Programação de Obras Ajustada ao Clima Usando Machine Learning
Todo encarregado de obra verifica a previsão do tempo. Poucos fazem algo sistemático com a informação além de decidir se vão concretar amanhã ou não. O machine learning está a mudar isso ao conectar dados meteorológicos granulares a taxas de produtividade de atividades específicas da construção, ajustando cronogramas automaticamente com base em condições que afetam diferentes especialidades de diferentes formas.
Além da Previsão Básica
Uma previsão meteorológica de 10 dias diz-lhe que vai chover na terça-feira. O machine learning aplicado à programação de obras diz-lhe que a chuva de terça-feira, combinada com os 50 mm que caíram na semana passada, significa que o seu estaleiro não estará acessível para trabalhos de terraplenagem até quinta-feira, a sua equipa de estruturas exteriores perderá 40% de produtividade na quarta-feira devido às condições de humidade, e a sua concretagem programada para sexta-feira precisa de ser adiada para segunda-feira porque o subleito não terá secado suficientemente.
A diferença está na especificidade. Os modelos de ML treinados com dados históricos de projetos aprendem como diferentes condições meteorológicas afetam diferentes atividades em diferentes limiares. Chuva leve abaixo de 6 mm por hora mal afeta a montagem de estruturas metálicas, mas interrompe completamente a pintura exterior. Vento acima de 40 km/h paralisa as operações de grua, mas não afeta o trabalho interior. Temperaturas abaixo de 4°C exigem medidas de proteção do betão que acrescentam 15% ao tempo de concretagem.
Um empreiteiro mecânico em Seattle rastreou a produtividade da sua mão de obra em relação aos dados meteorológicos em 40 projetos ao longo de três anos. Descobriram que a produtividade da instalação de tubagens exteriores caía 22% em dias com chuva superior a 2,5 mm por hora, 31% quando combinada com temperaturas abaixo de 7°C, e 8% em dias secos que se seguiam a dois ou mais dias consecutivos de chuva devido às condições lamacentas do terreno. Estas relações específicas, invisíveis numa simples previsão meteorológica, são exatamente o que os modelos de ML capturam.
Como Funcionam os Modelos
Os modelos de programação ajustada ao clima recebem três entradas: o cronograma atual do projeto com tipos de atividades e localizações (interior vs. exterior), dados históricos de meteorologia-produtividade de projetos concluídos, e dados de previsão meteorológica de serviços comerciais que fornecem métricas específicas para a construção.
O modelo atribui classificações de sensibilidade meteorológica a cada atividade. O trabalho de betão exterior pode ter alta sensibilidade à precipitação, temperatura e vento. O gesso cartonado interior pode ter sensibilidade meteorológica zero, a menos que o edifício ainda não esteja fechado, caso em que a humidade se torna um fator. A cobertura é sensível à precipitação e ao vento, mas relativamente tolerante à variação de temperatura dentro de intervalos normais.
À medida que as previsões meteorológicas se atualizam, o modelo recalcula a produtividade esperada para cada atividade sensível ao clima e ajusta o cronograma em conformidade. Não se limita a deslocar atividades para dias diferentes. Modela o impacto na produtividade de trabalhar em condições marginais versus esperar por melhores condições, contabilizando o custo de equipas e equipamentos parados contra o custo da produtividade reduzida.
Impacto Quantificado na Precisão do Cronograma
Um estudo de 60 projetos de construção comercial no Noroeste do Pacífico comparou o desempenho do cronograma entre projetos que usavam programação ajustada ao clima e um grupo de controlo que usava programação tradicional com ajustes meteorológicos manuais. O grupo com ajuste meteorológico concluiu com uma média de 4,2 dias de diferença da data de conclusão prevista. O grupo de controlo teve um atraso médio de 18,7 dias.
A diferença não foi que o grupo com ajuste meteorológico teve melhor tempo. As condições meteorológicas foram comparáveis em ambos os grupos. A diferença foi que os cronogramas ajustados ao clima incorporaram pressupostos realistas de produtividade desde o início, em vez de assumir condições ideais e depois improvisar quando o clima causava atrasos.
