IA na investigação, educação e prática da engenharia sísmica e estrutural - uma reflexão sobre impactos, desafios e direções futuras
DOI:
https://doi.org/10.29352/mill0226.39584Resumo
Os campos da engenharia estrutural e sísmica têm um papel crucial na garantia da segurança e resiliência dos nossos ambientes construídos, especialmente à medida que os grandes desafios globais associados às alterações climáticas, ao crescimento populacional e à urbanização se tornam cada vez mais urgentes (Ferreira & Santos, 2024). Nos últimos anos, a integração de ferramentas baseadas em inteligência artificial (IA), aprendizagem automática—machine learning (ML) na terminologia anglo-saxónica—e deep-learning (DL), tem vindo a reformular os paradigmas tradicionais. Estas tecnologias oferecem novas oportunidades para automatizar processos, aumentar a precisão preditiva dos algoritmos e otimizar projetos, abrindo caminho para práticas de engenharia mais eficientes, adaptáveis e sustentáveis.
Apesar do seu potencial transformador, a utilização de modelos de IA nos campos da engenharia estrutural e sísmica encontra-se ainda significativamente abaixo do observado noutras áreas (Tapeh & Naser, 2023; Xie et al., 2020). As metodologias tradicionais de base mecanicista continuam a dominar o campo, e ainda não é clara a forma como as abordagens baseadas em IA irão coexistir com estas metodologias amplamente estabelecidas, particularmente nos contextos educacional e profissional. Algum ceticismo em torno dos modelos e ferramentas baseados em IA, frequentemente vistas como "caixas negras" quando comparadas com métodos experimentais, numéricos e analíticos, tem vindo a atrasar a sua integração. No entanto, a capacidade destas ferramentas para processar grandes volumes de dados, executar tarefas computacionalmente exigentes e adaptar-se a condições em tempo real representa uma oportunidade de inovação inquestionável.
Pretendo, neste editorial, oferecer uma reflexão necessariamente concisa, mas, tanto quanto possível, abrangente, sobre o estado atual e o potencial transformador da IA nos campos da engenharia estrutural e sísmica. Através da análise dos seus impactos na investigação, na educação e na implementação prática, procurarei destacar as oportunidades e os desafios da integração das ferramentas baseadas em IA nestas áreas. Além disso, procurarei enfatizar preocupações prementes, como a importância de fomentar a colaboração interdisciplinar e de refletir sobre a pegada ambiental destas tecnologias—um aspeto que, na minha opinião, não tem recebido a atenção que merece.
Downloads
Referências
Borji, A. (2023). A Categorical Archive of ChatGPT Failures (No. arXiv:2302.03494; Version 8). arXiv. https://doi.org/10.48550/arXiv.2302.03494
Dhar, P. (2020). The carbon impact of artificial intelligence. Nature Machine Intelligence, 2(8), 423–425. https://doi.org/10.1038/s42256-020-0219-9
Estêvão, J. M. C. (2024). Effectiveness of Generative AI for Post-Earthquake Damage Assessment. Buildings, 14(10), 3255. https://doi.org/10.3390/buildings14103255
Ferreira, T. M., & Santos, P. P. (2024). Multi-hazard risk assessment for resilient and sustainable urban areas. Natural Hazards, 120(10), 9107–9109. https://doi.org/10.1007/s11069-024-06760-5
Frieder, S., Pinchetti, L., Griffiths, R.-R., Salvatori, T., Lukasiewicz, T., Petersen, P., & Berner, J. (2023). Mathematical Capabilities of ChatGPT. In A. Oh, T. Naumann, A. Globerson, K. Saenko, M. Hardt, & S. Levine (Eds.), Advances in Neural Information Processing Systems, 36, 27699–27744. Curran Associates, Inc. http://surl.li/ciukzf
Gupta, J. (2024, September 9). The hidden cost of the AI boom. TEDEd. https://ed.ted.com/blog/2024/09/09/the-hidden-cost-of-the-ai-boom
Haenlein, M., & Kaplan, A. (2019). A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California Management Review, 61(4), 5–14. https://doi.org/10.1177/0008125619864925
Javed, A. A., Pan, W., Chen, L., & Zhan, W. (2018). A systemic exploration of drivers for and constraints on construction productivity enhancement. Built Environment Project and Asset Management, 8(3), 239–252. https://doi.org/10.1108/BEPAM-10-2017-0099
Kiani, J., Camp, C., & Pezeshk, S. (2019). On the application of machine learning techniques to derive seismic fragility curves. Computers & Structures, 218, 108–122. https://doi.org/10.1016/j.compstruc.2019.03.004
Kostinakis, K., Morfidis, K., Demertzis, K., & Iliadis, L. (2023). Classification of buildings’ potential for seismic damage using a machine learning model with auto hyperparameter tuning. Engineering Structures, 290, 116359. https://doi.org/10.1016/j.engstruct.2023.116359
Lu, X., & Burton, H. (2023). EESD special issue: AI and data‐driven methods in earthquake engineering – (Part 1). Earthquake Engineering & Structural Dynamics, 52(8), 2299–2302. https://doi.org/10.1002/eqe.3908
Mohy, A. A., Bassioni, H. A., Elgendi, E. O., & Hassan, T. M. (2024). Innovations in safety management for construction sites: the role of deep learning and computer vision techniques. Construction Innovation. https://doi.org/10.1108/CI-04-2023-0062
Shah, P. (2023). AI and the Future of Education: Teaching in the Age of Artificial Intelligence (1st Edition). Jossey-Bass.
