Machine Learning para a acessibilização de análises em escala urbana

José Aderson Araújo Passos Filho, Daniel Ribeiro Cardoso

José Aderson Araújo Passos Filho é Arquiteto Urbanista e Mestre em Arquitetura e Urbanismo e Design. Pesquisa fabricação digital, modelagem paramétrica, programação, conforto ambiental e eficiência energética. É programador, buscando a abordagem sistêmica nos estágios de concepção projetual, assimilando contexto e diretrizes como inputs paramétricos em processos algorítmicos de otimização.

Daniel Ribeiro Cardoso é Arquiteto e Urbanista e Doutor em Semiótica, com Pós-doutorado em Modelagem da Informação na Cidade. É Professor Associado do Departamento de Arquitetura, Urbanismo e Design, e do Programa de Pós-graduação em Arquitetura e Urbanismo, ambos da Universidade Federal do Ceará. Atua na área de Modelagem da Informação na Cidade.


Como citar esse texto: PASSOS FILHO, J. A. A.; CARDOSO, D. R. Machine Learning para a acessibilização de análises em escala urbana. V!RUS, São Carlos, n. 19, 2019. [online] Disponível em: <http://www.nomads.usp.br/virus/virus19/?sec=4&item=3&lang=pt>. Acesso em: 09 Mai. 2021.

ARTIGO SUBMETIDO EM 18 DE AGOSTO DE 2019


Resumo

É proposta, neste artigo, a implementação de Machine Learning para a simplificação e acessibilização da obtenção de resultados de análises complexas, mais especificamente na avaliação do conforto térmico em escala urbana. A complexidade da relação estabelecida entre o planejamento, a forma da cidade e as condições de clima torna necessário o uso de estratégias em análise e produção do espaço urbano que muitas vezes excede o arcabouço teórico e técnico do planejador. Pensar o trade-off entre precisão e velocidade dos métodos aplicados se faz importante para a construção de ferramentas que sejam não apenas potentes, mas que facilitem a ação rápida e constante dos profissionais de planejamento. De uma perspectiva tecnológica, política e ambiental, o método proposto visa, através da construção da informação, melhorar a compreensão das implicações que as edificações trazem ao ambiente urbano e contribuir com a produção da cidade contemporânea.

Palavras-chave: Planejamento urbano, Machine learning, Conforto térmico



1 Introdução

O planejamento, a forma da cidade e as condições de clima na escala urbana são elementos de uma relação complexa que se estabelece de modo a tornar necessário o uso de estratégias em análise e produção do espaço que sejam adaptadas tanto à alta complexidade de sistemas urbanos quanto a climas específicos. Com vistas à melhor saúde e ao aumento da vida social de seus habitantes, recomenda-se considerar as particularidades climáticas locais de uma cidade, promovendo o seu conforto ambiental (ZHAO, et al., 2011). Considerando as cidades como o principal espaço de ocupação humana, inclusive no Brasil (IBGE, 2010), tem-se que a inerente complexidade de grandes centros urbanos deve ser contemplada com um arcabouço teórico e técnico onde constem ferramentas que sejam não apenas potentes, mas que facilitem a ação rápida e constante dos planejadores.

De acordo com a NBR 15220-1 (ABNT, 2003), a maior parte da extensão territorial do país, compreendida pela Zona Bioclimática 8, de clima quente e úmido e que inclui quase todas as capitais litorâneas, exige o sombreamento e a permissão da ventilação natural como medidas corretivas para horas do ano em desconforto térmico. Dentro do ferramental composto para a análise climática e do conforto ambiental em abordagens computacionais de projeto e planejamento, constam software capazes de expressar essas medidas corretivas através de cálculos de geometria solar e simulações de ventilação natural. Mais simples e de menor custo computacional, os cálculos de geometria solar são freqüentemente capazes de entregar resultados de forma suficientemente rápida para a tarefa do planejador. No entanto, simulações de ventilação natural através de software de fluidodinâmica computacional (CFD, do inglês, Computational Fluid Dynamics) tipicamente envolvem longos tempos de resposta que são obstrutivos para iterações rápidas necessárias em abordagens contemporâneas de análise e prática de projeto e planejamento (WILKINSON, et al., 2014). Ainda, estas simulações exigem um maior nível de aprofundamento técnico e teórico para seu uso correto, nem sempre presente na formação de arquitetos e urbanistas.

Como forma de contornar a necessidade de uma maior proficiência técnica nas tarefas que exigem um maior rigor analítico na avaliação do conforto térmico em espaços urbanos, é proposto, neste trabalho, a utilização de técnicas computacionais de aprendizado de máquina, ou Machine Learning, para a simplificação e acessibilização da obtenção de resultados de análises complexas. Segundo Mena (2011), uma das formas de se enxergar o Machine Learning é exatamente como se este fosse um simplificador, sendo uma tecnologia que permite a compressão de grandes e diversos conjuntos de dados em apenas algumas variáveis que sejam mais significativas para o problema em questão. Portanto, propõe-se a remodelagem do problema em função de variáveis mais simples: dimensões predominantes de edifícios e orientações azimutais de cânions urbanos substituem parâmetros de configuração de simulações computacionais complexas que envolvem mais do que apenas a geometria da forma urbana. Tem-se, assim, um artifício aproximador de profissionais de planejamento urbano de diversas áreas e níveis de aprofundamento técnico que tenham em comum o tema do conforto térmico. Com isso, e ao extrapolar a proposta para outros temas, poderá se pensar nesta tecnologia como uma forma de facilitar e aumentar o alcance dos profissionais a métodos aprofundados e pertinentes a áreas correlatas ao planejamento, de forma simplificada, mais eficiente, e próxima do conhecimento técnico de especialistas.

Na área de Arquitetura e Urbanismo, objetos de estudo são tratados multidisciplinarmente. Seus variados critérios de qualidade muitas vezes necessitam de visões aprofundadas que não se encontram, todas, em um só profissional. Torna-se possível pensar que um maior nível de autonomia se faz alcançável com estratégias como a apresentada neste trabalho. Para suas avaliações, um só profissional ou pesquisador poderá atacar seu problema sob a ótica aprofundada de diversos temas de cunho técnico, mediante o uso de modelos simplificados com o aprendizado de máquina. De uma perspectiva tecnológica, política e ambiental, o método proposto visa contribuir com a produção da cidade contemporânea, melhorando a compreensão das implicações diretas que as edificações têm no ambiente urbano. Ascher (2010) enfatiza a importância da compreensão de novas dinâmicas da cidade atreladas à maneira como a própria sociedade rapidamente se transforma. Respostas rápidas, não necessariamente precisas, tornam-se interessantes para a convergência em denominadores comuns a tantos critérios envolvidos nos processos de tomadas de decisão em planejamento urbano.

Esta pesquisa trata da construção da informação sobre conforto térmico em escala urbana, mapeando esta variável por meio do processamento de arquivos climáticos e dados sobre a forma da cidade, barateando o custo de métodos de simulação computacional e tornando o processo mais acessível. A metodologia adotada parte da definição de parâmetros descritivos da forma urbana, correlacionando-os a resultados obtidos em simulações de ventilação natural e sombreamento. O trabalho tem por objetivo a elaboração de um modelo simplificado do conforto térmico urbano mediante a aplicação de algoritmos de aprendizado de máquina, visando mais ampla aplicação deste tipo de análise em processos de tomada de decisão, e enfatizar a importância destas técnicas computacionais na produção da cidade contemporânea.

2 Machine Learning

Segundo Belém, Santos e Leitão (2019), nas últimas décadas, avanços computacionais mudaram a forma com que arquitetos e urbanistas atuam em projeto e planejamento. A computação revolucionou a arquitetura e, atualmente, abordagens computacionais estão completamente incorporadas na prática projetual. Belém, Santos e Leitão (2019) dizem ainda que, recentemente, uma nova revolução computacional está em curso, sendo conduzida, de acordo com Bishop (2006), por avanços na área de Machine Learning.

Machine Learning é uma ramificação da Inteligência Artificial baseado em estatística computacional e procedimentos de otimização, que explora técnicas de aprendizado auto-aperfeiçoadas para a solução de problemas ou execução de tarefas específicas. Diferente de outras abordagens da Inteligência Artificial, ramificações como a do Machine Learning tentam construir sistemas que não precisam ser programados para realizar as tarefas. Ainda, no caso específico do Machine Learning, são construídos modelos matemáticos a partir de dados de amostragem, chamados de dados de treino, para que os parâmetros do modelo sejam adaptados progressivamente até que seu desempenho em tarefas específicas seja melhorado sem qualquer intervenção humana (BISHOP, et al., apud BELÉM, et al., 2019).

