim, Digiandomenico, Amaro, Pratschke, Tramontano e Toledo (2017). O método obteve melhor desempenho em relação ao resultado da função implementada pelo escritório, pois metaheurísticas são conhecidas por aprenderem com os resultados históricos de buscas anteriores para se guiar pelo espaço de pesquisa, obtendo mais probabilidade de escapar de paradas em ótimos locais.

O processo de aprender o funcionamento pormenorizado de implementar um AG do zero, permite entender e conhecer o espaço de busca por soluções de uma maneira que pode ser difícil de visualizar na fase inicial do projeto. Gerar soluções otimizadas em ferramentas de código fonte fechado, quando o programa informa ao projetista qual as melhores alternativas de projeto sem que se entenda o que de fato está sendo computado, pode criar confiança cega em um método de otimização pouco adequado para o problema que se tenta resolver. O projetista também fica suscetível à falsa percepção de que métodos computacionais e de otimização são adequados para qualquer tipo de problema arquitetônico.

Conduzimos a investigação a partir de um processo de projeto pronto, previamente definido e pensado por uma equipe de projetistas, pesquisadores e demais interessados do escritório que concedeu os dados do experimento. Para além do objetivo de testar a adaptabilidade e ganhos de performance do algoritmo de otimização de código aberto desenvolvido pelos autores, um dos maiores questionamentos resultantes no final do processo foi: quais teriam sido nossas métricas e propostas frente ao objetivo inicial do projeto, caso fossemos a equipe de projetistas?

Abre-se aqui algumas ordens de discussão. No nível da técnica, os arquitetos mais interessados nos problemas de otimização podem se perguntar: qual o melhor método de otimização podemos usar para este problema? Devo usar um método estocástico, um modelo matemático ou um método exato? O que é possível tangenciar dos conhecimentos de otimização quando se transita entre as áreas de arquitetura, engenharia e computação? Para além de métodos mais orientados à problemas da natureza das engenharias, como métodos baseado em modelos (model-based) ou algoritmos de busca direta (direct search) (Wortmann e Schroepfer, 2019), é difícil estabelecer que algum método estocástico possui melhor desempenho que outros. Métodos estocásticos geram distribuição de probabilidade e oferecem recursos para criar previsões da melhor solução.

No nível da natureza do projeto de arquitetura e dos problemas iniciais do projeto emergem questões como: e se as decisões e métricas iniciais foram pouco adequadas para o problema? Ficaram de fora do escopo inicial materiais ou soluções outras que possam ser mais adequadas ao projeto do que as encontradas via método de otimização? Existem uma série de fatores objetivos e quantificáveis que podem ser bem resolvidos com a ajuda de métodos de otimização, mas precisamos questionar as crenças de que um método quantitativo pode oferecer a melhor solução em qualquer caso ou tipo de problema. É preciso antes de tudo, estabelecer uma relação crítica com o processo. Após focar em fluxos de trabalho baseados em dados e na exatidão computacional, atesta-se que podemos obter o melhor resultado possível dentro do desenho do experimento. Epistemologias, valores e visões de mundo em como abordar um determinado problema estão naturalmente implícitas no projeto deste fluxo de trabalho. Quando vale a pena usar um método computacional e em quais situações?

Há pouca discussão sobre como os contextos tecnocientíficos locais, de países que estão fora dos centros de desenvolvimento de tecnologias hegemônicas, podem dialogar em simetria com os avanços tecnológicos dos países do centro do capitalismo. Como saberes, ambientes, visões de mundo e tecnociências produzidas com outros recursos podem dialogar com o que tem sido considerado soluções apropriadas e tecnológicas?

Considerações Finais

A aplicação de métodos de otimização na busca do balanceamento ideal de parâmetros presentes desde a concepção até a fabricação do projeto requer conhecimentos específicos, que muitas vezes, não são comuns à formação do arquiteto. Contudo, recursos do design computacional estão apoiando os profissionais a inserir a otimização em seus processos através de modelos paramétricos produzidos com linguagens de programação visual e textual.

