Controlo geométrico de precisão na montagem de estruturas metálicas com recurso a tecnologias digitais
FOTO UX INDONESIA/ UNSPLASH
A garantia da conformidade geométrica de estruturas industriais em aço requer um controlo rigoroso durante a montagem, em conformidade com a NP EN 1090-2:2020. Este artigo propõe uma metodologia automatizada que compara os modelos As-Design e As-Built, este último obtido por varrimento laser terrestre.
A abordagem projeta a nuvem de pontos 3D para 2D e utiliza um modelo de inteligência artificial (YOLOv8) para detetar e segmentar perfis comerciais com base em imagens. A combinação de dados reais e sintéticos aumentou a capacidade de generalização como atesta o valor do indicador mAP@50-95 igual a 70,2%. Após a segmentação, uma abordagem de refinamento é proposta, para a extração das caixas delimitadoras orientadas dos elementos metálicos que permitem quantificar desvios posicionais e angulares ao longo do seu desenvolvimento.
A metodologia foi validada num caso de estudo real, avaliando até 94% dos elementos com 97% de segmentações válidas, demonstrando uma elevada robustez em algumas das verificações geométricas previstas na NP EN 1090-2:2020.
A digitalização no setor da Arquitetura, Engenharia, Construção e Operação (AECO) tem evoluído de forma acelerada com a adoção de tecnologias digitais como o Building Information Modeling (BIM), o varrimento Laser Terrestre (TLS) e, recentemente, técnicas avançadas de Inteligência Artificial (IA). No contexto específico da montagem de estruturas metálicas, persistem desafios relacionados com a deteção precoce de desvios geométricos, a fiabilidade das medições em obra e a dependência de verificações manuais, dispersas e suscetíveis a erro humano, sobretudo face às tolerâncias definidas na NP EN 1090-2:2020.
Estudos recentes evidenciam o impacto da IA na monitorização estrutural, demonstram que modelos de Deep Learning (DL), incluindo a arquitetura You Only Look Once (YOLO), melhoram significativamente a deteção automática de danos. Entre estas abordagens, destaca-se o YOLOv8, lançado pela Ultralytics em 2023, que introduz melhorias de precisão e uma variante de segmentação em tempo real. A segmentação de instâncias permite identificar a presença de um objeto e a sua geometria exata, produzindo máscaras precisas do seu contorno. Embora a deteção utilize caixas horizontais (HBB – Horizontal Bounding Boxes), estas não refletem a orientação real do objeto, por isso, vários autores recorrem a caixas orientadas (OBB – Oriented Bounding Boxes), mostram que extrair OBB a partir de máscaras segmentadas reduz ambiguidades geométricas associadas às regressões diretas. Contudo, a aplicação de algoritmos de DL ao controlo geométrico, sobretudo na construção metálica, permanece ainda inexplorada.
Paralelamente, abordagens digitais têm mostrado potencial para apoiar o controlo geométrico, combinam nuvens de pontos obtidas por TLS com modelos BIM para identificar as imperfeições reais de pórticos metálicos. De forma alternativa,c associam as nuvens de pontos a perfis com secções transversais comerciais ou de geometria pré-definida. Contudo, essa dependência de informação prévia limita a aplicabilidade do método, já que as secções coletadas apresentam muitas vezes dados incompletos ou com ruído.
Face a estas limitações, este artigo propõe uma abordagem de IA baseada no modelo YOLOv8 para detetar e segmentar instâncias de secções transversais extraídas de nuvens de pontos, assim como uma abordagem heurística para extração de OBB, contribuindo para a automatização e validação do controlo geométrico de estruturas metálicas.
Metodologia de controlo geométrico na montagem de estruturas metálicas
A metodologia desenvolvida automatiza o controlo geométrico durante a montagem de estruturas metálicas, substituindo medições manuais demoradas por um processo digital baseado em TLS e IA. O fluxo de trabalho organiza-se em cinco fases.
Na fase 1, realiza-se o levantamento TLS com o Leica RTC360, seguido do registo, filtragem e georreferenciação no Cyclone REGISTER 360. Na fase 2, a nuvem de pontos é seccionada por planos perpendiculares ao eixo dos elementos. Cada secção é convertida numa imagem 2D normalizada, representando a geometria transversal real do elemento. Na fase 3, estas imagens são analisadas por um modelo YOLOv8 desenvolvido para detetar e segmentar perfis metálicos comerciais. Na fase 4, as secções segmentadas são convertidas em OBBs, permitindo medir deslocamentos, inclinações e desvios de retilinearidade. Na fase 5, os parâmetros medidos são comparados com os limites definidos na NP EN 1090-2:2020. (...)
João Ventura1, Jorge Magalhães1, Ricardo Santos1,2,
Rafael Cabral1,2, Liliana Araújo3, Diogo Ribeiro1,2
1 iBuilt, Instituto Superior de Engenharia do Porto, Porto, Portugal
2 CONSTRUCT-iRail, Faculdade de Engenharia da Universidade do Porto, Porto, Portugal
3 JF Metal, Barcelos, Portugal
Outros artigos que lhe podem interessar