Explicado de forma alternativa, como ilustrado no diagrama da Figura 1, o Machine Learning funciona de forma diferente da computação clássica, que tem como inputs as regras e os dados de um problema, para que sejam obtidas as respostas, ou outputs. No Machine Learning, dados de treino e respostas previamente obtidas são inputs para a estimativa de regras, desta vez como outputs. Conectada a uma nova iteração de programação clássica, as regras estimadas são usadas com um novo conjunto de dados para a obtenção de respostas preditivas.

Fig. 1: Programação clássica e Machine Learning. Fonte: Autores, 2019.

Ao longo da última década, como exemplo do impacto dessa tecnologia em áreas onde foi aplicada, o Machine Learning aprimorou os principais processos computacionais em quase todos os setores econômicos. Sua adoção antecipada ofereceu um poderoso impulso para a inovação e mostrou o potencial de expandir a percepção nos problemas de otimização, automação e previsão (MCKINSEY GLOBAL INSTITUTE, 2017 apud KHEAN, et al., 2018). Além desta, várias outras áreas também já foram afetadas (MAGOULAS, 2001), como a medicina (MAGOULAS, et al., 2001; DEO, 2015), a física (FERREIRA, 2018), e finanças (BOLTON, et al., 2015). Ainda, segundo Brynjolfsson e McAfee (2017), pesquisas recentes sugerem que os avanços feitos em Machine Learning conseguirão ser tão transformadores para os dias de hoje quanto a eletricidade cem anos atrás.

O historiador Mario Carpo (2016 apud KHEAN, et al., 2018) prevê que a próxima virada digital em arquitetura e urbanismo se dará com a convergência de poder computacional sem precedentes e big data para fazer das estratégias computacionais de grande escala (como a metaheurística computacional do algoritmo genético e algum tipo de Machine Learning) uma abordagem mais viável e generalizada em projeto e planejamento.

3 Facilitação de análises complexas

Khean, Fabbri e Haeusler (2018) colocam que a arquitetura tem sido tradicionalmente uma disciplina quase totalmente desprovida da análise rigorosa de dados. No entanto, data torna-se cada vez mais um elemento protagonista no projeto interativo. Em comparação, planejamento urbano, apoiado há mais tempo em análise de dados, consegue se tornar ainda mais aperfeiçoado pela mesma tendência. Khean, Fabbri e Haeusler (2018, s.p., tradução nossa) explicam ainda:

Esses dados podem ser coletados a partir do entorno, analisados, manipulados e avaliados no processo de projeto ou planejamento, e, em alguns casos, visualizados através do produto final. Nos últimos anos, os esforços em pesquisas produziram uma grande quantidade de ferramentas computacionais para projeto orientado a dados, úteis para uma variedade de aplicações. No entanto, o desenvolvimento de estruturas para projeto orientado a dados continuou a depender de uma combinação de experiência, intuição e construção e recuperação manuais de conhecimento.

Propõe-se, neste trabalho, que experiência e intuição, pressupostos para o desenvolvimento e aplicação de métodos aprofundados de análises complexas, possam ser contornadas com o uso de Machine Learning. Enquanto essa tecnologia ainda não foi amplamente compreendida ou adotada em arquitetura e urbanismo, existem exemplos documentados de redes neurais1 aplicadas no desenvolvimento de ferramentas preditivas na construção civil, mais especificamente para a estimativa do custo de obras, a depender de variáveis em menores números e de mais fácil obtenção do que em outros métodos, como a área e a quantidade de pavimentos, o ano de construção e o preço de principais insumos (LUU, et al., 2009; ELSAWY, et al., 2011). Em projeto, Cudzik e Radziszewski (2018) sugerem que a adoção de técnicas de Inteligência Artificial e Machine Learning resultarão em ferramentas mais intuitivas.

4 Machine Learning e fluidodinâmica computacional

Tamke, Nicholas e Zwierzycki (2018) acreditam que interseções entre Machine Learning e simulações computacionais podem possibilitar uma prática de intuição sobre o que está sendo simulado. Os mesmos autores (2018) complementam:

A integração da simulação computacional em fluxos de trabalho deu origem a uma metodologia de projeto baseada em desempenho. O uso de ferramentas paramétricas e generativas com simuladores de estrutura, energia, geometria solar, ventilação natural, dentre outros, configura, hoje, o estado da arte. Como qualquer outra prática de simulação, esta abordagem requer uma boa compreensão das relações internas do sistema, bem como dados sobre o comportamento dos elementos, e ferramentas computacionais eficientes para o cálculo dos modelos complexos subjacentes. Nenhum destes objetos de simulação é normalmente bem abordado no processo de projeto, que é caracterizado por problemas mal definidos, mudanças constantes nas partes fundamentais dos sistemas a serem simulados, falta de tempo, recursos e também dados sobre o comportamento de materiais, dentre outros obstáculos. Enquanto praticantes experientes confiam nas suas intuições, em situações como essas, o Machine Learning pode agir de forma semelhante e prever, a partir de resultados de simulações precedentes, como novos sistemas se comportarão. (TAMKE; NICHOLAS; ZWIERZYCKI, 2018, s.p., tradução nossa.)

Como exemplos, Wilkinson, Bradbury e Hanna (2014) introduzem o Machine Learning na engenharia para acelerar simulações complexas, como no caso de Computational Fluid Dynamics, e prever padrões complexos plausíveis de interferência do vento utilizando métodos de aprendizado supervisionado2, e Tamke, Zwierzycki, Deleuran, Baranovskaya, Tinning e Thomsen (2017) utilizam a mesma técnica para form-finding em sistemas complexos.

A análise de Computational Fluid Dynamics tipicamente envolve tempos de resposta que são obstrutivos para iterações rápidas necessárias em abordagens contemporâneas de análise e prática de projeto e planejamento. Nesse paradigma, os arquitetos podem facilmente gerar imensos números de cenários alternativos, mas enfrentam a tarefa demorada de avaliação e seleção (WILKINSON, et al., 2014). Uma solução para este problema, por Wilkinson, Hanna, Hesselgren e Mueller (2013), se dá nos estágios iniciais de projeto de edificações altas, usando conjuntos de modelos procedurais pré-computados, características da forma dos edifícios, e Machine Learning através de redes neurais artificiais. Neste exemplo, mostrou-se que tempos de previsão significativamente mais rápidos podem ser alcançados, enquanto erros de aproximação são minimizados até níveis toleráveis para a tarefa em questão.

5 Precisão e velocidade

Computational Fluid Dynamics, de grande importância para questões de segurança, conforto e eficiência, é, sobretudo, uma das simulações mais intensas e demoradas na avaliação de desempenho da forma arquitetônica e urbana. Surge, portanto, tipicamente, em estágios iniciais de projeto, a dificuldade em orientar decisões através desta ferramenta, devido ao feedback lento das abordagens convencionais de Computational Fluid Dynamics, onde este tipo de simulação, quando lenta e precisa, é melhor investida em estágios posteriores. Torna-se prudente, então, considerar comprometimentos de trade-off entre precisão e velocidade, sacrificando a precisão a favor da velocidade, durante esses estágios iniciais, para que mais possibilidades possam ser analisadas (WILKINSON, et al., 2014).

Segundo Wilkinson, Bradbury e Hanna (2014), diferente dos cenários de alto risco onde comumente se aplica o uso de Computational Fluid Dynamics, como em engenharia de aeronaves, espaçonaves, automóveis, dentre outros, a movimentação do ar na ventilação natural em arquitetura e urbanismo pode ser analisada de forma mais tolerante a erros, principalmente nos estágios iniciais de projeto e planejamento, quando refinamentos tanto no método de simulação como no objeto simulado podem ser feitos a posteriori.

A idéia de que, nesses estágios iniciais de feedback rápido e menos preciso, pode haver mais espaço para exploração e otimização de projeto é apoiada pelo conceito de trade-off entre precisão e velocidade (CHITTKA, et al., 2009), que sugere que, para problemas de baixo risco, geralmente é melhor tomar decisões mais rápidas e menos precisas. Isso implica que, no escopo de problemas mais complexos, é melhor ter uma perspectiva mais ampla sobre a variabilidade de desempenho ao invés de uma perspectiva extremamente precisa, porém limitada, atenta a um menor número de possibilidades.

De acordo com Chittka, Skorupsko e Raine (2009, s.p., tradução nossa), o trade-off entre precisão e velocidade se confirma em exemplos da biologia na eficiência de certas espécies animais:

Quando se leva muito tempo para resolver uma tarefa difícil, e os potenciais prejuízos por conta dos erros são baixos, a melhor solução na perspectiva de um animal pode ser adivinhar a solução rapidamente, uma estratégia que provavelmente resultará em baixa precisão de decisão.