Os modelos paramétricos são analisados por simuladores, que são também fundamentais ao processo de projeto orientado ao desempenho, pois os dados que produzem informam as decisões de otimização dentro do espaço de busca por soluções. Porém, a construção do próprio espaço de busca é uma competência da modelagem do processo de projeto. Ou seja, o arquiteto é responsável pela construção do espaço de busca que será analisado e para isso precisa entender com nitidez não só as exigências do programa arquitetônico, mas também os potenciais e limites das ferramentas que irão apoiar sua busca.

Nesse contexto, é crescente na arquitetura o emprego de programas computacionais, tanto de simulação quanto de otimização, que operam métodos através de caixas-pretas, geralmente em forma de algoritmos de código fonte fechado. Essa condição, por um lado, pode facilitar e popularizar o processo, mas por outro, enviesa questões, como a validação dos resultados obtidos ou compreensões sobre os limites da eficiência dos métodos empregados no processo de projeto.

O conteúdo da investigação de métodos de otimização também é interdisciplinar e relaciona conhecimentos de campos da computação, matemática e algoritmos inspirados em processos biológicos, por exemplo. Para estimular a discussão e difusão dos métodos é necessário que as pesquisas reportem não apenas os resultados obtidos, mas também o conjunto de procedimentos aplicados e os códigos desenvolvidos, relatando suas limitações e potenciais.

O aumento na transparência dos métodos tecnocientíficos tem potencial de contribuição que vai além do próprio processo científico de verificação pela comunidade acadêmica, ao desmistificar um processo de mercantilização de soluções destas tecnologias. Parte da divulgação destes métodos pode recair em estratégias mais voltadas ao marketing que escritórios e empresas de ponta atribuem ao processo, do que por suas discussões abertas sobre a adequação entre natureza do problema e método. Além disso, replica-se a busca por soluções que respondem às realidades de países e centros de pesquisa localizados no norte global, sem uma reflexão e aplicação sobre como se discute a natureza dos problemas (como o de sustentabilidade) em lugares cujo contexto tecnocientífico, econômico e geográfico permanece sob lógicas diferentes de funcionamento.

Uma vez que o projeto orientado ao desempenho oferece um método que elege a melhor opção de projeto possível dentre centenas ou milhares de alternativas testadas, apoia-se nos dados, cálculos e gráficos como justificativa incontestável da adequabilidade da solução de projeto. Outros espaços de solução, e possibilidades variadas que não foram declaradas, ficam, obviamente, fora deste conjunto, e poderiam adequar-se à soluções que interpretam os problemas a partir de outras epistemologias ou visões de mundo.

Um dos principais desdobramentos futuros possíveis da presente pesquisa é compreender melhor a relação entre a abertura das caixas-pretas e a produção de autonomia local em arquitetura e tecnologias, compreendendo, inclusive, observar quais outras possibilidades de solução de problemas estão disponíveis e que não fazem parte dos tipos de simulação e otimização que os plugins, softwares e sistemas computacionais oferecem atualmente. Todo o conteúdo produzido na presente pesquisa, incluindo o código fonte do plugin ArchOptimum, está disponibilizado no endereço eletrônico <https://github.com/landimg/ArchOptimum>, objetivando servir de apoio ao ensino e pesquisas correlatas ao tema. Por fim, com o apoio da metodologia empregada na presente pesquisa, desde a revisão bibliográfica aos experimentos realizados, obteve-se resultados que colaboram com a abertura de métodos mais eficientes, verificáveis e reproduzíveis, tratando-se de otimização em arquitetura ■

