Estimativa preliminar de custos de obras utilizando redes neurais artificiais

Abstract

Neste trabalho se apresenta o desenvolvimento de um método para estimar custos de novas obras da Universidade Federal de Santa Catarina (UFSC), a partir de informações de projetos em fase de Estudo de Viabilidade de Arquitetura, e utilizando a técnica de Redes Neurais Artificiais (RNAs). As principais técnicas para este tipo de estimativa foram pesquisadas e comparadas por meio de revisão sistemática de literatura, sendo elas: as Relações Paramétricas, ou Análise de Regressão; o Raciocínio Baseado em Casos; a Lógica Difusa; e as RNAs, que resultou mais precisa. Para a aplicação da técnica de RNAs foi necessário selecionar uma amostra de 40 obras da UFSC, composta por projetos e orçamentos. Os orçamentos das obras foram organizados e homogeneizados em uma mesma estrutura analítica, composta por 22 grupos de serviços. Os custos de cada um dos serviços, contidos nos orçamentos, foram transformados em índices econômicos atemporais, denominados de Fatores de Custo. Os parâmetros físicos das 40 obras foram analisados e mensurados nos projetos. Foram verificadas as correlações entre os parâmetros físicos mensurados e os Fatores de Custo das respectivas obras. Foram desenvolvidos algoritmos para o treinamento e aplicação das RNAs, sendo realizados testes para a estimativa do custo de Superestrutura e, em seguida, as configurações obtidas foram extrapoladas para os demais custos que compõem uma obra completa. As RNAs foram testadas com auxílio do software Matlab®. Para a RNA de Superestrutura foram utilizados 8 parâmetros físicos direcionadores de custos. Para as RNAs que compõem as obras completas foram utilizados 21 parâmetros direcionadores de custos. Inicialmente, as RNAs foram configuradas conforme indicações da literatura consultada. Essa configuração inicial foi ajustada por método de simulação, até que uma das arquiteturas resultasse em precisão considerada satisfatória. A validação das estimativas foi feita pela comparação entre a precisão final deste método com a precisão indicada na literatura. Ao final deste trabalho, o erro médio para estimativas do custo específico de Superestrutura utilizando RNAs foi de 5,69%. As estimativas de custos para obras completas resultaram em um erro de 17,22%, medido pelo desvio total absoluto dos resultados das validações.

Abstract : This work presents the development of a method to estimate costs of new buildings for the Federal University of Santa Catarina (UFSC), based on information from projects in the Architecture Feasibility Study, and using the technique of Artificial Neural Networks (ANN). The main techniques for this type of estimation, investigated and compared through a systematic review of the literature, are: Parametric Relations, or Regression Analysis; Case-Based Reasoning; the Fuzzy Logic; and the ANNs, which resulted more accurate. For the application of the ANNs technique, it was necessary to select a sample of 40 UFSC buildings, composed of projects and budgets. The budgets of the buildings were organized and homogenized in the same analytical structure, composed of 22 service groups. The costs of each of the services, contained in the budgets, were transformed into timeless economic indicators, called Cost Factors. The physical parameters of the 40 buildings were analyzed and measured in the projects. Correlations between the physical parameters measured and the Cost Factors of the respective buildings were verified. Algorithms were developed for training and application of the ANNs, with tests were performed to estimate the cost of Superstructure. Then, the obtained configurations were extrapolated to the other costs that make up a complete building. The ANNs were tested using Matlab® software. For the Superstructure ANN, 8 physical parameters were used as cost drivers. For the ANNs that compose the complete building, 21 cost drivers were used. Initially, the ANN were configured according to the literature. This initial configuration was adjusted by simulation method until one of the architectures resulted in a satisfactory accuracy. The validation of the estimates was realized by comparing the final precision of this method with the accuracy indicated in the literature. At the end of this work, the average error for estimates on the specific cost of Superstructure, using ANNs, was 5.69%. The cost estimates for complete buildings resulted in an error of 17.22%, as measured by the absolute total deviation of the validation results.