Em concordância, Burns (2005) coloca que tomar mais decisões com mais erros (análises rápidas e imprecisas) resulta em melhor desempenho geral do que tomar decisões com menos erros numa postura mais exigente (análises lentas e precisas), exemplificando com abelhas, onde mais néctar é coletado para a colméia quando o comportamento individual das abelhas é em média mais desleixado e intenso, ao invés de cuidadoso e preciso. Isso fornece uma boa analogia para a caracterização do conforto térmico em escala urbana.

6 Proposta

Para que se entenda como o método proposto, através de Machine Learning, pode simplificar a complexidade de uma análise que contemple não só os aspectos climáticos como também de conforto térmico na escala urbana, é necessário primeiro compreender o quão complexo e custoso é um método convencional que envolva cálculos de geometria solar e simulações de Fluidodinâmica Computacional.

Uma das formas de correlacionar clima e conforto faz uso da carta de Olgyay. A carta bioclimática de Olgyay (1963) descreve estratégias corretivas para o clima do espaço construído. No diagrama, consta uma zona de conforto central, fora da qual os pontos que representam determinados momentos de desconforto térmico ao longo do ano no clima de uma localidade específica poderão ser adaptados a partir da zona da estratégia corretiva em que se encontra. No exemplo da Figura 2, a cidade de Fortaleza, pertencente à Zona Bioclimática 8, pode ter os pontos fora da sua zona de conforto corrigidos a partir do uso de ventilação natural. A carta também informa qual a velocidade mínima do vento necessária para corrigir a condição de temperatura e umidade expressa por um ponto no gráfico.

Os pontos marcados na carta de Olgyay podem ser obtidos através da leitura de arquivos climáticos por software capaz de extrair essas informações. No exemplo das Figuras 2 e 3, utilizou-se o arquivo climático de formatação Typical Meteorological Year (TMY) para a cidade de Fortaleza, obtido no website do Laboratório de Eficiência Energética em Edificações da Universidade Federal de Santa Catarina, LabEEE-UFSC (UNIVERSIDADE FEDERAL DE SANTA CATARINA, 2019). Seus dados foram importados pelo software Grasshopper, um modelador paramétrico da plataforma de desenho auxiliado por computador Rhinoceros 3D, através do plugin de análise climática Ladybug Tools, e interpretados nos gráficos da carta de Olgyay e dos histogramas da Figuras 2 e 3 através de uma definição paramétrica implementada em uma Linguagem de Programação Visual (VPL, do inglês, Visual Programming Language).

Fig. 2: Carta de Olgyay, para a cidade de Fortaleza. Fonte: Autores, 2019.

Fig. 3: Histogramas anuais de temperatura de bulbo seco, umidade relativa do ar e velocidade do vento, para a cidade de Fortaleza. Fonte: Autores, 2019.

Uma vez determinada a possibilidade de se corrigir um ponto do histograma fora das condições de conforto determinadas pela carta de Olgyay, resta saber se a forma urbana no entorno do espaço analisado permite que a velocidade obtida no arquivo climático (normalmente medida em instrumentos localizados em aeroportos da cidade referente) seja mantida. É então que as simulações de Computational Fluid Dynamics são implementadas. Um dos software indicados para essa tarefa é o Ansys CFX, comumente usado na engenharia em análises estruturais (WILKINSON et al., 2013) mas aplicado aqui para análise de conforto segundo metodologia apropriada (LEITE, 2015).

Assim, uma simulação do tipo Reynolds Averaged Navier-Stokes (RANS) é realizada seguindo a metodologia apresentada em Leite (2015), utilizando o modelo de turbulência k-ε e está definida em 5%. A simulação é configurada de forma isotérmica de acordo com a temperatura de bulbo seco, sem levar em consideração forças convectivas, com o critério de convergência definido em 10-4, que pode ser considerado razoavelmente convergido. A malha é modelada de forma desestruturada, utilizada em conjunto com uma camada de células prismáticas no piso e nas faces das edificações dentro de um domínio cilíndrico, observando as devidas proporções mínimas para a redução do efeito de blocagem (Figura 4).

Fig. 4: Visualização da malha e dos resultados da simulação de Computational Fluid Dynamics. Fonte: Leite, 2015.

Dessa forma, obtém-se um percentual da área analisada que compreende regiões do domínio simulado onde a velocidade do vento atende o requisito mínimo para atuar como estratégia corretiva, restando apenas descontar a parte dessas regiões onde não ocorrem sombras ao longo do ano, mediante os cálculos de geometria solar e gráficos de sombra acumulada, realizados pela mesma ferramenta Ladybug, do Grasshopper (Figura 5). Finaliza-se, então, uma análise com a abordagem convencional, lenta e de maior exigência do especialista que a realize.

Fig. 5: Exemplos de gráficos de sombras acumuladas. Fonte: Autores, 2019.

A partir do uso de Machine Learning, no entanto, é possível treinar o computador para gerar um modelo mais simples que descreva o fenômeno do conforto térmico, referente especificamente às condições de clima do espaço urbano analisado, nos mesmos termos utilizados na abordagem convencional já descrita, ou seja, através de um indicador percentual que mostre o quão expressiva é a porção confortável do espaço estudado. Porém, os algoritmos de Machine Learning definiriam o novo modelo de conforto em função de variáveis mais simples, como dimensões predominantes de edifícios e orientações azimutais de eixos de vias.

Como sugere Moreira (2018), fazendo-se uso de um Sistema Gerenciador de Banco de Dados (SGBD) e com a aplicação de um Sistema de Informação Geográfica/Desenho Auxiliado por Computador (SIG/CAD), é possível descarregar as geometrias da forma urbana para que sejam analisadas em larga escala. Seguindo, então, da aplicação da abordagem convencional de análise de conforto sobre espaços urbanos suficientes para a formação de um conjunto de treino, teremos uma matriz cujas tuplas3 correlacionam apenas as variáveis de fácil obtenção (dimensões de edifícios e orientações de vias) com os resultados das análises. Tamke, Nicholas e Zwierzycki (2018) se refere a esse tipo de prática emergente como um curto-circuito por sobre as simulações (“short-circuiting simulations”). Redes neurais artificiais poderão, enfim, extrapolar os padrões aprendidos entre as variáveis simples, ou features, e os seus resultados, para novos casos, além do conjunto de treino, sem que a aplicação da abordagem convencional seja necessária (Figura 6).

Fig. 6: Abordagem convencional e Machine Learning, onde: 1) Análise climática; 2) Forma urbana; 3) Simulações computacionais; 4) Modelos complexos de conforto; 5) Indicadores de conforto; 6) Dimensões dos edifícios no entorno; 7) Orientação dos eixos das vias; A) Modelo simplificado de correlação conforto-forma; B) Dimensões de edifícios e orientação dos eixos das vias de novos casos; C) Indicadores estimados de conforto. Fonte: Autores, 2019.

7 Comprovações

Em estágios de desenvolvimento, esta pesquisa se encontra nas etapas de construção do conjunto de treino dos algoritmos de machine learning, que envolve uma quantidade considerável de simulações a serem feitas. Em um trabalho semelhante, focado apenas nas simulações de ventilação natural com Computational Fluid Dynamics, sem cálculos de geometria solar e com vista ao desempenho estrutural do edifício, ao invés de desempenho térmico, Wilkinson, Hanna, Hesselgren e Mueller (2013) chega a resultados com cerca de 600 simulações. No entanto, fica claro, como comprovação do método semelhante, a marca de menos de 6,1% de erro para as leituras de coeficientes de pressão ao longo das superfícies complexas dos edifícios testados. Ao trabalhar com geometrias mais simples, com baixo nível de detalhamento em extrusões perpendiculares das poligonais dos edifícios, a presente pesquisa espera encontrar resultados dentro de margens de erro semelhantes.

8 Conclusões

O uso de Machine Learning como método de solução de problemas complexos tem sido uma realidade da ciência da computação desde os anos 1950, com os seus primeiros exemplos, como o modelo do jogo de Damas de 1952 de Arthur Samuel, provando, pela primeira vez, que uma máquina poderia aprender a jogar melhor que seu criador em um curto período de tempo (SAMUEL, 1959). De acordo com Sjoberg, Charlotte, Beorkrem e Ellinger (2017), é concebível que tal momento também possa ocorrer no campo do projeto e planejamento, onde uma ferramenta poderia eclipsar a capacidade de humanos em considerar e responder ao vasto número de variáveis e relacionamentos de um sistema complexo.