REFERÊNCIAS

• Attia, S., Hamdy, M., O’Brien, W. e Carlucci, S. (2013). Assessing gaps and needs for integrating building performance optimization tools in net zero energy buildings design. Energy and Buildings, 60, pp. 110-124.
• Costa, A., Nannicini, G., Schroepfer, T. e Wortmann, T. (2015). Black-box optimization of lighting simulation in architectural design [pp. 27-39]. Em M. A. Cardin, D. Hastings, P. Jackson, D. Krob, P. Ch. Lui e G. Schmitt (Eds.), Complex systems design & management Asia. Berlim: Springer.
• Digiandomenico, D. S. (2019). Otimização de projeto orientado ao desempenho em arquitetura. [Arquivo PDF- Dissertação de Mestrado]. São Carlos: Instituto de Arquitetura e Urbanismo/Universidade de São Paulo. DOI: 10.11606/D.102.2019.tde-09092019-095255
• Haymaker, J., Bernal, M., Marshall, M. T., Okhoya, V., Szilasi, A., Rezaee, R., … e Welle, B. (2018). Design space construction: a framework to support collaborative, parametric decision making. Journal of Information Technology in Construction (ITcon), 23(8), pp. 157-178.
• Holmström, K. (2008). An adaptive radial basis algorithm (ARBF) for expensive black-box global optimization. Journal of Global Optimization, 41(3), pp. 447-464.
• Landim, G. (2019). Programação para Arquitetura: linguagens visuais e textuais em Projeto Orientado ao Desempenho. [Arquivo PDF – Dissertação de Mestrado]. São Carlos: Instituto de Arquitetura e Urbanismo/Universidade de São Paulo. DOI: 10.11606/D.102.2019.tde-09092019-100632
• Landim, G., Digiandomenico, D., Amaro, J., Pratschke, A., Tramontano, M. e Toledo, C. (2017). Architectural Optimization and Open Source Development: Nesting and Genetic Algorithms [pp. 340-349]. [Arquivo PDF]. Em Proceedings of the 39th Annual Conference of the Association for Computer Aided Design in Architecture (ACADIA). Cambridge: MIT. DOI: 10.52842/conf.acadia.2017.340
• Li, S., Liu, L., e Peng, C. (2020). A Review of Performance-Oriented Architectural Design and Optimization in the Context of Sustainability: Dividends and Challenges. [Arquivo PDF]. Sustainability, 12(4), 1427, pp. 1-36. MDPI AG. DOI: 10.3390/su12041427
• Machairas, V., Tsangrassoulis, A. e Axarli, K. (2014). Algorithms for optimization of building design: A review. Renewable and sustainable energy reviews, 31, pp. 101-112.
• Perkins+Will. (julho de 2017). Design Space Construction Tutoria. [Em linha]. Gitbook. Disponível em https://www.gitbook.com/book/bernalm/design-space-construction/details
• Rios, L. M. (2009). Algorithms for derivative-free optimization. Urbana-Champaign: University of Illinois.
• Shi, X. (2010). Performance-based and performance-driven architectural design and optimization. Frontiers of Architecture and Civil Engineering in China, 4(4), pp. 512-518.
• Shi, X. e Yang, W. (2013). Performance-driven architectural design and optimization technique from a perspective of architects. Automation in Construction, 32, pp. 125-135.
• Touloupaki, E. e Theodosiou, T. (2017). Performance simulation integrated in parametric 3D modeling as a method for early stage design optimization—A review. Energies, 10(5), p. 637.
• Wortmann, T. e Nannicini, G. (2017). Introduction to architectural design optimization [pp. 279-278]. Em A. Karakitsiou, A. Migdalas, S. Th. Rassia e P. M. Pardalos (Eds.), City Networks. Berlim: Springer.
• Wortmann, T. e Schroepfer, T. (2019, April). From optimization to performance-informed design [pp. 261-268]. Em S. Rockcastle, T. Rakha, C. Cerezo Dávila, D. Papanikolaou e T. Zakula (Eds.), Proceedings of the Symposium on Simulation for Architecture and Urban Design. Atlanta: SimAUD.

Cómo citar este artigo (Normas APA):

Digiandomenico, D. da S., Landim, G. do R. e Motta Toledo, C. F. (Noviembre de 2022 – Abril de 2023). Abrir a caixa-preta e refletir sobre métodos do fazer. Otimização de projeto orientado ao desempenho em arquitetura. [En línea]. AREA, 29(1). Recuperado de https://area.fadu.uba.ar/area-2901/digiandomenico_et_al2901/