Spencer, B. F., Hoskere, V., & Narazaki, Y. (2019). Advances in Computer Vision-Based Civil Infrastructure Inspection and Monitoring. Engineering, 5(2), 199–222. https://doi.org/10.1016/j.eng.2018.11.030
Strubell, E., Ganesh, A., & Mccallum, A. (2020). Energy and Policy Considerations for Modern Deep Learning Research. Proceedings of the AAAI Conference on Artificial Intelligence, 34(9), 13693–13696. https://doi.org/https://doi.org/10.1609/aaai.v34i09.7123
Sun, H., Burton, H. V., & Huang, H. (2021). Machine learning applications for building structural design and performance assessment: State-of-the-art review. Journal of Building Engineering, 33, 101816. https://doi.org/10.1016/j.jobe.2020.101816
Talha Junaid, M., Barakat, S., Awad, R., Anwar, N. (2024). Adopting the Power of AI Chatbots for Enriching Students Learning in Civil Engineering Education: A Study on Capabilities and Limitations. In: Al-Marzouqi, A., Salloum, S.A., Al-Saidat, M., Aburayya, A., Gupta, B. (eds) Artificial Intelligence in Education: The Power and Dangers of ChatGPT in the Classroom. Studies in Big Data, vol 144. Springer, Cham. https://doi.org/10.1007/978-3-031-52280-2_3
Tapeh, A. T. G., & Naser, M. Z. (2023). Artificial Intelligence, Machine Learning, and Deep Learning in Structural Engineering: A Scientometrics Review of Trends and Best Practices. Archives of Computational Methods in Engineering, 30 (1), 115–159. https://doi.org/10.1007/s11831-022-09793-w
Vidalis, S. M., & Subramanian, R. (2023). Impact of AI Tools on Engineering Education. Fall Mid Atlantic Conference: Meeting Our Students Where They Are and Getting Them Where They Need to Be, 40852
Xie, Y., Ebad Sichani, M., Padgett, J. E., & DesRoches, R. (2020). The promise of implementing machine learning in earthquake engineering: A state-of-the-art review. Earthquake Spectra, 36(4), 1769–1801. https://doi.org/10.1177/8755293020919419
Zhou, G., Zhang, C., Li, Z., Ding, K., & Wang, C. (2020). Knowledge-driven digital twin manufacturing cell towards intelligent manufacturing. International Journal of Production Research, 58(4), 1034–1051. https://doi.org/10.1080/00207543.2019.1607978
Downloads
Publicado
Como Citar
Edição
Secção
Licença
Direitos de Autor (c) 2025 Millenium - Journal of Education, Technologies, and Health

Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição 4.0.
Os autores que submetem propostas para esta revista concordam com os seguintes termos:
a) Os artigos são publicados segundo a licença Licença Creative Commons (CC BY 4.0), conformando regime open-access, sem qualquer custo para o autor ou para o leitor;
b) Os autores conservam os direitos de autor e concedem à revista o direito de primeira publicação, permitindo-se a partilha livre do trabalho, desde que seja corretamente atribuída a autoria e publicação inicial nesta revista.
c) Os autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
d) Os autores têm permissão e são estimulados a publicar e distribuir o seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publica
Documentos necessários à submissão
Template do artigo (formato editável)