No entanto, mesmo antes que tal momento chegue, a capacidade do arquiteto e urbanista de obter resultados necessários e suficientes em análises aprofundadas envolvendo simulações de fenômenos complexos, como o conforto térmico a nível urbano, já pode ser capaz de ser aumentada através de Machine Learning, ainda que a máquina não possua total autonomia.

Custo computacional e tempo reduzidos contribuem com a atuação de profissionais menos aprofundados teórica e tecnicamente em aspectos específicos da arquitetura e urbanismo, sem a necessidade de uma compreensão completa de todas as variáveis envolvidas. Segundo Tamke, Zwierzycki, Deleuran e Baranovskaya:

A habilidade de trabalhar permitindo a exploração sistemática de opções, com a abordagem computacional, pode construir uma intuição sobre direções promissoras no projeto, e explorá-las rapidamente. Essas explorações podem também acontecer através da geração automática de opções de projeto e subsequentes avaliações e reiterações das soluções de acordo com objetivos dados. (TAMKE, et al., 2017, p. 100, tradução nossa.)

Como colocam Tamke, Zwierzycki, Deleuran e Baranovskaya (2017), o Machine Learning foi introduzido na engenharia para acelerar simulações complexas, fornecendo aproximações rápidas, confiáveis e precisas de resultados para informar o projetista, deixando os cálculos de 200 a 500 vezes mais rápidos que em métodos tradicionais. Alinhado ao mesmo pensamento, está o que é colocado por uma série de autores (CHRONIS, et al., 2012; LOMAX, et al., 2001; LU, et al., 1991; SAMARASINGHE, 2007) a respeito do trade-off entre velocidade e precisão, que afirmam existir a necessidade de ajustar o nível de precisão de simulações de acordo com o tempo de resposta ideal em aplicações específicas.

Com a remodelagem do problema por Machine Learning, portanto, em função de variáveis mais simples, busca-se uma aproximação dos profissionais de planejamento urbano de diversas áreas e níveis de aprofundamento técnico que tenham em comum o tema do conforto térmico. Ao extrapolar a proposta para outros temas, poderá se pensar nesta tecnologia como uma forma de facilitar e aumentar o alcance dos profissionais a assuntos que dependem de um arcabouço teórico e técnico mais aprofundado para sua compreensão, pertinentes a áreas correlatas ao planejamento, de modo tanto a torná-los mais autônomos, capazes de interagir de forma mais produtiva com especialistas. Melhorar, assim, a compreensão das implicações diretas que as edificações têm no ambiente urbano, através da construção da informação, visa contribuir com a produção da cidade contemporânea segundo uma perspectiva tecnológica, política e ambiental.

Agradecimentos

O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) - Código de Financiamento 001.

Referencias

ABNT. NBR 15220-1: Desempenho térmico de edificações. Parte 1: Definições, símbolos e unidades. Rio de Janeiro: ABNT, 2003.

ASCHER, F. Os novos princípios do urbanismo. São Paulo: Romano Guerra, 2010.

BEHERA, R. N.; DAS, K. A Survey on Machine Learning: Concept, Algorithm and Applications. International Journal of Innovative Research in Computer and Communication Engineering, v. 5, n. 2, 2017.

BELÉM, C.; SANTOS, L.; LEITÃO A. On the Impact of Machine Learning: Architecture without Architects? In: INTERNATIONAL CONFERENCE, CAAD FUTURES 2019, 18., 2019, Daejeon, Korea. Anais… Disponível em: <http://papers.cumincad.org/data/works/att/cf2019_020.pdf>. Acesso em: 17 Ago. 2019.

BISHOP, C. M. Pattern Recognition and Machine Learning: Information Science and Statistics. Nova Iorque: Springer-Verlag, 2006.

BOLTON, R. J.; HAND, D. J. Statistical Fraud Detection: A review. Statistical Science, v. 17, n. 3, p. 235-255, 2002.

BRYNJOLFSSON, E.; MCAFEE, A. Machine, Platform, Crowd: Harnessing our Digital Future. Nova Iorque: W. W. Norton & Company, 2017.

BURNS, J.G. Impulsive bees forage better: the advantage of quick, sometimes inaccurate foraging decisions. Animal Behaviour, v. 70, n. 6, 2005.

CHRONIS, A.; TSIGKARI, M.; DAVID, A.; AISH, F. Design Systems, Ecology and Time. In: ACADIA, 2012. Anais… Disponível em: <https://www.researchgate.net/profile/Angelos_Chronis/publication/272886939_Design_Systems_Ecology_and_Time/links/5825a86e08ae61258e45ec4f/Design-Systems-Ecology-and-Time.pdf>. Acesso em: 17 Ago. 2019.

CUDZIK, J.; RADZISZEWSKI, K. Artificial Intelligence Aided Architectural Design. In: eCAADe - AI for design and built environment, 2018. Disponível em: <https://www.researchgate.net/profile/Jan_Cudzik/publication/328018944_Artificial_Intelligence_Aided_Architectural_Design/links/5bb32166a6fdccd3cb815e4b/Artificial-Intelligence-Aided-Architectural-Design.pdf>. Acesso em: 17 Ago. 2019.

CHITTKA, L.; SKORUPSKO, P; RAINE, N. E. Speed-Accuracy Tradeoffs in Animal Decision Making. Trends in Ecology and Evolution, v. 24, n. 7, 2009.

DEO, R. C. Machine Learning in Medicine. Circulation, v. 132, p. 1920-1930, 2015. DOI: 10.1161/CIRCULATIONAHA.115.001593. Disponível em: <https://www.ahajournals.org/doi/pdf/10.1161/CIRCULATIONAHA.115.001593>. Acesso em: 17 Ago. 2019.

ELSAWY, I.; HOSNY, H.; RAZEK, M. A. A Neural Network Model for Construction Projects Site Overhead Cost Estimating in Egypt. International Journal of Computer Science Issues, v. 8, n. 3, p. 273-283, 2011. Disponível em: <https://arxiv.org/abs/1106.1570>. Acesso em: 17 Ago. 2019.

FERREIRA, D. R. Applications of Deep Learning to Nuclear Fusion Research. 2018. Disponível em: <https://arxiv.org/pdf/1811.00333.pdf>. Acesso em: 17 Ago. 2019.

IBGE. Sinopse do censo demográfico 2010. Rio de Janeiro: IBGE, 2010.

KHEAN, N.; FABBRI, A.; HAEUSLER, M. H. Learning Machine Learning as an Architect, How to? In: ECAADE - Computing for a better tomorrow, 2018, Łódź, Poland. Anais… Disponível em: <http://papers.cumincad.org/data/works/att/ecaade2018_111.pdf>. Acesso em: 17 Ago. 2019.

KHEAN, N.; KIM L.; MARTINEZ, J.; DOHERTY, B.; FABBRI, A.; GARDNER, N.; HAEUSLER, M. H. The Introspection of Deep Neural Networks - Towards Illuminating the Black Box: Training Architects Machine Learning via Grasshopper Definitions. In: CAADRIA, 23., 2018, Beijing, China. Anais… Disponível em: <http://papers.cumincad.org/data/works/att/caadria2018_126.pdf>. Acesso em: 17 Ago. 2019.

LEITE, R. C. V. Cidade, Vento, Energia: ​Limites de Aplicação da Ventilação Natural para o Conforto Térmico Face à Densificação Urbana em Clima Tropical Úmido. Tese (Doutorado em Arquitetura e Urbanismo) - Universidade de São Paulo, São Paulo, 2015.

LOMAX, H.; PULLIAM, T. H.; ZINGG, D. W. Fundamentals of computational fluid dynamics. Berlim: Springer, 2001.

LU, S. C.-Y.; TCHENG, D. K.; YERRAMAREDDY, S. Integration of Simulation, Learning and Optimization to Support Engineering Design. Annals of the CIRP, v. 40, n. 1, 1991.

LUU, V. T.; KIM, S. Y. Neural Network Model for Construction Cost Prediction of Apartment Projects in Vietnam. Korean Journal of Construction Engineering and Management, v. 10, 2009. Disponível em: <https://www.researchgate.net/publication/264113646_Neural_Network_Model_for_Construction_Cost_Prediction_of_Apartment_Projects_in_Vietnam>. Acesso em: 17 Ago. 2019.

MAGOULAS, G. D. Machine Learning and Its Applications. Berlim/Heidelberg: Springer Berlin Heidelberg, 2001.

MAGOULAS, G. D.; PRENTZA, A. Machine Learning in Medical Applications. Berlim/Heidelberg: Springer Berlin Heidelberg, 2001.

MENA, J. Machine Learning Forensics for Law Enforcement, Security, and Intelligence. London: CRC, 2011.