A indústria da construção perde uma estimativa de 45 dias úteis por ano devido a impactos meteorológicos numa média nacional, com variação regional significativa. No Noroeste do Pacífico, aproxima-se de 65 dias. No Sudoeste desértico, desce para 20 dias, mas com impactos de calor extremo no verão que a programação tradicional frequentemente subestima.
A Calibração Regional é Importante
Os modelos meteorológicos de ML precisam de calibração regional para serem úteis. A relação entre clima e produtividade varia significativamente por geografia, estação e práticas locais de construção. Um modelo treinado com dados de projetos de construção no Texas não preverá com precisão os impactos meteorológicos no Minnesota porque as equipas, equipamentos e práticas de gestão de estaleiro estão adaptados a condições diferentes.
Os empreiteiros que utilizam ferramentas de programação de obras com IA normalmente precisam de 8 a 12 projetos de dados locais para calibrar as relações meteorologia-produtividade para as suas especialidades, equipas e região específicas. Durante este período de calibração, os modelos melhoram progressivamente à medida que aprendem os padrões específicos do ambiente local.
Algumas plataformas aceleram a calibração usando dados agregados de múltiplos empreiteiros na mesma região, anonimizados e combinados para construir modelos de referência regionais. Um empreiteiro num novo mercado pode começar com a referência regional e refiná-la com os seus próprios dados à medida que conclui projetos.
Melhorias no Planeamento Sazonal
Onde a programação ajustada ao clima acrescenta mais valor estratégico é no planeamento de projetos, meses antes do início da construção. Quando um empreiteiro está a desenvolver um cronograma para um novo edifício, o modelo de ML pode simular o cronograma contra padrões meteorológicos históricos para cada mês de construção planeada.
Esta simulação mostra a distribuição de probabilidade da data de conclusão, não apenas uma data única. Em vez de dizer que o projeto será concluído a 15 de novembro, o modelo diz que há 50% de probabilidade de conclusão até 15 de novembro, 75% de probabilidade até 28 de novembro e 90% de probabilidade até 10 de dezembro. Esse intervalo de probabilidade é muito mais útil para negociações contratuais, planeamento de marcos e alocação de recursos do que uma única data determinística.
Os padrões sazonais também informam decisões de faseamento. Se o modelo mostra que o trabalho exterior planeado para janeiro em Chicago tem 60% de probabilidade de perder mais de 15 dias úteis, o cronograma pode ser reestruturado para concluir o fechamento exterior antes de dezembro e concentrar o trabalho de janeiro em atividades interiores. Este tipo de otimização é possível com planeamento manual, mas o modelo de ML torna-o sistemático e quantitativo em vez de baseado na intuição.
Desafios de Integração
O principal desafio de integração é conectar dados meteorológicos às atividades do cronograma de forma estruturada. A maioria dos cronogramas de projeto não classifica as atividades como interiores ou exteriores, não identifica quais atividades são sensíveis ao clima e não especifica os limiares meteorológicos relevantes. Configurar estes metadados para o primeiro projeto exige esforço, mas os modelos para tipos de projeto comuns reduzem o tempo de configuração para projetos subsequentes.
O lado dos dados meteorológicos tornou-se mais fácil à medida que os serviços meteorológicos específicos para a construção melhoraram. Serviços que fornecem probabilidade de precipitação ao nível horário, estimativas de humidade do solo, velocidade do vento a alturas relevantes e previsões de temperatura com melhor precisão do que as aplicações meteorológicas para consumidores dão aos modelos de ML melhores dados para trabalhar.
O que torna esta tecnologia merecedora do esforço de configuração é o benefício cumulativo. Os dados de cada projeto melhoram o modelo para o projeto seguinte. Após 2 a 3 anos de recolha de dados, os cronogramas ajustados ao clima tornam-se notavelmente mais precisos do que qualquer planeador humano conseguiria manualmente, porque o modelo trabalha com milhares de pontos de dados de dezenas de projetos enquanto um planeador humano trabalha a partir da memória e da experiência geral.