MOREIRA, E. Modelando a percepção: o ambiente do patrimônio cultural edificado na regulação da forma urbana. Dissertação (Mestrado em Arquitetura, Urbanismo e Design) – Universidade Federal do Ceará, Fortaleza, 2018.

OLGYAY, V. Design with Climate. New Jersey: Princeton University Press, 1963.

ORACLE CORPORATION. The Java Tutorials, c2019. A Relational Database Overview. Disponível em: <https://docs.oracle.com/javase/tutorial/jdbc/overview/database.html>. Acesso em: 4 nov. 2019.

SAMARASINGHE, S. Neural Networks for Applied Sciences and Engineering: From Fundamentals to Complex Pattern Recognition. Nova Iorque: Auerbach, 2007.

SAMUEL, A. L. Some Studies in Machine Learning Using the Game of Checkers. IBM Journal of Research and Development, v. 3, n. 3, 1959.

SJOBERG, C.; CHARLOTTE, U.; BEORKREM, C.; ELLINGER, J. Emergent Syntax: Machine Learning for the Curation of Design Solution Space. In: ACADIA, 37., 2017, Cambridge, USA. Anais… Disponível em: <http://papers.cumincad.org/data/works/att/acadia17_552.pdf>. Acesso em: 17 Ago. 2019.

TAMKE, M.; NICHOLAS, P.; ZWIERZYCKI, M. Machine learning for architectural design: Practices and infrastructure. International Journal of Architectural Computing, v. 16, n. 2, 2018.

TAMKE, M.; ZWIERZYCKI, M.; DELEURAN, A. H.; BARANOVSKAYA, Y. S.; TINNING, I. F.; THOMSEN, M. R. Lace Wall - Extending design intuition through Machine Learning. In: MENGES, A.; SHEIL, B.; GLYNN, R.; SKAVARA, M. (Org.). Fabricate 2017. Londres: UCL Press, 2017.

UNIVERSIDADE Federal de Santa Catarina. Laboratório de Eficiência Energética em Edificações. Arquivos climáticos em formato TRY, SWERA, CSV e BIN. 2019. [online] Disponível em: <http://www.labeee.ufsc.br/downloads/arquivos-climaticos/formato-try-swera-csv-bin>. Acesso em: 17 de Ago. 2019.

WILKINSON, S.; BRADBURY, G.; HANNA, S. Approximating Urban Wind Interference. In: SYMPOSIUM ON SIMULATION FOR ARCHITECTURE & URBAN DESIGN, 2014, San Diego, USA. Anais… Disponível em: <https://www.researchgate.net/profile/Samuel_Wilkinson3/publication/303810741_Approximating_Urban_Wind_Interference/links/58ecb1f1458515d158967fbe/Approximating-Urban-Wind-Interference.pdf>. Acesso em: 17 Ago. 2019.

WILKINSON, S.; HANNA, S.; HESSELGREN, L.; MUELLER, V. Inductive Aerodynamics. In: ECAADE - Computation and Performance, 2013, Delft, the Netherlands. Anais… Disponível em: <https://www.researchgate.net/profile/Samuel_Wilkinson3/publication/303810587_Inductive_aerodynamics/links/5754634608ae17e65eccc9b4/Inductive-aerodynamics.pdf>. Acesso em: 17 Ago. 2019.

ZHAO, C.; FU, G.; LIU, X.; FU, F. Urban planning indicators, morphology and climate indicators: A case study for a north-south transect of Beijing, China. Building and Environment, n. 46, p. 1174-1183, 2011.

1 Redes Neurais Artificiais são um paradigma de Machine Learning inspirado na biologia, capaz de resolver problemas de processamento de sinais complexos e reconhecimento de padrões. Seu conceito toma emprestado a compreensão de como o sistema nervoso central humano opera através de caminhos e conexões neurais, e traduz isso em um sistema computacional (KHEAN, et al., 2018).

2 Aprendizado supervisionado é um método de aprendizado em Machine Learning que usa um conjunto de treinamento de dados contendo as entradas e as saídas correspondentes, ou seja, os rótulos associados. As saídas são usadas para guiar o processo de aprendizado (Belém, et al., 2019).

3 No contexto de banco de dados relacionais, uma linha ou tupla é uma estrutura de dados que corresponde a um registro de informações de campos ou atributos correlacionados no tema de uma matriz (ORACLE, 2019).

Machine Learning for the accessibility to urban scale analysis

José Aderson Araújo Passos Filho, Daniel Ribeiro Cardoso

José Aderson Passos Filho is an Architect and Urbanist and Master in Architecture, Urbanism, and Design. He studies digital manufacturing, parametric modeling, computer programming, environmental comfort, and energy efficiency. He is a computer programmer, seeking a systemic approach in design conception, by assimilating context and guidelines as parametric inputs in algorithmic processes of optimization.

Daniel Cardoso is an Architect and Urbanist and Ph.D. in Semiotics, with a postdoctoral degree in City Information Modeling. He is an Associate Professor of the Department of Architecture, Urbanism and Design, and the Graduate Program in Architecture and Urbanism, both from the Federal University of Ceara, Brazil. He develops and guides research in the field of City Information Modeling.


How to quote this text: Passos Filho, J. A. A. and Cardoso, D. R., 2019. Machine Learning for the accessibility to urban scale analysis. V!rus, Sao Carlos, 19. [e-journal] [online] Available at: <http://www.nomads.usp.br/virus/virus19/?sec=4&item=3&lang=en>. [Accessed: 09 May 2021].

ARTICLE SUBMITTED ON AUGUST 18, 2019


Abstract

This paper proposes the use of Machine Learning to simplify and make accessible the obtaining of complex analyses’ results, particularly in the assessment of thermal comfort on the urban scale. The complex relationship between planning, city shape, and climate requires the use of strategies for analyzing and producing urban space that often exceeds the planner's expertise. Building tools that, besides powerful, make it easier and faster for planners to act quickly and continuously, requires thinking about the trade-off between accuracy and speed of the methods applied. From a technological, political, and environmental point of view, the proposed method aims to improve the understanding of the implications of buildings on the urban environment and to contribute to the production of the contemporary city through the construction of information.

Keywords: Urban planning, Machine learning, Thermal comfort


1 Introduction

Planning, city shape, and climate conditions at the urban scale are all elements of a complex relationship that requires the use of strategies in space analysis and production. Such strategies must be adapted to the high complexity of urban systems as well as to specific climates. In order to improve the city's residents’ health, and increase their social life, it is recommended to consider local climatic particularities, to promote their environmental comfort (Zhao et al., 2011). Cities are the principal place of human occupation, including Brazilian ones (IBGE, 2010), and we believe that the complexity of large urban centers should be approached based on a theoretical and technical framework, which includes tools not only powerful but able to facilitate the planners' rapid and constant action.

According to NBR 15220-1 Brazilian technical standard (ABNT, 2003), most of the country's territory is located in the hot and humid Bioclimatic Zone number 8, which includes almost all coastal capital cities. Within this zone, shading and natural ventilation are required as corrective measures for hours of the year in thermal discomfort. Software capable of expressing these corrective measurements through solar geometry calculations and natural ventilation simulations is part of the toolset for climate and environmental comfort analyses in computational design and planning approaches. Simpler and less costly, solar geometry calculations are often able to deliver results fast enough for the planner's task. However, natural ventilation simulations using Computational Fluid Dynamics (CFD) software typically involve long response times that are obstructive to the rapid iterations required in contemporary approaches to analysis and practice of design and planning (Wilkinson, Bradbury and Hanna, 2014, p. 1). Furthermore, the implementation of such simulations demands a high level of technical and theoretical deepening, which is not always part of the architects' and planners' education.

This paper proposes the use of Machine Learning for the simplification and accessibility of methods to obtain complex analyses’ results. The proposal is presented as a way to circumvent the need for greater technical proficiency in tasks that require more analytical rigor in the assessment of thermal comfort in urban spaces. According to Mena (2011, p. 300), Machine Learning is a simplifier tool, as it is a technology that allows the compression of large and diverse data sets in just a few variables that are most significant to the problem at hand. Therefore, as a function of simplifying variables, the remodeling of the problem is proposed: predominant building dimensions and azimuth orientations of urban canyons replace configuration parameters of complex computational simulations that involve more than just urban shape geometry. Thus, Machine Learning can act as a device to approximate planning professionals of different areas and levels of technical knowledge sharing the theme of thermal comfort. By extrapolating the proposal to other themes, one can consequently think of this technology as a way to facilitate and increase the reach of professionals to in-depth methods related to planning, in a simplified and more efficient way, closer to the capacity of an expert technician.

Objects of study in the area of ​​Architecture and Urbanism are treated in a multidisciplinary manner. Their varied quality criteria often require in-depth understandings that are not all present in a single professional. It becomes possible to think that a higher level of autonomy is achievable with strategies like the one presented in this paper. For his or her assessments, a single professional or researcher can tackle his or her problem from the in-depth perspective of various technical issues through the use of models simplified through Machine Learning. From a technological, political, and environmental perspective, the proposed method aims to contribute to the production of the contemporary city, improving the understanding of the direct implications of buildings on the urban environment. Ascher (2010) emphasizes the importance of understanding new urban dynamics linked to the way society itself is rapidly changing. Quick responses, not necessarily accurate, become interesting for the convergence in common denominators between so many criteria involved in urban planning’s decision-making processes.

This research deals with the construction of information on urban thermal comfort, mapping this variable through the processing of climate files and city shape data, reducing the cost of computational simulation methods, and making the process more accessible. The adopted methodology starts from the definition of descriptive parameters of the urban shape, correlating them to results obtained in natural ventilation and shading simulations. The objective of this work is to elaborate a simplified model of urban thermal comfort through the implementation of Machine Learning algorithms, aiming at a broader application of this type of analysis in decision-making processes, and to emphasize the importance of these computational techniques in the production of the contemporary city.

2 Machine Learning

According to Belém, Santos, and Leitão (2019, p. 274), in recent decades, computational advances have changed the way architects and planners work in design and planning. Computing has revolutionized architecture, and computational approaches are now fully incorporated into design practice. Belém, Santos, and Leitão (2019, p. 274) also say thata new computational revolution is underway, being driven, according to Bishop (2006), by advances in Machine Learning.

Machine Learning is a branch of Artificial Intelligence-based on computational statistics and optimization procedures that explores self-improving learning techniques for problem-solving or performing specific tasks. Unlike other approaches to Artificial Intelligence, branches from which Machine Learning originates try to build systems that do not have to be programmed to get things done. Also, in the specific case of Machine Learning, mathematical models are built from sampled data, called training data, so that the model's parameters are progressively adapted until their performance in specific tasks is improved without any human intervention (Bishop, 2006; Behera and Das, 2017, cited inBelém, Santos and Leitão, 2019, p. 274-275).

Alternatively explained (Figure 1), Machine Learning works differently from classical programming, which has the rules and data of a problem as inputs to obtain the answers (the outputs). In Machine Learning, training data and previously obtained answers are inputs to the rule estimation, this time as an output. The estimated rules are used with a new dataset to obtain predictive answers, connected to a new classic programming iteration.

Fig. 1: Classical programming and Machine Learning. Source: the authors, 2019.

An example of the impact of this technology on areas where it has been applied, Machine Learning has refined key computational processes in almost every economic sector. Its early adoption provided a powerful impetus for innovation. It showed the potential to expand awareness of optimization, automation, and estimation problems (McKinsey Global Institute, 2017, cited in Khean, Fabbri and Haeusler, 2018, p. 95). In addition to this, several other areas have also been affected (Magoulas, 2001), such as medicine (Magoulas and Prentza, 2001; Deo, 2015), physics (Ferreira, 2018), and finance (Bolton and Hand, 2015). Also, according to Brynjolfsson and McAfee (2017), recent research suggests that advances made in Machine Learning could be as transformative today as electricity was a hundred years ago.

Historian Mario Carpo (2016, cited by Khean et al., 2018, p. 238) predicts that the next digital shift in architecture and urbanism will come with the convergence of unprecedented computational power and big data to make large-scale computational strategies (such as genetic algorithms, computational metaheuristics, and some Machine Learning) a more viable and widespread approach to design and planning.

3 Facilitation of complex analyses

Khean, Fabbri, and Haeusler (2018, p. 96) argue that architecture has traditionally been a discipline almost entirely devoid of rigorous data analysis. However, data is increasingly becoming a protagonist in interactive design. By comparison, urban planning, which has long been supported by data analysis, can be further refined by the same trend. Khean, Fabbri, and Haeusler (2018, p. 96) further explain:

[Data] can be collated from the surrounding, analyzed, manipulated, and evaluated in the design process, and in some cases, visualized through the final product. In recent years, research efforts have produced a wealth of computational tools for data-driven design useful for a range of applications. However, developing frameworks for data-driven design has continued to depend on a combination of experience, intuition, and manual knowledge building and retrieving.

Experience and intuition are premises for the development and application of in-depth complex analysis methods, and this work proposes Machine Learning as a means to circumvent these prerequisites. This technology has not yet been widely understood or adopted in architecture and urbanism. However, there are examples of neural networks1 applied in the development of predictive tools in construction, more specifically for estimating the cost of buildings, depending on variables fewer and more accessible to obtain than in other methods, such as floor area and quantity, year of construction and price of main supplies (Luu and Kim, 2009; Elsawy, Hosny and Razek, 2011). Cudzik and Radziszewski (2018, p. 77) suggest that the adoption of Artificial Intelligence and Machine Learning techniques will result in more intuitive tools in design.

4 Machine Learning and computational fluid dynamics

Tamke, Nicholas and Zwierzycki (2018, p. 3) believe that intersections between Machine Learning and computer simulations can enable the practice of intuition about what is being simulated. The same authors (2018, p. 3) complement:

The integration of simulation into computational design workflows gave rise to a performance-based design methodology. The use of parametric as well as generative design tools with structural, energetic, or other simulation tools is today state of the art practice. Like any other simulation practice, this approach requires a good understanding of the relations within the underlying structural, mechanical, thermodynamic, or other system, data on the behavior of the elements, and efficient computational tools for the calculation of the underlying complex models. None of these areas is usually well covered in the design process, which is characterized by ill-defined problems, constant changes to fundamental parts of the systems to simulate, lack of time, resources, and as well data on the behavior of the material and system to be simulated. While experienced practitioners rely on these situations on intuition, ML can act similarly and predict out of precedent simulation results, how new systems would behave. 

As examples, Wilkinson, Bradbury, and Hanna (2014) introduce Machine Learning in engineering to accelerate complex simulations, such as Computational Fluid Dynamics and predict plausible complex patterns of wind interference using supervised learning Methods2 and Tamke et al. (2017) use the same technique for form-finding in complex systems.

Computational Fluid Dynamics analysis typically involves response times that are obstructive to the rapid iterations required in contemporary approaches to analysis practice of design and planning. In this paradigm, architects can quickly generate vast numbers of alternative scenarios, but face the lengthy task of evaluation and selection (Wilkinson, Bradbury and Hanna, 2014, p. 1). One solution to this problem by Wilkinson et al. (2013) is in the early stages of tall building design, using precomputed procedural model sets, building shape characteristics, and Machine Learning through artificial neural networks. In this example, it has been shown that significantly faster prediction times can be achieved while approximation errors are minimized to tolerable levels for the task at hand.

5 Accuracy versus speed

Computational Fluid Dynamics, of great importance for safety, comfort, and efficiency, is above all one of the most intense and time-consuming simulations in the performance evaluation of the architectural and urban form. Therefore, it is typically early in the design stage that it is difficult to guide decisions through the use of this tool, due to the slow feedback from conventional Computational Fluid Dynamics methods. In such approaches, this kind of simulation, slow and accurate, is best invested in later stages. It is therefore prudent to consider trade-off compromises between accuracy and speed, sacrificing accuracy in favor of speed during these early stages so that more possibilities can be analyzed (Wilkinson, Bradbury and Hanna, 2014, p. 2).

According to Wilkinson, Bradbury, and Hanna (2014, p. 2), air movement in natural ventilation in architecture and urbanism can be analyzed more error-tolerantly. This approach differs from the high-risk scenarios where the use of Computational Fluid Dynamics is commonly applied, such as in aircraft engineering, spacecraft, automobiles, among others. This scenario is especially true in the early stages of design and planning when refinements to both the simulation method and the simulated object can be done a posteriori.

The concept of accuracy-speed trade-off supports the idea that in these early stages of fast and less accurate feedback there may be more room for design exploration and optimization (Chittka, Skorupsko and Raine, 2009). This concept suggests that, for low-risk issues, it is usually better to make faster, less accurate decisions. This method implies that, in the scope of more complex problems, it is better to have a broader perspective on performance variability rather than an accurate but limited perspective that addresses fewer possibilities.

According to Chittka, Skorupsko, and Raine (2009, p. 400), the trade-off between accuracy and speed is confirmed by biology examples in the efficiency of certain animal species:

When it takes a long time to solve a difficult task, and the potential costs of errors are low, the best solution from the perspective of an animal might be to ‘guess’ the solution quickly, a strategy that is likely to result in low decision accuracy.

Accordingly, Burns (2005) states that making more decisions with more errors (quick and inaccurate analysis) results in better overall performance than making decisions with fewer errors in a more demanding stance (slow and accurate analysis). He exemplifies with bees that collect more nectar for the hive when their individual behavior is on average sloppier and more intense, rather than careful and precise. This example provides a good analogy for characterizing thermal comfort on an urban scale.

6 Proposal

Machine Learning can simplify the complexity of an analysis that considers both climatic and thermal comfort aspects on the urban scale. To this approach, it is first necessary to understand how complex and costly a conventional method is, involving solar geometry calculations and computational fluid dynamics simulations.

One way to correlate climate and comfort makes use of Olgyay's chart. Olgyay's bioclimatic chart (1963) describes corrective strategies for the climate of the built environment. The chart shows a central comfort zone, outside which points representing certain moments of thermal discomfort throughout the year in the climate of a specific locality can be adapted from the corrective strategy zone in which it is located. In the example in Figure 2, the city of Fortaleza, in northeastern Brazil, belonging to the Bioclimatic Zone number 8, may have points outside its comfort zone corrected by using natural ventilation. The chart also tells the minimum wind speed needed to correct the temperature and humidity condition expressed by a point on the chart.

The points marked on Olgyay's chart can be obtained by reading weather files by software capable of extracting this information. In the example of Figures 2 and 3, a weather file of Typical Meteorological Year (TMY) format was used for the city of Fortaleza, obtained from the website of the Energy Efficiency in Buildings Laboratory of the Federal University of Santa Catarina, LabEEE-UFSC (Universidade Federal de Santa Catarina, 2019). The software Grasshopper — a parametric modeler for the Rhinoceros 3D computer-aided design platform — imported its data, through the Ladybug Tools weather analysis plugin, and interpreted it in the graphs of Olgyay's chart and the histograms in Figures 2 and 3 by an algorithmic definition implemented in a Visual Programming Language (VPL).

Fig. 2: Olgyay’s chart for the city of Fortaleza. Source: the authors, 2019.

Fig. 3: Annual histograms of dry bulb temperature, relative air humidity, and wind speed for the city of Fortaleza. Source: the authors, 2019.

Olgyay's chart defines which points are outside comfort conditions and what appropriate wind speeds should be able to correct them. The weather file contains the speed value to be compared with those corrective minima (usually measured by instruments located at airports of the referred city). If this basic speed value is greater than or equal to the appropriate speed, thermal comfort may be possible to achieve. It remains to be seen, though, whether urban shape will allow it. This is where Computational Fluid Dynamics simulations are implemented. One of the software indicated for this task is Ansys CFX, commonly used in structural analysis in engineering (Wilkinson et al., 2013, p. 2) but applied here for comfort analysis according to appropriate methodology (Leite, 2015).

Thus, a Reynolds Averaged Navier-Stokes (RANS) simulation is performed following the methodology presented by Leite (2015), using the k-ε turbulence model set at 5%. The simulation is configured isothermally according to the dry-bulb temperature, without taking convective forces into account, with the convergence criterion defined at 10-4, which can be considered reasonably converged. An unstructured mesh is modeled and used in conjunction with a layer of prismatic cells on the floor and on the faces of buildings within a cylindrical domain, observing the appropriate minimum proportions to reduce the blocking effect (Figure 4).

Fig. 4: Mesh and results visualization in Computational Fluid Dynamics. Source: Leite, 2015.

Thus, a percentual value of the analyzed area is obtained that comprises regions of the simulated domain where the wind speed meets the minimum requirement to act as a corrective strategy. Then the part of those regions where no shadows occur throughout the year is subtracted, computed by means of solar geometry calculations and cumulative shadow graphs performed by the same Ladybug tool for Grasshopper (Figure 5). This concludes an analysis with the conventional, slow approach, highly demanding for the specialist who performs it.

Fig. 5: Examples of cumulative shadows studies. Source: the authors, 2019.

When using Machine Learning, however, it is possible to train the computer to generate a simpler model that describes the phenomenon of thermal comfort. It would refer specifically to the climate conditions of the analyzed urban space. Also, it would use the same markers utilized in the conventional approach already described, that is, through a percentual indicator that shows how significant is the comfortable portion of the studied space. Nevertheless, Machine Learning algorithms would define the new comfort model based on more straightforward variables such as predominant building dimensions and azimuth orientations of street axes.

As Moreira (2018) suggests, by using a Database Management System (DBMS) and applying a Geographic Information System/Computer-Aided Design (GIS/CAD) toolset, it is possible to download the geometries of the urban shape so they can be analyzed on a large scale. Then, following the application of the conventional approach of comfort analysis on sufficient urban spaces for the formation of a training set, a matrix is obtained whose tuples3 Correlate only the easily obtainable variables (building dimensions and street orientations) with the results of the analyses. Tamke, Nicholas, and Zwierzycki (2018, p. 3) refer to this kind of emergent practice as short-circuiting simulations. Artificial neural networks may finally extrapolate the learned patterns between simple variables, or features, and their results, for new cases, beyond the training set, without applying the conventional approach (Figure 6).

Fig. 6: Conventional approach and Machine Learning, where: 1) Climatic analysis; 2) Urban shape; 3) Computational Simulations; 4) Complex comfort models; 5) Comfort indicators; 6) Surrounding buildings dimensions; 7) Street axes orientation; A) Comfort-shape correlation simplified model; B) Building dimensions and street axes orientation for new cases; C) Estimated comfort indicators. Source: authors, 2019.

7 Verifications

Still, in its developmental stages, this research is in the construction phase of the training set of Machine Learning algorithms. It involves a considerable amount of simulations to be carried out. In a similar work focusing only on natural ventilation simulations with Computational Fluid Dynamics, with no solar geometry calculations and with a strict focus on structural rather than thermal performance, Wilkinson et al. (2013) arrive at results with about 600 simulations. However, the mark of less than 6.1% of error for the pressure coefficient readings along the complex surfaces of the tested buildings is clear evidence of this similar method’s efficiency. By working with simpler geometries with low levels of detail in perpendicular extrusions of building polygons, the present research expects to find results within similar error margins.

8 Conclusions

The Machine Learning, as a method of solving complex problems, has been used in computer science since the 1950s. With its earliest examples, such as the model of Arthur Samuel's 1952 Checkers, proving for the first time that a machine could learn to play better than its maker in a short time (Samuel, 1959). According to Sjoberg et al. (2017, p. 554), it is conceivable that such a moment could also occur in the field of design and planning, where a tool could eclipse the ability of humans to consider and respond to the vast number of variables and relations in a complex system.

However, even before such a moment arrives, the ability to obtain necessary and sufficient results in in-depth analyses involving complex phenomena may already be able to be enhanced through Machine Learning, even if the machine does not have full autonomy.

Reduced time and computational cost contribute to the work of less theoretically and technically in-depth professionals on specific aspects of architecture and urbanism, without the need for a complete understanding of all variables involved. According to Tamke et al.:

The ability to work [...] [allowing] a systematic exploration of options through the designer, [with the computational approach], […] can build up an intuition about promising design directions and explore them quickly. These explorations can also take place through the automated generation of design options and subsequent evaluation and reiteration of the form-found solutions according to given aims (Tamke et al., 2017, p. 100).

As Tamke et al. (2017, p. 101) put it, Machine Learning was introduced in engineering to accelerate complex simulations, providing fast, reliable, and accurate approximations of results to inform the designer, leaving calculations 200 to 500 times faster than in traditional methods. Aligned with the same thinking is what is said by many authors (Chronis et al., 2012; Lomax, Pulliam, and Zingg, 2001; Lu, Tcheng, and Yerramareddy, 1991; Samarasinghe, 2007) regarding the trade-off between speed and accuracy, which claim that there is a need to adjust the level of precision of simulations to the optimal response time in specific applications.

Therefore, with the remodeling of the problem through Machine Learning, and with the use of simple variables, we seek an approximation of urban planning professionals from various areas and levels of technical knowledge that have in common the theme of thermal comfort. By extrapolating the proposal to other themes, one can think of this technology as a way of facilitating and increasing the professionals' reach to subjects related to planning that depend on a deeper theoretical and technical framework for their comprehension. This contributes to making these professionals more autonomous, able to interact more productively with specialists. Thus, through the construction of information, the increased comprehension of buildings’ implications on the urban environment aims to contribute to the production of the contemporary city from a technological, political, and environmental perspective.

Acknowledgments

This work was carried out with the support of the Higher Education Personnel Improvement Coordination - Brazil (CAPES) - Funding Code 001.

References

ABNT, 2003. NBR 15220-1: Desempenho térmico de edificações - Parte 1: Definições, símbolos e unidades, Rio de Janeiro: ABNT, 2003.

Ascher, F., 2010. Os novos princípios do urbanismo, São Paulo: Romano Guerra.

Behera, R. N. and DAS, K, 2017. A Survey on Machine Learning: Concept, Algorithm and Applications, International Journal of Innovative Research in Computer and Communication Engineering, 5(2).

Belém, C., Santos, L. and Leitão A., 2019. On the Impact of Machine Learning: Architecture without Architects?, Proceedings of the 18th International Conference, CAAD Futures 2019, Daejon, Korea, available at: http://papers.cumincad.org/data/works/att/cf2019_020.pdf.

Bishop, C. M., 2006. Pattern Recognition and Machine Learning: Information Science and Statistics, Springer-Verlag New York, Inc.

Bolton, R. J. and Hand, D. J., 2002. Statistical Fraud Detection: A review, Statistical Science, 17(3), pp. 235-255.

Brynjolfsson, E. and McAfee, A., 2017. Machine, Platform, Crowd: Harnessing our Digital Future. New York: W. W. Norton & Company.

Burns, J. G., 2005. Impulsive bees forage better: the advantage of quick, sometimes inaccurate foraging decisions, Animal Behaviour, 70(6).

Chronis, A., Tsigkari, M., David, A. and Aish, F., 2012. Design Systems, Ecology and Time, Proceedings of the Association for Computer Aided Design in Architecture 2012 conference, available at: https://www.researchgate.net/profile/Angelos_Chronis/publication/272886939_Design_Systems_Ecology_and_Time/links/5825a86e08ae61258e45ec4f/Design-Systems-Ecology-and-Time.pdf.

Cudzik, J. and Radziszewski, K., 2018. Artificial Intelligence Aided Architectural Design, available at: https://www.researchgate.net/profile/Jan_Cudzik/publication/328018944_Artificial_Intelligence_Aided_Architectural_Design/links/5bb32166a6fdccd3cb815e4b/Artificial-Intelligence-Aided-Architectural-Design.pdf.

Chittka, L., Skorupsko, P. and Raine, N. E., 2009. Speed-Accuracy Tradeoffs in Animal Decision Making, Trends in Ecology and Evolution, 24(7).

Deo, R. C., 2015. Machine Learning in Medicine, Circulation, 132, pp.1920-1930, available at: https://www.ahajournals.org/doi/pdf/10.1161/CIRCULATIONAHA.115.001593.

Elsawy, I., Hosny, H. and Razek, M. A., 2019. A Neural Network Model for Construction Projects Site Overhead Cost Estimating in Egypt, International Journal of Computer Science Issues, 8(3), pp.273-283, available at: https://arxiv.org/abs/1106.1570.

Ferreira, D. R., 2018. Applications of Deep Learning to Nuclear Fusion Research, available at: https://arxiv.org/pdf/1811.00333.pdf.

IBGE, 2010. Sinopse do censo demográfico 2010, Rio de Janeiro: IBGE.

Khean, N., Fabbri, A. and Haeusler, M. H., 2018. Learning Machine Learning as an Architect, How to?, Proceedings of the eCAADe 2018 Computing for a better tomorrow, Łódź, Poland, available at: http://papers.cumincad.org/data/works/att/ecaade2018_111.pdf.

Khean N., Kim L., Marinez, J., Doherty B., Fabbri, A., Gardner, N. and Haeusler, M. H., 2018. The Introspection of Deep Neural Networks – Towards Illuminating the Black Box: Training Architects Machine Learning via Grasshopper Definitions, Proceedings of the 23rd International Conference of the Association for Computer-Aided Architectural Design Research in Asia, CAADRIA), Beijing, China, available at: http://papers.cumincad.org/data/works/att/caadria2018_126.pdf.

Leite, R. C. V, 2015. Cidade, Vento, Energia: Limites de Aplicação da Ventilação Natural para o Conforto Térmico Face à Densificação Urbana em Clima Tropical Úmido, Universidade de São Paulo, São Paulo.

Lomax, H., Pulliam, T. H. and Zingg, D. W, 2001. Fundamentals of computational fluid dynamics, Berlin: Springer.

Lu, S. C.-Y., Tcheng, D. K. and Yerramareddy, S., 1991. Integration of Simulation, Learning and Optimization to support Engineering Design, Proceedings of the CIRP, 40(1).

Luu, V. T. and Kim, S. Y., 2009. Neural Network Model for Construction Cost Prediction of Apartment projects in Vietnam, Korean Journal of Construction Engineering and Management, 10, available at: https://www.researchgate.net/publication/264113646_Neural_Network_Model_for_Construction_Cost_Prediction_of_Apartment_Projects_in_Vietnam.

Magoulas, G. D., 2001. Machine Learning and Its Applications, Berlin, Heidelberg: Springer Berlin Heidelberg.

Magoulas, G. D. and Prentza, A., 2001. Machine Learning in Medical Applications, Berlin, Heidelberg: Springer Berlin Heidelberg.

Mena, J., 2011. Machine Learning Forensics for Law Enforcement, Security, and Intelligence, London: CRC.

Moreira, E., 2018. Modelando a percepção: o ambiente do patrimônio cultural edificado na regulação da forma urbana, Universidade Federal do Ceará, Fortaleza.

Olgyay, V., 1963. Design with Climate, New Jersey: Princeton University Press.

Oracle Corporation, 2019. “A relational Database Overview”, available at: https://docs.oracle.com/javase/tutorial/jdbc/overview/database.html.

Samarasinghe, S., 2007. Neural Networks for Applied Sciences and Engineering: From Fundamentals to Complex Pattern Recognition, New York: Auerbach Publications.

Samuel, A. L., 1959. “Some Studies in Machine Learning Using the Game of Checkers”, IBM Journal of Research and Development, 3(3).

Sjoberg, C., Charlotte, U., Beorkrem, C. and Ellinger, J., 2017. “Emergent Syntax: Machine Learning for the Curation of Design Solution Space”, Proceedings of the 37th ACADIA, Association for Computer Aided Design in Architecture 2017 Conference, Cambridge, USA, available at: http://papers.cumincad.org/data/works/att/acadia17_552.pdf.

Tamke, M., Nicholas, P. and Zwierzycki, M., 2018. “Machine learning for architectural design: Practices and infrastructure”, International Journal of Architectural Computing, 16(2).

Tamke, M., Zwierzycki, M., Deleuran, A. H., Baranovskaya, Y. S., Tinning, I. F. and Thomsen, M. R., 2017. “Lace Wall - Extending design intuition through Machine Learning”, in Menges, A., Sheil, B., Glynn, R. and Skavara, M. (Ed.), Fabricate 2017, London: UCL Press.

Universidade Federal de Santa Catarina, 2019. “Arquivos climáticos em formato TRY, SWERA, CSV e BIN”, available at: http://www.labeee.ufsc.br/downloads/arquivos-climaticos/formato-try-swera-csv-bin.

Wilkinson, S., Bradbury, G. and Hanna, S., 2014. “Approximating Urban Wind Interference”, Proceedings of the Symposium on Simulation for Architecture & Urban Design, SimAUD’14, San Diego, USA, available at: https://www.researchgate.net/profile/Samuel_Wilkinson3/publication/303810741_Approximating_Urban_Wind_Interference/links/58ecb1f1458515d158967fbe/Approximating-Urban-Wind-Interference.pdf.

Wilkinson, S., Hanna, S., Hesselgren, L. and Mueller, V., 2013. “Inductive Aerodynamics”, Proceedings of eCAADe 2013: Computation and Performance, Delft, the Netherlands, available at: https://www.researchgate.net/profile/Samuel_Wilkinson3/publication/303810587_Inductive_aerodynamics/links/5754634608ae17e65eccc9b4/Inductive-aerodynamics.pdf.

Zhao, C., Fu, G., Liu, X. and Fu, F., 2011. “Urban planning indicators, morphology and climate indicators: a case study for a north-south transect of Beijing, China”, Building and Environment, n. 46, pp. 1174-1183.

1 Artificial Neural Networks are a paradigm in Machine Learning, inspired by biology, capable of solving complex signs processing and pattern recognition problems. Its concept borrows the understanding of how the central nervous system of a human operates through neural ways and connections and translates that in a computational system (Khean et al., 2018, p. 239).

2 Supervised learning is a learning method in Machine Learning that uses a training set containing the input and corresponding output. The outputs are used to guide the learning process (Belém, Santos, and Leitão, 2019, p. 276).

3 In the context of relational database. A line or a tuple is a data structure that corresponds to a record of information of correlated fields or attributes in the theme of a matrix (Oracle, 2019).